AI導入を成功させるために最も重要なスキル

実践により、人工知能 (AI) が適切に導入されなければ多くのリスクをもたらすことがわかっているため、企業は従業員が持つ最も重要なスキルを探求する必要があります。

テクノロジーが組織のビジネスにとってますます重要になるのと同様に、それらのテクノロジーをうまく導入するために必要なスキルも重要であり、AI を導入するために必要なスキルも例外ではありません。研究機関Codingameが発表した調査レポートによると、一般的なソフトウェア開発者にとって正式な技術教育の重要性は低下しているという。報告書では、人事担当者の 80% が独学のプログラマーを雇用していると報告しています。

[[382078]]

EY グローバル データ & アナリティクス リーダーのベアトリス サンズ サイスは、次のように述べています。「企業内で AI を大規模に導入することを考えると、従業員に求められるスキルも進化する必要があります。この分野の博士号はもはや必要ありません。企業には、アルゴリズムを記述できるだけでなく、関連するデータを管理できる AI エンジニアが必要です。また、最新のアーキテクチャを形成するデータ エンジニアとデータ スキルに対するニーズも高まっています。これらのスキルがなければ、大規模な AI 導入は困難です。」

今日の世界では、デジタルスキルを習得するよりも、膨大な量のデータを管理・分析し、同僚と迅速かつ明確にコミュニケーションする能力の方が重要です。

コンプライアンスの実践

従来、企業は AI 開発を、モデルが正常に作成された時点で終了するモデル作成プロセスと見なしています。しかし、AI テクノロジーを導入するには、現在、追加の作業が必要です。複数のデータセットを必要とする人工知能の導入では、コンプライアンスが最大の懸念事項となります。

「トレーニングはモデルのライフサイクルの始まりに過ぎないことがますます明らかになりつつあり、必要なスキルはデータサイエンスの能力を超えています」と、Seldon の機械学習エンジニアリング ディレクターである Alejandro Saucedo 氏は述べています。「IT とコンプライアンスの要件は、現在、プロセスにとって同等に重要です。組織は、ユースケースに応じて、使用状況に基づいて導入される運用コンポーネントを考慮する必要があります。コンプライアンス チェックには、運用マネージャー、デリバリー マネージャーなどの役割が必要です。結局のところ、組織に必要な AI スキルは、データサイエンスの能力、ソフトウェア エンジニアリングの能力、IT 運用の能力、およびドメインの専門知識に要約できます。」

DevOps と ModelOps

SAS UK およびアイルランドのデータサイエンス責任者であるイアン・ブラウン博士は、長年の仕事を通じて AI の導入に必要なスキルが進化していくのを目の当たりにしてきました。

「私はこの業界に15年間携わっており、統計学のバックグラウンドがあり、長年コンピューターサイエンスに携わってきましたが、分析の側面に重点を置いてきました」と彼は言います。「企業が今本当に必要としているのは、プロセスのより高度な部分です。つまり、適切な環境を調達し、これらのモデルの開発のためのインフラストラクチャを導入するDevOpsと、それらのモデルがプロセスを経て本番環境に展開されるModelOpsです。」

彼は、展開プロセスの最後に、AI モデルの監視、ガバナンス、検証を考慮する必要があると指摘しました。これらの側面、およびプロセスに適したインフラストラクチャを発見して導入する能力は、数学、統計、コンピューター サイエンスの知識と同様に必要です。

ブラウン氏は、DevOps と ModelOps が銀行業界でうまく適用されていると考えています。大企業は、ビジネス上の問題を包括的に捉え、問題を特定し、それに応じてモデリング エコシステムを適応させています。

分野と業界の知識

AI テクノロジーがますます多くの分野で業務を促進するにつれて、テクノロジーを習得するだけでは導入を成功させるのに十分ではないことは明らかです。 AI ソリューションが企業向けか個人向けかにかかわらず、それを展開するエンジニアは、手元のビジネスを理解する必要があります。

「これらのアルゴリズムがどのように機能し、マシンをどのようにトレーニングするかを理解し、また業界ドメインのビジネスも理解している従業員が必要です」とサンズ・サイズ氏は言います。「この理解がなければ、アルゴリズムのトレーニングはより複雑になる可能性があります。成功するデータ サイエンティストには、技術的な専門知識だけでなく、業界の背景と知識も必要です。」

業界に関する十分な知識がなければ、意思決定が不正確になり、医療などの場合には危険な状況になる可能性があります。 Kheiron Medical などの開発者は、がんのスクリーニングを容易にし、プロセスをスピードアップし、人的エラーを最小限に抑えるために AI ソリューションを使用しています。これをより効果的にするには、スクリーニングプロセスのすべての段階で慎重な評価と検証が必要です。

Kheiron の最高戦略責任者である Sarah Kerruish 氏は、「臨床上の厳密さへの取り組みが私たちのすべての活動の基盤となる必要があるという事実と、独立した検証済みの方法で大規模なテストと評価を行う必要があるという事実を回避することはできないと思います」と説明しています。

ケルイッシュ氏は、同僚と緊密に協力することも医療においては同様に重要なスキルであると考えています。がんの兆候の検出を支援する場合、それは放射線科医と緊密に協力し、患者がプロセスを理解していることを確認することを意味します。

「私たちは放射線科医に代わるためにここにいるのではなく、彼らを助けるためにここにいるのです」と彼女は語った。「会計士が計算機を必要とするのと同じように、私たちは目標を達成するためにもっと良いツールを必要としています。」

AIシステムにおけるバイアス

従業員が十分に理解しておく必要があるもう 1 つの重要な領域は、AI システムの潜在的なバイアスです。 AI 開発チームは、これらのバイアスの影響を最小限に抑えるためのスキルを習得する必要があります。

Onfido のシニア プロダクト マネージャーである Claire Woodcock 氏は、次のように述べています。「経験豊富な技術専門家と、ユーザー エクスペリエンスとポリシーの理解を持つ人材からなる部門横断的なチームが、ガバナンスの実装の鍵となります。これにより、詐欺防止と顧客エクスペリエンスが向上します。私たちはデジタル ID の時代に生きています。したがって、人種、年齢、その他の特性に関係なく、ID 検証テクノロジーはすべての人にとって重要です。ガバナンス フレームワークなどのツールを使用すると、チームは意思決定プロセスを変更したり、偏見を排除したりすることができます。」

Onfido は英国情報コミッショナー事務局 (ICO) と協力し、金融サービスや企業の本人確認における偏りを減らすために顔認識アルゴリズムの改善に取り組んでいます。サンドボックス プログラムの結果、他人受入率は 0.01%、他人拒否率は 0.3% でした。

Acquia の最高科学責任者である Omer Artun 氏は次のように付け加えています。「従業員が教育を受ける必要がある重要な分野は、AI の偏りに関するものです。AI はツールであり、本質的に偏りがあるわけではありません。むしろ、データセットでトレーニングされており、そのデータセットに偏りがあれば、AI システムも同様の特性を取り入れる可能性が高くなります。したがって、チームは、AI システムに偏りのあるデータセットを提供しないように、透明でオープンなデータ収集方法について教育とトレーニングを受ける必要があります。」