AI 導入を迅速に進める 5 つの方法

重要な実現技術である AI の急速な成功により、より広範なデジタル変革とイノベーションの取り組みへのさらなる投資のビジネスケースがさらに強化される可能性があります。

AI プロジェクトの準備と実装には、数年かかる場合があります。新たな調査データによると、最初の1年でAI計画段階を通過できたと答えた回答者はわずか28%でした。これには、テクノロジーの相対的な成熟度 (少なくとも業界のユースケースの拡大全体にわたって)、関連する複雑さのレベル (広範な統合要件、限られた企業経験、社内スキルセットの不足など)、AI に対する偏見ガイドライン、ガバナンス、リスク、コンプライアンスの問題、広範な変更管理要件など、さまざまな要因が関係しています。

[[276584]]

企業のイノベーション プログラムの一部であるか、デジタル変革イニシアチブであるかにかかわらず、長期的な AI プロジェクトでは、短期間で成果を上げることに重点が置かれすぎるため、プロジェクト自体よりも規模の大きいイニシアチブの評判に影響を及ぼすリスクがあります。 CIO が製品管理に対して「プロジェクトから製品へ」というアプローチに移行するにつれて、これらの長期にわたる AI プロジェクトによって革新的な社内または社外製品の発売が遅れる可能性もあります。

AI テクノロジーで迅速に成功を収め、より広範なデジタル変革とイノベーションの取り組みへのさらなる投資のビジネスケースをさらに推進するために、CIO が AI 実装を迅速に進めるための 5 つの方法をご紹介します。

ここでは、金融サービスの融資決定に関連する AI と機械学習 (ML) の取り組みと例に焦点を当てていますが、推奨事項は他の多くの AI 取り組みや業界にも適用できます。

1. AIが組織のコアコンピテンシーになるかどうかに基づいて構築するか購入するかを決める

組織が最初に行う決定の 1 つは、構築するか購入するかです。独自の AI を構築するためのさまざまなプラットフォーム、インフラストラクチャ、フレームワークについてはよく耳にしますが、組織の特定のユースケースに合わせて迅速にトレーニングして展開できるクラウドベースの AI サービスを提供する、より特徴的で専門的な AI ベンダーが、陰の立役者であることがよくあります。構築するか購入するかの決定は、AI が将来の中核機能として組織にとってどれほど重要であるかによって決まります。

たとえば、すべての金融サービス企業は、AI を導入している企業と導入していない企業の間に迫りくるデジタルおよび金融の格差を懸念すべきですが、すべての企業が社内で独自のアルゴリズムを構築する必要はありません。小規模な組織では、社内に独自の AI/機械学習の専門知識を構築することなく、サードパーティの AI テクノロジーをコアワークフロー (ローン引受など) に組み込むことで得られるビジネス上のメリットと成果に、より効果的に注力できます。

2. データに関しては「多ければ多いほど良い」、品質が鍵

かつて誰かが、成功は 10% のインスピレーションと 90% の努力で決まると言いました。 AI に関しては、成功した実装は通常、10% の AI と 90% のデータで構成されます。人間の意思決定を反映する AI/ML アルゴリズムをトレーニングするために使用されるデータセットは、可能な限り大きく、可能な限りクリーンである必要があります。

簡単に言えば、1 行あたり 100 個の属性を持つ 10,000 行のデータの方が、1 行あたり 100 個の属性を持つ 1,000 行のデータよりも機械学習アルゴリズムにとって有用である、と応用人工知能の進歩に取り組む企業 Underwrite.AI の CEO、Marc Stein 氏は述べた。貸し手に対して非線形で動的な信用リスク モデルを提供しますが、「多ければ多いほど良い」というほど単純ではありません。データの型と量はアルゴリズム型と一致する必要があります。ディープラーニングでは効果を発揮するために大量のレコードが必要ですが、統計ベースのアルゴリズムはより小さなデータセットでより効果的に機能します。

組織が AI を使用して人間の意思決定をエミュレートする場合は、できるだけ多くのデータを収集し、すべてのデータ フィールドに価値があることを確認し、データの品質と一貫性を重視します。これは、特に複数の異なるソースからデータを取得する場合には時間がかかる可能性がありますが、早い段階で徹底的に実行すれば、コストのかかるやり直しを回避できます。

3. 結果を適切に解釈する方法を理解するために、変更管理とトレーニングに時間を費やす

AI API を直接呼び出して新しいデータセットを渡してスコアを取得することは技術的には可能ですが、ビジネスアナリストがこれらのスコアを適切に解釈し、新しいプロセスを日常業務に組み込むことができるように変更管理とトレーニングを行うことはより困難です。

一部の AI では、信用履歴に基づいて新規ローンの承認または却下を決定するなど、自動化された決定を下す場合がありますが、機械学習アルゴリズムでは、より微妙な応答も提供されることがよくあります。適切な融資決定を行うには、この応答を既存の手動プロセスと組み合わせて使用​​する必要がある場合があります。たとえば、AI の「スコア」は「A」から「D」および「F」までのスケールになります。 「A」と「F」は明確な「はい」または「いいえ」の決定であり、リアルタイムの意思決定のために完全に自動化できますが、「B」から「D」のグレードでは、依然として引受人の関与が必要になる場合があります。

組織がアナリストに新しい財務モデルの使用方法やモデルの結果を最も適切に解釈する方法をトレーニングするのに時間を費やすのと同様に、AI ベースの結果についても同じことが言えます。ビジネスアナリストは、スコアをどの程度適切に解釈できるかの基準を得るために、機械学習アルゴリズムによって返された結果を観察するのに数週間、場合によっては 1 か月を費やすこともあります。組織が AI ベンダーと連携している場合、そのベンダーは、結果を解釈する方法や、新しいシステムを最大限に活用できるように従業員をトレーニングする方法に関するガイダンスを提供できます。

業界の専門家は、AIを理解することは必須ではないと述べている。これは単に、より正確に将来を予測できる過去の行動パターンを特定するプロセスです。ビジネスが成功するのは、問題が明確に定義され、成功の指標が十分に理解されている場合のみです。たとえば、「損失率で測定されるローンの不履行を減らす必要がある」や「現在のコンバージョン率を上げる必要がある」などです。問題を完全に理解しなければ、その解決策も理解できません。

4. 成功や失敗ではなく、仮説とテストのアプローチを取る

AI の実装はそれぞれ異なるため、プロジェクトを完全な成功または失敗として捉えるのではなく、「仮説を立ててテストする」という考え方で各プロジェクトに取り組むことが重要です。各ステップで仮定を立て、各ステップから得た学習内容を次の反復に組み込むことで、組織は AI の導入を迅速に最適化し、意味のある結果をもたらす実行可能なソリューションを実現できます。

仮説とテストのアプローチではプロジェクトの展開時間が長くなりますが、組織が現実世界で学んだ教訓を取り入れてソリューションを継続的に微調整し、顧客と従業員の要件に合わせ、最も魅力的なビジネスに継続的に方向転換することで、組織のソリューションを持続可能にするという利点があります。

5. あらゆる形態の自動化を組織の将来のビジョンに組み込み、統合する

組織が AI の初期トライアル、概念実証、または MVP に着手するにあたっては、企業全体の AI の将来ビジョンが、完全に手動のプロセスから、ロボティック プロセス オートメーション (RPA) を採用してより高度な AI を実装する複数のタイプの自動化の組み合わせまで多岐にわたる可能性があることに留意してください。多くの場合、ビジネス プロセスは最初から再作成され、新しいステップごとに最適なツールが適用されます。ロボティック・プロセス・オートメーション (RPA) または AI を既存のビジネス プロセスにそのまま組み込むだけでは、潜在的な発展を見逃してしまう可能性があります。

もう 1 つの重要な要素は、各ツール間で行われる切り替えです。これは人間から機械、または機械から機械への通信である可能性があります。切り替えを最適化し、高速、シームレス、信頼性の高いものにすることで、組織は将来のビジネス プロセスをさらに強化し、組織のビジネス目標と市場要件に合わせてコスト効率と競争力を高めることができます。

良いニュースは、AI の実装を迅速に進めることができるということです。これにより、構築と購入のどちらを選択するか、組織をデータ品質（および顧客）に集中させるか、変更管理に十分な時間を費やしてビジネスを早期に開始するか、「what if and test」アプローチを採用するか、最終的に複数の自動化テクノロジーを組織の将来のビジョンに統合するかなど、適切な選択が容易になります。

組織の AI プロジェクトの実装にかなりの時間がかかる場合は、忍耐強く取り組み続ける必要があります。組織は、競争を迅速に終わらせるためにいくつかのアドバイスを利用することもできます。もちろん、デジタル変革と同様に、この競争は決して終わることはありません。