ソリューション
デザイナコラム

AI知識とビジネス視点を合わせ持つ
当社のソリューションデザイナ（SD）が、
AI開発・導入・活用のポイントを解説いたします。

AI導入に“本当に”必要な知見とは

2020.6.22
株式会社Laboro.AI　プリンシパル・ソリューションデザイナ　藤井謙太郎

概　要

AI導入に取り組む企業が増加する一方で、PoCの実験開発で終わってしまったというケースも少なくないようです。一般的には技術やデータそのものにその原因があると言われていますが、これからAIを導入する方にとって、本当に知っておくべき点はそうした技術的な面だけで良いのでしょうか。今回のコラムでは、AI導入に“本当に”必要な知見について考えてみたいと思います。

目　次

・当たり前すぎる不足点
・実は従来と変わらないやり方
・① 画像で撮影した製品を損傷度合いごとに分類したい
・② 優れた営業のノウハウをAI化することで、お客様に適切な商品をお勧めしたい
・新たなアプローチ、「ソリューションデザイン」
・まとめ

当たり前すぎる不足点

AI導入を検討したいというご相談が当社にも多く寄せられるようになりました。また一般的にも、AIの導入に成功し実用に至った事例が見られるようになってきています。一方で、PoC止まりで終わってしまったという声も多く、AI導入がそう簡単ではないことも知られてきています。

その理由としては、発注者側（AI開発をベンダーに委託する側）がAI導入するために持っておくべき本来必要な知見の不足が言われることがありますが、ここでいう「AI導入に必要な知見」とは、具体的にどのようなものを指すのでしょうか。

AI導入に必要な知見として、よく挙げられるのが「技術力」「データ分析に関する知見」という技術的な視点です。また逆の視点から、AI導入プロジェクトの失敗要因として挙げられるものに、「目的があいまい」「全体業務プロセスの設計不足」「現場と経営、導入検討者で求めるものに乖離がある」というビジネス的な側面での検討不足や進め方の課題も多く言われています。

たしかにこれらは一見するとAI導入に必要な要素だと感じるものの、様々なプロジェクトに立ち合わせていただいた私からすると、こうしたすべてはAI導入に限らずプロジェクトを成功させるために従来から必要とされてきた要素にも聞こえます。「技術力」は研究開発や製品開発でも必要な要素であり、「データ分析に関する知見」はビッグデータの活用が言われるようになって以来、長く存在する要素です。その他の「目的があいまい」「全体業務プロセスの設計不足」「現場と経営、導入検討者で求めるものに乖離がある」は、特定の技術に限定されずあらゆるプロジェクトの成功に不可欠な要素として、当たり前のように言われています。

では、プロジェクトの成功要因として、従来から言われてきたことではなく、「AIという新しい技術を活用するために必要な知見」とは何なのでしょうか。

実は従来と変わらないやり方

そもそも「必要な知見が何か」という点すら分かりにくくなっている背景としては、システム開発、データ分析、研究開発など、AI導入と類似した従来の取組みで必要とされてきた知見が、AIにも部分的に関係していることがその理解を複雑にしていると考えられます。

それを説明するために、AIが注目されている理由に目を向けてみます。近年AIが注目を集める理由として言われるのが、大量のデータから傾向や課題の特徴を機械的に見出すことが出来る点です（※機械学習やディープラーニングなど適用技術によって可能なレベルは異なります）。具体的なニーズとしては、次のようなものが代表的です。

・これまでのIT技術ではルール化（定義化）が困難な、曖昧な業務の自動化（過去の結果をもとに傾向を予測）
・熟練者のノウハウのAI化
・カメラや音声技術を用いた、人の眼や耳で行っていた業務のIT化
・個々のお客様にパーソナライズされた機能の開発

システム開発やデータ分析に代表される従来の取組みでは、人がデータや業務からルールを整理・定義し、分析時にはどの辺りにどのような特徴があるかを人手で設定する必要があるなど、人が介在する部分が多いものでした。つまり、人が理解できない複雑な問題には対応ができなかったということです。そのため、上記のような画像や音声、自然言語、時系列データなど、複雑な事象データの解析をAIで行うことは、取り組みとしてはたしかに新規性があるように感じられます。

しかし、よく考えてみると、AIと言っても統計処理を用いてデータに基づく何らかの判断根拠を解析し、その再現を目指すということであり、こうしたやり方は、AIが登場する以前からも行われてきたことです。

AIによって実現できる範囲は間違いなく従来よりも広がっており、「AI＝新技術」という捉え方もある意味間違いではないものの、厳密には従来技術の延長線上にあると考えた方が適当でしょう。（＊決して技術的に簡単だということではなく、その技術習得には当然ながら努力が必要です。）

では、AI導入に必要な知見が技術だけで足りないないとすれば、他には何を考えるべきなのでしょうか。この点を深掘りするため、AI導入を検討するシーンを想定した2つの“失敗”ケースから考えてみたいと思います。

①画像で撮影した製品を損傷度合いごとに分類したい

このケースでは、製品の画像から損傷レベルを３つに分けて、製品の出荷判断をするとしましょう。分類は、

・重度：出荷しない
・中度：需要に応じて出荷判断
・軽度の損傷、損傷なしの場合：出荷する

という3つのレベルで行いたいとします。また、AIの性能が完璧でないことはわかっているので、判断の全てをAI任せにするのではなく、人が一定のチェックをすることを前提としますが、それでも90%程度の精度を期待するとします。こうした考え方は、画像を活用したディープラーニング活用ではよくあるケースです。

このケースの場合、データとしては過去の損傷度のラベル（重度・中度・軽度の損傷・損傷なしのラベル）が付与された数千枚のデータが必要になります。ですが、これらのデータをAIに学習させたとしても、期待した精度が達成できないことがあります。このとき、多くの場合で原因として挙げられるのが、データ不足やそれに対応する技術力の不足です。

しかし、もちろんそれらも原因として考えられるものの、違う観点を持つ必要があります。というのも、ここではデータとして学習させる過去の損傷度の分類そのものに、分類ミスやブレが少ないということが前提になっています。先に述べたようにAIはデータから特徴を見出し再現しますが、そもそも分類結果が人によって違うケースも考えられます。その違いの度合いはどの程度なのでしょうか。また、中度レベルの場合には需要によって判断するとしていますが、その需要の高低の基準となるデータはいつのものを使用するのでしょうか。こうした点が曖昧な状態でデータをそのまま活用すると、当然AIは特徴を見出すことができず、結果も曖昧なものになってしまいます。

また、上では90％程度の精度を期待するとしましたが、ここにも落とし穴があります。もし学習時に90%の精度を達成できたとしても、実際に使ってみて90%精度の状態が維持できるかは別問題で、技術以外の面での問題が起こるケースがあります。改めて、中度レベルは需要の高低によって出荷判断するとしました。これは、臨機応変に損傷度の定義や分類のルールを変えるということになりますが、実際、開発時に中度レベルとして学習したものを状況に応じて軽度レベルとして扱うということは困難です。これだけではありません。実運用段階では学習時には見られなかった新たな損傷パターンが出現することも考えられます。学習時のデータに特徴として存在しない事象が出現した場合、当然ながら運用上の精度は低下してしまいます。

②優れた営業のノウハウをAI化することで、お客様に適切な商品をお勧めしたい

上の例と同様、こちらも“とりあえずやってみる”と失敗しやすいケースの一つです。「優れた営業担当のデータを活用したい」というお声は多く、売上向上のために活かすべきデータであることには間違いありません。ですが、ここで言う「優れた営業」とは、どのようなことを行う人材なのでしょうか。

・良いお客様を見つけている
・特定の販売機会を見逃さない
・適切な値引きをしている
・お客様へのヒアリング力が高い
・説明がうまい
・ついつい買いたくなるキャラクター

など、その特徴は様々考えられますが、明確な基準を設けることはできそうでしょうか。また、こうした人材の販売実績が高いとしても、無理矢理に売れた実績、満足いただいて購入になった実績、値引きして売った実績など、実績と言っても様々なパターンがありそうですが、これらは整理ができそうでしょうか。

そこで仮に、優れた営業の条件をシンプルに「商品の販売機会を見逃さない」の１つに絞るとします。ですがこの場合も、大量のデータの中にその“販売機会”がどの程度含まれているかを分析することはできるのでしょうか。また、営業にありがちなデータ未入力や入力誤り、売れた要因が書いてあるだけで特徴がわからないメモ書きなどは出てきそうですが、こうした不揃いなデータから正確な傾向を把握できそうでしょうか。さらに、なんとか開発に漕ぎ着けたとしても、実際に“販売機会”がやってきたかどうかは、どのように判断するのでしょうか。

何をお伝えしたいかというと、実際、「優れた営業」を定義することは、かなり難しいということです。そして、「優れた営業」の正解が不明瞭なままデータを用いてAIを学習させ、現実に生じる様々なケースに対応しようとすると、伴って無理が生じてしまいます。

これらを踏まえても完璧に実現しようと思うと、非常に高いコストと期間をかける必要があるだけでなく、そもそも実現が不可能であるという結果にもなり得ます。実際に私たちのお客様でも、その難しさを理解され、改めて検討されている方が多い状況です。

新たなアプローチ、「ソリューションデザイン」

上の２つの例を通してわかることは、AI導入においては、「ビジネスニーズの深堀り」と「ニーズに一致したデータであるかの分析」を綿密に行うことが重要であり、これが従来の取組みにはなかった「本当に必要な知見」だということです。

私の経験をもとにしてみると、上の例で言えば「損傷度とは何か」、「優秀な営業と何か」にあたる、AIに学習させる答えが何かを追求することが重要になります。そのためにはAIの開発を通じて過去の業務に真剣に向き合う必要があります。よくPoCの段階では「やってみないとわからない」と言われますが、これは単に技術的に実現できるかを検証することだけでなく、データの内容や現実に起こる想定外の事象の有無など、仮説に仮説を積み重ねた開発結果が実用に耐えられるのかを検証することの重要性を意味しています。

さて、当社では、AIという新しい技術を実用化するため、これまで見てきたような複雑化した要素を考慮しつつ解いていく新たなアプローチを、「ソリューションデザイン」と呼んでいます。ソリューションデザインは、「技術（機械学習エンジニアリング）」と「ビジネス（各企業様固有のビジネス知見等）」の両者をつなぎ適切に設計するための一連のプロセスです。平たく言うと、ビジネス上どのような点に意味があるのか優先度をつけて検討し、活用するデータでAI開発の実現性があるかを判断し、適用する適切な技術を選別するということです。

今一度、「AI導入に必要な知見とは」に答えるとすれば、ビジネスニーズと技術、使用するデータをつないで検討すること、つまりソリューションデザインこそがAI導入には欠かせない知見だと、私は考えています。

まとめ

今回は、AI導入に必要な知見として、ビジネスニーズと技術、使用するデータをつないで検討することの重要性を述べさせていただきました。当社のアプローチであるソリューションデザインは、現実に利用可能なAIにこだわり、複雑な要因の整理・分析・仮説検証を行う一連のプロセスです。その具体的な検討プロセスは、また別の機会で紹介させていただきたいと思います。

コラム執筆者

プリンシパル・ソリューションデザイナ　藤井謙太郎

東京理科大学電気電子情報工学科卒業。富士通株式会社にて大手リース会社でのERP導入、基幹システム開発・保守などでプログラマ・上流設計担当・プロジェクト管理を経験した後、PwCコンサルティング合同会社でメガバンク等の財務企画部門向けに財務・管理会計などの計画・実行支援などに従事。2019年にLaboro.AIに参画し、自然言語処理を用いた人材マッチングやレコメンドAI、画像を用いた異常検知などのプロジェクトを担当。