インテリジェントな意思決定理論: AI 主導の意思決定企業の創出

人工知能モデルを使用してより優れた意思決定を促進する方法は、現在非常に注目されている研究テーマです。この記事は、価値実現と共同意思決定能力というトピックを探求する一連の記事の最初のものです。

私の母はいつも「答えはすぐ目の前にある」と言います。その理由は、現代の企業が、1) データと分析の経済力に基づいて組織を調整し、2) 「データから価値への明確な見通し」を提供できる、協力的な価値推進力を求めているからです。価値を左右する要素は、まさに私たちの目の前にあります。それは、決断です。はい、意思決定のような単純で一般的なことが、コラボレーションの接続ポイントになる可能性があります。

バリューエンジニアリングフレームワークの基本原則 (データから価値までの明確な見通しの提供) は、組織の戦略的ビジネスイニシアチブをサポートするためにビジネス関係者が行う必要のある決定 (および決定の有効性を測定する KPI) を特定、検証、評価し、優先順位を付けることです (図 1)。

図1: 意思決定における価値実現能力

組織の戦略的事業計画を真に理解すると、その事業計画を機能的に分解して、その事業計画をサポートするためにさまざまな関係者が行う必要のある決定に分けることができます。

なぜ意思決定はビジネスとデータサイエンスの連携を促進する強力な推進力となるのでしょうか (図 2)。

決定は簡単に識別できます (すべてのビジネス関係者が、どのような決定をしようとしているのかがわかります)。
決定には帰属価値があります。つまり、「価値」はより良い意思決定に帰属すると言えます (「価値」の完全な定義は、複雑ではあるが必要な調整作業になる可能性があります)。
決定は本質的に実行可能です。
データサイエンティストは意思決定を最適化する方法を知っています。

図2: 意思決定のためのコラボレーション機能

注: 決定と問題はまったく異なります。質問は理解を検証し、アイデアの形成を促進し、決定は行動を促進します。

パート01

AIを活用した意思決定企業で意思決定を拡大

マルコ・イアンスティとカリム・R・ラカニは、ハーバード・ビジネス・レビューに「AI時代の競争：機械知能がビジネスのルールをどう変えるか」と題する記事を掲載し、世界最大のフィンテック企業であるアント・グループが人工知能を活用して金融サービス業界を変革する方法について論じています。

Ant Group のビジネスモデルの中核は、AI 主導の意思決定企業です。この意思決定企業は、Google や Baidu で毎日何百万もの広告オークションを実施し、Didi、Grab、Lyft、Uber で提供される自動車サービスを決定し、Amazon.com でヘッドフォンやポロシャツの価格を設定し、一部の Walmart スーパーマーケットで床を掃除するロボットを稼働させ、Fidelity Investments Group で顧客サービスロボットを有効にし、さらには Zebra Medical 製の機器の X 線の意味を解釈するなど、さまざまな業務を行っています。

AI 主導の意思決定を行う企業は、変化する市場や顧客環境における意思決定を継続的に学習、適応、改善することで、ビジネス価値と運用価値を拡大する上で特に強力です (図 3)。

図3: AI主導型企業が従来の企業を上回る業績を上げる方法

図 3 で特に興味深いのは、デジタル運用モデルの軌跡 (赤) の線です。これは、データと分析資産の価値が、より多くのユーザーとユースケースで共有されるにつれて急速に高まることを示しています。この線の動作は、シュマルツォの経済的デジタル資産評価定理の効果 3 と非常によく似ています (図 4)。

図4: シュマルツォの経済的デジタル資産評価定理

AI 主導の意思決定企業をサポートする主要なテクノロジーをいくつか紹介します。

データ管理。データ検出、コンテンツ推論、メタデータ作成を自動化し、データアクセスとデータ探索を簡素化し、統合されたデータ観測性と AI アシスタントを通じてデータガバナンスとマスターデータ管理を制度化し、体系的、持続可能、かつスケーラブルな方法でデータを収集、クリーンアップ、統合、正規化、強化、保護するためのインテリジェントなデータ管理プロセス、ポリシー、モデル、パイプラインを作成するデータオーケストレーションプラットフォームです。ビジネスの観点からデータ管理の重要性が高まっていることの詳細については、私のブログ「データ管理が今日最も重要なビジネス分野である理由」を参照してください。
AI/ML モデルの開発。ハブアンドスポークの組織構造を使用して、ビジネスラインとドメインエキスパート (機能エンジニアリングに重要) および分析センター間の緊密なコラボレーションを促進し、組織の分析資産とデータ製品の開発、共有、管理を制度化して、定量化可能なビジネスおよび運用上の成果を促進する、オープンで柔軟な AI/ML モデルのトレーニング、開発、および管理環境。
MLOps。 AI/ML モデルを倫理的、責任ある、信頼性のある、効率的な方法で本番環境に導入、監視、保守するための一連のフレームワーク、ツール、方法、ガバナンスプラクティス、および意思決定を提供します (これらのツールは、AI モデルの誤検知と誤検知から学習して、AI モデルの確認バイアスを軽減するために使用されます)。
AI に最適化されたインフラストラクチャ。エッジからコア、マルチクラウドに至るまで、ビッグデータ、エッジ、AI 中心のワークロード向けに簡単にプロビジョニングおよび最適化できる、柔軟でスケーラブルなオンデマンドインフラストラクチャです。

AI 主導の意思決定企業をすべての関係者に開放するには、組織は組織内の全員に分析機能のトレーニングを行う必要があります。つまり、基本的な分析機能と高度な分析機能を使用する場合の可能性の範囲を明確にする必要があります (図 5)。

図5: 分析の成熟度: 記述的分析から自律的分析へ

図 5 に示す分析成熟度曲線は、次の段階で構成されています。

フェーズ 1: 記述的分析統計およびデータマイニングのツールとテクニックを利用して、データセット (平均、中央値、最頻値、標準偏差、分散、最小値、最大値) を分析し、データ変数の因果関係を調査し、因果関係の信頼性を定量化し、適合度を測定します。
フェーズ 2: 予測分析では、探索的分析手法 (クラスタリング、分類、回帰など) を使用して、データに隠された顧客、製品、サービス、運用の傾向、パターン、関係を発見して整理し、予測的洞察 (予測される行動やパフォーマンスの傾向) に変換して、何が起こるかを予測します。
フェーズ 3: 処方分析では、予測的な顧客、製品、サービス、運用の傾向 (機械学習機能) を使用して機械学習およびディープラーニングモデルを構築し、動的な推奨事項と次善のアクションを提供します。
フェーズ 4: 自動分析では、強化学習と AI 技術を使用して、人間の介入を最小限に抑えながら継続的に学習して適応するモデルを作成します。自動分析は、アクションを実行し、それらのアクションから学習し（つまり、コストを最小限に抑えながら報酬を最大化し）、学習に基づいて人間の介入を最小限に抑えながら次のアクションを調整することで、AI ユーティリティ関数の最適化を目指します。

分析教育プロセスの一環として、組織内の全員が、機械学習 (教師ありおよび教師なし)、強化学習、ディープラーニング、転移学習、フェデレーテッドラーニング、メタラーニング、アクティブラーニングなど、高度な分析モデルが「学習」するさまざまな方法について初期理解を深める必要があります (図 6)。

図6: さまざまなAI/ML学習手法

パート02

要約する

AI 主導の意思決定を継続的に学習し、適応する企業を構築するということは、すべての従業員 (およびパートナーと顧客) が構想し、構想し、試行し、失敗し、学習し、その教訓を共有し、再度試行して、データと分析を適用し、顧客、製品、サービス、運用上の価値の新たな源泉を導き出し、推進できるようにすることを意味します。これらすべてには、分析主導のイノベーションの文化を創造することが必要です。

インテリジェントな意思決定とそのコラボレーション機能の価値を今後も探求し、このトピックやその他のトピックについて取り上げていきます。

翻訳者紹介

Zhu Xianzhong 氏は、51CTO のコミュニティエディターであり、51CTO の専門ブロガー兼講師であり、濰坊の大学のコンピューター教師であり、フリーランスプログラミングコミュニティのベテランです。初期にはさまざまな Microsoft テクノロジに注力し (ASP.NET AJX および Cocos 2d-X に関連する 3 冊の技術書を編纂)、オープンソースの世界に 10 年近く携わってきました (人気のフルスタック Web 開発テクノロジに精通)。OneNet/AliOS+Arduino/ESP32/Raspberry Pi をベースとした IoT 開発テクノロジや、Scala+Hadoop+Spark+Flink などのビッグデータ開発テクノロジを理解しています。

原題: Decisions Part 1: Creating an AI-driven Decision Factory 、著者: Bill Schmarzo

<<: 米国はチップ供給を遮断、ロシアはリソグラフィー装置の再構築を決定