人工知能とビッグデータを完璧に組み合わせる方法

[[271155]]

ビッグデータと AI ツールを組み合わせることで、新しい形式の分析と自動化が可能になり、エンタープライズ アプリケーションではこれらのテクノロジが現在も開発と進化を続けています。

ダン・アンド・ブラッドストリートは1月に調査結果を発表し、回答者の40％がAI技術の導入により雇用が増えたと回答した。この調査結果は、AI導入によって雇用が失われるという懸念と矛盾しているようで、調査回答者100人のうち、AI導入の結果として組織で雇用が削減されたと答えたのはわずか8人だった。

これは、ダン・アンド・ブラッドストリートの研究チームが昨年 12 月にボストンで開催された AI 世界会議および博覧会の参加者に尋ねた質問であり、特に前例のないデジタル ディスラプションの時代に、企業が AI やビッグ データなどの新興技術にどのように適応していくのかという疑問を提起しています。

デジタルによる混乱の現実に直面しているビジネスリーダーは、AI に関する迅速な戦略をもってしても対処するのが難しいと感じています。急速に進化するテクノロジーと人工知能が仕事の未来に与える影響は、転職や知識労働者の確保の困難といった差し迫った問題を引き起こすでしょう。

人工知能を導入することの利点と問題点

ダン・アンド・ブラッドストリートの調査によると、人工知能は主に分析、自動化、データ管理に使用されていることが分かりました。これまでアクセスできなかったドメインへのアクセスを容易にする新しい機能が有効になります。たとえば、大学教授は、かつては手作業による検査と経験に基づく面倒なプロセスであった不正行為を検出するためのさまざまなツールを利用できるようになりました。人事部門でも、履歴書を審査したり、応募者が適格で成功するかどうかを予測したり、かつては扱いが難しいと考えられていた他の多くのタスクを実行できるテクノロジーが導入されています。

これらのアプリケーションをより実行可能にするのは AI 機能だけではありません。既存のデータを活用して新しい考え方を切り開くためにビジネス タスクを再考することも重要です。同時に、プライバシー規制の変化により、企業やサイバー犯罪者は高度なテクノロジーを驚くべき新しい方法で使用できるようになり、企業はデータのセキュリティとガバナンスに関連する問題にさらに多くのリソースを投入せざるを得なくなりました。

今日のビジネス環境はますます複雑化しており、混乱を乗り切るのは困難です。デジタルネイティブの第二世代の台頭により、人工知能とビッグデータの拡大する応用を探求し、研究する必要性が高まっています。

Dun & Bradstreet の調査によると、現在、ほとんどの組織で人工知能技術がある程度使用されています。この調査結果は他の業界団体の調査と一致しており、AI テクノロジーが認識と早期導入から完全な実装と、その使用による追加のビジネス価値の創出へと移行していることを示しています。

現実には、多くの AI アプリケーション、特に結論を導き出すために豊富で安定したデータのコレクションを必要とするアプリケーションは、データの検出と管理の複雑さに悩まされてきました。しかし、ビッグデータ技術が発達し、組織が増大するデータ量を維持および管理できるようになると、モノのインターネットやモバイル ネットワークなどの新しい技術を活用した新しいアプリケーションが有望な結果を生み出し始めています。これらの例には、法執行機関における顔認識、スマートシティ技術、自動運転車、ドローンなどが含まれます。

エンタープライズ AI を導入しているのは誰ですか? また、彼らは何を行っていますか?

AI 実践者に対する調査には、通常、AI アプリケーションをすでに正常に導入している者、AI プロジェクトを導入中だが、まだイノベーションと ROI のバランスを模索している者、そして AI テクノロジーをまだ模索している、または企業内で AI に真剣に取り組んでいない者の 3 つのカテゴリが含まれます。これら 3 つのグループの相対的な規模については大きな論争があります。

AIに焦点を当てたイベントで実施されたダン・アンド・ブラッドストリートの調査では、回答者のほぼ半数（44%）が自社でこの技術を導入中であると答え、20%は既に導入済みであると答えた。 23％が導入を計画していると回答した。

複雑な問題を解決するために AI テクノロジーを導入しようとしている企業は、結果に少々混乱したり不満を感じたりすることがあり、説明可能性に問題があることを示唆しています。 AI 手法が十分に理解されていない場合、直感に反すると思われる結果を受け入れることが難しい場合があります。これはダン・アンド・ブラッドストリートの調査結果でも強調されており、回答者の 46% が AI がどのように結論に達するかを理解することが組織にとって問題であると回答しています。 AI システムがどのようにして結論に達したかを完全に理解していると答えたのは 3 分の 1 だけでした。

AI の結果に不満を抱くその他の理由としては、基本的な質問の作成が挙げられます。たとえば、人間が訓練した教師あり AI 手法では、データ、アルゴリズム自体、またはそれらが生成した結果の解釈におけるバイアスに対処するための適切な手順が事前に実行されていない場合、既存の知識を誤って強化する可能性のある決定を下すリスクがあります。

問題の定式化は、データ サイエンティストが適切な方法とデータが使用されていることを確認し、導き出された結論を裏付ける適切な質問をする能力に依存します。不完全な問題の定式化のリスクは、説明可能な AI の必要性と、テクノロジーが企業にとってより価値のあるものとなるよう、思考とアプローチの多様性に関するさらなる対話の必要性を浮き彫りにしています。

AIとビッグデータの適切な組み合わせ

AI が使用するデータを慎重に検討することも同様に重要です。 Dun & Bradstreet の調査では、多くの組織が適切なデータの不足が AI 導入のさらなる推進に対する最大の障壁の 1 つであると回答しており、回答者の 28% が社内の専門知識の不足を大きな障壁として挙げています。

データの生成と保存が指数関数的に増加し続けるにつれて、AI システムが適応し、改善され始めるでしょう。

AI 実践者はデータの量を適切に把握しているかもしれませんが、ビッグデータ環境の変化率は、特定の AI アプリケーションにとって依然として大きな問題です。ストリーミング データは、データ サンプリングが見落とされがちな良い例です。

データの正確性は、特に分類やその他の教師なし AI 手法にとって、ますます重要になっているもう 1 つの問題です。データは、あらゆるテクノロジー、特に人工知能を構築する上での基盤となります。不完全なデータ基盤（バイアスを含むデータや誤って操作されたデータの使用など）は、多くの場合、誤った洞察を生み出す不完全な技術的アプローチにつながり、ストレスによって悪影響が強化される可能性があります。

人工知能の発展はその商業的価値にとって極めて重要である

しかし、データが指数関数的な速度で生成され、保存され続けるにつれて、AI システムが適応し、改善され始めるでしょう。この進化は AI の商業的価値に内在しています。 AI テクノロジーがある程度自己診断できるようになるのと同じように、人間のエージェントだけでなく経験からも学習できる複雑なシステムの出現が見られるようになるでしょう。その良い例としては、敵対的 AI やアンサンブル法が挙げられます。

さらに、次世代のデジタルネイティブ AI およびデータサイエンスの専門家は、システムをさらに詳細に観察することになります。将来のデータ サイエンティストは、医師が類似した症状を持つ病気を区別するのと同じように、鑑別診断を実行します。

AI とビッグデータの組み合わせは今後も進化を続け、組織はこのテクノロジーの実験と導入を継続的に増やすことができます。しかし、この進化が良い方向に向かうという保証はありません。実際、最も偉大な予言のいくつかは、それと全く逆の結論を出しています。

デジタル破壊の新しい科学は、ビジネスと人工知能の発展と密接に結びついています。この進化の速度は今後も増加し続けることは間違いないと思われます。現実には、AI とビッグデータは必ずしも完璧に連携するわけではありません。この分野では、さまざまな分析アプローチと思考をさらに洗練させることが、最終的に最良の結果を生み出すことになります。