企業が AI 戦略を採用するための 8 つのヒント

人工知能技術は企業のビジネスに応用され、夢から現実へと変わりました。実際、最近の O'Reilly の調査によると、大多数の組織 (85%) が AI を導入または評価しており、半数以上が AI を生産または分析に使用しています。

[[331053]]

しかし、AI は、これまで IT が使用してきたのと同じプロセスや方法にうまく適合するわけではありません。こうした取り組みは急速に拡大していますが、まだ初期段階にあります。成長痛はすでに明らかになっている。 「企業は AI の取り組みを基盤に据えるために、より多くのことを行う必要がある」と O'Reilly のアナリストは指摘する。「一般的なリスク要因 (モデル開発における偏り、データの欠落または条件の悪いデータ、生産時にモデルが劣化する傾向) を制御する場合でも、データ ガバナンスを促進するための正式なプロセスをインスタンス化する場合でも、導入者は信頼性の高い AI 生産ラインを構築する際に、これらに備える必要がある。」

AI は、IT 組織がこれまで使用してきたのと同じプロセスや方法論にうまく適合することはできません。非学習システムを評価、テスト、実装、拡張するためのベストプラクティスと常識的なアプローチは、必ずしもうまく適用できるとは限りません。場合によっては逆効果になることもあります。

企業が AI テクノロジーを導入するのに役立つ 8 つのヒントをご紹介します。

1. ゆっくりする

一部の企業が業務に AI 技術を導入しようと急いでいることは、制御されなければ危険な場合があります。 「現代の AI は IQ は高いが EQ は低い」と、コグニザントのデータサイエンス、機械学習、人工知能担当副社長、ジェリー A. スミス博士は語る。「真の知能を得るには、その両方を組み合わせる必要がある。データを取得し、AI を使用して分析し、感情抜きで学習し、大規模に処理すると、おそらく事態は悪化するだろう」

スミス氏は、ITリーダーは時間を取ってAIの使い方について早い段階で議論するべきだと述べた。

企業の経営者は、人工知能が自社のビジネスにどう役立つかについて、大きな期待を抱いていることが多いです。しかし、結局のところ、適切なフレームワークと戦略がなければ、失敗することになります。

2. ツールよりもスキルと文化に重点を置く

「イノベーションを目指す組織にとって、テクノロジーが出発点となることは珍しくありません」と、TIBCO の分析戦略担当副社長、ショーン ロジャーズ氏は語ります。「しかし、文化的な側面を無視する組織は失敗する運命にあります。AI で成功を導くには新しいスキルが必要ですが、AI と機械学習テクノロジーの採用と行動を促進する文化も必要です。成功するにはバランスの取れた戦略が必要です。」

3. 反復を計画する

AI の利用を検討している企業は、ユースケースから始める必要があります。しかし、AI と機械学習のユースケースのほとんどは時間の経過とともに進化すると、オープン データ レイク プロバイダー Qubole の CEO 兼共同創設者である Ashish Suchoo 氏は指摘します。 「企業が継続的なデータエンジニアリングを実行し、モデルのトレーニングと展開のためのSQLとプログラムによるアクセスを提供する能力に投資することは非常に重要です」と、Apache Hiveの共同創設者でFacebook Data Platformを構築したHe氏は語った。

4. DevOpsを導入するだけでは不十分

革新的な IT 企業のほとんどはすでに DevOps を採用しています。これはAI技術の導入に必要な措置ではあるが、それだけでは十分ではない。企業は MLOps を追加する必要がある、と Fractal Analytics のテクニカル サービス クライアント パートナーである George Mathew 氏は述べています。 「この統合は、アプリケーションライフサイクルの早い段階で計画し、その後のフェーズを通じて実行する必要があります」と彼は述べています。

たとえば、企業は本番環境で AI モデルの再トレーニングを検討する必要があります。 「これは、AI モデルによって生成された洞察 (予測など) を、数週間または数か月後に現場から収集された実際の数値と比較するための追加のパイプラインを構築する必要があることを意味します」と説明しました。

5. スケールアップ

AI を早期に導入する人は、定義されたデータセットを使用していくつかのモデルを活用する傾向があります。ただし、こうした取り組みは、管理が難しい領域に急速に拡大する可能性があります。 「成功率が上昇し続ける中、成長を続けるデータサイエンスチームのために、運用中の何百ものモデルと複数のオーサリング環境を管理することは、増大する需要に対応するために新たな課題をもたらします」とTIBCOのロジャーズ氏は語った。

6. 偏見を探して排除する

「入力と出力の関係を理解することは、AI の簡単な部分です」とコグニザントのスミス氏は言う。「多くの企業は、AI 開発チームにバイアスを探して取り除くようプレッシャーをかけています。たとえば、偏った AI アルゴリズムで融資の決定を下すことは望ましくありません。」

しかし同時に、人間自身も偏見を持つことがあります。 「AI システムを構築する人々がモデル化に偏見を持ち込まないように、人間の知性を尊重しなければなりません」とスミス氏は言う。「偏見の排除はデータ レベルで始まったり終わったりするものではありません。」

7. データサイエンティストだけに責任を負わせない

人類を強化する最も効果的な AI システムを構築します。 「人間をサポートするシステムを構築したいのであれば、それは人間中心でなければなりません」とスミス氏は言う。「心理学者（顧客行動を理解する人々）や社会学者（企業顧客が社会とどのように関わっているかを理解している人々）の助けを得る必要があります。AIはデータサイエンティストだけに任せておくには重要すぎるのです。」

8. AIの説明可能性の向上

人間が AI テクノロジーを理解し、信頼し、管理できるようにする説明可能な AI (XAI) が、ますます主流になりつつあります。その結果、Fractal Analytics の Mathew 氏は、一部の IT 組織は、使用されたデータセット、アルゴリズムの評価方法、各段階で生成されたモデル メトリックなど、AI モデルのトレーニング実行に関する詳細を尋ねる規制監査を受けることになるだろうと述べています。

「これらの要素は、モデルが本番環境で実行されている間、また一部のユースケースでは範囲を超えても、収集および保存する必要があります」とマシュー氏は言います。「ソリューション アーキテクトはこれらの要件を満たすアーキテクチャを準備する必要があり、プロジェクト リーダーはこれらの手順と成果物をプロジェクト計画に含める必要があり、アプリケーションを構築するデータ サイエンティストとエンジニアはこのフレームワークを使用する必要があります。」

プロジェクトの開始時にこの作業を計画し、システム開発ライフサイクル全体を通じて必要なサポートを提供することが、AI アプリケーションの成功にとって重要な要素となっています。