AIを使用するための実践的な方法論：次の5つのステップに従ってください

Gartner の調査によると、約 37% の組織が何らかの形で AI を実装しています。しかし、EYの調査によると（

https://www.technologyreview.com/s/611013/impact-ofai-on-business/）によると、戦略的な AI 機能を備えていると考えている企業はわずか 20% 程度です。 AI の真の力を活用して有意義な影響を生み出すことに成功している組織はほとんどありません。

AI をどのように活用すべきでしょうか? フレームワークはどうあるべきでしょうか? McKinsey Global Institute (MGI) が発行したこの論文では、組織が注力すべき 5 つの領域が推奨されています。

これらの地域は孤立しているわけではありません。それらは相互に関連しています。目に見える効果を出すためには、これらの各領域が連携して機能する必要があります。

データストラテジストになることには利点があります。この記事では、このフレームワークを実装するための実践的なアプローチについて詳しく説明します。

1. 適切なユースケースを特定する

企業が AI の旅に乗り出すことを決定したとき。最初のタスクは、適切なユースケースを特定することです。発散収束法は効果的な方法です。できるだけ多くの AI ユースケースについてブレインストーミングを行い、検討します。完了したら、上位 3 つのユースケースの候補リストに集約します。

ユースケースを集約するにはどうすればよいでしょうか? 調査すべき次元は何ですか?

以下の点から始めることをお勧めします。

1. ビジネスへの影響: このユースケースは実際にビジネスに影響を与えますか? それを定量化します。
2. 技術的な実現可能性: 現在の技術環境はこのユースケースの実装をサポートしていますか? 技術マップを作成します。
3. データの可用性: ユースケースを実現するために利用できる関連データ ポイントはありますか? これらを調べます。

これら 3 つの次元にわたってユースケースをマッピングすると、何が機能し、何が機能しないかがわかります。次に例を示します。

上記のユースケース図では、ユースケース #7 と #6 は 3 つの側面すべてで高いスコアを獲得しています。ユースケース #3 は次の候補ですが、必要なデータがすべて揃っていません。

残る疑問は、「どのくらいのデータがあれば十分なのか？」です。

この質問に対する明確な答えはありません。この問題を解決するための経験則は、次の質問に答えることです。

利用可能なデータは、最小限の実行可能なモデルを構築するのに十分ですか?

上記の質問に対する答えが「はい」の場合は、先に進んで開発の潜在的なユースケースを検討することをお勧めします。

2. 効率的なデータプラットフォームを構築する

データは新たな石油です。この新しいオイルは会社中に広まりました。そこから価値を引き出すことが必要です。改善が必要です。 AIとデータは共生関係にあります。彼らは繁栄し、成長するためにはお互いを必要としています。

太古の昔から、企業はデータ分析プラットフォームの構築に取り組んできました。エンタープライズ データ ウェアハウス、データ マート、データ レイクはすべて、このモンスターを飼いならそうとします。データ テクノロジーのさらなる発展に伴い、新しいデータ システム アーキテクチャ パターンが次々と登場しています。

2017 年に、私は「データ レイク アーキテクチャの謎を解明」というブログ記事を書き、有用な AI データ プラットフォームを作成するための主要コンポーネントに焦点を当てました。それ以来、データ技術は発展し続けています。しかし、核心は同じままです。これらの概念は今でも適用できます。

ただし、考えるべきいくつかの質問は次のとおりです。

AIを活用したデータプラットフォームの原則は何ですか?

私の提案は3つあります。

1. すべてのデータを生の形式で保存する: データの性質は複雑です。使ってみるまでその用途は分からない。最善の戦略は、すべてを独自の形式で保存することです。変換はありません。管理はありません。単なる生のストレージ。クラウド技術の登場により、データストレージは安価になりました。さまざまなストレージ階層オプションが利用可能です。たとえば、Azure では、最初の 50 TB のデータを多くの層 (プレミアム、ホット、クール、アーカイブ) にわたって平均 0.044 ドル/GB/月、または 4.40 ドル/TB/月 (スターバックスのトールサイズのモカよりも安い) のコストで保存できます。目安としては、少なくとも過去 5 年間分のデータを保存することをお勧めします。その後、役に立たなくなった場合はいつでもアーカイブできます。
2. ストレージとコンピューティングを分離します。ストレージは永続的です。処理は短時間で終了します。処理エンジンはバッチ指向またはストリーム指向のいずれかになります。処理にはコストがかかる操作になることもあります。したがって、オンデマンドで処理するのが理にかなっています。必要な処理の種類に応じて、適切な処理エンジンを作成します。タスクが完了すると、処理エンジンを一時停止または破棄できます。コンピューティングとストレージを分離すると、コストを大幅に節約できます。また、非常に高い柔軟性も備えています。一般的に言えば、これは賢明なアプローチです。
3. データのカタログ化と管理: データ レイクが交換スペースになるのを防ぐための最も重要な原則の 1 つは、データを慎重にカタログ化して管理することです。経験則として、存続するものはすべてカタログ化する必要があります。アクティブカタログ化により、ビジネスアナリスト、データサイエンティスト、または適切な形式で適切なデータを探している人は誰でも、データ要素を簡単に検索できるようになります。積極的なカタログ作成の重要性は強調しすぎることはありません。カタログ作成と管理によって、データ分析プラットフォームの成功または失敗が決まります。

3. 適切なツール、プロセス、テクノロジーを採用する

3 番目の部分は、AI を実装するための適切なツールとテクニックを選択することです。もちろん、これを実現するためのツールは数多くあります。 AI が発展するためには、3 つの基本原則が重要です。

1. 規模の活用: データと AI には相関関係があります。一般的に言えば、トレーニングに使用するデータが多いほど、モデルの品質は向上します。以前は、モデルをトレーニングする機能は限られていました。ストレージと計算能力が限られています。ストレージとコンピューティングの技術は過去 20 年間で進歩しました。クラウド コンピューティング プラットフォームは革新を続けています。ストレージは安価です。コンピューティングは手頃な価格です。大規模なデータ処理とモデルのトレーニングが許容できるコストで可能です。過去の制限はもはや存在しません。
2. テクノロジーではなく機能に重点を置き、柔軟なデータ アーキテクチャを作成します。各コンポーネントは特定の機能を果たします。利用可能な技術的特徴はコンポーネントを定義しません。機能は一定ですが、テクノロジーは常に変化しています。これはクラウド プラットフォームのもう 1 つの利点です。クラウド プラットフォームのイノベーション。同じかそれ以上の機能を低コストで提供する新しいテクノロジーを導入します。
3. データ プロジェクトで俊敏性を取り入れる: 有名な統計学者 George Box 氏はかつて、「すべてのモデルは間違っているが、いくつかのモデルは役に立つ」と皮肉を言いました。役に立つモデルに到達するには、反復的なプロセスが必要です。各反復は、その有用なモデルに向けた一歩です。 AI プロジェクトでは絶対的なものを追求しないでください。存在しません。完璧なモデルはユートピアです。モデルはターゲットを絞っており、特定のコンテキストに対して十分です。

4. AIによる意思決定をプロセスに統合する

あらゆる AI ベースのプロジェクトの最終的な目標は、プラスの影響を与えることです。ビジネスでも社交でも。しかし、多くの成功した AI プロジェクトは失敗に終わっています。彼らは光を見ることができない。したがって、AI プロジェクトはインキュベーション段階であるため、最初から最後まで観察する必要があります。

いくら強調しても足りないくらいですが、AI プロジェクトはインパクトベースのプロジェクトです。彼らには結果が必要だ。これらは技術的なプロジェクトではない

AI プロジェクトはモデルやアルゴリズムに関するものではないと考えてみましょう。結果が重要になります。エンドユーザーに利益をもたらす結果。

各プロセスは段階的にリンクされています。答えなければならない質問は次のとおりです。

AIはいくつのステージに影響を与えますか?

• プロセスを自動化できますか?
• プロセスが追加されますか?

答えに基づいて正しいルートを描きます。

5. 実験の文化を築く

文化はあらゆる変化の基礎です。ピーター・ドラッカーはかつて「文化は戦略を朝食のように食べてしまう」と言いました。AI の導入に関しては、この言葉は真実とは程遠いものです。実験の文化を植え付けることは、AI 実装を成功させる上で非常に重要です。実験とは、定義上、仮説を証明または反証するプロセスです。すべての実験が成功するわけではありません。しかし、すべての実験は利益をもたらします。この実験の文化は、会社の精神に浸透する必要があります。企業が実験の文化を創り出すのに役立つ 3 つの原則があります。

1. 指標: 各部門は次の 3 つの指標を測定する必要があります。

• 指定された期間内に試行する実験の数。
• 特定の期間内にビジネス ワークフローに採用された実験の数。
• 特定の時点でパイプライン内にある実験の数。

2. 敏捷性を取り入れる。敏捷性は人工知能への道です。その性質上、反復的なアプローチは AI に最適です。改善、透明性、緊密な連携という 3 つの基本原則が、会社の DNA に浸透する必要があります。

3. AI について理解する。人工知能はホットな話題であり、誰もがどこでも話題にしています。この誇大宣伝には恐怖が伴います。置き換えられることへの恐怖。仕事を失うことへの恐怖。この懸念は根拠のないものである。社内で AI に関する一般的な認識を高めることは非常に重要です。従業員は AI が何ができるか、何ができないかを認識する必要があります。このような重要な認識があれば、従業員は AI を受け入れ、スキルの向上に活用する可能性が高くなります。

要約する

人工知能（AI）の責任ある導入は避けられません。誰もがそれを受け入れるべきです。これは不老不死の薬ではありません。しかし、適切なフレームワークがあれば、影響を与える可能性があります。