Help us understand the problem. What is going on with this article?

2年目が迷い込んだその先は【THE AI 3rd AI時代の適者生存 生まれ変わるために"今"すべきこと】

More than 1 year has passed since last update.

kv_title.png

はじめに

先日虎ノ門ヒルズにて開催された【THE AI 3rd AI時代の適者生存 生まれ変わるために"今"すべきこと】というイベントに参加しました。
https://ledge.ai/the-ai-3rd/
参加者なんと1300人。よくもまああの空間にこれだけの人数が入ったものだと感心します。

自分の目当ては落合陽一さんが登壇される最初の基調講演と、
中島聡さん大澤昇平さん菊池佑太さんが登壇される最後の特別講演だったのですが、
間の講演も非常に魅力的で、中身の濃いものばかりでした。

せっかく今を輝く優秀な方々のお話を聴くことができたのに、この経験を独り占めするなんてもったいない!
ということで、各公演のまとめと自分なりの感想を共有したいと思います。
感想には多分に私の主観が入っていますが、ご容赦願います。

タイムスケジュール

公演は最初と最後の講演を除き、3つの講演の中から選択したもの聴くというシステムでした。
こちらが自分が参加した講演のスケジュールになります。
タイムスケジュール.jpg

今回はこちらのスケジュールに沿ってまとめていきます。

基調講演 落合陽一「多様性社会とAI駆動型課題解決」

AIを考える際に大事なのは、「AIを使うこと」ではない。
あくまでAIを問題解決や最適化の手段の一つと捉えることが重要。

そういう意味で、身の回りにどのような社会問題があり、その社会問題にどのようにAIを当てはめていくべきかを考えなければならない。
日本が直面している大きな社会問題といえば、高齢化
子供が減っていき、人口が収縮していってしまうのは避けることができない。
人生100年時代のこの時代に、何歳になっても社会貢献ができるような基盤づくりをする必要がある。
また、身体的ハンディキャップを抱えた人でも活躍できる多様性があるとより良い。
ex)車椅子が適したところでは車椅子。義足が適したところでは義足を使用する。

「『できない』を『できる』に変えること」が最優先事項で、「より快適にすること」は二の次。
目覚ましい技術の進歩に対応するためには、なるべく早くAIと人間のタスクの切り分けを終わらせないといけない。
全て自動化を目指すのは、もう少し先の話。

とはいえ、現在でもAIを実際に使えるようにするには様々な障壁がある。
◼️ 技術的困難
 ・データセットの少なさ
 ・個人に合わせたチューニング

◼️ 社会的困難
 ・分野融合による技術評価と民間企業との創発
 ・ユーザー層へのリーチと実装コミュニティづくり

研究とエンジニアリングと社会認知を一気通貫させることが必要。
それぞれがバラバラに動いていてもいいものが作れない、というのが非常に難しい。

技術的側面からだけだと見えない問題もある。
困っている本人でないとわからない「できない」がある。
 →きちんとヒアリングをしなければニーズ(困りごと)がわからない。
現場やユーザーによってケースバイケースなので、ワークショップをして地道に課題を発見していくしかない。

意外に簡単に解決する課題もある。
既存のデバイスでも実現ができるなら、それでもいい。

今までは、「問題も解決策もわからない(大学で研究する)分野」や、「問題はわかるが解決策はわからない(企業が取り組む)分野」などが注目されてきた。
これからは『枯れた技術の水平思考』が大事。
既存の技術で実現できるなら、それはとてもスマートなやり方。
技術的に目新しくなくても課題解決できる分野に注目していくべき。

日本は他の国と比べて、問題と得意分野が明らかになっている国。
・労働人口が不足している
・少子高齢化が進んでいる
・通信の分野が得意
・ハードウェアの分野が得意
やっていかなければいけないことも明らかになっている。

企業のアナリティクス戦略を考える上で"今"必要な視点

登壇者:株式会社ウフル 落合研次さん

前提知識

知能の定義:環境に適応させながら、身体を目的に向かって運動させるもの
AIの定義:市場の切り口(認識AI/インターネットAI/ビジネスAI)
※あくまでこの講演内で使用する意味合い

今回の議題

1. Analyticsの戦略
2. Analyticsのデータ図鑑

1.Analyticsの戦略

◼️ Analyticsの目的

Analyticsの目的:現状を正しく分析し、あるべき姿との差分を把握すること。
「将来の状態を達成するために、小さなことから始めて徐々に大きくする」という考え方が大事。

As IsとTo Be

・As is:データから現状を正しく理解すること
・To be:あるべき姿のこと

AIを対応させるのではなく、環境を変えていくこともできる。
※個人的にはこの話が一番感動しました。

ex)中国の雄安新区の場合
自動運転AIは人の飛び出しなどのイレギュラーに弱い
→雄安新区の道路は全て地下に建設される予定
人が飛び出すことがない環境を作ることで、AIの欠点を補うことができる!
http://www.xiongan.jp/archives/10244660.html

◼️ Analyticsのプロセス

あんまりまとめられませんでした。。すみません。

◼️ Analyticsの組織

データサイエンティストに求められるスキルとは...
1. ビジネススキル
2. ITスキル
3. 統計の知識

全てを兼ね備えた人間はなかなか採用できない。。。
しかし、どれか一つのスキルを持った人ならば採用できるはず!

これもAs IsとTo Beの考え方が大事。
To Be:三つのスキルを兼ね備えた人を雇うこと
As is:一つ一つのスキルを持った人を雇って、組織としてAnalyticsを行っていく。

2.Analyticsのデータ図鑑

経営者はAIができることのイメージを掴んでおく必要がある
→データxできること(予測/分類/パターン抽出)という観点からToBeを描く

ここは時間の都合上あんまりお話されてなかったです。

まとめ

☆理想の状態と、そこに至るまでの細分化されたステップを考えるのが大事!
☆経営者は、データの種類と、そのデータから得られるであろう情報を把握すること!

AIの「乗りこなし方」:これからのAI活用に必要な視点

登壇者:株式会社電通 児玉拓也さん

今回の講演の前提

・大企業においての話(スタートアップではない)
・活用サイドの話(開発サイドではない)
・技術領域を俯瞰した時の話(特定の技術領域に閉じない)

「AIを乗りこなす」 = 「今使えるものたちを踏まえた上で、どう課題解決していくか」
課題ベースでAIの活用法を考えていく。

議題

1.失敗例に学ぶAIプロジェクトの勘所〜必要なのはベンダーでなくパートナー〜
2.AI活用を推進するために必要な視点〜ROIの罠〜

1.失敗例に学ぶAIプロジェクトの勘所〜必要なのはベンダーでなくパートナー〜

◼️ プロジェクト設計での例

【失敗例】
企業「業務を画像認識で置き換えたい!」
結果...求められる精度が高く、再現ができない。

【落とし穴】
・AIが目的化してしまっている。
・「なんとなくAIでできそう」からプロジェクトが始まる場合に陥りやすいパターン。
・AIであれもこれもやりたい、やりたいことが多すぎる。

【教訓】
解決すべき課題と求められる精度をしっかりと見定めることが重要。
『勘と経験』がAI導入のチャンス!→精度向上と自動化を同時に狙うことができる。


◼️ データ収集での例

【失敗例】
企業「AIを使って既存サービスをアップデートしたい!」
 →教師データが少ないままプロジェクトスタート
 →それなりに使えそうなシステムは出来上がった!
結果...使用料が高すぎて普及しない

【落とし穴】
・データ量が絶対的に不足している。
・データが散逸しており、統合が困難。
・データ獲得のために新規事業を始めると不確定要素が増えてしまう。

【教訓】
データの見極めがAI開発の8割。
何を学習させて何を推測するのかを、きちんと事前に設計しなければならない。
現存のデータから始められることに絞る。


◼️ アルゴリズム開発での例

【失敗例】
企業「AIを使って予測モデルをたてる!」
 →一つのプロジェクトで複数のアルゴリズムが必要
結果...精度が出なくなってしまう。

【落とし穴】
開発サイドの提案を利用者サイドが咀嚼できていない。
見積もり時に確認すべきポイントがわからない。
どのベンダーも「うちはその分野得意です!」と言う。

【教訓】
組織内で[挑戦↔︎失敗]を集合知にする。
経験値のあるメンバーがフォローをしていくこと。
とにかく早く失敗する。失敗経験のある人をそばに置くこと。


◼️ 評価・NextStep時の例

【失敗例】
企業「AIを使って新しい知見を得たい!」
 →シンプルなAIでできそうなので開発に着手!
 →使えそうなシステムが完成!
結果...使用する人がいない。

【落とし穴】
完成したら「誰」が「いつ」「なぜ」使うのかの練りこみが不十分。
便利なものを作っていれば使ってもらえるかというと、そうではない。

【教訓】
誰がどうやって使うのか、どうビジネスに繋がるのかを必ず明確にしてから走り出すこと。
また、そのための議論をおろそかにしないこと。
開発部門に任せきりにしないこと。
できる限り利用者に近いメンバーを巻き込んで開発を進めること。
自分ごととしてドリブンしていくことが大事。
問題を抱えている本人が開発に携わることが必要不可欠!


2.AI活用を推進するために必要な視点〜ROIの罠〜

ROIとは?

ROIとはreturn on investmentの略で、投資した資本に対して得られた利益のことを指す。
資本利益率やIRR(内部収益率)、NPV(割引現在価値)などさまざまな指標がある。

参考:https://kotobank.jp/word/ROI-22517

AI活用プロジェクトの"R"とは、誰から見た時のRだろうか?
立場によって見える価値は違ってくる。

例えば...
現場の目線:「AIによって業務が楽になる!」
経営社の目線:「開発したAIから新たにビジネスが生まれた!」

現場レベルの"R"はコストに見合わなくても、経営レベルでの"R"に大きく貢献する可能性がある。
一方から見ると大した進歩に見えなくても、他方から見ると画期的だったりする。
→短期的な効用に目を向けるのではなく、イノベーションのタネになる可能性を常に考えるべき(様々な視点でプロジェクトを見てみる)!

◼️ まとめ

ユーザーのことをちゃんと見て、課題に起点を置くこと。(重要なのは技術的に高度かどうかではない)
AIが起こす変化を広い視点で、アイデアフルに考えること。(現場レベルで変化を見てはいけない)

☆新しい技術だけに目を向けるのではなく、課題解決するための手法を考える。

ベンダー企業、ユーザー企業それぞれから見たAIプロジェクト

ベンダー企業篇

登壇者:富士通クラウドテクノロジーズ株式会社 西尾敬広さん

成功確率を上げる重要認識

1.AIについての理解
2.データについての正しい理解
3.必要なコストと期間
4.ドメイン知識の必要性


1.AIについての理解

AIの価値は大別すると3つ。
1.非属人化:『職人』をなくす
2.省力化:労働力の代替
3.品質向上:正解と不正解の差分を小さくすること

どのような効果を見込むのか、各視点で検討→数値化したKPIを設計することが重要

KPIとは?

KPIとはkey performance indicator の略で、企業目標の達成度を評価するための主要業績評価指標のことをいう。

参考:https://kotobank.jp/word/KPI-22888

プロジェクトを成功させるには、産出する効用を事前に考えることが必要。


2.データについての正しい理解

顧客が想定していた使用可能なデータはデータとして利用できない可能性がある。

例)提出されたデータは90万件だったが、実際に使えたのは20万件だった。。。
 →ID被りや、空のデータなどが含まれている。

正しく、欠損の少ないビッグデータを持っているからAIで成果が出る。→これができていないとAIは使えない。
ユーザー企業には「綺麗なビッグデータがあるからこそ精度が出る」という認識が必要


3.必要なコストと期間

AIプロジェクトには、とってもコスト(金・時間)がかかる。。。
そもそもこの認識がないユーザー企業が多い。

最低期間:6ヶ月
最低費用:1000万円

ビジネス的リターンがどれくらいあるか、予めきちんと算出しておかなければ必ず失敗する。


4.ドメイン知識の必要性

データサイエンスには「データサイエンティスト的知識x業務知識」が必要。

例)銀行だったら、銀行が出してきたデータの意味を理解しないといけない。
 →これからは「xxの業界に強いデータサイエンティスト」が出てくる。

◼️ ユーザ企業のMust/Better/Best
Must:ベンダー企業に丸投げせず、積極的に開発に携わること。
Better:ベンダー企業に自分の業界に強いエンジニアをアサインしてもらうよう、お願いしてみる。
Best:業務知識を先立たせ、データサイエンティスト的知識を後追いでつけさせる。
 →社内のドメイン知識に長けた人材を、データサイエンティストに育成する。

ユーザー企業篇

ライオン株式会社 石田和裕さん

AIベンダとの上手な付き合い方

・開発推進に総合力と経験があるパートナーを選ぶべき。
 →+αで、依頼に対して自分ごと化して明るく取り組む姿勢を見せてくれるベンダーがいい。

・課題設定とデータの前処理が難しい。
 →本質的な目的が理解でき、信頼感を持ってお互い仕事ができる相手を選ぶ。

※プロジェクトの説明部分が多かったので、がっつり端折ります。

GoogleCloudのAI技術をビジネス活用する方法

登壇者:グーグル・クラウドジャパン合同会社

すみません。。間違ってメモ消しちゃいました。。
悲しすぎる。。。

特別公演 AIが浸透し始めた今、企業と個人の生存戦略は?

登壇者:一般社団法人 シンギュラリティ・ソサエティ 中島聡さん
       東京大学大学院工学系研究家 大澤昇平さん
       株式会社ABEJA 執行役員 菊池佑太さん

◼️ AIに対する現状認識

☆中島さん
現在のAIブームはテクノロジーのサイクルの上り坂のところ。
  →お金が集まる/勉強する学生が増える/メディアが騒ぐ

今後AIのバブルが弾けるかもしれないが、それは必要な(しょうがない)こと。

長期的にみると、AIを使いこなしていない企業は必ず潰れていく。→それに合わせて活躍できる人間も変わっていくはず。
1,2年では変化が見られないかも知れないが、20,30年スパンで考えると必ずAIには価値がある。

☆菊池さん
(AIの)ポテンシャルはとても高いと考えている。
社会への浸透は今後も徐々に進んでいく。

短期的な視点で考えてしまうと、成功したかどうか(売上が上がったか)に目が行ってしまう。
 →失敗事例に触れた時に、企業が積極性を失ってしまうのが怖いところ。

☆大澤さん
まだまだブームは上がっていくと考えている。

現在は期待値と実態があっていない?が、
使う側が正しい活用法を知れば、もっと盛り上げていけるはず。


◼️ 日本の企業が今後どう変わっていくべきか
☆中島さん
個人単位で考えるなら...
大企業で働いても、経営陣がITをわかっていない & ベンチャー企業を立ち上げても、食べていけるかわからない
→今いる環境で自由に動いていい。上司が間違っているなら、正しいやり方を通すといい。

日本企業はあまりスペシャリストを作りたがらないので、ジェネラリストの管理職に多く報酬が与えられる。
→実際に手を動かしているエンジニアがもっと評価されるべき。

☆菊池さん
エンジニアがAIをチューニングする時代も、いつの日か終わりが来る。
AIにデータを与えるというプロセスもなくなるかもしれない。(AIの民主化が進む)

100%言えることは、AIの分野においても「人間がやらなければならないことは徐々になくなっていく。

☆大澤さん
AIを開発するのは子育てに似ている。
コーディングが上手い人よりも、子育てが上手い人の方が効率よくAIを教育できる。

ビジネス的アウトプットを出すためには、長い期間がかかることは大前提。
→最終的に自分の手から離れることを目指すべき。


◼️ これからに備えて、今すべきこと
☆菊池さん
企業の中で人材を育成すること
「新入社員は全員データサイエンティストにする」くらいの思い切りがほしい。

人に投資をするべき。
パッケージング化していかないと(AIを使用する)限界費用は下がっていかない。
 →利用する側(ユーザー企業)がスムーズにAIを利用、開発できるような状態を整えておく = データサイエンスに長けた人材を育てておく。

☆大澤さん
若手を大事にすること→きちんと評価すること
1on1を実施して、上層部とのコネクションを作りやすくすること。

一人一人と向き合って、本当に実力がある人間の宝探しをする。
(口だけ上手い人間は多くいる)

☆中島さん
経営陣が本気で危機感を持つこと。「この会社はあと10年で潰れる。」

ミクロな視点の最適化と戦うこと。
→マクロな視点を持って最適化を行わないといけない。
(部分最適化ではなく、全体最適化を重視)

感想

講演全体を通して、どの方も共通して仰っていたと思うことがありました。それは、
1. 重要なのは「AIを使うこと」ではなく「課題解決の方法を考えること」。
 →既存の技術で解決できる問題もある。
2. 1を踏まえた上で課題解決にAIを用いるのであれば、綿密な準備と計画が必要。
3. 企業が積極的にAIに強い人材を育成していく必要がある。

この3つです。
特に1については、最初の基調講演から最後の特別講演まで何度も耳にしました。
先んずるはAIの使用ではなく、課題を解決すること。
それは、実際に困っている人たちに対して、今よりももっともっと親身になることだと思います。

今回のブームで、俗に言う「人工知能ブーム」は3回目になります。
ブームになる度、メディアは人工知能をブラックボックスとして扱い、「できること」と「できないこと」の共通認識を不明瞭にしていきます。
2020年に東京オリンピック、2025年に大阪万博を控えた今だからこそ、世界に対して大きく発信できるその瞬間に備え、エンジニアの私たちがきちんとAIの実態を捉えていく必要があるように思いました。

3rdがあれば4thもある、ということで、既に次回の準備も進んでいるそうです!
この記事を読んで興味が湧いたあなたも、是非参加してみてください!
きっとチケット代以上のものを得られるはずです!

あと、もう少し人の話をまとめる力をつけないといけないなと思いました。。

以上です!
読んでいただきありがとうございます!

KLiter
Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away