成功したAIドリブンのエンタープライズソリューションの計画、PoC、プロダクション

企業は、急速なペースで人工知能（AI）イニシアチブを進めています。Algorithmiaによる研究によると、76％のCIOがAIと機械学習（ML）ソリューションに重点を置いてIT予算を増やしています。企業はまた、データの重要性を認識しており、企業内のデータの80％は構造化されていない性質を持っていることがわかっています。

構造化されていないデータは、企業のスタックで急速に生産されて増加しています。測定単位はテラバイトからペタバイトに移りました。結果として、ITプロフェッショナル、CDO、CIOは、利用可能なデータとアクション可能なインサイトの需要を満たすために、新しい課題に対処しなければなりません。AIの業界を変革するための巨大な可能性があるにもかかわらず、2022年末までに展開されたAIソリューションのうち、わずか15％のみが成功し、さらに少ないものが正のROIを生成します。

最大の問題は、ほとんどの企業のAIソリューションが期待の不一致により日の目を見ないことです。AIの可能性に関する誤解が続いており、プロジェクトはハypeドリブンのモデルで構想されています。ほとんどの製品またはモデルは、日常の企業運用の現実から遠いものです。他の低い成功率を引き起こす要因には、コストオーバーラン、AIセンターの不在、経験不足の才能、データの入手困難、旧来のポリシーなどがあります。

計画は企業AIの成功への道を切り開く

構造化されていないデータは、事前に定義されたデータモデルがなく、テキスト重文書、ウェブサイト、画像、ビデオファイル、チャットボット、オーディオストリーム、ソーシャルメディア投稿などを含みます。企業アーキテクチャ内の構造化されていないデータの増加により、すべての企業の利害関係者の目標に合致する効率的なインクリメンタル計画を持つことが重要です。組織レベルの典型的な目標には、プロセス自動化、不正検出、顧客体験の向上、安全性の向上、売上の増加などがあります。いくつかの目標は、構造化されたデータの性質により効果的に達成できますが、構造化されていないデータを中心に計画することは課題です。

通常、計画は、組織内で機会のある領域を特定することから始まります。経営陣レベルでは壮大なAIビジョンがあるかもしれませんが、高い影響力、低いリスク、データの継続的な成長がある領域を特定することが重要です。銀行業界のローン処理機能は、そのようなユースケースの良い例です。ローンのオリジネーションからサービシングまで、手動プロセスで情報がシステムに入力され、リスクが生じます。ローン申請のデューディリジェンスには、多量の文書提出が伴い、リスクが生じます。しかし、AIは、文書処理や不正検出など、ワークフローのさまざまな領域で適用できます。これはまた、データが年間を通じて継続的に成長する領域でもあります。

計画段階で考慮すべき他の重要なステップには、測定可能な成功基準の定義、統一的なデータ戦略の策定、継続的なトレーニングとフィードバック、ユーザーエクスペリエンス、スケーラビリティ、インフラストラクチャの評価などがあります。

測定可能な成功基準の定義（馬が先に立たないように！）

Googleの初期の成功は、Objective Key Results（OKR）を導入したことによるものです。このアプローチは、ビジネスまたは個人の目標のどの側面にも適用できますが、AI戦略にこのアプローチを取り入れると、約束の結果が得られる可能性があります。しかし、構造化されていないデータの場合、業界全体が解決しようとしている発展途上の問題です。課題があるため、ビジネスリーダーは、「何」を「なぜ」を決定するためのさまざまな質問をしなければなりません。たとえば、生産性の向上が主な目標である場合、2つの質問に答えることができます。

• 自動化によるスループットの向上を計画するべきですか？
• 提出されたすべてのケースの80％の問題を解決することを計画するべきですか？

これらの質問に答えることで、2つの異なる実装ジャーニーが生まれます。どちらがあなたの企業に適しているかを決定することが重要です。

構造化されていないデータの場合、別の曖昧な測定領域は、精度です。ローン処理の例では、顧客が提出する文書に多くの変数があります。ビジネスリーダーとテクノロジーリーダーは、AIソリューションの精度をどのように測定するかについて合意しなければなりません。生産性がAIソリューションの目標の1つである場合、生産性に影響を与える他の領域を特定する必要があります。これは、現在のプロセスを調べて、AI自動化でプロセスを再構想することで実現できます。新しい自動化により、手動の例外管理、注釈、トレーニングなどの新しいステップが生じます。これらのステップを実施することで、精度をどのように測定するかを判断できます。

データはすべての企業の生命線

構造化されていないデータには、情報が構造化され、提示される方法に関する高い変数があります。企業は、文書、チャットボット、ソーシャルメディアデータ、ニュース、画像、ビデオなどの構造化されていないデータで溢れています。

ほとんどの組織は、利用可能でアクセス可能なデータの量を低く見積もっています。課題は、コンプライアンスの制限を克服し、組織内でデータを共有することだけであることがあります。しかし、クリーンで高変動性のデータを持つことで、問題をより良く評価し、最適なソリューションを設計することができます。

考慮すべき別の重要な要素は、この構造化されていないデータからどのような成果が期待されているかです。これにより、トレーニングデータとテストデータの正確な量が保証されます。ローン処理の例に戻すと、AIソリューションの成果が平均日別残高を決定する場合、トレーニングデータとグラウンドトゥルースデータは銀行明細書に焦点を当てたものになります。しかし、提出された銀行明細書を通じて不正な申請者を特定することに焦点を当てている場合、必要なグラウンドトゥルースデータとトレーニングデータを取得するために、より広範な文書にアクセスする必要があります。

PoCからプロダクションへのスケーリング

計測可能なProof of Concept（PoC）に取り組むことで、すべての利害関係者が課題、成果、価値提案を理解することができます。しかし、PoCは、プロダクションレディのソリューションではありません。PoCは、組織がギャップを特定し、プロダクションソリューションのデザイン思考を刺激し、達成するべき目標と結果をストリームライン化することを可能にします。PoCからスケーラブルなソリューションに進むには、企業は、データの継続的な変更、ラベル付けされたデータの入手困難、フォームと形式の高い変動性などの複雑なデータシナリオを計画しなければなりません。同様に重要なのは、ワークフローの再構想、労働力の再トレーニング、適切なインフラストラクチャ、コスト、パフォーマンス、データアーキテクチャ、情報セキュリティ、サービスレベル契約（SLA）の決定です。

AIソリューションから最良の結果を得るには、ワークフローとビジネスプロセスを全体的に評価することが絶対に必要です。行動経済学からヒントを得て、既存の参照点（「参照依存性」とも呼ばれる）と比較することで、プロダクション前のデザイン思考とプロセス再マッピングを通じて、より良い効率が期待できます。

このシナリオでは、ビジネスリーダーとテクノロジーリーダーが、PoCに基づいてMIまたはディープラーニングアプローチに合意していることが前提です。問題文は決定論的であり、統計アプローチを使用して問題を解決できますが、他の課題では、MIとニューラルネットワークベースのアプローチの組み合わせが必要になる場合があります。

一部のAIソリューションでは、自然言語処理（NLP）を組み込む必要があります。一般的な言語モデルは基礎となるステップとして機能しますが、ほとんどのモデルは企業の問題文のユニークなニーズを満たすように設計されていません。ファインチューニングが必要です。同時に、GPT3などの大きなモデルは、企業のROIに直接影響を与える可能性がありますが、企業に適している可能性は低いです。

あなたのAIドリブンのPoCは、長いプロセスの始まりにすぎません。以下の点に注意してください：

• PoC段階で複雑な問題を解決することを選択しないでください
• デザイン思考を適用し、エンドツーエンドのプロセスを再検討し、リスクを予測し、早期に管理してください
• 精度は唯一の測定基準ではありません。100％の精度を達成するのではなく、価値駆動型のソリューションを設計し、計画してください
• あなたのAIアプローチを評価し、ハypeドリブンのモデルではなく、モジュラーな性質の最適なアプローチを選択してください
• すべての利害関係者への期待を管理し、最も成功した成果を保証してください
• あなたのソリューションとアーキテクチャを設計し、データの成長とともに最適なROIを実現してください

AIドリブンのソリューションのベストプラクティス

今日、ほとんどのビジネスは1つ以上のAIプロジェクトを実施しています。優れた意図と努力にもかかわらず、多くの企業のAIプログラムは期待を裏切り、スケールアップせず、望ましいROIを生成しません。AIをビジネスの中心的なコンポーネントとして統合するには時間がかかりますが、成功した組織が従っているベストプラクティスには以下のようなものがあります：

• AI CoEから始める： 多くの大企業、テクノロジー以外の企業も、AIセンターを設立して成功の可能性を最大化しています。AI CoEは、AIベースの変革イニシアチブに必要な専門知識、リソース、人材を1つの場所にまとめます。主な利点には以下のようなものがあります：
  • AIの学習、リソース、才能を1つの場所にまとめる
  • 統一されたAIビジョンとビジネス戦略を開発する
  • AIアプローチ、プラットフォーム、プロセスの標準化
  • AIとイノベーションの新しい収益機会を特定する
  • すべてのビジネス機能にAIを提供することでデータサイエンスの努力をスケールアップする
• 経営陣のバックアップ： AI戦略は、トップダウンアプローチで最も成功します。組織全体でパイロットプロジェクトをスケールアップするには、リーダーシップのバックアップ、必要なスキルとデータ、モデルが時間の経過とともに正確性を維持することを保証する組織構造が必要です。
• データの入手性： 多くの組織は、コンプライアンスの理由でデータをシロに分割しています。しかし、データはどのAIソリューションの生命線です。データのプロビジョニングは重要ですが、データの分類とクレンジングも不可欠です。正確なグラウンドトゥルースデータとトレーニングデータを開発することは、AIソリューションを成功させるかどうかを決定することができます。
• アーキテクチャ： AIを活用することは、組織にとってパラダイムシフトを必要とします。新しい思考方法と計画が必要です。最適な技術アーキテクチャと運用アーキテクチャを設計することで、成功の可能性を高めることができます。これには、MLオペレーション、データオペレーション、イテレーティブトレーニング、注釈などの新しい機能が含まれます。
• モジュール性と柔軟性： AIドリブンのソリューションは、特に企業が構造化されていないデータに対処している場合、まだ初期段階にあります。ビジネスとその成長する課題にスケールアップできるモジュラーで柔軟なソリューションを設計し、構築することが重要です。

AI戦略を確立し、実施することは、多くの組織にとって大きな潜在性があります。ユースケースは無限です。マシンラーニングとディープラーニングソリューションは、セールスとマーケティングから日常業務まで、組織のすべての側面に触れます。しかし、ロケットを建造したり、新しいガジェットを発明したりするのと同様に、成功は一瞬で達成されるものではありません。AIドリブンのソリューションは、段階的にアプローチし、時間の経過とともに小さな勝利を積み重ねることが重要です。