AIプロジェクトの失敗はもはや人材不足のせいにはされない

AI の取り組みが失敗すると、その責任はスキルのギャップにあるとされることが多いです。しかし、それだけではありません。あなたの組織では、これら 3 つの基本的な AI の柱を優先していますか?

適切な技術人材の採用は、企業組織による人工知能 (AI) の導入に対する大きな障壁となっています。最近の O’Reilly の調査によると、回答者の 6 人に 1 人強が、AI スキルを持つ専門家の雇用と維持は困難であり、組織における AI 導入の大きな障壁になっていると回答しています。

[[381226]]

人材不足が引き続き話題の中心となっている一方で、この数字は昨年に比べて減少しており、AI プロジェクトを検討および展開している企業にとって他の課題が最優先事項になりつつあることを示しています。

しかし、技術スキルのギャップは AI 導入の最大の障壁ではなく、多くの AI プロジェクトが失敗する理由でもありません。実際、O'Reilly の調査によると、回答者は組織的なサポートの不足を最大の問題として挙げ、次に適切なビジネス ユース ケースを特定するのが難しいことを挙げています。

もちろん、これは受け入れがたい事実です。つまり、本当の課題は、仕事をこなせる限られた数の専門家ではなく、私たち自身にあるということです。

AIプロジェクトの成功の3つの柱

では、組織は AI プロジェクトによくある落とし穴をどう回避できるでしょうか? 他のテクノロジーの実装と同様に、すべては適切なトレーニング、実稼働環境、そして会社全体にわたる適切な基盤にかかっています。これら 3 つの柱を整えることで、AI のビジネス価値をより早く実現できます。

1. 適切な基盤

AI プロジェクトを成功させるには、次の 3 つの要素が必要です。

• データ サイエンティストは、効率的なツール、ドメインの専門知識、および関連データへのアクセスを備えている必要があります。 AI 技術は、バイアス防止、説明可能性、概念のドリフト、および同様の要件に対処するという点では十分に理解されていますが、多くのチームはまだこの点で不十分です。
• 組織は、AI モデルを本番環境に導入して運用する方法を学ぶ必要があります。これには、DevOps、SecOps、および新しい AI Ops ツールとプロセスを導入して、モデルが長期にわたって本番環境で正確に動作し続けるようにする必要があります。
• 製品マネージャーとビジネス リーダーは、新しいテクノロジ機能を再設計し、これらのテクノロジをどのように適用して顧客を満足させるかを決定するために、最初から関与する必要があります。

教育とツールはここ数年で劇的に改善されましたが、実際の運用環境で実行される AI モデルには、まだ改善の余地が大いにあります。その結果、製品管理とユーザーインタラクション設計が AI の成功に対する一般的な障壁となっています。

これらの問題は実践的な教育を通じて解決できます。教室や会議室の外では、組織のあらゆる部門の専門家が実際の AI プロジェクトに携わる経験を積み、AI で何ができるのか、テクノロジーがビジネスをどのように前進させることができるのかを理解する必要があります。

2. 全社的な連携とトレーニング

もちろん、才能は問題の一部ですが、必要なのはデータ サイエンスの才能だけではありません。問題の根本は、多くの場合、ビジネスと製品の専門知識にあります。技術的な才能と同じくらい重要なのは、AI が製品でどのように機能するか、そして AI をより良い顧客体験と新たな収益にどのように変換するかを理解することです。そして、その責任は研究開発チームだけにあるのではありません。

たとえば、人間と同じくらい正確に X 線を読み取ることができるアルゴリズムがありますが、この機能を臨床ワークフローに統合し始めたのはごく最近のことです。医師や看護師がこの技術を使用してワークフローを効率化する方法についてのトレーニングを受けなければ、医師や看護師にとっても患者にとっても何の価値もありません。

正確な AI モデルをトレーニングして展開できたとしても、それを最も効果的に使用して顧客を支援する方法という問題は解決されません。これを実現するには、営業、マーケティング、製品、設計、法務、カスタマーサクセス、財務など、組織のすべての分野をトレーニングし、テクノロジーがなぜ役立つのか、またそれが職務にどのような影響を与えるのかを理解する必要があります。

うまく活用すれば、新しい AI 対応機能により、製品チームはユーザー エクスペリエンスを根本から再考できるようになります。

うまく活用すれば、新しい AI 対応機能により、製品チームはユーザー エクスペリエンスを根本から再考できるようになります。これは、Netflix や Spotify がアクセシビリティ機能として推奨事項を追加することと、コンテンツの発見を中心にユーザー インターフェイスを設計することの違いです。これは大きな違いをもたらしますが、これを実現するには村全体の協力が必要です。したがって、経営陣が先頭に立って行う全社的な買収は、AI の成功にとって非常に重要です。

3. 適切な生産環境

すべての本番環境が同じというわけではないので、結果もすべて同じというわけではありません。組織が保有する人材、インフラストラクチャ、データに基づいて AI プロジェクトの限界を理解し、最初から明確な期待を設定することが重要です。

たとえば、ACM のコンピューティング システムにおける人間工学に関する会議 (CHI) カンファレンス シリーズ向けに完成した最近の研究論文では、患者の目の画像から糖尿病性網膜症を検出するための新しいディープラーニング モデルが検討されました。科学者たちは、過去数年間の眼科検査で撮影された患者の角膜の写真から糖尿病網膜症の初期段階を特定するためのディープラーニングモデルを訓練した。目標は、治療せずに放置した場合の病気の症状である失明を減らすことです。

この論文では、正確で効果的な同じモデルがタイの田舎の診療所で使用されたときに何が起こったかが説明されている。患者の目の画像を撮影するために使用された機械は、モデルのトレーニングに使用された機械ほど洗練されていなかったのだ。使用された検査室は、トレーニングされたモデルが想定しているように完全に暗いわけではありませんでした。患者によっては、フォローアップや追加の検査のために仕事を1日休むのは現実的な選択肢ではありません。まず、すべての医師や看護師が、なぜこの新しい検査が必要なのかを説明できるよう訓練されているわけではありません。

適切なインフラストラクチャと病院スタッフの一貫した教育の欠如、そして実際的な限界の理解が、AI プロジェクトが失敗する典型的な例です。

教育が業界に追いつくにつれて、AI 人材のギャップは今後数年間課題として残るでしょう。しかしその間、組織が AI プロジェクトを成功させるために実行できる手順があります。

モデルをトレーニングするだけでは不十分で、組織もトレーニングする必要があります。特定の AI プロジェクトに取り組む理由、それが従業員の役割や顧客体験にどのような影響を与えるか、期待されるものは何かなど、ビジネスのすべての側面を時間をかけて教育してください。

適切な人材が到着しますが、組織はそれを活用する準備ができていますか?