AI イニシアチブを成功させるために必要な 10 のこと

市場で競争上の優位性を獲得する過程で、多くの企業が新興技術の導入に熱心です。しかし、導入を急ぐあまり、しっかりとした基盤がないため、導入に困難をきたす企業も出てきました。

[[397834]]

「多くの企業が問題解決のために AI を導入したいのは、それが AI であるという理由だけで、それがより良い解決策だからではない」と分析意思決定プラットフォームのプロバイダーである FICO の最高分析責任者、スコット・ゾルディ氏は言う。「そのため、これらの企業はガバナンスの観点から AI を開発する必要がある。ガバナンスとは、プロジェクトの観点から、また倫理的な観点から、データ、成功基準、リスクについて議論するガバナンス プロセスである」

一部の企業の AI イニシアチブは、アイデアが十分に検討されておらず、十分にスマートではないために失敗します。例えば：

• AI イニシアチブはビジネス戦略とは別に作成されるため、戦略的な影響はありません。
• 成功の基準は、具体的な成功指標が含まれていないため、範囲が広すぎます (例: 「不正行為を 15% 削減し、誤検知を 30% 削減したい」ではなく、「競争力を高めたい」)。
• 変更管理の側面が考慮されていなかったため、彼らの計画は抵抗に直面しました。

「事業部門間で共有される機能や共有されるデータは、個々の部門の自主性よりも重要になる」とハーバード・ビジネス・スクールの経営学教授、マルコ・イアンシティ氏は言う。「これは、従来の企業にとってあらゆる種類の困難を生み出す」

AI の活用は戦略的な課題となっているため、CEO は自社の AI 戦略の定義に関与する必要があります。

「これまで、CIO、CTO、一部のCEOが自社のAI戦略の策定に関わっていたが、現在CEOたちは、これが業界と自社の将来を再定義することになるだろうと認識している」と、アクセンチュアの北米応用インテリジェンス部門責任者、アルナブ・チャクラボルティ氏は語る。「彼らはこれを、AIの将来という文脈における自社のビジネスの改革と捉えている」

イニシアチブについて総合的に考え、バリュー ストリームの人々が機会、リスク、潜在的な影響、成功要因、データ要件、コンプライアンスの問題、ガバナンスなどの観点からイニシアチブについて考えられるようにすることで、よくある失敗を回避または軽減できます。他の成功要因もそれに続きます。

1. 人工知能が必要な理由を理解する

多くの企業は AI を導入するという競争上のプレッシャーに直面しています。しかし、より良いアプローチは、一歩下がって、ビジネスが何を達成しようとしているのかを詳細に検討し、実際に何を行う必要があるかを検討することです。

「企業は、なぜ AI 技術を導入する必要があるのか​​を理解する必要があります」と、データ インテリジェンスと自動化に注力する世界的な IT コンサルティング会社、NTT データ サービスのシニア プレジデント、テレサ クシュナー氏は語ります。「AI や機械学習アルゴリズムを、それがどのように使用されるか、または望ましい目標は何かという計画なしに作成すると、お金と人材が無駄になります。問題を解決するために AI を導入することが最初のステップです。実際、6 つのプロジェクトのうち約 1 つが投資収益をもたらします。」

クシュナー氏は、AIはコスト削減、収益増加、結果予測、プロセスの最適化など、さまざまな目的で使用されることを覚えておくことが重要だと述べた。 AI技術がそのような問題を解決できると判断されたとしても、解決に必要なデータがまだ不足している可能性があります。

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。乱雑なのは自然な状態であり、企業が収集するデータは一貫性がなかったり、不正確だったり、不完全だったり、重複していたり​​することがよくあります。クリーンアップされていないデータをトレーニング データとして使用すると、不適切な推奨事項や誤った結論など、望ましくない結果につながる可能性があります。

「AI は強力な機能を持っていますが、AI ソリューションの良し悪しはソース データ次第です」と、モバイルおよび Web アプリケーション プラットフォーム プロバイダーである ISBX の社長である Arthur Iinuma 氏は述べています。「AI を実装する前に、データの品質と可用性を確保し、明確で測定可能な主要業績評価指標を定義するための手順を実行する必要があります。最適な結果を確保するには、徹底的にクリーンなデータセットが不可欠です。」

3. 実験結果と実際の結果は異なる場合があることを認識する

一部の AI パイロット プロジェクトは、研究室ではうまく機能しますが、はるかに複雑でランダムな現実世界ではパフォーマンスが低下します。同様に、ユースケースが成功したからといって、AI が別のユースケースに適用されたときにうまく機能することを保証するものではありません。

「現実世界の AI は研究室の AI とまったく同じではありません。そのソリューションはより完全で、安定しており、適応性が高いものでなければなりません」と、AI 開発会社 BeyondMinds の CEO、ロテム・アラルフ氏は述べています。「それはプロ プレイヤーとアマチュア プレイヤーの違いのようなものです。ゲームのルールは同じですが、予期せぬ事態に反応して適応するスキルと能力は異なります。研究室での AI テクノロジーの限界を理解し、現実世界で AI から価値を生み出す方法を理解し、企業で AI をスケーラブルに活用する必要があります。」

4. AIで成功するにはチームの努力が必要

人工知能技術には常にデータサイエンティストの参加が必要です。 AI プロジェクトは、実際には、企業管理者のサポートと機能的なビジネス ユニット間のコラボレーションを必要とするチーム アクティビティです。

「関連するビジネスおよび製品の意思決定者、データの所有者と管理者、エンジニアリング チーム、データ サイエンティストが協力し合うことが重要です」と Betsy 氏は言います。「一部の関係者が欠けていると、成功する可能性は低くなります。特に明確なビジネス機能を持つ大規模な組織では、必要な部門横断型チームを構築することが難しい場合があります。組織は、各領域の報告チェーン全体で賛同を得ていることを確認する必要があります。」

たとえば、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別の企業部門に配置されている場合は、優先順位やリソースの競合を避けるために、データ サイエンティストを管理するマネージャーからサポートを受けるのが賢明です。

5. AIイニシアチブを製品ロードマップと整合させる

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イニシアチブはそれ自体がAI戦略ではないと指摘した。ビジネス マネージャーは、人工知能は製品ではなく、新しい製品を実現するものであることを理解する必要があります。しかし、プロダクトマネージャーはこれをよく理解していないことがよくあります。

「AI プログラムを成功させるには、製品開発チーム、経営幹部、技術リーダーの間で継続的に対話を行い、完全に機能する AI ツールを開発する必要があります」と、Langton 氏は言います。「優秀なデータ サイエンティストは製品チームに技術的な実現可能性を提供し、製品チームは市場投入と顧客の専門知識を提供して、実際の問題が解決されていることを確認することができます。これにより、両チームは AI チェックポイントを製品ロードマップに組み込むことができ、別の研究開発製品として扱う必要がなくなります。データ サイエンティストと製品チームが緊密に連携することで、ビジネスは AI アプリケーションの結果に対する期待を設定できます。」

6. ドリフトモデルの監視

新しいデータが大量に利用可能になると、AI 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、微調整や再トレーニングが必要になる場合があります。

「AI イニシアチブを成功させるには、IT チームが AI モデルの動的な性質を受け入れ、経験豊富なスタッフが新入社員をトレーニングするのと同じように、トレーニングに時間と労力を費やす必要があります」と、ネットワーク サービスおよびサイバー セキュリティ ソリューションのプロバイダーである Juniper Networks の AI 主導ビジネス担当副社長兼 CTO である Bob Friday 氏は述べています。「企業は、AI モデルのパフォーマンスとその結果の分析プロセスに経験豊富な技術チームを投入する必要があります。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、より正確かつ効果的に問題を解決します。」

7. 非倫理的なAIは企業のブランドと評判に影響を及ぼす可能性がある

AI エラーは、法的問題、規制上の罰金、評判の失墜など、さまざまな問題を引き起こす可能性があります。マイクロソフト社のTayロボットが口汚い発言をし、アマゾン・ドット・コム社の人事ボットが性差別的になってから何年も経ったが、これらの注目を集めた事件は、AIが厳密に監視されなかったり偏ったデータで訓練されなかったりすると、数年後に誤った行動をとる可能性があるという典型的な例として今も取り上げられている。

「AI はあらゆる決定を下しますが、正しい決定を下しているでしょうか? 多くの場合、AI は人間が生成した雑然としたデータから生じる無意識の偏見に満ちています」と LivePerson の CTO であるアレックス スピネリ氏は述べています。「AI だけでは、私たちがより賢く、より速く、より効率的になるのに十分ではありません。AI テクノロジーは、どのような役割を果たすにせよ、世界に良い影響を与える力である必要があります。企業が不健全なビジネス戦略を採用した場合、将来的に法的問題に直面することになるかもしれません。」

8. AIが学習するのと同じように、人間も学習するべきである

今日の職場で成功したいのであれば、専門家は生涯学習者になる必要があります。一方、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の乗客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 の機能が職場で成長し続け、人々がより効率的に仕事を行えるようになるにつれて、両者は同時に学習するはずです。人間は AI をより効果的に使用する方法を学ぶ必要があり、一方 AI システムはユーザーの好みや行動を学習し、人間とより効果的に連携する方法を学習します。どちらも、変化に効果的に適応できるように継続的な学習が必要です。

「一部の取り組みがROIを達成できない理由の1つは、スキルギャップ、つまり組織のツールとプロセスが更新およびアップグレードされた後のAIシステムと人材のトレーニング不足です」と、プロフェッショナルサービス企業デロイトのアライアンス関係担当副社長、アンソニー・シアロ氏は語ります。「AIは常に変化しており、従業員の学習とトレーニングに投資するという組織のコミットメントが必要です。」

9. AIイニシアチブを段階的に導入する

成功する AI イニシアチブは段階的に進化します。つまり、組織が開発および導入プロセスの早い段階であまりにも多くの問題を解決しようとすると、結果が悪くなり、投資収益率が低下するか、まったくなくなる可能性があります。

デロイトのクラウドコンピューティング、人工知能/機械学習部門の責任者、チダ・サダヤッパン氏はこう語った。 「企業が AI イニシアチブを成功させるために必要なことの 1 つは、AI を段階的かつ段階的に導入することです。AI/ML のユースケースを特定した後は、最初の導入では期待どおりの結果が得られない可能性があるため、段階的に実装する必要があります。最初の導入後も、AI/ML モデリングに使用するデータの収集と準備には、何らかの反復的なプロセスを経る必要があります。したがって、AI イニシアチブを段階的に実装することが、成功の要因となることがよくあります。」

10. 人工知能は単なるアルゴリズムやモデルではない

AI はモデルやアルゴリズムなどの技術的な観点からのみ見られることが多く、そのメリットと成功は人やプロセスにも左右されます。企業に AI を導入する目的は、ビジネス目標を推進することです。

「企業はまず、AIプロジェクトの目的を明確に定義し、次にテクノロジーの具体的な使用事例を定義する必要があります。これにより、どのようなタイプのAIソリューションが必要か、それを企業のインフラストラクチャに統合する方法を決定するのに役立ちます」とIBMのグローバル最高人工知能責任者であるセス・ドブリンは述べています。「そこから、AIモデルに取り込まれるデータソースを評価し、その目的をテクノロジー実装のガイドとして使用して、AIの具体的なアクションを設定します。このプロセスを通じて、企業はAI戦略の各ソリューションを適用することで、ビジネスにAIを実装できます。」