エンタープライズITがAIを実際に適用できる場所

人工知能は、さまざまなエンタープライズ システム、特に分析や異常検出のユース ケースで実際に応用されています。

[[330882]]

人工知能 (AI) は、あらゆる IT 組織が成功するためには必須です。あるいは、この技術の重要性を考えれば、そう判断するでしょう。

はい、AI はビジネス価値を提供できます。しかし、それで組織の問題がすべて魔法のように解決されるわけではありません。

それにもかかわらず、人工知能を合理的に扱うことは依然として必要です。人工知能は企業システムを改善し、ひいては業務運営を改善することができます。 Reporter.com は、企業が今日 AI を有意義に活用できる分野を理解するために、Forrester Research の AI アナリストである Kjell Carlsson 氏、Gartner の Charley Rich 氏、IDC の Mickey North Rizza 氏に話を聞きました。

自動化と人工知能を混同しないでください

ベンダーは、自社製品に秘密の AI レシピを組み込むと、それを導入すればビジネスに革命が起こると主張することがよくあります。信じないでください。 「映画で見たことのあるものに似ている場合は、疑ってかかるべきです」とカールソン氏は言う。

IDC の North Rizza 氏は、ほとんどのベンダーがルールベースのシステムを提供していると述べた。彼らのソフトウェアの複雑なアルゴリズムやロジックは、多くの一般的なユースケースを処理し、それを人間が通常行うよりも高速かつ正確に実行します。しかし、これは自動化であり、人工知能ではありません。

自動化は良いことですが、機械知能に基づく自動化は偽物であったり問題があったりする可能性があります。真の AI では、システムが自ら何をすべきかを決定しますが、ほとんどのビジネス ケースではそうはならないでしょう。あなたの財務、採用、製品計画、ネットワーク管理などが、あなたが実際には何も知らず、制御もできない独立した諜報機関によってすべて処理されていたと想像してみてください。

アプリケーション分析と異常検出のためのAI実装に重点を置く

本当に有用なのは、人工知能技術を利用して人間の意思決定における異常なパターンを特定することです。既知のパターンは自動化によって処理できますが、未知のパターンを発見するには、機械学習やディープラーニング、汎用人工知能などの技術に頼る必要があるかもしれません。

異常検出の形で分析主導の AI を使用すると、多くの場合、人間よりも速く未知のパターンを識別できます。類似のパターンに基づいて行動方針を提案することもできます。しかし、どのような行動を取るかの決定は人間の知性に委ねられており、それは他の人によって確認され、分析を超えた専門知識を活用することができます。

自動化（少なくともソフトウェア）では、ルール ベースやその他のエンコードされたロジックを使用して決定を実行できます。ロボティック・プロセス・オートメーション (RPA) などのテクノロジーは、今日の自動化の進歩を示す素晴らしい例です。これらは人工知能ではないため、独自に「考える」ことはできませんが、ますます洗練されたアルゴリズムを通じて、ますます複雑化するワークフローを処理できます。ソフトウェアはインテリジェントに見えるかもしれませんが、これは人間の開発者の知能であり、システムに内在する人工知能ではありません。

その結果、分析、特に異常検出が、今日のエンタープライズ システムに実装されている AI の大部分を占めるようになりました。この統合は通常、よく知られたユースケースとビジネス プロセスに基づいてソフトウェア ベンダーによって実行されます。

フォレスター社のカールソン氏は、オンプレミスのシステムで分析に AI を導入するのは簡単ではないと述べた。データサイエンスはインテリジェンスと分析を融合する分野だが、「データサイエンティストは意思決定やビジネス分析の訓練を受けていないため、望めば優れた予測を立てることはできるが、それをどう活用すればよいかわからないということを多くの人が認識していない」と同氏は述べた。

理想的には、「AI 側でより優れた予測モデルを構築し、従来の最適化エンジンに優れた入力を提供できます。この 2 つは密接に関連しています」と Carlsson 氏は付け加えました。 「しかし、最適化担当者はデータ サイエンティストとどのように話せばいいかわからないため、これは困難を伴います。また、その逆も同様です。『データ サイエンティスト』は、あらゆる意味を持つ非常に問題のある用語であり、多くの IT 組織はそれを理解していません。」

しかし、カールソン氏は希望もあると指摘した。エンジニアはすでに、機械学習モデルをゼロから構築する必要性をなくすフレームワークである AutoML を通じて機械学習にアクセスし始めている。これらのツールは、データに精通したビジネス ユーザーが活用できるほどシンプルなため、データ サイエンティストが通常は活用できない専門知識が得られます。シックス シグマやリーンなどの方法論に精通した部門横断的なプロセス改善チームは、AI を分析に導入するのに特に適しています。 「経営陣の交代に対応するのは彼らのDNAだ」とカールソン氏は語った。 「データを入手し、それを理解するのは常に困難です。」

カールソン氏が「拡張インテリジェンス」と呼ぶ、こうしたより探索的な形態の AI には、マーケティング、物流、文書処理、IT システム自体、さらにはユーザー向けシステムのユーザー インターフェイスなど、あらゆる種類のエンタープライズ システムで正当かつ有用な使用例があります。

ビジネスシステムへのAIの適用

AI の応用分析形式は、通常、大量のデータ、変化する環境や不確実な環境、急速に適応するプロセスを処理する必要があるエンタープライズ システムで登場します。

典型的なユースケースには、荷物の配送、車両のルーティング、ジャストインタイムの在庫管理などのロジスティクスや、信用スコアリングや製品の推奨などのコンテキスト推定が含まれます。新しい分野には、評判管理、履歴書のスコアリング、分野横断的なリスク管理などがあります。

あまり言及されていない AI の分野の 1 つに、自動ドキュメント処理があります。 「多くのプロセスがそれらに依存している」とフォレスター社のカールソン氏は語った。契約書、ポリシー、医療報告書などは定型的で解析しやすいように見えるが、これらの文書から情報を抽出するのは依然として難しい場合があると彼は述べた。たとえば、見出しスタイルや表の境界線の一見小さな変更でも、ルールベースのドキュメント抽出ツールを混乱させる可能性があります。

さらに難しいのは、フォームで明確に定義されていないコンテンツを抽出することです。 「例えば、ファイナンシャルアドバイザーは、市場の新しい分野に興味を持っている顧客を検討するかもしれません。アドバイザーは、投資プロファイル、リソース、マーケティングモデルを詳しく調べる必要があります。」顧客自身の選択に似た投資モデルを提案するという古典的なアプローチを取るのではなく。もう一つの例は、医療病理レポートの付随情報を分析することだ。「患者の初期の訴えに付随することが多い隠れた詳細に基づいて、がんのリスクがあるかどうかを判断する」とカー​​ルソン氏は述べ、すでにAI文書プロセッサを使用してそのような例を見つけ、そのデータを米国国立がんデータベースに自動的に入力している病院があることを知っていると付け加えた。

IT システム向け AI: AIOps

AIOps (インテリジェント オペレーション) の分野は、ネットワークやビジネス プロセスなどの問題を特定して診断し、自動化によって可能な修復アクションを提案し、実行するという点で、IT ワークロードに大きな可能性を秘めています。同様のアプローチは、侵入検知や内部者によるデータ盗難の防止などのセキュリティ対策にも役立ちます。

「AIOps はエンタープライズ AI の他の領域に比べて成熟度がはるかに低い」とガートナーのリッチ氏は指摘しています。通常は、教師ありおよび教師なしの機械学習、場合によってはディープラーニングやグラフ分析を伴い、「数学を現実世界の問題に適用する」ことになります。これは、直接または自動化を通じて、問題の解決策を示すパターンと異常 (多くの場合はログ内) を探すことを意味します。

AIOps の課題は、「ノイズが非常に多いため、簡単に誤報が発生する可能性がある」ことだと Rich 氏は言います。今ではほとんどすべてがデジタル化されているため、困難はさらに大きくなっています。基本的な技術としてのイベント相関分析は数十年前から存在しています。しかし、「それらはルールベースなので、非常に手間がかかり、常に更新する必要がある」とリッチ氏は言う。 「データの品質も乱雑になる可能性があるため、実装は通常カスタムです。しかし、予算に余裕があれば、それは機能します。」 「市場では、データ サイエンティストの必要性を回避するために、この作業を実行するパッケージが求められていますが、現時点ではそれは不可能です。

もう 1 つの課題は、時間的パターンに基づいて表面異常の時系列分析を実行することです。 「こうしたアルゴリズムは1950年代から存在していたが、それを実装できる計算能力が備わったのはごく最近のことだ」とリッチ氏は語った。

AI が長い間追求してきたもう 1 つの分野は、広範な相関関係と時系列分析を伴う根本原因分析です。 「人々は約束をしていますが、チャート上では進歩が見られ始めたばかりです」とリッチ氏は付け加えた。

これをさらに一歩進めたのが、自己修復システム、別名 NoOps のような概念です。 「いつかそこにたどり着くかもしれない」とリッチは言った。 「今できることは、条件付きロジックによって開始されたアクションに基づいてスクリプトを実行することです。過去 6 ～ 8 か月にわたって、ベンダーはよくある質問のナレッジ ベースと新しい質問を追加するためのツールキットを提供してきました。」

しかし、リッチ氏は、AIOps が将来 IT 運用を単独で処理できるようになることを期待するのは危険だと警告しています。 「すべてのシグナルをキャッチするのは不可能です。たとえできたとしても、解決策のない新しい問題だったらどうしますか？ さらに、変更に伴うリスクもあります。他に何を壊すことになるのでしょうか？ リスク分析は必要ですが、実際には存在しません。」

同時に、AIOps は IT スタッフが問題を特定する能力を高め、問題をより早く解決または防止するのにも役立ちます。

ユーザーインターフェースへのAIの適用

何年もの間、自然言語処理 (NLP) は人間のサポートスタッフの必要性をなくす方法として期待されてきました。チャットボットは、その約束の一例ですが、同時に、それを信頼することのリスクも示しています。これらの「インテリジェントな」やり取りは、顧客にストレスや負担を与えるでしょうか。チャットボットが従う決定論的なルールは、顧客の懸念に対処できないことがよくありますが、対処できる場合もあります。いずれにせよ、テキストベースと音声ベースの両方の NLP は、人間の会話を理解する能力においてかなりの進歩を遂げているとカールソン氏は指摘した。

NLP は過去 20 年間で音声認識と非構造化テキストの理解において大きな進歩を遂げ、キーボードを必要とせずに対話を可能にし、人間や自動システムによって実行される前にクエリ ステートメントの意味を絞り込むのに役立っています。ある意味では、それは、例えばスピーチの意図されたコミュニケーションの意味と表現を中心に展開する分析形式です。

マシンビジョンも過去数十年で大きな進歩を遂げました。自動運転車はまだ現実というよりは希望に近いが、衝突軽減技術は、環境条件を感知し、ルールに基づいて自動調整（ブレーキを踏む！）を行う能力が本物であることを証明している。 NLP と同様に、マシン ビジョンは AI のサブセットであり、ルールベースの自動調整や応答ではありません。

基礎となるパターン分析が進歩するにつれ、機械視覚やその他の認識技術は、倉庫での梱包された物体の識別、医療での腫瘍の検出、小売での買い物客の行動の理解などにますます利用されるようになっています。

重要なのは、これらの場合の AI が人や環境からの実際の入力を正しく分析できるため、特定の構文やユーザー インターフェイスの制限に関する人々の理解が軽減され、より多くの人が技術システムとより自然に対話できるようになることです。