AIの旅を始めるのに役立つ3つの重要なステップ

すべての IT 問題には学習曲線と転換点があり、解決策が見つかる「なるほど！」という瞬間があります。 AI プロジェクトでも同じことを経験しました。たとえば、AI のロジックが従来のソフトウェア プログラミングとどれほど異なるかに気づいたときです。その後、私は AI の考え方を身につけ、実際に AI を使い始めることができました。

AI が業界全体で標準化されるにつれて、あなたのビジネスでも同様の取り組みが必要になります。

[[272676]]

AI はプログラミング方法がまったく異なるため、「ソフトウェア 2.0」と呼ばれることもあります。コンピュータに何をすべきかを指示するのではなく、コンピュータが自ら学習できるようにする必要があります。より「スマート」にするには、より多くの、より良いトレーニング データを提供する必要があります。そして、データセット内のパターンを検出することで、AI は「自分自身をプログラム」できるようになります。

このため、AI が実際に何を学習したかを把握することが難しい場合があります。 AI が羊を検出するように訓練されたが、実際には草を検出することを学習したケースや、AI が顔で犯罪者を検出するように訓練されたが、実際には笑顔を検出するだけのケースもありました。もちろん、これらは極端な例ですが、エラーが発生しにくいケースの方が、実際にはより悪いです。なぜなら、AI の意思決定アルゴリズムに人種や性別の偏見が持ち込まれ、それを検出するのが難しくなるからです。

したがって、AIを正しくトレーニングすることが非常に重要です。 AI を始めるための 3 つの提案をご紹介します。

AIがビジネスにできること、できないことについて合理的な期待を設定する

AI の導入を始める前に、まず AI がビジネスに何をもたらすのかについて、合理的な期待を設定する必要があります。

残念ながら、AI を取り巻くメディアやベンダーの誇大宣伝により、企業が合理的な期待を設定することが困難になっています。たとえば、AI が人間よりも賢くなるといった AI 災害に関する警告は、誤った期待につながる可能性があり、それが満たされないと、プロジェクト全体が失敗する可能性があります。

ほとんどのプロジェクトでは、同じ状況で人間がどのように行動するかを基準に AI の精度を測定します。たとえば、ニューラル ネットワークは 94% の精度で癌を検出し、人間の放射線科医を上回りました。もちろん、ヘルスケア業界は特に繊細であり、超高精度の AI を必要としますが、これは他の多くの業界には当てはまらないユースケースです。たとえば、ビデオ推奨エンジンの精度が 80% であればすでにかなり優れていますが、他のプロジェクトでは 30% ～ 40% の精度しか必要としない場合があります。

「AI が 2% の改善しか提供しなかったり、精度が 30% しかなかったとしても、それで十分かもしれません」と、AI 駆動型デジタル エクスペリエンス プラットフォーム Bloomreach の CTO、Xun Wang 氏は言います。「ここでの問題は、それが十分かどうかではなく、より大きなシステムで AI 技術やコンポーネントを活用して、何らかの漸進的な改善を達成する方法です。」

したがって、指標は AI の精度のパーセンテージではなく、AI がビジネスにどれだけ役立つかです。 AI が従業員を完全に置き換えることを期待すべきではありません。真の評価基準は、AI が従業員の仕事をどれだけ強化し、どれだけ楽にし、どれだけ正確性を高め、どれだけ時間を節約するかです。

企業データの価値を発見

AI を使い始めるには、データ、つまり質の高いデータが必要です。 AI は大量のデータを必要とする技術であるため、良質なデータ (そして大量の良質なデータ) が必要であることは明らかです。しかし、データ収集のステップが省略されることがどれほど頻繁に起こるかには驚きます。

これは、IT プロフェッショナルがまだ AI の考え方を持っていないからだと思います。 AI マインドセットを育成するには、CIO は自社のビジネス プロセスを調査し、収集する (または収集する必要がある) データを発見し、それに応じて AI を通じてビジネスを最適化または改善する方法を見つける必要があります。

このデータは CRM、Web 分析ログ、またはサポート チケットに保存されている可能性があります。 AI の考え方を取り入れると、データに対する考え方が変わります。重要なのはデータの内容ではなく、そこから抽出できるパターンと特徴です。

ここで言う「データ」とは、単に人口統計やオンライン行動を意味するものではありません。 AI は、自分が何をしているのか分からないので非常に愚かですが、私たちが考えつかないパターンを検出するのは非常に賢いです。 AI は人間的な理解力に欠けている部分を計算速度で補います。 たとえば、自然言語理解の分野では、研究者は AI に数十億バイトのテキストを入力してきました。彼らの目標は、AI に単語間の類似点や関係性を見つけさせることです。たとえば、「女性」と「男性」の関係は、「女王」と「王」の関係と構造的に似ています。 7月初旬、科学者たちはこのメカニズムを利用して多数の科学論文の概要を調査し、これまで見過ごされていた化合物を発見しました。

AI を使い始めると、あらゆる「データ レイク」が AI 最適化の機会として見えるようになります。つまり、基礎となるデータがあり、AI を追加することでデータを探索し、その可能性を最大限に引き出すことができるのです。たとえば、顧客やユーザーがオペレーターに問題を報告する前に、トリガーキーワードだけでなく、彼らが書いている内容に基づいて解決策を推奨するサポート システムを開発できます。または、感情分析を通じて顧客の問題の重大度を検出し、それに応じて上級スタッフをより緊急なケースに割り当てます。

もちろん、AIが必要だが、必要なデータがないというケースもあるでしょう。このような場合、社内でデータの収集を開始するか、サードパーティのソースから必要なデータを取得または購入して、より迅速に開始することができます。

シンプルなアルゴリズムから始めて軌道に乗る

AI を使い始めるときは、小さく始めることが重要です。

「慣性を克服する上で最も障壁が少なく、最良の結果を追跡できるプロセスから始めましょう」と、市場情報プロバイダー TeqAtlas の共同設立者兼社長、ルスラン・ガブリリュク氏は語ります。「最初は小さく始めて、一度に 1 つのプロセスを自動化し、目に見える結果が出てから継続してください。」

小さく始める理由の 1 つは、AI をトレーニングする必要があることです。 AI のトレーニングに何時間も費やしたのに、最終結果が満足のいくものでないことほどイライラすることはありません。したがって、より単純なアルゴリズム（より速くトレーニングする）の方が、正しい方向に進んでいるかどうかを示すより良い指標となる可能性があります。

「目に見える結果を得るには時間がかかることを忘れないでください。ROI は言うまでもありません」と Gavrilyuk 氏は続けます。最初の実行でディープラーニングや畳み込みネットワークを起動しようとしないでください。

同様に、AI チームはデータを準備する必要がありますが、これは言うほど簡単ではありません。 BI の世界では、「Garbage in, garbage out.（ゴミを入れればゴミが出る）」という格言がよく引用されます。 Web ページをスクレイピングすると、メイン ページのコンテンツとはまったく関係のないサイドバーの広告やコメントが簡単に取得されてしまいます。繰り返しになりますが、データの品質は重要です。 Open AI が「奇妙な」 GPT-2 モデルをトレーニングしたとき、そのモデルは Reddit で高評価を得た投稿のみに依存していました。

トレーニング中でも、AI 開発者は AI モデルがデータをどのように理解するかを理解する必要があります。たとえば、スパム フィルタリング エンジンは、スパムである可能性が最も高いコンテンツを表示できます。舞台裏をざっと確認するだけで、AI が正しい方向に進んでいるかどうかがわかります。

データがクリーンになり、AI モデルとアルゴリズムが十分に理解された後にのみ、AI 開発者は畳み込みニューラル ネットワークや再帰型ニューラル ネットワークなどのより高度なアルゴリズムに移行して最適化を試みる必要があります。それまでは、Gavrilyuk 氏は「コンピューティング能力とストレージを購入して維持するのではなく、レンタルする」ことを勧めています。

今こそAIの旅を始める時です

TeqAtlas の調査によると、AI アプリケーションに対する理解が不足しています。多くのビジネスリーダーがAIテクノロジーを自分たちの仕事を奪う競争相手とみなしたり、機械に制御を委ねるという考えを信用できなかったりするため、文化的な障壁が企業のAI導入を妨げている。

しかし、AI は素晴らしい技術であり、特に競争が激化する中では非常に必要となります。 AI の旅を始めるために何が必要か、どのような合理的な期待を設定すべきか、そしてそこに到達する方法を知っていれば、この新しいテクノロジーの力をどのように活用するかがわかり、その興奮がビジネス成果につながります。