AIエンジニアリングは組織がAIを最大限に活用するのに役立ちます

人工知能とはいったい何でしょうか? 一般的な定義は、「人間のように考え、人間の行動を模倣するようにプログラムされた機械における人間の知能のシミュレーション」です。AI システムとは、人間の心に関連する特性を示し、学習して問題を解決する能力を持つシステムと考えることができます。

[[393590]]

AI 機能を備えたテクノロジー、製品、サービスは、効率性の向上、手動プロセスの自動化、意思決定の強化、顧客サービスとエクスペリエンスの向上、複雑な問題の解決能力など、組織に多大なメリットをもたらします。

しかし、IT リーダーとビジネス リーダーは誇大広告と現実を区別する能力を身につける必要があります。調査会社ガートナーが指摘しているように、多くの組織は AI に現実世界の価値を与えることに苦労しています。組織のリーダーは、AI テクノロジーの影響を過大評価し、その複雑さを過小評価する傾向があります。

同社は2020年初頭、米国、ドイツ、英国の組織の600人以上の上級管理職を対象とした調査に基づき、組織におけるAIの導入に関するレポートを発表しました。報告書によると、回答者の3分の1以上がすでに人工知能を導入して使用しており、半数以上が1年以内に人工知能を導入する予定であると答えています。回答者の約3分の1が2年以内にAIを導入する予定だと答えました。

レポートによると、組織が AI イニシアチブをプロトタイプから実稼働まで開発するには平均 9 か月かかります。 AI 技術人材は全体的に不足していますが、人材不足は AI 導入の成功を妨げる主な障害ではありません。人工知能の応用を成功させる上での主な制限要因は、明確な成果が欠如していることです。

戦略を立てる

ガートナーの調査レポートでは、組織は統合、セキュリティ、プライバシーの問題など、AI の実践をプロトタイプから実稼働に効果的に移行できないという課題にも直面していると指摘されています。

ここで AI エンジニアリングが重要な役割を果たすことができます。カーネギーメロン大学ソフトウェアエンジニアリング研究所 (SEI) の新興技術センター所長であり、米国国家 AI エンジニアリングイニシアチブのリーダーであるマット・ガストン氏は、次のように述べています。「AI エンジニアリングとは、信頼性の高い AI システムの設計、構築、テスト、展開、運用、進化のためのプロセス、ツール、ベストプラクティスです。AI 自体は、インテリジェントなモデルや機能を作成する機械学習などの特定の AI テクノロジに関するものです。AI エンジニアリングは、これらのインテリジェントなモデルや機能を、ビジネス、運用、またはミッションのソリューションを提供する完全に機能するシステムに変換します。」

ガートナーの副社長兼アナリストであるエリック・ブレテヌー氏は、AIエンジニアリングは組織内のさまざまな分野を統合し、複数のAIテクノロジーを組み合わせて実装することで価値へのより明確な道筋を提供すると述べ、AIエンジニアリングを2021年の最も戦略的なテクノロジートレンドの1つに挙げました。

AI エンジニアリング戦略の導入について顧客と協力する Brethenoux 氏は、堅牢な AI エンジニアリング戦略は AI モデルのパフォーマンス、スケーラビリティ、説明可能性、信頼性を高め、AI 投資の価値を最大限に引き出すと述べています。 「AIエンジニアリングには、AIを本番環境に導入するための方法論、ベストプラクティス、機能、テクノロジーが含まれており、組織のAIの使用を管理および監視できます」と彼は述べています。

ブレテノウ氏は、AI は一般的に 2 つの主なサイクルに分けられると指摘しました。最初のサイクルは、ルールベース モデル、最適化モデル、自然言語処理モデルなど、アプリケーションの種類に応じて、機械学習モデルの開発とトレーニングです。 2 番目のサイクルは、組織内でのモデルの実装です。

「一部の組織が AI モデルの実装に非常に苦労していることはよく知られています」と Brethenoux 氏は言います。「モデルの開発は得意で、大規模にモデルを大量に開発しています。しかし、それらのモデルを運用に移すのは困難です。これらのモデルの作成を体系化する方法が必要であり、そこで AI エンジニアリングが大きな役割を果たします。」

ブレテヌー氏は、AIエンジニアリングは、特定のプロジェクトのためにAIを実装するための非公式または場当たり的な取り組みであってはならないと述べた。代わりに、AI と機械学習のあらゆる用途におけるベストプラクティスとなるように、組織内で正式化する必要があります。

ガストン氏は、「AI エンジニアリングは、時間の経過とともに成長し、進化し、AI 分野で見られる急速なイノベーションに追いつく新しい分野です。つまり、組織は AI エンジニアリングを使用して、AI テクノロジーを組み込んだビジネス ソリューションを作成し、維持しているのです」と述べています。

これには、システム要件がビジネス ニーズに基づいていることを確認すること、それらの要件に適した AI テクノロジを選択すること、システムが期待どおりに動作し続けることを確認するためのテストおよび監視ツールが含まれます。ニーズや運用環境の変化に応じて、AI システムを更新および進化させるためのプロセスとフレームワークが整備されています。

主なコンポーネント

AI をうまく活用するための鍵の 1 つは、運用段階への移行が技術的な問題であるだけでなく、ビジネス上の問題でもあることを認識することです。

「AI を本番環境に導入する場合、組織は実行しているアプリケーション、AI のユースケース、これらのアプリケーションが組織にどのように役立つかについて専門家と話し合う必要があります。そして、確立された主要業績評価指標が実際に機能しているかどうかを知る必要があります」と Brethenoux 氏は述べています。

ブレテヌー氏は、組織が達成したいことを AI が確実に実現できるようにするには、組織はビジネス ユーザーを AI エンジニアリング プラクティスの中心に置く必要があると述べました。

これはテクノロジーが重要ではないと言っているわけではありません。 AI チームは、組織の AI 目標を達成し、既存の製品や他の新しい AI ツールと簡単に統合できるように、ツールとテクノロジーを慎重に選択する必要があります。

もう 1 つの重要な考慮事項は、組織がモデルに入力するデータの品質です。 「データはどこから来たのか、そしてどの程度信頼できるのか？」とブレテヌー氏は語った。

組織がデータ品質を向上させるのに役立つ比較的新しい分野が DataOps です。これは、データ分析チームがアジャイル手法を通じてデータ品質を向上させ、分析サイクルを短縮するために使用する、自動化されたプロセス指向のアプローチです。

DataOps は、データの準備からレポート作成までのデータ ライフサイクル全体に適用され、データ分析チームと IT 運用が相互に関連していることを認識します。

AI を活用したい組織には、適切なスキルも必要です。これには、Python、R、Java、C++ などのプログラミング言語、アルゴリズムやデータベースを含む機械学習、データ サイエンスのニューラル ネットワーク アーキテクチャ、確率や統計を含む応用数学、ロボット工学のコンピューター ビジョンの経験が含まれます。 AI プロジェクトに携わる専門家には、優れたコミュニケーションとコラボレーション、批判的思考、創造性などのソフトスキルも必要です。

新たに出現した関連スキルの 1 つは機械学習の検証であると Brethenoux 氏は言います。モデル検証は、テスト データセットを使用してトレーニング済みのモデルを評価するプロセスです。テスト データセットを使用する主な理由は、トレーニングされたモデルの一般的な能力をテストすることです。

「これらの人々は AI モデルのライフサイクル全体に関与し、データの観点から、次に開発の観点から、そして運用の観点からモデルを検証します」と Brethenoux 氏は言います。「彼らは、これらのモデルを使用して行われるすべてのことが有効で、合法で、技術的に実行可能かどうかを評価することになります。」

ブレテヌー氏は、AIスキルの習得は多くの組織が考えているほど難しくないと述べた。組織が成功するために必要なのは、適切な人材発掘プログラム、社内での適切なスキルアップと教育の実践、そして社外の多様な人材の組み合わせです。

人工知能の未来

ガストン氏は、多くの組織が AI がさまざまな方法で真のビジネス価値を提供できることを認識し、独自のデータ サイエンス、機械学習、AI チームを構築し始めていると述べました。

「これらは重要な第一歩ですが、ほとんどのデータサイエンスや機械学習チームの機能は、厳密に管理された環境でデータを使用してモデルを作成することです」とガストン氏は言います。「組織がビジネスソリューションに AI を実装、運用、維持する方法を総合的に捉えることが重要であり、そのためには多様な才能、アイデア、経験を持ち込む必要があります。」

組織は、AI エンジニアリング戦略を策定しなくても AI プロジェクトを進めることができます。しかし、これを実行すると、この技術の長期的かつ全体的な成功の可能性は制限されることになります。これは戦略的かつ強力なツールであり、気軽に使用できるものではありません。

「これが AI 問題を解決する唯一の方法だと思います」と Brethenoux 氏は言います。「AI エンジニアリングを行わない場合、モデルの約 35% から 45% しか実用化されません。そのため、残りのモデルは無駄になり、毎回ゼロから始めなければならなくなります。」

AI に関する主な課題の 1 つは、開発およびトレーニング フェーズから運用/製品フェーズへの移行であり続けます。組織が AI に対して構造化された、設計されたアプローチを取らなければ、これは問題のままになります。

「AI をうまく活用している組織は、より体系的に AI を導入しており、AI から非常に大きなメリットを得ています」と Brethenoux 氏は言います。「『運用上の目標を達成するつもりがないのに、なぜ AI を導入するのか』と聞きたくなります。それまでは、AI は単なる興味深い知的訓練にすぎません。組織が AI を導入すると、経済的なメリットが生まれます。」

人工知能工学基礎演習

カーネギーメロン大学の一部門で連邦政府の資金提供を受けている研究開発センターであるソフトウェアエンジニアリング研究所（SEI）は、AIエンジニアリングのための11の「基礎的実践」を成文化しました。これらは、ソフトウェア エンジニアリング、サイバー セキュリティ、応用人工知能の専門家による、IT およびビジネス意思決定者向けの推奨事項です。これらの実践の概要は次のとおりです。

（１）組織内にAIを活用して解決すべき問題があることを確認する。明確に定義された問題から始めて、組織が何を達成しようとしているのか、どのような成果を望んでいるのかを理解し、それらの成果を達成するためにデータを使用できることを確認します。

（２）データサイエンティストやデータアーキテクトなど、さまざまな分野の専門家を組織のソフトウェアエンジニアリングチームに含める。効果的な AI エンジニアリング チームには、問題領域、データ エンジニアリング、モデルの選択と最適化、ハードウェア インフラストラクチャとソフトウェア アーキテクチャ、ソフトウェア エンジニアリングの専門知識を持つ専門家が含まれます。

（３）データを真剣に受け止めるデータの取り込み、クレンジング、保護、監視、検証は、成功する AI システムを設計する上で非常に重要であり、多大なリソース、時間、注意を必要とします。組織のプロセスが、環境の変化、起こり得る偏見、潜在的な敵対的攻撃を考慮に入れていることを確認します。

（4）機械学習アルゴリズムは、人気度ではなく、組織がモデルに何を求めているかに基づいて選択します。アルゴリズムは、解決できる問題の種類、出力の詳細レベル、出力とモデルの解釈可能性など、いくつかの重要な点で異なります。組織は、特定の問題を解決するのに適しており、ビジネス要件とエンジニアリング要件を満たすアルゴリズムを選択する必要があります。

（５）統合監視・緩和戦略を展開してAIシステムを保護する。ソフトウェア エンジニアリング インスティテュート (SEI) の調査によると、AI システムの攻撃対象領域は拡大しており、攻撃対象領域が広がると運用環境の脆弱性が増大します。継続的な評価と検証を実施してこの問題に対処します。新たな脅威が急速に出現していることを考えると、これは特に重要です。

（6）回復、追跡可能性、意思決定の正当性に対する潜在的なニーズを考慮してチェックポイントを定義する。 AI システムは、入力データ、トレーニング データ、モデル間の依存関係に非常に敏感です。いずれかのシステムのバージョンまたは機能に変更を加えると、他のシステムにもすぐに影響が及ぶ可能性があります。

（7）ユーザーエクスペリエンスとインタラクションを組み合わせて、モデルを継続的に検証し、開発する。可能な場合は、自動化された方法を使用してシステム出力に関するフィードバックを取得し、モデルを改善します。ユーザー エクスペリエンスを監視して、問題を早期に検出します。また、ユーザーの偏見も考慮してください。

（８）出力結果を解釈する準備をする。ソフトウェアエンジニアリング研究所 (SEI) の調査によると、AI の出力には他のほとんどのシステムよりも多くの説明が必要であることがわかっています。 AI システムによってもたらされる不確実性は、場合によっては許容できない可能性があります。機械学習コンポーネントを組み込むには、出力の不確実性を考慮した設計も必要です。

（9）避けられないデータやモデルの変更に適応するために拡張または置き換え可能な疎結合ツールを実装する。 AI システムのコンポーネント間の境界は、従来のシステムよりも急速に劣化します。

（10）組織は、システムのライフサイクル全体にわたって継続的な変更を可能にするために十分な時間と専門知識を投資します。多くの組織のチームは、必要なリソースを著しく過小評価しています。 AI システムを構築するには、最初に多くのリソースが必要となり、迅速に拡張する必要があり、システムの寿命全体にわたって多大な投資が必要になります。