2019年、人工知能業界は再び冬を迎えたのでしょうか？ここで３つの話をしたいと思います。

ストーリー1：「予測モデル」から「データ可視化」、回帰？

私たちのチームは、データサイエンスコンサルティング（データ分析コンサルティング）に従事しています。私たちは通常、クライアントに「私たちは、年間xxxのコストを節約し、xxxユーザーを増やすことができる「人工知能」モデル（実際には単純な予測モデル）の構築をお手伝いできます」と伝えています。もちろん、私たちはこの種のプロジェクトをテクノロジー変革としてパッケージ化し、アップグレードしなければ時代に取り残されてしまうことをクライアントに伝えて、その費用を支払ってもらいます。この種のプロジェクトは、特に 2017 年以前は常に売れ行きが好調でした。大手コンサルティング会社の業務も似たようなもので、修士号や博士号を持つ大学卒業生を数人採用し、PPT（一般的にコンサルティング会社のPPTにはチーム紹介ページがあります）を作成し、成功事例をいくつか「まとめ」ます。その後、スムーズに案件を締結できることが多いです。しかし、最終的には、いくつかの単純なモデル（通常はロジスティック回帰、決定木、いくつかの従来の統計モデル）を作成するだけであり、このような約 3 ～ 4 か月のプロジェクトには 100 万ドル（およそ 4 ～ 6 人のコンサルタントの費用）の費用がかかることが多いため、利益は非常に大きいことは明らかです。当時、クライアントは社内にこの分野の優秀な人材がいなかったので、私たちの専門知識に大きく依存していました。そして、新しいコンセプトが生まれると、どの企業もそれを試してみたいと思うようになります。しかし、2017 年以降、ほとんどの企業 (スーパーマーケット チェーンやガソリン スタンドなどの伝統的な業界を含む) は基本的に独自のデータ チームを設立しており、当社のよくパッケージ化された予測モデルを信頼しなくなりました。理由は簡単です。まず、ほとんどのコンサルティング製品の品質は高くありません。次に、外部に支払うのではなく、独自のチームを編成する方がよいからです（実際には人件費は徐々に減少しています）。

[[283504]]

ビジネスはよりスマートになりました。大規模な人工知能プロジェクトの販売はますます困難になってきており、多くのコンサルティング会社は人工知能コンサルティングの販売から安価なダッシュボード（可視化）製品の販売に戻っています。今、予測モデルを販売したい場合、まず概念実証 (PoC) を行う必要があります。つまり、その概念が実現可能であることを検証し、顧客にこれが役に立つかもしれないと感じてもらう必要があります。そうでなければ、販売する意味がありません。しかし、信頼できる PoC を作成することは、基本的にプロジェクト全体を完了することと同じであり、これは矛盾です。コンサルティング会社を例に挙げると、2016年にデータ専攻の新卒を10人以上採用しましたが、2017年、2018年は一人も採用しませんでした。全員社内異動でした。今年初めにインターン生を一人引き留め、正社員にしました。 2016 年に入社した人のうち、まだ転職していない人は 3 分の 1 未満です。実際、ここ数年で真の人工知能を実現した人はいません。彼らは、時折散発的なプロジェクトを伴って、大量のデータ視覚化 (Tableau など) を行っているだけです。

ストーリー2：「不足」から「過剰」へ、そしてその後？

若手実務家の供給が大幅に増加していることは否定できませんが、その供給源には、各種の短期1年制修士課程（海外では12か月または16か月の修士課程が多数あります）、独学による転職者、トレーニングコースの卒業生などが含まれます。私のことをよく知っている人は、私の答えが、2017 年の初めに人々に購入を説得し、その後、2017 年の終わりに人々に慎重にやめるよう説得し、そして 2018 年の初めに人々にそれを続けるよう説得するまでだったことを覚えているはずです。私たちは皆、システムに遅れがあることを知っているので、業界が成長していることを知ると、余剰が出るまで人々は殺到するでしょう。面接の観点から私が直接感じたことは、多くの人が非常に優れた履歴書を持っているが、その基礎は概して不安定だということだ。彼らは全体像を話すのが好きだが、細部については話さない。ディープラーニングソリューションを提案するのが大好きな同僚が何人かいますが、実は当社には GPU があまりありません。

この現象はおそらく多くの企業に共通しているでしょう。よく考えてみてください。会社のメールの中で、「機械学習」、「人工知能」、「ディープラーニング」について言及している人はどれくらいいるでしょうか。この現象は、業界への新規参入者の間でより顕著です。彼らは常に、希少性を守るために最も複雑なモデルを使用したがりますが、それが多くのプロジェクトの失敗につながります。

これは回帰ではなくスクリーニングです。

ストーリー3：「科学研究」から「商品化」へ、そのギャップを埋める？

研究と応用の間の隔たりは依然として残っています。科学研究の成果を商業化することは困難であり、内外からの圧力に直面しています。昨年の 9 月から現在までに、私はインターンのクラスメートと一緒に 3 本の論文を書きました。1 本は理論的な論文、2 本は応用的な論文です。卒業を控えた大学院生である彼の研究に対する夢は、座って数式を書いたり、大量のコードを書いたりすることですが、現実は、アイデアを考えるのに 1 週​​間、実験を行うのに 1 週​​間、記事を書くのに 1 週​​間、パッケージを変更するのに 1 週​​間かかります。彼は後に、記事を書くことは実は営業の仕事であり、ほとんどの記事は「実用性」よりも「出版可能性」を重視していることに気づきました。しかし、科学研究を通じてチームに恩返しをするという彼の夢はそう簡単なものではなく、実際に商業化に向けて進むのも簡単ではありません。また、以前に書いた記事の一部をプロジェクトにして顧客に販売しようとしましたが、問題に対する理解のレベルが全員で異なり、他のチームに負担を分散させているため、社内で最初のハードルを通過できないことが多く、顧客の段階に到達する前に計画が頓挫することがよくありました。たとえば、新しい予測モデル（企業の財務実績を予測する）を金融クライアントに販売したい場合、そのモデルを紹介するには社内の財務チーム（クライアントと良好な関係にある）が必要です。しかし、彼らは基本的にこの段階で死んでしまいます。なぜなら、たとえケーキを分け合ったとしても、誰も代わりを望まないからです。実際、大企業はすべて、多かれ少なかれこの問題を抱えています。研究チーム（特に基礎研究）は、エンジニアリングチームや営業チームと悪い関係にあることがよくあります。これはテクノロジー、特に人工知能の分野では秘密ではありません。

したがって、全体的な視点から見ると、人々はそれほど簡単に騙されるわけではありません。このテクノロジーで何ができるか、どの程度できるかは誰もが知っているため、ストーリーを伝えることやお金を「騙し取る」ことがますます難しくなっています。確固たる基盤を持たない者も含め、多数の専門家がこの業界に流入していることも相まって、この技術の有効性について一般の人々は多少懐疑的になっています。同時に、企業は基礎研究が直接的な利益をもたらさない可能性が高いことに徐々に気づき、不要な研究部門を戦略的に削減するようになります。その結果、就職市場は両方向に逼迫しているように見える。特に就職がより困難な職種では、初級レベルと上級レベルの両方の職種に対する需要と収入が減少している。世界経済環境の周期的な変化と相まって、見通しは懸念される。

実際、物も良く、技術も良いのですが、大騒ぎした後は、元に戻ってしまいます。これには何も驚くべきことはありません。これは合理的な修正であり、寒い冬ではありません。コールバック期間中に何をすべきでしょうか？私は次のように考えています。(1) 自分の専門知識を開発し、他の人があなたについて言及したときにすぐに思い浮かぶスキルであるラベルを自分に付けます。野心のある人は、学校に戻って再建してみるのもいいでしょう。 （２）心理的な期待を調整し、空想を捨て、現実的に考え、問題を解決することが最も重要であることを理解する。モデルへの崇拝をやめ、あらゆることに新しいテクノロジーだけに頼らないでください。現実と学問の間には、まだ長い道のりが残っています。 （３）もっと現実的に、もっと現実的に…

*注: この記事は特定の業界のみを取り上げており、人工知能の分野は広大で無限であるため、一般化はしないでください。