Claire Fang, Chief Product and Technology Officer at Fullstory

成功的なAI導入には3つのコンポーネントが必要 — 大多数の企業には2つしかない

この段階では、AIは新しい技術ではありません。データ分析、パターン認識、知識の統合におけるその実証済みの有効性は、チームの効率性を高めることができます。しかし、AIの不否定の価値にもかかわらず、新しい研究によると、企業のわずか13%のみがそれを広範囲に採用していることがわかりました。大多数の企業は、最もリスクの低いタスクのみにAIを使用し、安全を優先しています。企業が飛び込んで利益を得ることを妨げているのは何ですか？ AIの志向と達成の間のギャップは、構造的な欠陥に帰着します。欠けているリンク。成功した、広範囲にわたるAIの導入には、3つのコンポーネントが必要です。インフラストラクチャ、応用、データです。インフラストラクチャ層には、AIモデルが含まれており、そのフレームワークは直接使用と潜在的な出力を形作ります。 応用層は、ソフトウェアソリューションが存在する場所です。これは、AIの価値のほとんどが生成される場所です。ここで、ユーザーは（間接的に）AIとやり取りし、出力を確認します。ここは、AIに基づく意思決定の中心です。 これらの層の間には、データ層があります。これが、多くの企業が苦労しているコンポーネントです。こちらの層には、すべてのデータが含まれており、基礎となるAIモデルに適合し、構築されているアプリケーションを導きます。データ層の品質は、応用層の出力を直接情報します。高品質で豊富なデータは、堅牢なユースケースをサポートできますが、疑わしいまたは不十分なデータはそうではありません。 組織がAI導入の3つの層を構築する、またはそれらを構築する企業と提携するまで、最大の価値を得ることはできません。不均衡の影響。AIの出力は、常にそれに与えられたデータに基づいています。組織がAIを使用して合成分子の構造を予測したい場合は、物理学のデータを大量に与える必要があります。小売業者がAIを使用してユーザーの行動を予測し、デジタルエクスペリエンスを改善したい場合は、行動データを与える必要があります。 企業（またはそのパートナー）がAIツールを十分なデータでサポートできない場合、影響は広範囲にわたります。まず、AIソリューション自体があります。最善の場合、技術的には動作しますが、期待どおりのレベルではありません。出力は弱いか、インサイトが欠けているか、またはまったくインサイトがない可能性があります。最善の結果よりもさらにあり得る結果は、AIの妄想、誤った出力、そしてマイナスのROIです。投資は無駄になりますし、組織はダメージコントロールのためにさらに多くの費用を支払う必要があるかもしれません。 すぐれた結果から外れて、より広い影響を見ると、データ不足のAIソリューションの影響が見られます。一般的に、企業はAIを採用してもっとことを行いたいと思っています。より多くのインサイトを得る、より多くの顧客にサービスを提供する、より効率的に運営する。組織が、期待どおりに機能しないAIツールに時間とリソースを費やすと、実際に成長を妨げ、市場に適応し、競争に勝つ能力を制限します。その結果、企業は不利な立場に立たされ、失われた時間、リソース、そして潜在的な顧客を取り戻すために苦労することになります。 しかし、希望は失われていません。組織がAIの不均衡を正し、前もって対策するために行えることはたくさんあります。ギャップを埋めるための正しいデータ。単純化しすぎる危険があるものの、リーダーがAIの不均衡を避けるためにできる最善のことは、AIを搭載したソリューションを採用する前に、十分な調査を行うことです。新しいツールを展開する前に、データの出所や生成方法について調べる時間をとります。 ソリューションの提供者やリードエンジニアが、基礎となるデータの出所、品質、または数量について明確な答えをできない場合、それは警告の合図です。チャネルパートナーや統合者から第2または第3の意見を求めます。RedditやDiscordなどのユーザーディスカッションネットワークを利用して、他のユーザーがどこで躓いたか、またはどこで道路封鎖に遭遇したかを調べます。決定を下す前に赤旗を探すことができることは、リーダーが多くの頭痛と期待外れを避けるのに役立ちます。 もちろん、この予測は常に可能ではなく、AIのデータ不足に直面している組織には役立ちません。既存のソリューションを破棄することが選択肢でない場合、次善の策は、ツールにさらに多くのデータを注入して、より多くのコンテキスト、パターン、インサイトを提供する方法を見つけることです。 合成データはここで選択肢の1つですが、万能薬ではありません。合成データの正確な出所を特定することが難しい場合があります。したがって、常に最善の道ではありません。ただし、合成データにはその使い道があります。たとえば、AIセキュリティモデルを特に敵対的な方法でトレーニングするのには優れています。常に、頭を突っ込む前に事前に調査を行うことは、リーダーがビジネスに最善の決定を下すのに役立ちます。 小売業やクイックサービスレストラン（QSR）などの業界では、人間のデータが好まれます。これらの業界の企業は、AIを使用して顧客エクスペリエンスを最適化するために使用しているため、ツールは人間の行動データでトレーニングされる必要があります。たとえば、ユーザーがページをどれだけスクロールダウンするかを予測したい場合は、AIは実際の人間の行動に基づいて予測する必要があります。 場合によっては、人間のデータを入手することは、新しいデータを入手することではなく、既存のデータを活用することです。サイトやアプリの訪問者はすでに存在しています。AIツールが使用できるように、行動データをキャプチャし、構造化し、分析するだけです。 結局、不十分なデータを持つことは、悪いデータを持つよりも優れています。組織がソリューションをスクラビングするためにできることは何でも、より良い結果をもたらすでしょう。どこから始めるか。AIのデータ不足は、どの規模の組織でも大きな課題をもたらす可能性があり、次のステップについて考えるだけでも圧倒されるかもしれません。ただし、問題を認識することは、それ自体が達成です。その後は、1つ1つ取り組める小さなステップを見つけることです。 AIは、インフラストラクチャ、応用、データの3つの重要なコンポーネントに投資することに大きな期待を寄せています。そうでない場合、最も優雅なAIソリューションも失敗に終わります。データギャップを埋める組織は、後れを取るのではなく、ペースを設定することになります。