人工知能 (AI) プロジェクトの失敗: 人材不足に対処する方法

適切な技術人材の採用は、企業組織による人工知能 (AI) の導入に対する大きな障壁となっています。最近の O’Reilly の調査によると、回答者の 6 人に 1 人強が、AI スキルを持つ専門家の雇用と維持の難しさが組織における AI 導入の大きな障壁になっていると回答しています。

人材不足は依然として大きな話題となっているものの、その数は前年より減少しており、AI プロジェクトを検討および導入する企業にとって他の課題が最優先事項になりつつあることを示しています。

それでも、技術スキルのギャップは AI 導入の最大の障壁ではなく、多くの AI プロジェクトが失敗する理由でもありません。実際、同じ O'Reilly の調査によると、回答者は組織的なサポートの不足を最大の問題として挙げ、次に適切なビジネス ユース ケースを特定するのが難しいことを挙げています。

もちろん、これは受け入れがたい事実です。つまり、本当の課題は、仕事をする限られた数の専門家ではなく、私たち自身にあるということです。

成功する AI プロジェクトの 3 つの柱

では、組織は AI プロジェクトによくある落とし穴をどう回避できるでしょうか? 他のテクノロジーの実装と同様に、すべては会社全体での適切なトレーニング、実稼働環境、そして適切な基盤にかかっています。これら 3 つの柱を整えることで、AI のビジネス価値をより早く実現できるようになります。

1. 適切な基盤

AI プロジェクトを成功させるには、次の 3 つの要素が必要です。

• データ サイエンティストは、効率的なツール、ドメインの専門知識、および関連データへのアクセスを備えている必要があります。 AI テクノロジーは、バイアス防止、説明可能性、概念のドリフト、および同様の要件への対応など、ますます理解しやすくなってきていますが、多くのチームはまだこの点で不十分です。
• 組織は、AI モデルを本番環境に導入して運用する方法を学ぶ必要があります。これには、DevOps、SecOps、および新しい AIOps ツールとプロセスを導入して、モデルが長期にわたって本番環境で正確に動作し続けるようにする必要があります。
• 製品マネージャーとビジネス リーダーは、新しい技術的機能を再設計し、それをどのように適用して顧客を満足させるかを決定するために、最初から関与する必要があります。

教育とツールはここ数年で大幅に改善されましたが、実際に AI モデルを運用するとなると、まだ改善の余地が多くあります。このような状況において、製品管理とユーザーインタラクション設計は、AI の成功に対する一般的な障害になりつつあります。

これらの問題は、実践的な教育に投資することで解決できます。教室や会議室の外では、組織全体の専門家が実際の AI プロジェクトに携わる経験を積み、AI で何ができるのか、テクノロジーでビジネスをどう前進させることができるのかを理解する必要があります。

2. 全社的な連携とトレーニング

もちろん、才能は問題の一部ですが、必要なのはデータ サイエンスの才能だけではありません。問題の根本は、多くの場合、ビジネスと製品の専門知識にあります。技術的な才能が重要であるのと同じくらい、AI が製品でどのような役割を果たすのか、そしてそれがどのように顧客体験の向上や新たな収益につながるのかを理解することも同様に重要です。そして、この責任は研究開発チームだけに課せられるものではありません。

たとえば、当社のアルゴリズムは人間と同じくらい正確に X 線を読み取ることができますが、この機能を臨床ワークフローに統合し始めたばかりです。医師や看護師がこの技術を使用してワークフローを効率化する方法についてのトレーニングを受けなければ、医師や看護師にとっても患者にとっても何の価値もありません。

正確な AI モデルをトレーニングして展開できたとしても、それを最も効果的に使用して顧客を支援する方法という問題は解決されません。これを実現するには、組織のすべての分野（営業、マーケティング、製品、設計、法務、顧客成功、財務）に、テクノロジーがなぜ役立つのか、そしてそれが職務にどのような影響を与えるのかについて教育する必要があります。

うまく実行すれば、新しい AI 機能により、製品チームはユーザー エクスペリエンスを根本から再考できるようになります。

うまく実行すれば、新しい AI 機能により、製品チームはユーザー エクスペリエンスを根本から再考できるようになります。これは、Netflix や Spotify が二次的な機能として推奨機能を追加し、コンテンツの発見を中心にユーザー インターフェイスを設計する点の違いです。それは大きな違いを生みますが、それを実現するには村全体の協力も必要です。そのため、AI の成功には、経営陣が主導する全社的なサポートが不可欠です。

3. 適切な生産環境

すべての本番環境が同じというわけではないので、結果もすべて同じというわけではありません。保有する人材、インフラストラクチャ、データに基づいて AI プロジェクトの限界を理解し、最初から明確な期待を設定することが重要です。

たとえば、最近の研究論文（ACM のコンピューティング システムにおける人間工学に関する会議 (CHI) 会議シリーズ向けに完成）では、患者の目の画像から糖尿病性網膜症を検出するための新しいディープラーニング モデルが検討されました。科学者たちは、過去数年間の眼科検査で得られた患者の角膜画像から糖尿病網膜症の初期段階を特定するためのディープラーニングモデルを訓練した。目標は、治療せずに放置された病気の症状である失明を減らすことです。

この論文では、正確で効果的な同じモデルがタイの田舎の診療所で使用されたときに何が起こったかについて記述している。患者の目の画像を撮影するために使用された機械は、モデルのトレーニングに使用された機械ほど洗練されていなかった。使用された検査室は、トレーニング モデルが想定したように完全に暗いわけではありませんでした。患者によっては、フォローアップ診察や追加検査のためにさらに 1 日休みを取ることが現実的な選択肢ではない場合があります。まず、すべての医師や看護師が、この新しい検査がなぜ必要なのかを説明できるように訓練されているわけではありません。

適切なインフラストラクチャと病院スタッフの一貫した教育の欠如、そして実際的な限界の理解が、AI プロジェクトが失敗する典型的な例です。

教育が産業界に追いつくにつれ、AI 人材のギャップは今後数年間課題として残るでしょう。しかしその間、組織が AI プロジェクトを成功させるために実行できる手順があります。

モデルをトレーニングするだけでは不十分です。組織もトレーニングする必要があります。特定の AI プロジェクトに取り組む理由、それが役割や顧客体験にどのような影響を与えるか、期待されるものは何かなど、ビジネスのすべての側面を時間をかけて教育してください。

組織はそれを使用する準備ができていますか?