AI | 機械知能が人間に代わって行う 5 つのこと

[[322374]]

人間の認知能力のあらゆる特性を見てみましょう。まず、Fleishman の 21 の能力を、それぞれ 5 つの能力を持つ 2 つのグループに統合しました。一方の能力セットに関連する仕事は、すでに機械に取って代わられているか、またはすぐに機械に取って代わられるでしょうが、もう一方の能力セットに関連する仕事は人間が中心となっています。コンピューターが人間に完全に取って代わると主張する未来学者もいるが、克服すべき課題がまだたくさんあることに注意する必要がある。

あなたの強みは何ですか？

機械知能の利点:

• 理解と表現
• 詳細とパターンを認識する
• デジタル処理
• メモリ
• 記録と整理

人間の思考の強み:

• 想像する
• 作成する
• 演繹的推論
• 帰納的推論

問題解決の構築

注: 上記は、Fleishman の 21 の能力を簡略化したものなので、原著にある「空間認識」と「視覚化」は省略されています。

このリストは厳密なものではありません。私たちは心理学者ではありません。単に、リーダーの将来の精神的要求に対する私たちのビジョンを説明するために使用しているだけです。

数十年前にスタートアップ企業を設立し、自分のスキルを補完する協力者を見つけ、2人チームに必要な思考スキルがすべて備わっているとします。おそらく、あなた方の 1 人は左の列のスキルに優れており、もう 1 人は右の列のスキルに優れているでしょう。

これら 2 つの能力セットは、必ずしも「左脳」思考と「右脳」思考の概念と相関するわけではないことに注意してください。人類の将来の価値のほとんどすべてが右列スキルを持つパートナーによって創造されるため、左列スキルを持つパートナーは今日から徐々に引退できると私たちは考えています。

大きな変化が起こります。これはリーダーにも労働者にも当てはまります。今日、画面の前に座って計算やワープロ処理をしている多くのホワイトカラー労働者は、手元の仕事がすべて巧妙なアルゴリズムに委ねられていることにすぐに気づくだろう。

先進国では、サービス業が雇用の約 80% を占めており、これらの職種のほとんどで、左の列のスキル、つまり聞く、話す、読む、書く、詳細を認識する、タスクの手順を整理するなどのスキルが求められます。すぐに機械がこれらすべての作業を引き継ぐでしょう。

オックスフォード大学のカール・ベネディクト・フレイとマイケル・オズボーンは2013年の論文で、現在、米国の仕事の47％が機械に置き換えられる寸前であると指摘した。

会計士、パラリーガル、テクニカルライター、特許弁護士、放射線科医は皆、交換手と同じ道を辿る危険にさらされています。異分野のスキルに秀でることで地位を獲得できたリーダーにも同じことが言えます。米国だけでも失業者は数千万人に上る可能性がある。その不足を補う新しいタイプの職業が出現するかどうかはまだ分からない。

したがって、コンピュータ技術の進化により、人間がどのような価値ある認知能力を開発すべきかを再検討する必要が生じています。

かつて私たちは、人間の知能は特別なものだと考えていましたが、今では、より賢い機械が、私たちが機械的だとは考えていない仕事の一部を引き継ごうとしています。機械はすでに、物流や配送、オンライン広告、一部の医療診断などの複雑なタスクにおいて、より優れた意思決定者となっています。この種の仕事では、人間の生涯経験は機械ほど良くないかもしれません（あなたが傑出した専門家でない限り）。

一般的な組織変更とは異なり、職務機能の再割り当てのプロセスは非常に迅速に行うことができます。マシンは、計算速度、複雑な問題の解決、構造化データと非構造化データの処理において、より高い限界を超えました。これから起こる変化はインターネットのスピードで起こるでしょう。それは企業や大学が人材を再教育するよりもはるかに速いスピードです。

したがって、あなたの課題は、インテリジェントなリーダーのモデルを再構築することです。高度に知能化された機械に直面したとき、強力な知恵を持ち続けるためには、人間と機械のコラボレーション モデルをどのように構築すればよいでしょうか。

この変更を見る前に、左の列にリストされているさまざまな機能を見てみましょう。これらは、理解と表現、詳細とパターンの感知、数値処理、記憶、記録と整理など、機械が参入しつつある新しい認知領域に属します。

機械は徐々に人間の限界を超える思考能力を発揮しており、私たちはもはや過去の成功の公式を信じることはできません。企業を効率的な発展に導くためには、戦術的にも戦略的にも高いレベルの創造性を刺激する人間と機械の知能をどのように構築するかを決定する必要があります。

01 理解と表現

ハリケーン、地震、洪水が米国を襲うと、連邦、州、地方レベルの緊急対応機関がすぐに行動を開始します。ほとんどの場合、スタッフは危機の間中、数時間以内に進捗状況、問題点、フィードバックに関する「事後報告書」を提出しました。無限の価値を持つ詳細なレポートが、次々とリーダーたちに届けられています。

もちろん、危機の際には、誰も座ってすべての報告書をじっくり読むことはできません。しかし、誰かが危機と優先事項を包括的に把握する必要があります。危機が去った後でも、危機の詳細を完全に理解し、そこから重要な点を見つけるには、効率的な頭脳が必要です。

自然言語処理は、リーダーがまっすぐ座って文章を一語一語読む必要がなくなったことで、世界をどのように変えたでしょうか。リーダーがじっと座って文章を一語一語読む必要がなくなったことで、世界をどのように変えたでしょうか。また、報告書を読んで、手順の混乱、スタッフ不足、設備の不足、物流のボトルネックなどの問題を素早く特定し、リーダーの素早い理解力を圧倒する機械はどうでしょうか。

あらゆる複雑で混沌とした、絶えず変化する状況において、機械はリーダーよりも速く問題を解決するための重要なポイントを正確に見つけることができます。

機械にとって、問題の複雑さと情報の途切れない流れは処理の障害にはなりません。データ サイエンティストは、類似の危機で見つかったパターンを使用してコンピューターをトレーニングし、その後、コンピューターは新しくアーカイブされた各レポートを読み取り、適切なアラートを発行します。複雑な出来事の主要な事実をリアルタイムで要約する際、機械は些細で無関係な事項を無視します。

さらに、この機械の能力は、金融危機や世界的なインフルエンザの大流行など、他の緊急事態にリーダーが対応するのにも役立ちます。

Healthmap.org ウェブサイトは、15 の言語でソーシャル メディアから非構造化テキストを継続的に収集します。機械は病気について論じている文章を検索し、「発熱」や「じんましん」などの関連語を見つけると、地図上の対応する場所をマークして、流行の疑いがある場所を示します。

彼らのプログラムロジックの一部は、人間にとっては単純に思えます。「ロブスターのように赤い」や「閉所恐怖症」などの無関係なフレーズを無視します。しかし、これらの単純な分類とフィルタリングのルールに頼ることで、機械はタイムリーに独自の洞察を提供できるようになります。彼らは人間の手の届かない複雑さを克服し、流行分布マップを1時間に1回更新します。

口頭および書面による理解と表現という人間の重要なスキルは機械に移行しつつあり、この傾向は不可逆的です。確かに、機械が言語の微妙なニュアンスを理解して表現するのは非常に困難であり、比喩や暗示、感情についても理解して表現するのは困難です。少なくとも近い将来、機械が学生に文学を好きになるように促す教育者になれる可能性は低いでしょう。

しかし、日常的な表現に限定すれば、技術サポートにおける全文検索要求への対応、訴訟の過去の事例の検索、特許の分析、侵害の評価など、さまざまなタスクで機械のパフォーマンスを向上させることができます。

言語を理解し、使用することは、人間と動物を区別する能力であると長い間考えられてきました。驚くべきことに、今日では人間と機械を区別できなくなっています。

優れた理解力と表現力を持つリーダーであれば、これに脅威を感じるかもしれません。これはあなたにとって何を意味しますか? 言語の処理と生成のタスクを機械に割り当てるのは、機械の方が低コストで高い精度を達成でき、より大規模なタスクを実行できるためです。

人々は機械が提供するこれらの機能に頼ることで自分自身を解放します。気軽でつまらない、無関係なテキストを読むことから解放されると、重要なことに集中して行動を開始できます。また、自分の発見が何であるか、なぜそれが重要なのか、そしてそれが必要なことを達成する上でどのように前進するのかなどを他の人に説明するなど、重要なタスクに費やす時間も増えます。

説得、交渉、積極的な傾聴、情熱的なビジョンの表現などのタスクに重点を置き、より高いレベルでコミュニケーションをとる必要があります。

02 詳細とパターンを認識する

機械が細部やパターンを認識する能力は飛躍的に進歩しました。 Ditto Labs は素晴らしい例を示しています。イリノイ大学シカゴ校は、医療活動に Ditto のハードウェアとコンピューター ビジョン処理を使用しています。

同校の健康研究政策研究所は、TwitterやInstagramからの写真を取り込んで画像認識プログラムに取り込み、喫煙行動の傾向の変化を追跡している。研究者たちはアンケートを使用する代わりに、人々の日常生活の写真からデータを収集した。

彼らは写真の中に印象的なパターンを発見した。若者はシガリロ（小さな葉巻）を購入し、それを切り、タバコとマリファナを混ぜ、タバコの葉で巻きます。

この情報により、健康教育者は、若者がニコチン中毒になる新しい方法、つまりニコチンをタバコの葉に包む方法を認識することができました。研究者らが新たな研究結果を説明するにつれ、禁煙スローガンをカスタマイズし、社会貢献の向上におけるその効果を測定できるようになるかもしれない。

もう一つの例は、ヒト用ワクチン製造の世界的リーダーであるメルク社によるものです。ワクチンの製造には、酵母の培養、撹拌、発酵、精製など、多くのステップが含まれます。製造工程は大きく変動し、何か問題が起きればワクチンの全ロットを廃棄しなければなりません。同社は生産のあらゆる段階で技術を分析し、生産量を最大化する方法を見つけています。

生産部門の最高情報責任者、ミシェル・ダレッサンドロ氏は、ワクチン生産はビール醸造に似た生物学的プロセスであり、生産管理者は生産ラインに関する大量のデータを保有していると述べた。

これは実際には、ワークショップの生産プロセスや工場設備のメンテナンス、1 分ごとに測定される気圧や温度などの建物の環境パラメータなど、数千個のセンサーによって収集された 10 年分のデータです。生産管理者は各データセットを個別に確認できます。しかし、初期の製造ステップが後のステップの成功に影響を及ぼす可能性があるため、誰も製造プロセス全体を即座に評価することはできません。

つまり、ワクチン製造の長いプロセスにおいて、特定のバッチの収量が低い原因となる失敗したステップを誰も正確に特定できないということです。パターンを識別する方法がないため、ワクチンのロット全体が廃棄されることがよくあります。

現在、この状況は新たな機械知能の取り組みによって変化しつつあります。制作チームはデータサイエンスを活用して大規模な分析を実行し、合計 5 TB のデータを統合して分析し、150 億回の計算を実行し、550 万回を超えるバッチ比較を実行しました。次に、彼らは「ヒートマップ」を使用して、高収量と低収量に関連するデータのクラスターを表示しました。専門家はヒートマップを確認し、変更を提案し、予測モデルを修正して、さらに分析を実行できます。

「この方法の素晴らしい点は、すべてのデータを一元管理し、複雑な情報を単一の環境で分析できることです」とダレッサンドロ氏は言う。

その結果、ワクチンの生産量が減少する原因となった特定の特性と生産のつながりが発見されました。当初疑われた対象物は、原材料など無害なものであることが多いです。発酵要素など、他の要因も原因となります。出力を大幅に増加させ、生産効率と速度を改善します。これらの結果は、広い視点で問題を検討し、パターンを見つけることから生まれます。

「私たちは今、方向転換し、研究から得られた改善点を商品化プロセスに組み込むことができました」とダレッサンドロ氏は語った。これらの変更が実施されれば、同社はワクチン生産にかかるコストを大幅に削減し、毎年より多くの命を守ることができるようになるだろう。

「この実験から、ある仮説が生ま​​れました。生産工場全体からすべてのデータを収集できれば、明確な疑問を念頭に置かなくても、データのパターンを探して興味深い結果を見つけることができるのではないか、という仮説です」と彼女は付け加えた。

ダレッサンドロ氏はメルクの改善の詳細を明かさなかったが、同社は急速にビジョンを拡大したと語った。 2016年12月にはシンガポールで初の工場全体にわたる分析システムを完成させた。単一のダッシュボードに、生産、タブレット製造、パッケージング、品質、倉庫保管、出荷など、あらゆる側面から流入するデータがリアルタイムで表示されます。企業は、問題が発生してから解決しようとするのではなく、より明確になるパターンから、これから何が起こるかを予測したいと考えています。

「工場では、事後対応型ではなく、事前対応型の生産インテリジェンスを導入しています」と彼女は語った。「問題が発生するまで待つのではなく、いつでもデータを確認できるようにする必要があります。これが過去との主な違いです。」

場合によっては、認識機能を使用して、履歴データから既知の障害モードを識別することがあります。未知のパターンを発見するために使用されることもあります。複雑なシステムの課題は、ノイズの中から意味のある信号を見つけることです。

人間にとって、信号は識別が困難であったり、偽装されていたり、処理に時間がかかりすぎたりすることがよくありますが、ここで機械学習が活躍します。コンピューターは細部まで入念にチェックし、1 バイトも見逃しません。

機械学習には2つの種類があります。複雑で理解しにくいデータをコンピューターに示し、アルゴリズムを使用してそのデータ内のパターンを見つけさせます。これは「教師なし学習」と呼ばれます。

心臓の画像など、既知の複雑なパターンの実際の例をコンピューターに繰り返し表示することで、コンピューターはそれらのモデルを学習し、新しいケースを識別できるようになります。これを「教師あり学習」と呼びます。アルゴリズムは、データ内の特定の特徴の有無に基づいて、見たものを説明します。そして、識別力のある人間よりも多くのものを見ることができます。

機械知能が不正行為の検出に使用できるとしたらどうなるか想像してみてください。バーニー・マドフは、単純なポンジー・スキームを組織して、現代最大の金融詐欺の一つを犯した。彼は世界的詐欺師として欺瞞の技術に精通しているが、ここでは古くから伝わる伝説的な手法を用いている。

彼の計画は世界金融システムにとっては干し草の山に隠された針のようなものだったが、それでも検出可能だった。もし誰かが歴史上のすべてのポンジースキームからデータを取得し、それを使って機械をトレーニングし、そのアルゴリズムを使って世界中の金融取引を調べたとしたらどうなるでしょうか?

機械は、細部やノイズからパターンを見つけ出す能力が人間よりはるかに優れています。人間は細かいことに迷い込みがちですが、詐欺師がどんなに巧妙に会計報告書を作成しても、どんなに説得力のある身振りや笑顔、ハグをしても、機械は詐欺の見た目に騙されることはありません。

機械が世界中のポンジースキームを常に監視するようになれば、次のマドフがこれほど長期間詐欺を続けることは不可能になるだろうし、経験豊富な投資家からこれほど多額の金を奪うことも不可能になるだろう（マドフ事件の詐欺額は200億ドル）。

パターン認識の作業を機械に任せる場合、盲目的に信頼することは望ましくありません。人間と同じように、機械にも弱点があります。結果を完全に信頼するには、機械がどのように動作するかに細心の注意を払う必要があります。機械が成功し続けると、信頼性がますます高まります。

機械が人間のパターン認識を向上させる方法の一つは、偏見を最小限に抑えることです。ノーベル賞を受賞した経済学者ダニエル・カーネマンは、人々はしばしば「属性の置き換え」と呼ばれる偏見に陥ると説明しています。複雑な問題に直面したとき、人々は分析をスピードアップするために、それをより単純な経験則に置き換える傾向があります。

この慣行は非常に一般的であるため、経験則が実際の問題とは大きく異なる場合でも存続し、完全に間違ったモデルに基づいて決定を下すことがよくあります。

自分の専門分野の答えを「知っている」ことに慣れていると、次第に基礎が揺らぎ始めていることに気づくでしょう。パターン認識における機械の利点を謙虚に認めることは私たちにとって難しいことです。

しかし、時間が経つにつれて、機械がまったく異なる結論に達することが多いのを見ると、自分の判断に疑問を抱き始めなければなりません。今こそ心を解放する時です。もちろん、データ サイエンティストが独自のバイアスをアルゴリズムの作成に持ち込む可能性があるため、マシンにはバイアスがかかる可能性がありますが、マシン自体は 1 と 0 のシーケンスのみを無差別に処理します。

明確に言えば、コンピューターはパターンの「理由」を認識しません。彼らには、物事の真相を突き止めて「原因 A が結果 B につながる仕組みは何か」と問う人間的な好奇心がありません。彼らは学習し、推測し、正確な記憶を持っていますが、原因と結果の関係を理解し​​ていません。したがって、ビジネスシステムの因果関係を理解し​​、開発戦略を策定することは、依然として人間の仕事です。

それでも、詐欺師が逸話や甘い言葉を使って人々を誘惑し、自分たちの主張を信じ込ませるというよくある手口には注意する必要がある。 （マドフ事件を思い出してください。）

03 デジタル処理

リーダーたちがますます機械に求めている 3 番目の能力は、数値計算です。これは、スプレッドシート内の数字だけでなく、導き出すのに多くの計算を必要とする値です。これは理解するのが簡単そうに聞こえますが、まずはこの重要な傾向を説明するために話をしましょう。

連邦航空局（FAA）は、数週間、あるいは数か月前に、より正確にフライトの遅延を予測できるようにしたいと考えています。あり得ないことのように聞こえるかもしれませんが、フライトの遅延は実際には、複雑なフライトスケジュールシステムにおいて、離陸のかなり前から現れ始める一連の要因によって引き起こされます。

技術マネージャーのケビン・ハットンは、FAA が実際の離陸時間を使用して、飛行機が到着したときに空港がどの程度混雑するかを予測するのに単純なモデルに頼っていたことを知りました。着陸時に空港が混雑している場合、管制官は飛行機の出発時刻を遅らせます。

問題は何か？「予測アルゴリズムに間違った離陸時刻が入力されると、結果として生じるシステムの応答が間違ってしまう可能性がある」とハットン氏は言う。

離陸時刻はシステムに正確に入力されません。長く使用されているモデルの一つでは、飛行機が時間通りに出発しない場合、コンピューターは出発時間を5分遅らせ、さらに遅れる場合はさらに5分追加する、といった具合です。 「非常に荒々しく、現実とは大きく異なる」とハットン氏は語った。

現在、FAA はより大きなビジョンを掲げて前進しており、より広い空域、より多くの航路、さらにはドローンも管理したいと考えています。増大する航空交通量を安全に管理するために、FAA は、事前にスケジュールされた飛行スケジュールのみに依存するのではなく、衛星ナビゲーションを使用して空き空域を管理するように移行する必要があります。この新しいシステムは航空管制に革命をもたらすでしょう。

多数の航空機を空に飛ばすという複雑な問題を、単純なモデルだけで解決することはできないことが明らかになりました。フライトの遅延に関しては、FAA はより高速なプロセッサ、並列コンピューティング技術、クラウド コンピューティングに基づく高度な統計手法を使用して、膨大な量の計算を処理します。その背後にある複雑なルールを明らかにするために、FAA はベイジアン信念ネットワーク (BBN) を使用しました。

ベイジアン信念ネットワークは、ジョイントとコネクタで組み立てられたジグソーパズルのブロック図のように見えます。ジョイントは、FAA のケースでは天候など、システムに影響を与える要因を表します。因子間の相互作用の強さはコネクタによって表されます。全体的なネットワーク構造は、遅延の原因となる個々の要因と、それらの他の要因との関連性を示します。

データ サイエンティストがモデルを実行するときは、方程式を使用して各要因が他の要因に影響を及ぼす確率を計算します。 「カオス理論によれば、初期状態の小さな変化が、その後の一連の出来事に大きな影響を及ぼす可能性がある」とハットン氏は言う。「われわれのモデルは、こうした一連の出来事をすべて追跡する」

フライトの遅延に影響を与える要因には、航空機の清掃や荷物の積み込みのほか、乗務員の問題、フライトの混雑、悪天候などがあります。要因は直接的または間接的に相互に関連している可能性があり、これは計算に反映されます。

FAA プロジェクト チームは、4 つの異なるアルゴリズムによる機械学習計算と専門家の意見を組み合わせて、BBN 内のすべての確率を決定しました。 (はい、専門家は依然として重要です。) 関係のネットワークを理解するのは、気が遠くなるような作業です。システム全体のつながりについて「よく理解」していたとしても、それが及ぼす影響を完全に把握することは不可能です。

「BBN の優れた点は、人間が遅延の原因について考える必要がないことです。機械学習アルゴリズムが、どの要因が互いに関連しているかを推測します」とハットン氏は言います。「学習をすべて実行できるだけの十分な計算能力があれば、人間が気づかない、あるいは気付いていないパターンも特定できます。」

計算のサイズを見積もります。各要因に 2 つの状態 (たとえば、オンとオフ) しかないと仮定すると、フライト遅延の確率を計算するために考慮する必要がある要因の組み合わせの数は 2 の n 乗に達します (n はモデル内の変数の数)。この場合のモデルには 47 個の変数が含まれているため、考えられる確率の数はおよそ 140 兆個になります。

機械の力を使ってデジタル処理を行うのが時代のトレンドです。これは、データに基づいた回答を求めるリーダーにとってさらに重要です。状況が複雑なため、人間が経験則を使って機械よりも優れた答えを素早く得ることは不可能です。

FAA では、プロジェクト チームが 5 年間にわたって蓄積された 5,200 万回のフライトのデータ サンプルにすべてのコンピューティング リソースを投入しました。これらのサンプルには 525 万行のデータが含まれています。実際の計算は、データが不正確だったため予想以上に困難でした。ベイジアン信念ネットワークは、さまざまな複雑な状況で欠損値を推定できるため必要です。

機械は、経験、直感、専門コンサルタント、またはその他の手段ではなく、機械知能の最近の劇的な進歩のおかげで、常に学習し、最も経験豊富なリーダーよりも速く進歩しています。その利点の一つは、真実を追求する際に先入観を持たないことです。

「原因から始めると、遅延の原因になりそうなことだけに直感的に気づき、航空機の老朽化やシカゴの雷雨など、明らかな原因とは関係のない他のすべての要因を無視してしまう」とハットン氏は語った。

フライト遅延問題では、ベイジアン信念ネットワークが、これまで使用されていたより高度だがより単純な統計モデルに勝りました。出発のかなり前から出発の瞬間まで、広範囲にわたるフライト遅延の確率を予測できます。包括的な航空交通流管理データにアクセスできない場合でも、BBN はデータがない場合でもより正確な予測を行うことができます。

04 記憶

リーダーが再考する必要がある人間と機械のコラボレーションの 4 番目の機能は、記憶です。今日のマシンは間違いなく優秀ですが、ラベル付けされていない整理されていないデータを検索するとなると、私たちが思っているほど優秀ではありません。また、検索にはコンテキストを提供する必要があり、そうしないと有用な情報を取得することが難しくなります。

機械開発への道のりはまだまだ長い。しかし、並外れた記憶力を持つ多くの偉大なリーダーたちは、これから起こる変化の範囲をまだ理解していません。

あらゆる詳細とコンテキストを記録し始めると、機械は人間のようにますます多くのことを記憶し始めます。これらは、より包括的な意思決定サポートを提供し、不確実性と測定されていないリスクの削減に引き続き貢献します。つまり、自分の記憶に頼るのではなく、複雑な現実の全体像を描く機械が生成した事実や経験に基づいて意思決定を行うことになります。

組織全体の集合的な記憶に機械のような正確さでアクセスし、即座に意思決定ができ​​るとしたらどうでしょうか? スポーツの世界で、このような意思決定が実際に行われています。今日では、チームはより多くのデータを収集し、コーチは選手、試合、パフォーマンスに関する長年のデータに基づく機械予測に基づいて慎重に計画を立てています。

野球の試合で9回裏、攻撃側が満塁で、ピッチャーが相手チームの新しい打者と対峙しているところを想像してください。打者がダブルプレーを奪い、試合を終わらせる可能性が最も高いのはどの投球の組み合わせでしょうか? マシンはあらゆる詳細を記憶できます。

スポーツにおけるウェアラブル技術は、マシンや詳細なデータを活用して選手の向上を支援する道も示しています。この機械は、優秀なコーチの目には留まらない微妙な動きを検出することができます。左翼手はフィールドの隅にまっすぐ飛んでいくヒットにどれだけ素早く反応しますか? 彼の反応時間は昨年より遅くなっていますか? 90 球投げた後の彼の投球フォームはどうですか? 彼の可動域、グラウンドストローク、リリースは疲労を示していますか?

新しいビデオ技術により、選手の動き、方向、速度、距離などのデータを追跡できます。機械知能により、コーチは選手が最高のコンディションを維持できるよう、個別のトレーニング プランを作成できます。

機械の記憶は多くのリーダーを困った立場に追い込みます。もちろん、優れた記憶力を持つリーダーは、瞬時の迅速な分析において常に機械よりも優位に立つでしょう。この利点は依然として非常に貴重です。事前に決定を下さなければならなくなると、機械に勝つことはできません。これは、既成の答えのライブラリで解決策を探すのではなく、質問をすることがリーダーにとってより重要なスキルになる理由も説明しています。

05 記録と整理

リーダーが再考する必要がある人間と機械のコラボレーションにおける 5 番目の能力は、情報の記録と整理、特にルールに従って情報を収集、分類、および並べ替えることです。スプレッドシートにテキストや数字を入力するような簡単な作業を考えてみましょう。現在、機械学習はこの種の作業に非常に優れているため、人間の労働をほぼ置き換えており、今後もさらに多くのタスクで人間を追い抜くことになるでしょう。

MIT 発のスタートアップのもう一つの優れた例、Ditto Lab の隣人である Affectiva を見てみましょう。 Affectiva はビデオと静止画像を処理して、サービスや製品に対する人々の感情的な反応を追跡します。専門家たちはまず、15 の基本的な感情に関連する表情を認識するように機械学習を教えました。

彼らは1970年代に開発された手動分類システムを使用し、何十万枚もの写真の驚き、嫌悪、注意、混乱、怒りなどの表情をコード化した。顔の筋肉の収縮と位置によって、さまざまな感情が表れます。

次に、データ サイエンティストは画像のピクセル データをアルゴリズムに入力し、眉を上げる、眉をひそめる、笑う、唇をすぼめるなどの要素に基づいて感情を区別するように要求しました。コンピューターは口、鼻、目の周りの筋肉の変化を簡単に検出できます。

顔の表情のパターンは世界中で同じであることがわかりました（少なくともAffectivaの写真が撮影された75か国では）。感情表現は程度は異なりますが、種類は変わりません。

Affectiva が作成した感情コーディング アルゴリズムにより、機械は感情的な反応を独自に評価し、バイラル マーケティングの目標が達成されるかどうかを予測し、製品の改善を最適化して可能な限り多くの視聴者を引き付けることができます。これにより、Affectiva は自社製品に対する顧客の熱意など、新しいタイプの情報を同社に提供できるようになります。

言い換えれば、広告主は広告に対する人々の最も基本的な反応を測定できるのです。映画製作者は、映画のさまざまなショットにおける観客の感情の変化を測定できます。プロデューサーが予告編を公開すると、Affectiva は観客の反応を記録し、そのデータを分析して観客に最も印象に残るショットを見つけ出し、観客がストーリーにもっと没頭できるように映画を編集する方法など、プロデューサーに詳細な洞察を提供します。

Affectiva の技術はどの程度広く応用できるのでしょうか? ビデオゲーム会社 Flying Mollusk Studio は、ビデオゲーム Nevermind に Affectiva の技術を取り入れました。このゲームでは、プレイヤーは精神病院の病棟で働き、患者が抑圧された記憶から回復するのを手伝います。ゲームはウェブカメラを通じてプレイヤーの恐怖レベルを感知し、それに応じて難易度を調整します。

機械のデータ収集および整理能力が本来の限界をはるかに超える新しいアプリケーションが登場しています。このテクノロジーの応用はマーケティングやエンターテインメントを超えて拡大し、教育、健康、ロボット工学を根本的に変えるでしょう。

情報を整理する際、機械はほとんどの人間のように特定の「ルール」に従って整理する必要はありません。代わりに、データ内で見つかったパターンと情報を照合し、迅速に処理するだけでなく、人間ではできないことを実現します。