AIアプリケーションのための実用的なフレームワークを構築するための5つのステップ

[51CTO.com クイック翻訳] ガートナーの調査によると、約 37% の組織が何らかの形で人工知能を実装しています。しかし、有名なコンサルティング会社EYの調査によると、人工知能を企業の戦略的能力として開発できる企業はわずか20％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。

人工知能をどのように使うのか？実装フレームワークはどのようになるでしょうか?マッキンゼー・グローバル・インスティテュート（MGI）が発行したこの論文では、組織が注力すべき 5 つの分野が特定されています。

これらの領域は相互に関連しており、目に見える影響を示すためにはそれぞれが連携して取り組む必要があります。この記事では、このフレームワークを実装するための可能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

組織が AI 導入を決定した場合、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。この点で、発散収束法は実証済みの効果的な方法です。ブレインストーミングを通じて、できるだけ多くの AI ユースケースを検討します。完了したら、候補のリストを作成し、上位 3 つのユースケースを特定します。

重要な質問は、ユースケースをどのように集約するかということです。どの次元を考慮すべきでしょうか?

次の 3 つの側面から始めることをお勧めします。

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。

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?テクノロジーマップを作成します。

データの妥当性: このユースケースをサポートする関連データ ポイントはありますか?調査を行ってください。

これら 3 つの要素は、ユースケースが実現可能かどうかを判断するために使用できるベンチマーク図を形成します。次の図を例に挙げます。

ご覧のとおり、このグラフでは、横軸と縦軸がそれぞれビジネスへの影響と技術的な実現可能性を表し、円の大きさはデータの有効性を示しています。ユースケース 7 とユースケース 6 は、3 つの要素すべてにおいて高いパフォーマンスを発揮します。ユースケース 3 は、ある側面ではパフォーマンスが低いですが、他のユースケースと総合的に比較すると、次の候補として挙げられます。

実際には、避けられない疑問が伴います。どのくらいの量のデータが十分なのでしょうか?

実のところ、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、まず次の質問に答えることです。最小規模の実行可能なモデルの確立をサポートするのに十分な有効なデータがありますか?答えが「はい」の場合は、引き続き努力し、このユースケースの開発の可能性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

データは組織内に「あふれている」新しい「石油」です。そこからどのように価値を引き出すかは、あらゆる組織が直面する課題となっています。人工知能とデータは共生関係にあり、相互の成功を達成するためにはお互いが必要です。

組織は長い間、この「獣」を飼いならすために、データベースからデータ ウェアハウス、データ レイクに至るまで、データ分析プラットフォームを作成しようとしてきました。データ技術の発展に伴い、新しいデータ構造モデルが登場しました。 2017 年に、私はブログ記事「データ レイク アーキテクチャの解明」で実用的な AI データ プラットフォームのコンポーネントについて説明しました。データ テクノロジーは常に進化していますが、その中核は変わらず、これらの概念は今でも適用可能です。

しかし、深く考える必要がある疑問があります。それは、データ プラットフォームが人工知能を使用するための原則とは何なのかということです。

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：データは本質的に複雑です。このデータの使用方法は、実際に使用してみないとわかりません。最善の戦略は、変更を加えずにすべてを元の形式で保存することです。クラウド技術の出現により、データストレージのコストが削減されました。クラウドに保存されるデータは、その有効期間中に生成、処理、アクセスされる方法によって異なります。 Azure を例にとると、Azure ストレージは、ホット アクセス層、コールド アクセス層、アーカイブ アクセス層など、さまざまなアクセス層を提供します。 0～50TBのデータを保存するユーザーには、1GBあたり月額平均0.044ドルが課金されます。これは1TBあたり月額約4.4ドルとなり、スターバックスのミディアムサイズのモカの値段よりも安いです。ここで提案があります。企業の場合、少なくとも過去 5 年間のデータを保存することをお勧めします。それ以降にデータが役に立たなくなった場合は、アーカイブしても遅くはありません。

（2）ストレージとコンピューティングの分離：ストレージとコンピューティングは、コンピュータリソースに対する要件がまったく異なる2つの負荷です。ストレージとコンピューティングを分離すると、システム負荷のバランスをとるのに役立ちます。処理エンジンはバッチ指向またはストリーム指向にすることができます。オンデマンド処理により、コストをある程度抑えることができます。必要な処理の種類に基づいて適切な処理エンジンを構築し、タスクが完了したら処理エンジンを終了または破棄します。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るだけでなく、柔軟性も向上します。

（３）データのカタログ化と管理：データレイクが交換プラットフォームになるのを防ぐための最も重要な原則の１つは、データを詳細にカタログ化して管理することです。経験則として、一時的でないものはすべてカタログ化する必要があります。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にとって、アクティブ カタログ化はデータ要素を簡単に検索できるため、その重要性はいくら強調してもし過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

適切なユースケースを特定し、効率的なデータ プラットフォームを作成することに加えて、AI を実装するための適切なツールとテクノロジを選択することも非常に重要です。人工知能の繁栄を促進するには、従うべき 3 つの原則があります。

規模のメリットを活用する: データと AI は密接に関連しており、一般的に言えば、トレーニングするデータが多いほど、モデルの使いやすさが高まります。これまでは、ストレージと計算能力が限られていたため、モデルをトレーニングする能力は限られていました。過去 20 年間、ストレージとコンピューティングのテクノロジは進化を続け、クラウド プラットフォームは革新を続け、ストレージとコンピューティングのコストは制御可能になり、大規模なデータ処理とモデル トレーニングを許容範囲内で実行することが徐々に可能になりました。

テクノロジーではなく機能性に重点を置く: 各コンポーネントが特定の機能を果たす一方で、利用可能なテクノロジー機能がコンポーネントに結び付けられていない、柔軟なデータ アーキテクチャを構築します。クラウド プラットフォームの大きな利点の 1 つは、テクノロジーが絶えず変化しても機能が一定であることです。クラウド プラットフォームのイノベーションとは、多くの場合、新しいテクノロジーを継続的に導入して、同じ機能またはより優れた機能をより低コストで提供できることを意味します。

データ プロジェクトで俊敏性を取り入れる: 有名な統計学者の George Box 氏はかつて、「すべてのモデルには誤りがあるが、それでも役に立つモデルもある」と皮肉を言いました。モデルは特定の仮定に基づいて構築されるため、特定の範囲を超えると抜け穴が生じる可能性があります。有用なモデルを見つけることは反復的なプロセスであり、各反復はその有用なモデルへの一歩となります。覚えておいてください、AI プロジェクトでは「絶対的な答え」を追い求めないでください。完璧なモデルはユートピアであり、それを目標とすることは与えられた現実に完全に適合しています。

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。しかし、多くの有望な AI プロジェクトは初期段階で消滅し、それ以来日の目を見ることはありませんでした。したがって、AI プロジェクトは、インキュベーション段階から始まり、プロセス全体にわたって監視する必要があります。

何度も強調しなければならない点が 1 つあります。AI プロジェクトは純粋に技術的なプロジェクトではなく、影響に重点を置いたプロジェクトであるということです。すべてのプロジェクトには結果が必要です。

つまり、AI プロジェクトの見通しを考えるときは、モデルやアルゴリズムではなく、エンド ユーザーにメリットをもたらす結果に重点を置く必要があります。各プロセスは密接に関連しているため、次のような質問に答える必要があります。

AI はプロセスのいくつのステップに影響を与えますか?

——これによりプロセスの自動化が促進されるのでしょうか?

——これによりプロセス構築が強化されるのでしょうか?

次に、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盤です。現代の経営の第一人者であるピーター・ドラッカーはかつてこう言いました。「文化は戦略を朝食のように食べてしまう」。これは AI プロジェクトにとって非常に洞察に富んだ発言です。成功と失敗を決めるのは、多くの場合、技術ではなく価値観です。実験の文化を浸透させることは、AI の実装にとって非常に重要です。定義上、実験とは仮説を検証または反証するプロセスです。すべての実験が成功するとは限りませんが、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。次の 3 つのガイドラインは、企業が実験の文化を構築するのに役立ちます。

1. 測定指標。組織内のすべての部門は、特定の期間内に試行された実験の数、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、特定の期間内に進行中の実験の数という 3 つの指標を測定する必要があります。

2. 敏捷性を取り入れる。敏捷性こそが AI の前進への道です。 AI の性質を考慮すると、反復的なアプローチが人工知能に最適です。アジャイル哲学の 3 つの中核となる信条である、継続的な改善、情報の透明性、緊密なコラボレーションは、企業の DNA に浸透する必要があります。

3. 従業員にAIに関する正しい理解を確立する。人工知能をめぐる誇大宣伝は圧倒的であり、この誇大宣伝とともに、代替されて仕事を失うのではないかという恐怖も生じています。実際のところ、この懸念には根拠がありません。社内にAIに対する認識を高めることが重要です。従業員は、AI で何ができて何ができないかを明確に理解する必要があります。正しい理解を確立すると、従業員は AI をより受け入れやすくなり、AI を使用して仕事のスキルを向上させる可能性が高くなります。

要約する

責任ある AI の導入は避けられず、誰もがこの現実を受け入れるべきです。人工知能は万能薬ではありませんが、適切なフレームワークがあれば、AI はプラスの影響を与える可能性があります。

元記事: https://medium.com/swlh/a-practical-framework-for-ai-adoption-a-five-step-process-ed8349977695

参考文献:

テクノロジーレビュー: AI がビジネスに与える影響の拡大

https://www.technologyreview.com/2018/04/30/143136/the-growing-impact-of-ai-on-business/

ZDNET: 企業におけるAIの導入は過去4年間で270%増加

https://www.zdnet.com/article/enterprise-adoption-of-ai-has-grown-270-percent-over-the-past-four-years/

マッキンゼー・グローバル・インスティテュート：人工知能、次のデジタルフロンティア

https://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-Artificial-Intelligence-Discussion-paper.ashx

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]