詳細な分析: AI がイノベーションを容易にする方法

開発手段。イノベーションの結果は、企業が市場のニーズを満たす新製品を継続的に設計・生産することを奨励することです。製品イノベーションは、企業運営の継続と深化です。

しかし、製品のイノベーションに関して言えば、大きなイノベーションはますます少なくなり、小さなイノベーションはすべて業界の大企業のために機能していることがわかります。業界内にすでにトップ企業が存在する場合、マイクロイノベーションや漸進的イノベーションのみを行っても意味がありません。トップ企業を模倣するコストが低すぎるため、トップ企業を覆すことは基本的に不可能だからです。これらは現在業界が直面している課題と問題です。

このようなジレンマに直面して、私は今日ここで AI イノベーションに関する私の見解をいくつか皆さんと共有し、従来のイノベーションの考え方を打ち破り、より破壊的なイノベーションを生み出すお手伝いをしたいと思います。

01 AIがイノベーションを容易にすると考える理由

テクノロジーと市場は静的ではありません。テクノロジーは常に発展し、市場は常に変化しています。どちらも動的な進化の過程にあります。これは特に人工知能の分野で顕著です。

テクノロジーの発展により、新たなシナリオの出現が促進されました。新しいテクノロジーの進歩は人々に 2 つの希望を与えました。1 つは、既存のアプリケーション シナリオの一部を破壊的に最適化できることです。もう 1 つは、まったく新しいアプリケーション シナリオが作成され、まったく新しい市場が生まれることです。過去には、「何かをしたいのにできない」や「こんな風にできるとは思っていなかった」というシナリオでは、そのシナリオのニーズを満たすより成熟したテクノロジーが登場するのに 1 ～ 2 年しかかからなかったかもしれません。

例えば、画像認識は私たちの生活に広く使われている人工知能技術です。2012年以前は、機械学習に基づく画像認識技術の精度は高くなかったため、当時はナンバープレート認識やシンボル認識などの単純なシナリオでしか画像認識を使用できませんでした。

2012年以降、ディープラーニング技術の台頭により、画像認識技術の精度が大幅に向上しました。このとき、私たちは画像認識を利用して、出勤や駅の混雑検知のシナリオに顔認識を適用したり、畜産業で豚の顔認識を使用してスマート農場管理を実現したりするなど、より多くのことを実現しようとしました。

2015年になって初めて、敵対的生成ネットワーク（GAN）技術が画像認識の精度を一夜にして前例のないレベルに押し上げました。わずか数年で、画像認識技術は、偽造紙幣の検証や有名な絵画の真贋判定など、精度に対する要求が高い識別、セキュリティ、金融などの分野で徐々に応用されてきました。

2019年、VQ-VAEはGANを上回り続け、見分けがつかないほどリアルな写真を生み出しました。認識、模倣から創造まで、技術は進化し続けています。これは、これまではやりたかったけどできなかったシナリオですが、テクノロジーの進歩により徐々に解決されつつあります。

今年の疫病は全人類にとって大きな試練であるが、新たな技術を導入する機会でもある。

英国ロンドンにBenevolentAIというスタートアップ企業があり、彼らの研究分野は医学文献を検索するシステムです。 COVID-19パンデミックの間、研究者らは人工知能アルゴリズムを使用して既知の薬のデータベースを検索し、関節リウマチ薬バリシジニブがCOVID-19の治療薬になる可能性があることを非常に短い時間で発見した。

3月下旬に行われた予備研究では、医師らは中等度のCOVID-19の成人12人に抗HIV薬リトナビルとともにバリシチニブを2週間投与した。別の対照群では、同じ重症度のCOVID-19患者12人がリトナビルのみを投与された。

最近の報告によると、2週間の治療後、バリシチニブを投与された患者のほとんどが回復したという。咳と熱は消え、息切れもなくなりました。 12人の患者のうち7人が退院した。一方、バリシンジンを服用しなかった患者は依然として発熱と咳が続いており、退院したのは1人だけだった。

いつか AI を通じて適切な薬を処方できるようになるとは思ってもいませんでした。 AI は、人間が互いに関連付けることができない薬物データセットを組み合わせ、薬物間のより高度なつながりを作成します。これはテクノロジーの進歩であり、シーンに変化をもたらし、不可能なことを可能にしています。

昨年、Xunlei の元共同創設者である Cheng Hao 氏による製品イノベーションに関する講演を聞く機会に恵まれました。彼の講演の中で、とても感銘を受けた点が 1 つありました。彼は、製品のイノベーションは目的ではなく、次のことを達成するための手段であると信じています。

• 効率を大幅に向上
• コストを大幅に削減
• ユーザーエクスペリエンスを大幅に向上

AI技術の登場は、ソリューションレベルからイノベーションの目標を達成することができ、イノベーションの強力な武器になると信じています。

中国にはTupu TechnologyというAIソリューションを提供する会社があります。同社はAI技術を利用して、人、商品、場所の多次元画像情報を分析し、顧客統計、リクエスト分析、支払い面のバインディングなどの機能をオフライン小売店に提供し、オフライン店舗の店舗運営のインテリジェント化を支援しています。同社のビジネス インテリジェンス ソリューションは、オフライン シナリオで 90% 以上の精度を誇ります。さらに、店舗内のユーザー ポートレートとヒート マップを比較分析することで、店舗内の隠れた問題を分析し、調整を加えることで、コンバージョン率を向上させることができます。

このシナリオは、AI テクノロジーを実装する最も理想的な方法です。消費者にとっては、商品の需要を正確に一致させ、待ち時間を短縮し、ユーザー エクスペリエンスを向上させることができます。また、販売者にとっては、ビジネスの転換率を高め、倉庫在庫時間を短縮し、全体的な運用コストを削減することができます。

AI 技術ソリューションによって実現される製品イノベーションは、通常 5 ～ 10 倍の改善をもたらし、「破壊的」イノベーションを実現できることがわかります。

02 AIイノベーションの4つの主要な方向性

より詳細なシナリオから始まる改良

速達業界は、業務プロセスが標準化され、人件費が高く、仕分け効率が低いことから、常に AI 技術の適用の重要なシナリオの 1 つとなっています。実際、宅配業界では宅配便を大型貨物と小型貨物に分け、さらに商品特性に応じて貴重品、壊れ物、一般品に分けるのが一般的です。

従来の製品設計の考え方に従って全自動仕分け装置を作れば、さまざまな速達便に適応できる汎用的な製品が作れると期待しています。そのためには、当社の仕分け装置が大きなアイテムを仕分けするのに十分なパワーを持ちながら、貴重品や壊れやすいアイテムをスムーズに輸送できることが必要です。ゴミの仕分けなど、他のシナリオにも適用できます。この状況は、製品マネージャーのお気に入りです。しかし、これはシステムに非常に高い要求を課し、実現するのはほぼ不可能です。

では、この状況を改善するために何かできることはないのでしょうか?

そうではありません。 AI技術だけを使って、この仕分け装置を小型の一般品に実装すれば、難易度は大幅に軽減されます。セグメント化されたシナリオでは、AI テクノロジを適用することで、現在のシナリオの物流効率を大幅に向上できることがわかります。最初から一般的なニーズを満たす製品を作りたい場合、さまざまな制限や困難に遭遇するため、AI 技術はあまり役に立たない可能性があります。

大きな不確実性を継続的に細分化することでのみ、テクノロジーとシナリオに一致する部分を見つけ、継続的な進化を通じてニーズを満たすことができます。洗練された構造がAI製品の最大の特徴です。

パーソナライズされた、拡散したインタラクション

かつては、人間とコンピュータのインタラクションの主流は、ユーザーがコンピュータにコマンドを発行し、コンピュータが結果を返すというものでした。これは非常に特殊なプロセスであり、明確な入力があれば明確な出力が得られます。

しかし、AI 時代においては、多様でパーソナライズされたインタラクションを通じて、より想像力豊かなシナリオを作成できます。検索エンジンを使って映画を探すとき、私たちが本質的に求めているのは、映画を選ぶのに役立つさまざまな要素を追加することではなく、「見たい」映画を見つけることです。

以前は、映画の種類に基づいて範囲を定義し、各映画の紹介やレビューをゆっくりと閲覧して、興味のある映画を見つけることしかできませんでした。この方法は非常に非効率的で、多くの場合、ユーザーには明確な需要がありません。ユーザーが適切な映画をより効率的に見つけられるようにする方法は、製品マネージャーが解決しなければならない中心的な問題です。

AI技術を通じて、検索エンジンに「奇跡の逆転」のあるサスペンス映画を見たいと伝えたり、「長安の一番長い日」の狼衛兵を追うクリップを直接検索したりすることができます。明確な視聴目的がない場合でも、現在の状態に基づいてコンピューターがユーザーの好みに合った映画を推奨します。

このプロセスは、映画鑑賞が大好きな友人とのコミュニケーションに似ています。質問すると、友人はフィードバックやたくさんのアドバイスをくれます。また、友人はあなたが次に何を望んでいるかについても考え、積極的に提案してくれます。パーソナライゼーションは、AI 製品と従来の製品の最大の違いです。

インテリジェントでスマートなソリューション

テレマーケティングは金融業界における伝統的かつ効果的な販売方法ですが、テレマーケティングのコンバージョン率は常に低く、すべての金融機関にとって頭痛の種となっています。この業界の従事者の離職率が高く、品質レベルにばらつきがあるため、新人は口が開きにくい、顧客とのコミュニケーション方法がわからない、売上を上げるタイミングがわからないなどの問題に遭遇することがよくあります。

現在、多くのテクノロジー企業が AI を活用して販売を支援し、ビジネスのコンバージョン率を向上させ、情報化からデジタル化、インテリジェンス化への変革を実現しています。

現在では、AI を利用して営業電話やカスタマー サービス電話の内容を自動的に分析し、会話の当事者の身元を自動的に識別し、音声ファイルをテキスト コンテンツに変換するのが一般的です。ユーザーのニーズをインテリジェントに判断します。そして営業マンの電話対応力や会話力を判断します。通話中、このような補助ツールは、顧客の回答に基づいてインタラクティブな対話ガイダンスを提供することもできるため、話すこと、コミュニケーションを取ること、会話を交わすことに困難を抱えるビジネス担当者の問題を解決できます。

さらに、従来のテレマーケティングプロセスでは、エージェントが販売プロセス中に規則に違反した場合、顧客から苦情が寄せられやすくなります。当初、金融機関は、エージェントが規制に違反していないかどうかを判断するために、ランダムチェックで電話の録音を聞くことしかできませんでした。しかし、この方法は非常に非効率的で、事後テストであり、顧客からの苦情がすでに発生している可能性がありました。

現在では、AI 技術が手作業による品質検査作業に取って代わっています。音声認識を使用して通話内容に対応するセマンティクスを決定することで、すべてのエージェントの違反を効率的に検出できます。通話中でもエージェントの会話内容をリアルタイムで判断し、違反を未然に防ぐことができます。これは、AI 製品のインテリジェンスと AI 製品の価値を体現したものです。

端末化はAIと産業用インターネットの組み合わせによる発展のトレンドである

人工知能は、単純なソフトウェア機能の提供から、インテリジェント フロントエンド製品、インテリジェント エッジ製品、インテリジェント サーバーなどの統合ハードウェアおよびソフトウェア ソリューションにまで拡大することが注目すべきトレンドとなっています。

これは、テクノロジーの価値実現の 2 つの特性と密接に関連しています。

• まず、データはアルゴリズムのトレーニングに必要な条件です。IoT ソリューション全体によって実際のアプリケーション シナリオから返される膨大な量のデータは、アルゴリズムにとって画期的な進歩となり、セグメント化されたビジネスのニーズにより適応した新しいアルゴリズムの開発の基盤も築きました。
• 第二に、純粋なソフトウェアだけに頼ると、アルゴリズムの効率が低下し、実装が不十分になることがよくあります。AI が「実験製品」の限界を打ち破り、ビジネスに真の価値をもたらすためには、一歩前進し、ハードウェアや IoT システムと統合して商用化を実現する必要があります。

物流・運輸業界でも、倉庫保管ロボットが増えています。

凌東科技は、年間生産能力が数千台に達し、量産化と商業化を実現した視覚AMR（自律移動ロボット）企業です。同社が製造する協働型倉庫ロボットは現在、ドイツと日本の顧客倉庫で稼働しており、1個あたりのピッキングコストを30％以上削減する運用効果を上げている。

技術レベルでは、この製品の主なセンサーは数台の通常のカメラで、ディープラーニングアルゴリズムを使用して環境を理解し、アルゴリズムを使用して自律的な測位と経路計画を実行します。スーパーマルチラインLIDARソリューションの測位、ナビゲーション、障害物回避機能を備えています。 Lingdong は、モジュール化されたロボット開発プラットフォームを活用して、視覚的な AMR 技術ソリューションをロボット製品に迅速に導入し、複数のカメラの助けを借りて倉庫内でのフォークリフトの無人運転を実現できます。

AI技術と産業用インターネットの組み合わせが業界全体の大きな発展トレンドになることが予測されます。製造業では、端末ロボットの導入がますます増えています。自動化から自律化まで、私たちは懸命に取り組んでおり、AI技術がより大きな役割を果たすことを期待しています。

AI 2.0: 学際的研究の深化

人工知能技術の発展に伴い、今年は学際的な研究も盛んになってきました。 AIは、医療、脳コンピューターインターフェース、さらには数学の研究でも頻繁に見られます。

脳コンピューターインターフェースの研究では、科学者らは脳の信号を言語に変換できる装置を設計した。この装置は、言葉を発することなく、ディープラーニング技術を使って脳を直接読み取り、心にあることを解読し、スムーズなコミュニケーションを実現できる。

もしホーキング博士がまだ生きていたとしたら、この技術の助けを借りて、言葉を綴るために頬の筋肉を動かすのに苦労する必要はなくなるかもしれない。AIはまさに、博士が再び「話す」のを助け、知恵を広める手助けとなるだろう。

医学研究では、ドイツの研究チームが、マウスの全身の癌転移を内在細胞レベルで自動的に検出・分析できる、ディープラーニングをベースとした新しいアルゴリズム「DeepMACT」を開発した。

この技術により、科学者は個々の癌細胞が形成する転移部位を視覚化することが可能となり、これは初めて達成された偉業である。さらに、所要時間は 1 時間未満で、精度は人間の専門家の精度に匹敵します。これまで、このような作業は人間が完了するまでに数か月かかっていました。効率は300倍以上向上しました。

03 一般的なプロダクトマネージャーは AI でどのように革新を起こすのでしょうか?

従来のインターネット時代では、トラフィック効果によってもたらされる利益のため、プロダクトマネージャーの仕事は主にユーザーのニーズを探り、ユーザーエクスペリエンスを向上させることに集中していました。 AI の発展に伴い、AI プロダクト マネージャーと呼ばれるプロダクト マネージャーのサブ分野が登場しました。彼らの仕事は、シナリオにおける AI テクノロジーの応用を中心に展開しており、AI 機能を問題解決の強力な武器として活用し、製品機能に AI 機能を付与してユーザー エクスペリエンスと効率性の向上を実現します。

非専門の AI プロダクト マネージャーとして、日常業務で製品イノベーションを実現するために AI テクノロジーをどのように適用すればよいでしょうか。次のような提案があります。

最も基本的なAI技術を理解する

非専門的な製品マネージャーとして、自社の製品に AI テクノロジーを採用したい場合、まず AI テクノロジーの最も基本的な原則のいくつかを理解する必要があります。 AIの範囲は非常に広いですが、工業生産に適用できる主流の技術は多くなく、すべてを理解して学ぶ必要はありません。

主流かつ一般的に使用されている AI テクノロジには、コンピューター ビジョン、インテリジェント音声認識、自然言語処理、ナレッジ グラフ、機械学習の 5 つの主要領域が含まれます。各分野にはさらに細分化された研究方向があり、例えば、インテリジェント音声認識の分野では、音声認識技術を専門とする研究者と、音声合成や音声翻訳技術を専門とする研究者がいます。ここではすべてのポイントを説明するつもりはありませんが、基本的な技術原則を説明します。

しかし、私はAIを専門としていない私たちのようなプロダクトマネージャーに適した、非常に実践的な学習方法を教えることができます。

それは、Baidu AIオープンプラットフォームと、Alibaba CloudおよびTencent Cloudの人工知能モジュールを公開し、これら3つの場所から、各技術の一般原理、機能、主な適用シナリオを学び、技術とシナリオに一致するエントリーポイントを見つけることです。

技術的な実現可能性と産業エコロジーの観点から新しいシナリオを評価する

テクノロジーについてある程度理解した後、次に考えるのは、AI テクノロジーを使用して過去のシナリオを変更するか、まったく新しいシナリオを作成するかということです。 AI に不慣れなプロダクトマネージャーには、技術的な実現可能性と業界エコロジーの観点から新しいシナリオの可能性を評価することをお勧めします。思考プロセスは図に示されています。

先ほど、AI イノベーションの出発点は非常に小さなシナリオから始まる可能性があると述べました。セグメント化されたシナリオから始めて、それを実行するかどうかを評価します。実行するとしたら、何ができるでしょうか。

ある年、私たちは平安の着信ナビゲーションを最適化していました。当時の背景は、毎日の着信数が膨大だったため、平安の95511電話システムのナビゲーション時間が比較的長く、このリンクで多くの電話料金が無駄になっていたことです。数回の評価とブレインストーミングを経て、AI を使用してユーザーの列に入る意図を予測し、ナビゲーション時間を短縮するという大胆なアイデアを思いつきました。

当初、私たちは非常にシンプルなソリューションを作りたかったのです。電話がかかってくると、相手の意図を予測し、XX 業務の処理が必要かどうかを尋ねます。応答が「はい」の場合、発信者はそのまま業務回線に転送されます。実際、これを行うのは非常に複雑です。一方では、Ping An 着信ラインのオプションが 1000 を超えます。他方では、データの不完全性と適時性が機械の判断に影響を与えます。

そのため、私たちは小規模なシナリオから始めることを選択し、技術的な実現可能性と容量の向上を考慮して、着信回線の頻度が最も高い 30 以上の意図のみを予測しました。提示されたソリューション全体は、インタラクション方法を設計するだけでなく、多くのモデル欠陥の下でのユーザー エクスペリエンスを向上させる詳細も考慮に入れています。小さなシーンを完成した後、次の小さなシーンを最適化する方法を見つけ、最終的に完全なソリューションを形成します。

特定のシナリオで AI アップグレードを実行することを決定した後、アップグレード サービスにアクセスする方法、つまり、特定の AI テクノロジを社内で開発するか、外部のメーカーと協力して開発するかを検討する必要があります。私の個人的なアドバイスとしては、企業の技術的予備能力が不十分で、水平拡張能力が限られており、それがコアシナリオではない場合、市場で成熟したソリューションを選択するように努めるべきです。

さらに、インテリジェントなサービス提供モデルと市場の成長サイクルも考慮する必要があります。モデルを提供する際に考慮すべき主な問題は何ですか? 実装の難しさは何ですか?

全体的な市場開発状況や、類似の競合他社が選択した戦略の長所と短所を参照して、技術的な実装ソリューションを評価することができます。こうすることで、ゼロから始める必要がなくなり、成熟したソリューションがどのように実装されているかを把握し、それを独自のシナリオにすぐに適用できるようになります。

ユーザー思考からデータ思考へ

インターネット時代ではトラフィックこそが重要であり、「ユーザー第一」が大手インターネット企業のコンセンサスとなっています。電子商取引分野でもソーシャル分野でも、プロダクトマネージャーはユーザーの行動やパフォーマンスを日々研究し、ユーザーの内面を探り、ユーザーのニーズを満たす製品を作りたいと考えています。

人工知能の時代では、データが王様であり、企業の風向計となっています。私たちの製品とユーザーは、経験主義に基づいてユーザーが何を望んでいるかを考えるのではなく、データによって説明できます。現時点では、顧客のニーズを判断するためのより具体的かつ定量的な方法があります。

これまで、銀行業務において顧客の財務属性を説明する場合、年間収入、預金、返済履歴などの客観的な側面に基づいてのみ、クレジットカードの現金化リスクがあるかどうかを判断できました。

現在、AI技術の助けを借りて、人間が区別できないデータを機械で分析することができます。より洗練されたデータ結果を通じて、顧客の資産の健全性を分析し、顧客のキャッシュアウトリスクについてより正確な判断を下すことができます。

鄧雄博士はこう言っています：「人工知能は大きな変化を表しています。私たちはもはやユーザーを中心に考えず、ユーザーを中心にさまざまなタスクを実行します。」その代わりに、ユーザーをデータ化し、ユーザーの行動をすべてデータ化し、データの形で製品に反映させるというモデルです。このモデルは、データ指向の考え方から生まれたものです。

認知のアップグレード、破壊的イノベーション

伝統的な製品イノベーションの分野において、梁寧氏はかつて2つの典型的な方法をまとめました。

1 つは、ある分野の知識と経験を別の分野に応用することです。たとえば、最初のベビーインキュベーターは動物園で使用されているインキュベーターに基づいて開発され、新生児に適した製品が作られました。

もう1つは、業界をまたぐ新たな要素を導入し、製品が元の製品のように見えても、実際には新しい種類になるようにすることです。たとえば、Duoya Duoya Hotelはクラウドファンディングという新しい要素を採用しています。この消費から投資への方法により、彼らはDuoyaの最も忠実な顧客になり、ビジネスの核心に変化をもたらしました。

今日では、AI テクノロジーのアップグレードにより、プロダクト マネージャーの認知能力も向上しています。私たちが製品ソリューションで実現した変革は、破壊的イノベーションです。この変革は、古い要素の再編成だけではなく、AI を使用した新しい生産要素のアップグレードでもあります。

例えば、運輸業の本質は輸送の適時性の問題を解決することです。馬車から自動車への移行は、本質的には動力の次元から速度を上げ、輸送に要する時間を短縮することです。

現在、輸送時間を制限する最大の問題は電力ではありません。道路上で大型トラックの速度を制限する主な理由は、トラックは高速では安全ではなく制御不能であり、速度が速すぎるとブレーキをかける時間がなく、事故につながりやすいためです。さらに、トラック運転手は長時間運転することができないため、運転疲労につながりやすく、貨物輸送の速度を制限する要因の一つとなっています。

大型トラックの自動運転に関する研究では、スケジューリングと制御の2つの側面から人工知能を活用して人的要因によるマイナス要因を低減します。このアップグレードプロセスでは、「人間」の要素は突然それほど重要ではないように思えます。かつて私たちは、車は誰かが操作しなければならないと信じていました。どれだけ最適化されても、「人間」という要素が依然として大きなボトルネックとなっていました。今では、人工知能を使って運転を学習し、機械自身が車を制御できるようにしています。

この認知的アップグレードは、プロダクトマネージャーが同じシナリオに対処する際に異なる次元から考えることによってもたらされる変化です。私たちはもはや、古い要素から効率性を向上させる方法を考えるのではなく、古い要素を新しい方法でアップグレードします。

著者: Aqiao、「100 の事例を通して人工知能を理解する」の著者、Ping An Technology のシニア プロダクト マネージャー。主に商品企画、人工知能、インターネットビジネスを研究しています。