人工知能と機械学習が進化する10の方法

[[411678]]

人工知能は現在、多くの CEO にとって最重要課題となっています。この話題は目新しいものではないが、CEO たちは AI テクノロジーの導入が簡単ではないことを学んでいる。これを達成するには、企業はまずビジネス目標を設定し、その目標の達成を促進し、できればビジネス価値を高めるような方法で AI テクノロジーを活用する必要があります。

同時に、デジタル変革に関連して、人工知能と機械学習（AI テクノロジーのサブセット）に対する CEO の姿勢も変化しています。まず、デジタルトランスフォーマーが何をどのように行うかを理解することが重要です。今、彼らは自分たちの条件で価値を創造する必要があることに気づき始めています。だからといって、ベンダーが無料で提供するプラットフォームやツールを利用しないということではありません。しかし、独自の戦略を開発することは、結局のところリスクのある提案です。

「業界をリードする企業の CEO にとっての最優先事項は、主に AI とデータを活用してビジネスの未来を改革することです」と、多国籍コンサルティング会社アクセンチュアの北米応用情報担当マネージング ディレクター、アルナブ チャクラボルティ氏は述べています。「企業は、販売やマーケティング、サプライ チェーン、財務、人事、その他のすべての機能において、AI が既存の業務を最適化できる方法を検討することで価値を引き出しています。」

当然のことながら、AI も CIO の議題のトップに挙げられています。世界的なプロフェッショナル サービス プロバイダーである Genpact が最近 MIT Sloan CIO シンポジウムで発表した調査レポートによると、調査対象となった 500 人の CIO のうち 48% が、人工知能が最優先の投資対象であると回答しました。

「これらのCIOはAIに投資しなければならないと言っている」と同社の最高デジタル責任者、サンジェイ・スリヴァスタヴァ氏は語った。「問題はなぜ今なのかということだ。それは3つのことが起きたからだ。テクノロジーが向上し、コストが下がり、需要が劇的に増加したのだ。」

注目すべき AI と機械学習のトレンド 10 選をご紹介します。

1. パートナーシップは変化する

小売業の運営には、歴史的に食料品の販売や処方薬の販売などの中核的な能力を持つことが求められてきました。ただし、顧客の利便性を高め、小売業者の販売シェアを増やすために、製品に一部重複がある場合があります。伝統的に、これら 2 つのタイプの企業の間には相乗効果があまりありませんでした。

「ウォルグリーンはクローガーと提携して、薬局と食料品の両方を探している顧客にシームレスな体験を提供しています」とアクセンチュアのチャクラボルティ氏は述べた。「このようなタイプのパートナーシップにより、AIを活用した新しいデータ駆動型ビジネスモデルが生まれ始めるでしょう。」

これを実現するために、小売業者は次の 3 つのことを行う必要があります。

（１）ビジネス目標を念頭に置き、企業全体のデータバックボーンを構築する。

（２）ビジネスマンがデータを処理できるようにする分析マーケットプレイスを構築する。

（３）市場を分析するインサイトエンジンに基づいて、より良い意思決定を推進する。

2. ローコード/ノーコードデータサイエンス

ローコードおよびノー​​コードのソフトウェア開発は、上級ユーザー (ローコード ユーザー) と通常のビジネス ユーザー (ノーコード ユーザー) の両方がシンプルなアプリケーションを構築できるようにすることで、エンタープライズ ビジネスに革命をもたらしています。データ統合、拡張分析、さらにはモデル構築など、データ サイエンスのさまざまなレベルで同様の傾向が見られます。しかし、人々はいくつかの懸念も抱いています。

「AIが企業の主要事業ではなく、ビジネスインサイトのためにAIを適用することにのみ関心がある場合、ノーコードまたはローコードのAIおよび機械学習プラットフォームのいずれかを使用することでニーズを満たすことができます」と、多言語カスタマーサポートツールのプロバイダーであるLanguage I/Oの機械学習アーキテクトであるDr. Silke Dodel氏は述べています。「ただし、検証済みのベンチマークデータを使用してテストするように注意する必要があります。これは本質的にブラックボックスアプローチであり、モデルの内部動作をカスタマイズする可能性は限られています。AIをビジネスモデルに組み込みたい企業は、AI分野のベンダーが開発した既存のモデルを使い始め、転移学習を使用して目的に合わせて調整することができます。」

企業は、モデルの背後にある数学も理解している、十分に訓練された機械学習データ サイエンティストを数名雇用することができます。これにより、ユーザーのニッチなアプリケーションに最適なモデルが利用できるようになります。

3. 転移学習

転移学習は、機械学習を異なるが関連する問題に適用します。実際、企業は機械学習モデルをゼロから構築するのではなく、デジタル大手が構築したモデルの一部を使用するでしょう。

「AI/ML 分野における最大の問題の 1 つは、ローカルおよびグローバルに効果的に翻訳できる AI ソリューションの開発コストです」と、グローバル デジタルおよびテクノロジー サービス企業である Pactera EDGE の最高 AI 責任者である Ahmer Inam 氏は述べています。「音声 AI システムは、既存のトレーニング データセットでカバーされている言語であっても、アクセントを理解したり方言を識別したりすることが困難です。一般的に、音声 AI システムの構築、トレーニング、拡張方法に関する現在のパラダイムは変更する必要があり、トレーニング データ、アルゴリズム、トレーニング フレームワーク、および音声 AI エクスペリエンスの設計と構築時にエンド ユーザーを考慮する方法 (人間中心のアプローチ) に関して進歩が起こっています。」

正しい方向への一歩は、生の音声から音声構造を学習できる Facebook AI の新しい wave2vec です。この教師なし機械学習アプローチは、時間、データ、計算（したがってコスト）が重い、最高の教師ありシステムに匹敵します。イナム氏は、wave2vec は音声データの書き起こしを必要としないため、データ量が少なく、計算コストも低いため、音声 AI アプリケーションのトレーニングを大幅に高速化すると述べました。

4. より良いROI

一部の企業は、AI や機械学習への投資による ROI の向上に苦労しています。しかし、問題は非現実的な期待と、研究室で開発されたプロジェクトを生産に移すことができないことにある可能性があります。

「AI は科学から本物のエンジニアリングへと移行しています」と、データ分析とカスタム ソフトウェアのプロバイダーである Freya Systems の CEO、ベン ジョンソン氏は述べています。「ここ数十年、新しいアルゴリズムと技術の開発に重点が置かれてきました。今日、重点はデータ戦略、データの準備、およびデータの使用に戻っています。データ サイエンティストは、実証済みのアルゴリズムをデータに適用して、さまざまなアルゴリズムと技術を使用して問題を解決し、ソリューションを開発します。問題に集中し続け、80% を超えるプロジェクト失敗率を減らすことは、私たちにとって非常に重要です。この新たな焦点により、AI および機械学習プロジェクトに真の ROI がもたらされます。」

5. 企業はより多くのデータにアクセスできるようになる

多くの企業はすでに自社のデータをサードパーティのデータで補完しています。 API エコノミーがこの傾向を推進していますが、将来的には、より多くの企業がより多くのデータを共有するようになるでしょう。

「より多くのデータを生成するだけでなく、より戦略的にデータを生み出し、活用することが重要です」と、AI を活用したデジタル販売プラットフォーム PROS の AI ストラテジスト兼データ サイエンティストのジャスティン シルバー氏は語ります。「企業が独自のデータを改善することに加え、プライバシーや機密性を尊重しながら相互利益のために企業間でデータを共有するなど、データを改善するための共同作業も行われるようになるでしょう。たとえば、航空会社はデータを共有して傾向を特定し、コロナウイルスの発生が自社のビジネスに及ぼす影響を理解するのに役立ちました。」

6. ビジネスプロフェッショナルはAIに精通する必要がある

人間と機械のコラボレーションは進化し​​ており、それに伴い知識も広がり、スキルセットも豊かになっています。

「本当の問題は、企業が業務と従業員をどのように拡大し、仕事の未来に備えるかということです。財務、会計、機械学習を理解し、機械学習をキャッシュフローに適用できる専門家がさらに必要です。また、コンピュータービジョンを理解し、自動化された製造とワークフローに適用できる機械エンジニアも必要です」とジェンパクトのスリヴァスタバ氏は語った。

7. AutoMLの採用拡大

より多くの企業が AI 主導のデジタル変革を加速するにつれて、より多くの作業を自動化する必要性が出てきます。

「データの取り込み、キャプチャ、データ パイプラインの構築、機械学習パイプラインの構築など、AI バリュー チェーンの初期段階の多くは自動化されるため、従業員はモデルを作成するために必要なすべての配管作業を行うのではなく、バリュー チェーンの上位部分、つまり機械学習モデルの構築、機能エンジニアリング、モデルのテストに集中できるようになります」とアクセンチュアのチャクラボルティ氏は述べています。「プラットフォーム プレーヤー (Google など) は、これらの標準的なアクティビティの自動化に大きく貢献する多くの機械学習機能を作成し、企業やデータ サイエンティストがより付加価値の高いアクティビティに取り組めるようにしています。」

8. フェデレーテッドラーニングはエッジインテリジェンスに焦点を当てる

フェデレーテッド ラーニングにより、エコシステム全体でデータを共有することなく、モデルをエッジにプッシュしてトレーニングできるようになります。トレーニング済みのモデルはエッジから中央リポジトリにプッシュバックされ、トレーニング データが削減されます。

「これにより、データプライバシーの問題をリスクにさらすことなく、より迅速にモデルをトレーニングおよび展開できるようになります」とアクセンチュアのチャクラボルティ氏は語ります。「医療業界であれば、AI を活用した新しいサービスを作成して、より効率的に患者にサービスを提供し、新しい体験とより良い治療結果を生み出すことができます。」

9. サイバーセキュリティはより複雑かつインテリジェントになる

サイバー攻撃は現実に存在しており、ますます多くのサイバー攻撃者やサイバースパイが、ますます巧妙かつ複雑で微妙な AI 攻撃を仕掛けて、ユーザーのデータにアクセスしようとしています。

「AI はデータに基づいて結果を生成するアプリケーションであるため、もはやアプリケーションの問題ではありません」と、ジェンパクトのスリヴァスタバ氏は語ります。「サイバー攻撃はデータを破壊または盗むように設計されているため、AI は誤ったデータを取得し、誤った結果を導き出します。企業にとっての脅威の表面積は拡大しているため、企業向け AI ガバナンス プログラムを導入する必要があります。」

10. AIが医療ケースをトリアージする

AI は医師が見ることができないものを「見る」ことができます。たとえば、コンピューター ビジョンのコンテキストでは、X 線写真に微妙な手がかりがあり、それが医師の診断に影響を与える可能性があります。しかし、より一般的には、AI によって医師の職務の熟練度が向上するでしょう。

「トリアージや初期診断ではAIが医師よりはるかに優れているというのは不都合な真実だ」とコンサルティング会社ファスト・レイン・ソリューションズの社長兼CEO、クリストファー・J・ヒューイ氏は語る。「これは医師の仕事を奪う試みではなく、単調で時間のかかる作業から医師を解放して効率化を図るものだ。米国が深刻な医師やその他の医療従事者不足に直面する中、これは今後数十年間で極めて重要になるだろう」

実際、米国医科大学協会は、2033年までに米国では54,100人から139,000人の医師が不足すると予測しています。ワシントン・ポスト・カイザー・ファミリー財団が最近実施した世論調査によると、米国の医療従事者の30％が、燃え尽き症候群、心的外傷後ストレス障害、その他の流行に関連したストレス要因により、仕事を辞めることを検討しているという。