クリシュナン・ヴェンカタは、デジタル分析会社のLatentView Analyticsのチーフクライアントオフィサーであり、データと分析の分野で認められたリーダーであり、フォーチュン500企業の信頼できるパートナーです。
近年のイノベーションの急速な進化により、ビジネスリーダーは頭を振り払われるほどのペースで新しい機能に追いつこうとしています。会社が先を行っていると思ったら、新しい発表が注目を分散させ、進歩を妨げることがあります。那はC-Suiteが長期的なデジタル戦略を考え、持続可能なイノベーションの能力を強化する必要性を認識することになりました。持続可能なイノベーションの概念は、持続可能性（気候への影響など）とは異なり、エマージングテクノロジーが繁栄するための適切なエコシステムが必要であることを認識しています。言い換えれば、デジタル変革は現在利用可能なテクノロジーを取得することだけではなく、次に来るテクノロジーを取得するために強固なデータ基盤を確立することです。その基盤はイノベーションの根幹であり、AIを含む分析モデルを構築して変化を推進する洞察を提供することができます。このような環境は、実験と新しいアイデアのテストのためのスペースを提供するため、よく知られた「Fail Fast. Learn Fast.」の原則の起源となります。AIとGenAIの周りの話題が実験から実行に移行するにつれて、会社は将来の投資を確保するために、データをアクセスし、組織化し、構造化して時間の試練に耐えられるように設計された堅牢なデータレイヤーを作成しています。データギャップの解決カスタマー向けのテクノロジーは注目を集めることが多いですが、実際の仕事はAI/GenAIの背後にあるデータ分析です。ほとんどのリーダーはこれを理解していますが、データプログラムとAI/GenAIプロセスはまだ並行して実行されることがあり、データはAIプログラムに供給される前に一つの場所に蓄積されます。データプログラムとAI/GenAIプロセスを別々のイニシアチブとして見るのではなく、データが適切に整理され、消費できるようにするために両者をリンクする必要があります。つまり、利用可能なデータが大量にあるかもしれませんが、リーダーはAIプロジェクトを推進するために利用可能なデータの量を考慮する必要があります。現実は、ほとんどありません。ある意味で、組織はデータとAIを別々に保管することで労力を二重化しています。両者をより近く結び付けることで、効率性の向上、コストの削減、運用の合理化における重要な差別化要因となる可能性があります。BCGによると、データとAIプログラムを最初から統合した会社は、同業他社よりも大きな成長を経験しています。会社はデータを最初に修正しないとAI開発はできないため、リーダーはより成熟した機能を使用して、アイデアをより良く考え、優先順位を付け、データとAIのより差別化された利用と変革的な利用の採用を確実にします。その結果、データをAI開発にリンクした会社は、遅れ者の会社よりも4倍以上のユースケースをビジネス全体に拡大して採用しています。また、実装される各ユースケースごとに、平均的な財務的影響は5倍大きくなります。データ基盤を強化するために、いくつかの重要な質問から始めるデータをAIに供給する能力（オンプレミスまたはクラウド移行）と、分析のために消費できるように準備する能力は異なります。会社は、データがAI洞察のために分析できるようにするために、まずいくつかの重要な質問を考慮する必要があります： ビジネス成果にデータがどのように対応していますか？ AIモデルは、効果的に機能するために、キュレーションされた、関連性のある、コンテキスト化されたデータが必要です。初期段階で、会社はデータの取得/保管方法から、AIによる意思決定のためにどのように使用されるかへの考え方を切り替える必要があります。会社が特定のユースケースを設計しながらデータを保管して組織化すると、AI、GenAI、またはアジェンティックAIなどの新しいプロセスを開発するときに、より簡単にアクセスできます。 どのような障害がありますか？ McKinseyが100人のC-Suiteリーダーに調査したところ、デジタルと分析の変革によって生じるリスクを理解することが、ほとんどの場合、最も上位のリスク管理の痛み点であることがわかりました。結果を出すために急いでいる会社は、戦略を犠牲にしてスピードを優先することがあります。代わりに、リーダーはすべての角度を慎重に検討し、将来を考慮し、潜在的なリスクを軽減する必要があります。 データを効率性の向上のためにどのように最適化できますか？ データの需要が高まるにつれて、管理者が自分の部門だけに焦点を当て、データの冗長性とデータ取得の遅延を招くことがあります。会社は、最初からクロスファンクショナルなコミュニケーションとコラボレーションを優先する必要があります。 強固なデータ基盤を開発するための4つのベストプラクティス現在データレイヤーに投資する会社は、将来的にAIの成功を実現するための基盤を築いています。強固なデータ戦略を将来にわたって安定させるための4つのベストプラクティスがあります：1. データ品質とガバナンスを確保する データの血統、メタデータ管理、自動品質チェックを確立する AIを搭載したデータカタログを使用して、発見可能性と分類を改善する データ管理を簡素化して、構造化データと非構造化データ、機械学習モデル、ノートブック、ダッシュボード、ファイルのガバナンスを円滑に実施する データ品質とガバナンスを積極的に使用する会社の良い例は、SAPです。SAPは、データ管理スイート内に機械学習機能を統合して、データの不一致を特定して修正し、全プラットフォームでデータ品質を向上させ、堅牢なデータガバナンス慣行を維持しています。2. データセキュリティ、プライバシー、コンプライアンスを強化する データを保存して転送中にゼロトラストセキュリティを実装する AIを搭載した脅威検出を使用して異常を特定し、セキュリティ漏洩を防ぐ GDPRやCCPAなどの世界的な規制に準拠し、AIを使用して報告/監査を自動化する デジタルサプライチェーンとサードパーティリスク管理で革新的なことを行っている会社は、Black Kiteです。Black Kiteのインテリジェンスプラットフォームは、サードパーティとサプライチェーンに関するインテリジェンスを迅速に、かつ費用対効果の高い方法で提供し、リスク管理チームが簡単に消化して重要なセキュリティギャップを解消できるように優先順位付けされたダッシュボードにまとめます。3. 戦略的パートナーシップを探求する 高度な分析機能を評価し、既存のデータのパフォーマンスを調べる AI、データエンジニアリング、分析を1つの簡単に管理できるプラットフォームに統合できるパートナーを探す...
著者：Krishnan Venkata、デジタルアナリティクス会社LatentView Analyticsのチーフクライアントオフィサー。10年以上にわたって、スタートアップから大企業までのビジネスは、人工知能（AI）と機械学習（ML）の約束について話し合ってきました。予言によれば、AIとMLは現代の仕事を変革し、日常的なプロセスを自動化し、人間の従業員がより高度なタスクに集中できるようにするでしょう。10年後、多くの企業にとって、AIの約束はただの約束に過ぎないことが明らかになりました。多くの組織がデジタル変革の取り組みを加速させたにもかかわらず、共通の落とし穴がAI/MLの夢を実現しないようにしました。AIとMLの変革的な潜在性を妨げている最大の要因は何ですか？ 組織の欠如： 成功したAI戦略の第一歩はデータの収集です。しかし、同様に重要なのは、そのデータの組織化を計画することです。計画なくデータを蓄積する企業は、未加工で使い物にならないリソースに取り残されます。石油を発見する価値は何ですか？それを地中から取り出して利用する方法がない場合、価値は何ですか？ 一部の採用： デジタル変革は長期的なコスト削減を約束しますが、新しいテクノロジーを採用する初期の価格は高額になる可能性があります。この価格は、一部の企業がAIツールを段階的に採用することにつながり、より大きなロードマップにどのように適合するかを考慮せずに、単一のソリューションを採用します。 プロセス/規律の欠如： AIとMLソリューションは、会社内の特定のリーダーによって推進されますが、その成功は、上から下までの組織全体の取り組みに依存します。初期の採用者は、より広範な採用のための準備をしなければなりません。新しいツールの統合をできるだけスムーズにするための規律とルーチンを確立しなければなりません。 過去1年は、デジタル変革とAIおよびMLを使用したルーチンの自動化に遅れる時間はないことを示しています。 Fortune Business Insightsによると、世界のAI市場は2027年までに267億ドルに達し、2019年の27億ドルからほぼ10倍の成長を示します。 COVID-19パンデミックによって引き起こされたリモートワークへの長期的なシフトは、企業が新しいソリューションを採用するよう促しています。 TwilioのCOVID-19デジタルエンゲージメントレポートによると、97%の幹部がパンデミックがデジタル変革の取り組みを加速させたと述べています。では、AIとMLのハイプを超えて、これらのツールを実際に運用するには何が必要か？いくつかのテクノロジーと戦略が、成功と失敗の違いを生み出すでしょう：1. AIOps、MLOps、DataOpsテクノロジーまたはアプリケーションに「-Ops」を付けることは、新しい流行語を作るための確実なレシピですが、これらの新しいソリューションのすべてが空気のようなものではありません。実際、AIOps、MLOps、DataOpsなどの戦略は、企業内で収集されたすべてのデータを組織化する課題に対する解決策を提供できます。これらのツールは、Agile管理の原則をAI、機械学習、データ管理に適用し、新しいソリューションから価値を抽出するために必要な知識と労力を大幅に簡素化します。AI/MLを初めて導入し、スピードを上げたい企業にとって、これらの戦略は必須です。2. ローコード/ノーコード最も複雑で繊細なMLモデルは、常に専用の開発者とデータサイエンティストが必要です。しかし、多くの企業が直面している課題は、はるかに複雑ではなく、シンプルな一サイズフィットオールのAIソリューションで解決できます。ローコードとノーコードのプラットフォームは、ソフトウェア開発の経験がほとんどない従業員にとって、参入障壁を下げます。ノーコードツールを使用すると、従業員は、直感的なドラッグアンドドロッププラットフォームを使用して、レコメンデーションエンジンなどのソリューションを構築できます。ローコードプラットフォームは、わずか数行のコードで複雑なタスクを実行できます。3. AutoAIとAutoML人工知能と機械学習がビジネスプロセスを自動化するのであれば、それ自体が自動化される必要がある理由は何ですか？AIとMLの成功の重要な側面は、改良の概念です。これらのツールは、仕事を学習し、さらに多くのデータを統合するにつれて、徐々にパフォーマンスを向上させ、改善された成果をもたらします。AutoAIとAutoMLは、人間の入力が不要な改良プロセスを実行し、無限の美徳のサイクルを作成します。人間は、モデルのパフォーマンスを確認して、偏りを防ぎ、ツールが企業のニーズを満たしていることを確認することができますが、AutoMLにより、従業員は日常業務で他の課題に取り組むことができます。 チップメーカーとソフトウェア会社が自然言語処理で新しい境地を拓き、AI/ML分野は新しいユースケースの爆発を見せる転換点に達しています。企業は、これらの新しい技術に反応する準備をしなければなりません。準備ができていない企業は、準備ができている競合他社に置き去りされるでしょう。
