それは単なるアルゴリズムとモデルですか?これらのポイントによりAIを徹底的に理解できる

現在、AIはデジタル変革においてより重要な役割を果たしています。デジタル変革プロセス全体は、「クラウド+ビッグデータ」などのテクノロジーによって推進されるものから、「クラウド+ビッグデータ+AI」によって推進されるものへと徐々に移行しています。このような背景から、IT インフラストラクチャをアップグレードし、デジタル変革を加速させ始める企業が増えています。

しかし、迅速な結果を求めるあまり、強固な基盤が欠如しているため、企業は AI 導入のプロセスにおいていくつかの重要な詳細を見落としてしまう可能性があり、こうした詳細が企業の変革の成否を左右する可能性があります。これに対して、分析的意思決定プラットフォームのFICOは、人々がAIの問題を解決したいのは、それが最善の解決策だからではなく、単にそれがAIだからだと述べた。したがって、AI の開発、成功の基準、リスク管理、関連する倫理基準など、AI のあらゆる側面を考慮する必要があります。

1. AI導入の動機を決定する

何をするにしても、ただ大衆に追随するだけではいけません。AI を導入するかどうか迷っている企業や、大きなプレッシャーに直面している企業は、一歩下がって、本当に AI 戦略が必要かどうかを検討したほうがよいかもしれません。世界的なITコンサルティング会社NTTデータサービスのデータインテリジェンスおよびオートメーション担当シニアディレクターのテレサ氏は、人工知能が本当に必要なら、それを使用する計画なしにAIや機械学習アルゴリズムを作成するのはお金の無駄だと語った。調査によると、実際に利益が出るのはプロジェクトの約6分の1だという。

AI は、企業がコストを削減し、収益を増やし、結果を予測し、プロセスを最適化するのに役立ちます。まず AI が必要な理由を理解した後、次に AI をサポートするデータについて検討する必要があります。

2. 高品質なデータによるトレーニング

データの力を決して過小評価しないでください。データが不一致、不正確、不完全、または重複している場合、機械学習やトレーニングデータに使用すると、不正確な結果、不適切な推奨事項、または誤った結論につながる可能性があります。実際、人工知能は強力な機能を備えていますが、どのような人工知能ソリューションでもデータの品質を確保する必要があります。

そのため、AI にはトレーニングや高品質なデータの取得が非常に重要です。

3. 実験結果と実際の結果の違い

実際の進歩の過程では、現実世界は実験室環境よりも複雑でランダムであるため、実験結果と実際の結果が異なるなどの問題に遭遇します。同様に、成功したケースが別のケースでもうまくいくことを保証するものではありません。

AI企業BeyondMindsのCEO、ロテム・アラルフ氏は次のように語った。「現実世界のAIは研究室のAIと全く異なるものではないが、ソリューションはより完全で、安定し、適応性があるべきだ。研究室のAIの限界を理解し、現実世界でそこから価値を生み出すために何が必要かを理解し、組織内でスケーラブルな方法でAIを活用する必要がある。」

4. チームの力に注目する

AI戦略の立案は一人でできるものではありません。経営陣のサポートや部門間の連携が必要であり、厳密に言えばチームワークが求められます。

データサイエンスコンサルティング会社 Valkyrie の主任データサイエンティスト、ヒリアード氏。「大規模な組織、特にビジネス機能間で大きく分割されている組織では、必要な部門横断型チームを構築することが困難な場合があります。」データサイエンスチームが、AIイニシアチブを主導する製品チームとは組織内の別の部分にある場合は、優先順位付けやリソースの競合を避けるために、データサイエンティストの上位からリーダーシップのサポートを得るのが賢明です。

5. AIイニシアチブを製品レイアウトに統合する

AI イニシアチブそのものは、AI 戦略でもなければデータサイエンティストの雇用でもありません。専門的な情報、ソフトウェアソリューション、およびサービスの世界的なプロバイダーであるウォルターズ・クルーワーのデータサイエンス担当ディレクター、ジョン・ラングトン氏は、AIは製品ではなく、新製品を実現するものであることをチームは理解する必要があると述べた。しかし、プロダクトマネージャーは AI との関係をよく理解していないことがよくあります。

「AI イニシアチブを成功させるには、製品開発チーム、経営陣、技術リーダーの間で継続的な対話を行い、健全な AI ツールを開発する必要があります。優れたデータサイエンティストは製品チームに技術教育を提供することができ、製品チームは市場投入と顧客の専門知識をもたらして、実際の問題を解決できます」と Langton 氏は述べています。「また、これにより、両チームは AI チェックポイントを別個の研究開発製品として扱うのではなく、製品ロードマップに組み込むことができます。データサイエンティストと製品チームを直接つなぐことで、AI を適用したらどのようなものになるかについての期待値を設定できます。」

6. ドリフトモデルの監視

新しいデータが入ってくると、モデルはドリフトする傾向があり、時間の経過とともに精度が低下するため、調整または再トレーニングが必要になる場合があります。

ネットワークセキュリティソリューションのプロバイダーであるジュニパーネットワークスの最高技術責任者であるボブフリーダ氏は、成功する AI プログラムを構築するには、IT チームが AI モデルの動的な性質を受け入れ、企業のベテランが新入社員をトレーニングするのと同じように、AI モデルのトレーニングに時間と労力を費やす必要があると述べています。その過程で、企業は AI モデルのパフォーマンスと結果を分析する経験豊富な技術チームを持たなければなりません。継続的なフィードバックを提供することで、AI モデルはロジックを調整し、問題をより正確かつ効率的に解決します。

7. 倫理的/非倫理的なAIは企業のブランドと評判に影響を与える可能性がある

場合によっては、AI が法的、規制的、または評判上の問題を引き起こす可能性があります。今日では、インターネット企業の意思決定はますますデータと人工知能に依存するようになり、それによって法律上、規制上、その他の問題も生じています。「AIはあらゆることに関して決定を下すが、正しい決定を下すだろうか？多くの場合、AIは人間が生成した「汚れた」データによる無意識の偏見に満ちている」と、LivePersonのCTO、アレックス・スピネリ氏は語る。同氏は、AIだけでは、私たちがより賢く、より速く、より効率的になるために十分ではないと固く信じている。AIは、世界にとって良い力となる必要があるのだ。

8. 才能も必要

今日、AI システムは、顧客に新しい映画を勧めたり、ラッシュアワー時の地下鉄での不審な行動を特定したりするなど、さまざまなことを実行する方法を「学習」しています。 AI によって職場で働く人の数が増え、仕事の効率化が促進されるため、両者は同時に学習する必要があります。時間が経つにつれて、人間は AI をより効果的に使用する方法を学び、また時間が経つにつれて、人間の好みや行動を学び、人間とより効果的に連携する方法を学びます。どちらも、変化に効果的に適応できるように継続的なトレーニングが必要になる場合があります。

トランスユニオンのアライアンス関係担当副社長アンソニー・シアロ氏は、一部のプログラムがROIを達成できない理由の1つはスキルギャップ、つまり企業のツールやプロセスがAIを組み込むために更新、アップグレード、スキルアップされた後に人材のトレーニングが不足していることだと述べた。したがって、人工知能が学習し続けるのと同様に、人間も常に自分自身を改善し、学習し続ける必要があります。