Planning, PoC, and Production of an Successful AI-Driven Enterprise Solution

企業は、人工知能（AI）イニシアチブを急速に進めています。Algorithmiaの調査によると、76パーセントの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。組織はまた、データの重要性を認識しており、企業データの80パーセントは非構造化データであるという事実を受け入れています。

非構造化データは、企業スタックで急速に生産され、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変わりました。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実行可能な洞察の需要を満たすために、新しい課題に対処する必要があります。AIの巨大な潜在能力があらゆる業界を変革するにもかかわらず、2022年末までに展開されたAIソリューションの15パーセントだけが成功し、さらに少ないソリューションが正のROIを生み出すでしょう。

最大の問題は、企業のAIソリューションのほとんど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ドリブンモデルで計画され続けています。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。他の成功率の低い要因には、コスト超過、AIセンターの欠如、経験不足の才能、データの入手困難、旧式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

非構造化データは、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における非構造化データの増加により、すべての企業ステークホルダー目標と一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、データの構造化された性質により、かなり効果的に達成できますが、非構造化データの計画は課題となる可能性があります。

通常、計画は、組織内で機会領域を特定することから始まります。執行管理レベルでは、壮大なAIビジョンがあるかもしれませんが、高い影響、低いリスク、データの継続的な成長を持つ領域を特定することが重要です。銀行および金融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、手動プロセスが多く、情報は手動でシステムに入力されます。ローン申請のデューディリジェンスには、重大な量の文書提出が伴い、複数のリスクをもたらします。ただし、AIは、文書処理や不正検出などのワークフローのさまざまな領域で適用できます。これは、データが年間連続して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が含まれます。

測定可能な成功基準の定義（と、カートを馬より先に置かない！）

Googleの初期の成功は、Objective Key Results（OKR）を導入したことによるところが大きいと言われています。このアプローチは、ビジネスや個人の目標のどの側面にも適用できますが、AI戦略にこの確立されたアプローチを適用することで、ある程度の成果が得られる可能性があります。しかし、非構造化データの場合、業界全体が解決しようとしている進化する問題です。課題があるため、ビジネスリーダーは、「何」と「なぜ」を決定するために、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つの質問が答えられる可能性があります。

• 自動化によって生産性を向上させる計画を立てるべきですか？それとも
• 提出されたすべてのケースの80パーセントの問題を解決する計画を立てるべきですか？

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可能になり、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。

非構造化データの場合、もう1つの曖昧な測定領域は、精度です。ローン処理の例では、顧客によって提出される文書に多くの変数があります。したがって、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することが重要です。生産性が目的の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、現在のあり方プロセスを詳しく見て、AI自動化でプロセスを再想像することで実行できます。新しい自動化は、手動例外管理、注釈、トレーニングなど、新しいステップをプロセスに導入することが多いため、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しやすくなります。

データはすべての企業の生命線です

非構造化データには、情報が構造化され、提示される方法について高い変動性があります。企業は、文書、チャットボット、ソーシャルメディアデータ、画像、ビデオなどの情報で溢れています。組織は、利用可能でアクセス可能なデータの量を頻繁に低く見積もっています。課題は、単純に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です。ただし、クリーンで高変動性のデータを持つことで、問題のより良い評価と、最適なソリューションの設計が可能になります。

もう1つの重要な要素は、この非構造化データからどのような成果を期待するかです。これにより、グラウンドトゥルース、トレーニング、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申込者の平均日別残高を決定することである場合、グラウンドトゥルースとトレーニングデータは、銀行明細書を中心に集中することができます。しかし、提出された銀行明細書を通じて詐欺的な申込者を決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とトレーニングデータを取得するには、より広範な文書にアクセスする必要があります。

PoCから本稼働へのスケーリング

計測可能なProof of Concept（PoC）を実施することで、すべてのステークホルダーがAIソリューションの課題、成果、および価値提案を理解できるようになります。ただし、PoCは、 本稼働準備のソリューションとは異なります。PoCにより、組織はギャップを特定し、生産向けソリューションのデザイン思考を刺激し、達成すべき主要な結果を明確にできます。PoCからスケーラブルなソリューションに進むには、組織は、データの変更、ラベル付けされたデータの入手困難、フォームと形式の変化の高い度など、複雑なデータシナリオに備える必要があります。同様に重要なのは、ワークフローの再想像、ワークフォースの再トレーニング、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 アグリーメント (SLA) の決定です。

AIソリューションから最良の結果を得るために、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は絶対に必要です。行動経済学からヒントを得て、既存の参照点（「参照依存」とも呼ばれる）と比較することが重要であり、デザイン思考とプロセス再マッピングを通じて、生産前に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ものと想定します。いくつかの問題文は決定論的であり、統計的手法で問題を解決できますが、他の課題では、望ましい成果を達成するために、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的な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ユニークなニーズを満たすように設計されておらず、ファインチューニングが必要になります。同時に、GPT3のような大規模なモデルに熱心になることが多いですが、これらのモデルは大量の計算リソースを必要とし、会社のROIに直接影響を及ぼす可能性があります。これらのモデルは、おそらくあなたの会社に適したものではありません。

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。次の点を念頭に置いてください：

• PoC段階では、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確認し、リスクを予測し、早期にリスクを管理してください
• 精度は唯一の測定基準ではありません。100パーセント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、構築してください
• AIアプローチを評価し、ハYPEドリブンモデルに基づいて計画するのではなく、最適なアプローチを選択し、モジュラーにする
• すべてのステークホルダーに対する期待を管理し、最も成功した成果を確実にします
• ソリューションとアーキテクチャを設計して、データの成長とともにスケールし、最適なROIを実現します

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、スケールしない、または望ましいROIを生み出しません。人工知能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、次のものがあります：

• AI CoEから始める：多くの大企業、テクノロジー企業以外の企業も、AIセンターの設立（AI CoE）により、成功の可能性を最大化しています。AI CoEにより、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、人材が1つの場所に集められます。主な利点は次のとおりです。
  • AIの学習、リソース、才能を1つの場所に集約する
  • 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の特定
  • データサイエンスの取り組みをスケールアップし、AIをすべてのビジネス機能に提供する
• エグゼクティブのバックアップ：AI戦略は、トップダウンアプローチで最も成功します。パイロットプロジェクトを組織全体に展開するには、リーダーシップのバックアップ、必要なスキルとデータ、モデルの精度を長期にわたって維持するための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化しています。しかし、データはあらゆる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とともに、データの分類とクレンジングが不可欠です。正確なグラウンドトゥルース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の活用は、組織にとってパラダイムシフトを必要とします。これには、新しい思考方法と計画が必要です。最適なテクニカルおよびオペレーショナル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、新しい機能を実装することが含まれます。
• モジュール性と柔軟性：AIドリブンのソリューションはまだ初期段階にあり、特に企業が大量の非構造化データを扱っている場合、モジュール性と柔軟性が重要です。ビジネスとその成長する課題とともにスケールすることができる、モジュール性と柔軟性のあるソリューションを設計し、構築することが不可欠です。

AI戦略を確立し、実施することは、ほとんどの組織にとって大きな潜在性を持っています。ユースケースは無限です。マシンおよびディープラーニング ソリューションは、セールス、 マーケティング、 日常業務など、組織のあらゆる側面に触れます。ただし、ロケットを建造したり、新しい装置を発明したりするのと同様に、成功は一晩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必要があります。