適切な AI ユースケースを選択するための 5 つのヒント

多くの企業はまだ AI を導入する準備ができていない可能性があるため、まずは 1 つのプロジェクトから始めるのが良い出発点となるかもしれません。 CIO は初期の AI プロジェクトから何を学ぶべきでしょうか?

[[281927]]

Google は人工知能の利用における先駆者の 1 つであり、短期間で純利益が前年比で 2 倍になり、投資収益率も大幅に向上しました。今日、多くの企業が人工知能を導入しています。調査会社ジェネシスは、2022年までに米国企業の60%がAI技術を利用すると予測しているが、その理由は単純だ。これらの企業は結果を見ているだけでなく、市場でAI主導の競合他社に負けることを懸念しているのだ。

しかし、多くの企業は AI のユースケースの処理に熟練していません。自動化された機械学習ツールを提供する Aible の CEO 兼創設者であり、Salesforce Einstein の共同創設者でもある Arijit Sengupta 氏は、次のように説明しています。「ビジネスにおける AI の有効性を証明する統計を提供するのは困難です。AI プロジェクトの大部分が失敗しているからです。2018 年に調査会社 Gartner は、AI プロジェクトの 85% が成功しなかったと推定しました。テクノロジーには大きな可能性がありますが、今日の AI の使用例のほとんどはビジネス運営で失敗しています。」

以下では、CIO が AI のユースケースと戦略にどのようにアプローチして成功を収めるべきかについて説明します。業界メディアは数十人の AI 専門家にインタビューし、彼らの長年の実践経験を共有しました。

1. 主にデータに依存する人工知能

ご存知のとおり、人工知能はデータに依存していますが、データの重要性は過小評価されがちです。

「AI におけるデータ問題の範囲と規模は、ほとんどの人が認識しているよりもはるかに大きい」と、チャットボット開発会社 Verint の副社長 Jen Snell 氏は説明します。「多くのプロジェクトは、データ品質から、意味のある洞察を得るためのデータの管理と照合、タグ付けとモデル構築まで、データが原因で問題に直面します。最初は簡単に思えますが、規模の拡大、モデルの変更、システムの管理と制御の確保を考えると、難しくなります。」

スネル氏の統計は悲惨なものだ。経営幹部の 59% が AI によってビッグデータの利用を改善できると考えている一方で、ビッグデータや AI プロジェクトの 85% が失敗しているのだ。 「私たちは15年前に初めてこれに気づき、問題がいかに広範囲かつ体系的であるかを理解するために、数年間にわたり顧客や現実世界のデータに取り組んできました」と彼女は語った。

したがって、信頼性が高くクリーンなデータを持つことは、AI 変革にとって不可欠であり、AI アルゴリズムよりもさらに重要です。 「特定のモデルのアルゴリズムや計算を微調整しても、わずかな改善しか得られないことを学びました」と、AI テクノロジーおよびソリューション プロバイダーである Veritone の応用 AI 担当ディレクター、アーロン エデル氏は語ります。「精度を最も高めるのは、良質でクリーンなトレーニング データです。早い段階でデータ取得戦略を策定することが、機械学習の成功の鍵です。最初からこれを知っていればよかったと思います。」

データの取得方法も AI の使用事例にとって重要です。外部ソースからデータを購入することでビジネスを立ち上げることはできますが、ビジネスを継続させるにはそれだけでは不十分です。なぜなら、AI はデータの機能を理解しておらず、AI は入力されたデータの品質に左右されるからです。エデル氏は、一般的に訓練されたモデルを研究しているときにこれを発見しました。 「100万人の『有名人』でトレーニングされた有名人認識モデルは、実際の使用ケースではパフォーマンスが悪くなります。それは、モデルが実行することを意図したデータでトレーニングされていないためです」と同氏は述べた。「ジェニファー・アニストンがフレンズの各エピソードにどのくらいの頻度でいつ登場するかを理解しようとしている場合、オスカーでの彼女の写真でトレーニングされたモデルは、フレンズのクリップから画像をキャプチャしたモデルよりもパフォーマンスが悪くなります。」

どの企業も、自社のビジネスに合わせて調整された AI を必要とする可能性があります。長期的には、これによりアルゴリズムの効率が向上し、収益の増加、コストの削減、顧客満足度の向上につながります。

2. 適切な出発点を選択する

成功した AI 変革は包括的な変化です。これは単なる技術の変化ではなく、文化の変化や企業が従業員から受ける抵抗についても言えます。したがって、CIO は最初から成功を計画する必要があります。

AI ユースケースを実装する場合、企業は最も簡単なものから最も難しいものへと順に始めるのが最適です。ワークスペース自動化企業 Avii の CEO、ライル・ボール氏は、人が関わる反復性の高いタスクを見つけて、それらの機能を AI システムに実行させると説明しています。

「ただし、プロセスに関しては、まずは消費者対応側から始めるのがベストです」と、AI 駆動型チャットボット ソリューション プロバイダーである Senseforth の CEO、Shridhar Marri 氏は説明します。「顧客は、自分が選んだチャネルで状況に応じたパーソナライズされたサービスを期待しています。顧客の獲得、エンゲージメント、サポートの全領域は、AI テクノロジーが変革している重要な側面です。」

顧客サービスの向上によって得られる利益と満足度は、特に同僚や従業員からの抵抗に直面しているときに、企業が AI 変革の価値を実証するのにも役立ちます。 「これは他の用途への扉を開く助けになるかもしれない」とボール氏は結論付けた。

顧客体験を積んだ後、マリ氏は業務の効率化とコスト削減を追求するようアドバイスしています。

AI 変革とデジタル変革を混同しないように注意する必要があります。場合によっては、AI ベースではない自動化ツールでも十分な場合があります。企業が AI テクノロジーを導入する前に、適切な調査を行って AI プロジェクトが最善の方法であるかどうかを確認することが重要です。ウェルズ・ファーゴなどの企業向けに AI ベースのチャットボットを構築した企業の CEO であるジョナサン・ドゥアルテ氏が、自身の経験を共有しました。 「私が開発を指揮したあるプロジェクトでは、プロジェクト計画は作成されましたが、プロジェクト開始前に顧客調査はほとんど行われていませんでした」と彼は言います。「このケースでは、チャットボットが設計された時点で、ユーザーはすでに回避策を見つけていました。それは無限に拡張可能というわけではありませんが、AIツールと同じくらい強力でした。」

3. 文化の変化に備える

AI 変革の技術的な側面だけに焦点を当てるだけでは不十分です。皮肉なことに、AI が人間に取って代わろうとしているように見える一方で、人々が人間の労働の価値を理解し始めたのはここ数年のことである。

大規模な機械学習をサポートする AI インフラストラクチャを提供する Skymind の CEO 兼共同創設者である Chris Nicholson 氏は、同僚からの賛同と協力を得ることの重要性を強調しました。 「導入を計画しているAIソリューションを使用する可能性のあるチームはあるが、彼らがそれを受け入れなければ何の役にも立たないだろう」と彼は語った。

さらに、AI ソリューションに必要なデータの生成やレビューに関与する可能性のある企業チームは、自動化への移行をサポートしなければ、適切なデータが得られません。ニコルソン氏は次のように結論付けた。「AI プロジェクトを立ち上げるのは困難です。だから、それをさらに困難にする理由はないのです。」

4. AIの構築は旅である

CIO が AI ユースケースを選択する際に犯す間違いの 1 つは、AI 独自の機能を忘れてしまうことです。 AI が優れているのは、学習できるが、人間が教えたことしか知らないという点です。 AI ユースケースの構築は目的地ではなく旅です。マリ氏は、AI を最新の状態に保ち、使用可能に保つには、常に再トレーニングする必要があると説明しています。たとえば、チャットボットは、その有用性を証明するために、企業の新製品について学習したり、新しいまたは予期しない消費者の要求を理解したりする必要があります。

AIと労働力を組み合わせた多くの企業がこの戦略を採用しています。AIが問題に遭遇すると、人が状況に対処し、ユーザーエクスペリエンスを向上させるだけでなく、AIが学習するための新しいデータを作成します。同時に、AI は多くの反復的なタスクを実行し、手作業を置き換えるのに役立ちます。

5. 自分の限界を知る

ここでは AI ユースケースの開始方法と正しい使用方法について説明しましたが、プロジェクトを成功させ、成功を継続させるために注意すべき落とし穴もいくつかあります。ベテランの独立アナリスト集団であるアナリスト・グループのCEO兼創設者であるトム・オースティン氏は、致命的な例を指摘した。 「ボーイング737マックス8のMCAS（操縦特性向上システム）システムの設計者のように、人間の判断を自動的に排除してはいけない」と同氏は述べた。「AIは万能ではない。AIは人間ができないことができるロボットだが、考えることはできない。」

オースティン氏は、「このような例は極端に思えるかもしれないが、そこから学ぶべき重要な教訓がある。それは、間違いをテクノロジーのせいにしてはいけないということだ。人間は責任の連鎖の末端にいるし、これからもそうあり続けるだろう。」と述べた。