上編では、「企業向けソリューションという観点で、人工知能が置かれている現状、そして企業で人工知能ソリューションの実験と開発を開始するパターンを通じて、それに付随する問題をまとめました。

下編では、上編でお話した試行錯誤をせず、人工知能技術を成功裏に導入して広げるために考慮すべき要素を大きく「戦略」、そして「支援体系及び資源」の観点から考えていきたいと思います。

企業が人工知能を導入するにあたって「戦略」と「支援体系・資源」について考慮する理由は、究極的には「人工知能ソリューション」が企業のビジネス自体に革新を起こし、競合他社を超える事業成果を創出するのに貢献しなければならないからです。人工知能の導入にあたってPoCレベルにとどまる「実験」をすることに満足する企業はないでしょう。実験室の結果が実際の現場で具体化しないと世の中に影響を与えることができないように、人工知能の導入にあたっても「実際の事業環境において人工知能で何をどうするか」、「そのために、どのようなリソースとツールが必要なのか」を検討し、それに応じて投資を行わなければビジネスにインパクトを与える人工知能ソリューションを構築、運営することはできません。

まず、「戦略」の観点から、「どんな人工知能技術を確保するか」よりは「人工知能技術を活用してどんな能力(capability)を確保するか」という質問を投げかけることが最優先です。

実際、企業で人工知能を導入しようとする時、確保できる人工知能研究者が不足していて、競合他社の人工知能ソリューション開発のニュースなどに刺激されて人工知能の導入を推進する場合が多いため、比較的速く実験できるオープンソースAPIを活用して、他社でもやっているような、他社と似たり寄ったりなユースケースを中心に課題を構成する場合をよく見かけます。そうなると、いわゆる「low-hanging fruit」を掴み取ることに集中する結果となりますが、このようなアプローチは、一面現実的にやむを得なかったり、時には意味のある方法になったりしますが、根本的にいくつかの限界点を持っています。

1．競合他社に対する差別点や優位に立てる要素を確保できない

人工知能を導入しようとする企業として、オープンソースは、企業独自に開発できない人工知能技術を確保して適用できる非常に重要なツールなのは間違いありません。しかし、逆に、大多数のオープンソース人工知能APIが特定企業のビジネス環境にカスタマイズ(customization)されるには限界があり、また、誰でも使えるように公開されているので、他社とは違う差別点や競争優位性を持つ人工知能ソリューション、ユースケースを作り出すことは、思ったより簡単ではありません。

もちろん、企業Aと企業Bが持っているデータが違うため、当然、結果的に人工知能ソリューションの姿に「差」はありますが、それがそのまま「差別的」な要素につながるとは思えません。

2．中長期的に必要な人工知能の能力より、短期的な課題の解決に追われる

このように、現在、「やるに値する」ユースケースに、「適用に値する」オープンソースAPIで人工知能ソリューションを作ると、どうしても「ビジネス」と「技術」の両方の観点から「現状における短期的、漸進的な改善」に課題が集中しやすくなります。人工知能の適用範囲に制限を設ける必要はありませんが、今まで企業で使われている数多くの技術と人工知能技術の根本的な違い、特に「事前に定義された規則」ではなく、継続して学習していき、以前は人にしかできなかった「予測」作業をはるかに低コストで可能にする技術であることを考慮して、中長期的には現在のビジネス構造やシステムに革新的な変化を起こさせる人工知能の適用課題を探ることも必要な作業です。

もちろん、このように「中長期的に人工知能技術を基盤に作っていくビジネスの力量」を定義すると、「現在オープンソースの形で存在しなかったり、確保が難しい」人工知能の技術要素が見つかるでしょう。しかし、これは人工知能の技術基盤の革新を推進する上で障害となるのではなく、他社にはできない新しい試みを通じて持続可能な差別的競争力を確保できるチャンスとなるでしょう。

3．経営陣の関心と投資を得るのが難しい

「既存のビジネスの短期的、漸進的な改善」というテーマの課題は、多くの場合、ビジネスインパクトが制限的である上に、その範囲が特定の部署に限られやすく、また人工知能技術ではない他の技術的な対策を見つけられる場合が相当数あるのが現実です。そのため、現に、安定的に適用可能な対策があるのに、様々なリスクと全社的な変化を伴う人工知能による事業革新の推進に対する経営陣の関心、投資を引き出すことは容易ではありません。

結局、より広い視野をもって、企業の中長期的な変化を加速できる戦略的な能力(strategic capability)として人工知能をどのように適用していけばいいのか下絵を描いて、その下絵に色を付けるための課題を作成することがとても重要だと言えます。この能力と課題は、わが社が属している産業、わが社に関する様々な脈絡、例えば、データや組織構造、業務プロセス、企業文化などの要素と相互作用しながら、競合他社とは違う差別的な能力として進化できるように定義しなければなりません。なお、技術的な要素を含むとしても、必ず「ビジネス」の観点から定義することが、以後、当該能力の確保において技術的能力を確保する様々な選択肢を検討する上でも有利に働きます。

具体的に、人工知能技術に基づいて企業を革新するための能力と課題、つまり、マシンラーニングで解決すべき問題(Machine Learning Problem)を、どう定義するかについては別の記事で解説するすることにします。

企業が属する領域における未来シナリオに沿って、人工知能技術を基盤に構築すべき戦略的な能力と課題を正しく定義できたら、次は、課題を様々な観点で評価してロードマップを作成しなければなりません。人工知能の導入にあたって、様々な課題の中から適当に課題を実行して失敗する過程を繰り返さないために、人工知能技術の現在と将来、そしてそれがもたらす組織内の変化などを綿密に検討し、ビジネス価値を持続的に作り出せる投資の優先順位を立てることが人工知能課題ロードマップの核心といえます。

おそらく、企業にお勤めの多くの方が、「次世代」とか「デジタル」などのテーマで課題を出してロードマップを作成した経験を（社内独自、社外支援を問わず）していると思います。ところが、人工知能導入のためのロードマップ作成は、以前私たちが検討したほとんどの技術を基盤とした課題ロードマップを作成する作業とはかなり違います。

皆さんご存じのように、多くの場合、ロードマップの作成において、「Impact」と「Feasibility」という二軸で特定課題の優先順位をつけ、Impactでは売上増加、コスト削減といった財務的な効益、または戦略的価値、顧客満足度の増大といった非財務的な効益などに、Feasibilityでは投与必要資源に置き換えて評価します。ところが、人工知能課題のロードマップを作成する際には、より多様な観点の検討と評価が必要になります。

まず、Impactの領域で「当該の人工知能課題が作り出す「ラーニング(learning)」が組織内でどのくらいの意味と価値を持つのかについて、検討する必要があります。人工知能の本質が「learning」と「adaptation」にあるだけに、その課題を具現化して現場で運営したらどんなlearning、insightを得られるのか、そのInsightが我がビジネスのどんな部分にどれだけ影響を与え、さらなる革新を推し進める潜在力を持つのかについて、従来、以前から検討されてきた財務的、非財務的な効益に加えて、評価しなければなりません。

Feasibility検討について見てみます。これまで「デジタルトランスフォーメーション」としての課題は、多くの場合、その課題を具現化するための核心的な技術要素は既に「Commoditization　Curve」に乗っているという前提が成立したり、そのような前提に基づいて「Feasibility」を検討できたので、「Feasibility」で最も重要な要素は、財務的資源、すなわち「投資費用」となることが多かったといっても過言ではないでしょう。

しかし、人工知能の課題では、とりわけ企業向け技術としての観点からは、人工知能技術が、まだ十分成熟していないし、技術の変化や発展が急激に進む中、既存の企業向けシステムとのデータ・インターフェースとの連携にさらなる努力が必要だという点など、「技術の適用可能性」の観点から相当な水準の検討が必須になります。ここ２～３年間、人工知能業界でArchitecture　Search、Hyperparameter　Optimizationを中心に未熟練開発者も比較的簡単にマシンラーニングモデルを作って適用できるように助けるAutoML系製品やサービスが続々と登場してきて、今後も市場は成長を続けると思いますが、依然として企業が求める複雑度の高いのミッションクリティカルなユースケースの場合、専門的な研究者、エンジニアだけでなく、様々な方面の新しい人工知能モデルに関する研究、企業内外のデータ分析などが必要となります。

「Desirability」は、人工知能ソリューションの導入において非常に興味深いものです。プログラマーが事前に定めた規則に従って計算して答えを出す従来のソリューションとは異なり、人工知能ソリューションは内部の規則、つまり人工知能がどのような過程により答えに辿り着くのか、正確に理解することが難しく、そのため、人工知能モデルの説明可能性(Explainability)に関する議論や研究が非常に活発に行われています。人工知能ソリューションが出す結果だけでなく、その理由をどの程度まで、どのような方法でユーザーが理解できるようにするのか、そしてこのような人間と人工知能間の相互作用(human-machine interaction)の中で発生するリスクにはどのようなものがあり、そのリスクをどう管理するかは、当該人工知能ソリューションの導入と普及を成功させるために考慮すべき重要事項になります。

それぞれの課題に対する具体的な検討が一通り済んだら、エンタープライズシステムとしてのScalability、Sustainabilityを確保するための人工知能システムのアーキテクチャについて検討する必要があります。前述したように、共通アーキテクチャの基盤が伴われず破片化した状態で人工知能ソリューションを構築すると、企業で運営する人工知能ソリューションとモデルが増えるにつれて、その開発や管理にかかるリソースとコストが雪だるま式に膨らむ可能性があります。

進化を続ける最前線の人工知能に関する研究結果を競合他社に先駆け、迅速かつ効果的に適用し、自社の人工知能ソリューションに拡大させるためには、様々な課題にわたり共通して活用できる人工知能技術・コンポーネントをまとめ、これらを中心に、先に定義された課題のロードマップを見直す作業を重ねる必要があります。このような過程により構成されるコンポーネント基盤のモジュール型アーキテクチャは、中長期的に人工知能ソリューションに対する投資効益を最適化するとともに、迅速な市場対応能力(time-to-market)を確保できるようにし、人工知能ソリューションから生み出される新しい知識(insight)を組織の様々な分野に広げて普及させる基本構造を提供します。

保険会社の様々な業務領域の中で、「アンダーライティング」と「クレーム処理」を例に解説します。アンダーライティングとクレーム処理は、それぞれ保険会社のバリューチェーン(value　chain)のUpstreamで保険契約の引受可否を判断し、Downstreamで顧客に保険事故が発生した際に保険会社が引受した契約による補償などの処理を実行するプロセスだと簡単に定義できます。二つのプロセスの実行には、かなり違う知識と経験を持つ組織と資源が必要ですが、人工知能技術、またはコンポーネントの観点からは非常に共通する点があります。それは、いずれのプロセスもビジョン(vision:OCR)、自然語処理(NLP)、そしてExplainabilityコンポーネントが核心的な構成要素になるということです。

いずれも、「顧客」、「保険加入申請」、「契約」などの共通したエンティティを核心データとして学習して業務を処理するため、上記の三つのコンポーネントを共通コンポーネントとして開発し、継続して改善していくことは、二つの業務プロセスを実行する人工知能ソリューションの性能改善と直接関係があるだけでなく、中長期的に一つのソリューションを運営する過程で発見された新しい知識(例えば、クレーム受付パターンの変化)をもとに、他の領域のビジネスルールを変更(例えば、保険契約引受の可否を判断するリスク受容範囲「risk appetite」の調整)することで、市場の変化に適時対応するとともにビジネス成果の向上に貢献します。

「支援体系及び資源」の観点で考慮すべき要素には何があるのでしょうか。

まず、企業向け人工知能ソリューションを体系的かつ生産的に開発・運営・管理できるようにサポートする「エンタープライズレベル(enterprise-grade)」の人工知能開発・運営管理の仕組みとプロセスを計画して構築する必要があります。

実験室ではない企業の現場に適用する人工知能ソリューションを開発する過程には、様々な困難が伴われますが、上図のように、当該のソリューションモデルの訓練、テスト、検証に使う企業内外のデータを確保して前処理行なうことに最も多くの時間と手間がかかるというのが業界全般の認識となっています(最も難しく、重要な段階は上図のユースケースデザイン、言い換えると「課題の定義」だと思います)。

データの収集と前処理をサポートするツールの他、人工知能モデルの開発を迅速に行うようにするExperimentation Frameworkやデータのベースラインとバージョン管理による使い勝手のいいベンチマーキングツール、開発過程で作られるモデルを管理するモデルライブラリ、人工知能モデルの自動配布やソリューションの性能モニタリング及び警告システムなど、人工知能ソリューションの開発及び管理ツールとプロセスをきちんと取り揃うことができれば、人工知能の研究者と開発者がそれぞれの持ち場の業務に集中できるため、ソリューション開発の生産性と運営効率性を最大化できると思います。

現在、市場では、オープンソースを含め様々な人工知能ソリューション開発の支援ツールが発売されて使われています。ただ、解決したい問題がすでに普及している基本的な人工知能モデルの活用で十分対応できる場合に適したツールもあれば、研究者が新しいモデルを設計してソリューションを構築する場合に必要な機能を提供するツールもあるなど、ツールのポジショニングやロールがそれぞれ違うため、自社の人工知能ロードマップの方向、開発に必要な人材及びパートナーシップの構造などによって、人工知能ソリューション開発ツールのポートフォリオを構成することも考慮する価値があります。

「人的資源」のことも欠かせません。

人工知能ソリューション開発を推進するどの企業も、「人材」不足に頭を悩まされている思います。筆者がお会いした企業の皆さんが口を揃えて「人工知能ソリューションを開発した経験のある研究者、開発者が不足している」と悩んでいて、この問題を解決するために外部人材の採用だけでなく、社内の開発者やデータエンジニアの教育を行うなどして、人工知能の研究者や開発者に対するニーズと現実のギャップを埋めようと努力しています。

Screen Shot 2020-02-03 at 8.36.40 PM.png

人工知能関連人材の育成という問題は、すでに一企業の問題にとどまらず、将来の国家競争力にかかわる問題とされていて、韓国政府もこの問題の重要性を認識して2019年から人工知能分野の優れた人材を育てるために、人工知能大学院支援事業に乗り出し、2019年3月と9月にわたって大学５校を「AI大学院」に選定して、同分野を担う研究者の育成を推進しています。

カナダの人工知能（AI）スタートアップ、Element AIが2019年に公表した「グローバルAI、タレントレポート」によると、広く知られている計21の有名カンファレンスの論文掲載の有無を基準にすると、2015年から2018年の間、人工知能研究者数は約35%以上増えましたが、依然として、米国、中国、英国、ドイツ、そしてカナダの５か国が研究者全体の70%以上を占めています。こうした集中現象には、PhDを基準にしたた場合、本人が学位を取得した国ではない他の国に位置する企業で働く研究者が約3分の1に上るほど、学問的、経済的、社会的に人工知能研究者にとって移動しやすい環境が形成されていることも影響したと推測されます。ただ、韓国と日本をはじめとした北東アジアの国々では、このような「移動現象」が非常に弱い方ですが、人工知能研究の生態系が十分に成長していないアジア諸国の研究者が、海外の研究コミュニティとかけ離れていることを物語っているでしょう。

アジア諸国においては、国家レベル・企業のレベルともにグローバルな人工知能の生態系と、より積極的に連携を図るとともに、協力モデルを構成して強化していくことが喫緊の課題と考えられます。

企業の領域にまた戻りますと、どんな革新課題を推進する時と同様、資源の計画は該当企業の戦略にカスタマイズした(customized)ものでなければなりません。産業が直面している市場の変化、それに対応するための当該企業の戦略に基づいて、人工知能に関する様々なスキルのポートフォリオを構成し、これを組織内で育てたり、パートナーシップを通じて確保できるようにしなければなりません。

この過程で、果たして、わが社にとって必要なスキルにはどのようなものがあるのか、綿密に検討する必要です。多くの企業にとって、人工知能のソース・スタディを遂行する研究者を十分確保することは容易ではないし、研究結果を適用する観点から規模の経済(economy of scale)を達成することは非常に困難です。戦略的に、どうしても必要だと判断される人工知能技術について、企業内部の能力と知識、経験を蓄積できる構造とパートナーシップが核心的な要素であると言えます。

もう一つは、企業で人工知能ソリューションを開発する過程だけでなく、運営・改善する全ての過程において、核心的な役割を果たすスキルが他にもたくさんあるということです。人工知能技術への理解が深いデータアナリストや企画者、製品・サービスのデザイナー、UXデザイナーなど、中長期的に人工知能研究者に劣らない波及力を生み出せる様々な関連スキルを検討して人材を育成することも、これから推進しなければならない課題だと思います。

上編と下編を通じて、「企業向けソリューション」として人工知能技術の現状と大多数の企業が今、直面している問題、この問題を解決するとともに人工知能技術による革新を成功裏に進めるために必要な「戦略」と「支援体系及び資源」の観点から考慮すべき要素を私個人の短い経験を踏まえてお話しました。

現在、企業を運営するビジネスシステムを構成するほとんどの技術とはまったく異なる特性と潜在力を持っている技術であるたけに、人工知能技術を上手く適用して事業を革新するということは非常に難しいことです。果たして、今の内、始めるのが正しいでしょうか。至極ごもっともであり、私は、逆に「今の内、始めなければならない」と言いたいところですが、それには以下のような理由があります。

人工知能技術と能力への投資と革新には、多くの準備作業が必要

下編を通して説明したように、人工知能技術基盤の事業革新のためには、戦略やデータ、組織、ガバナンスなどに対して、全体にわたる検討と準備が必要です。特に、組織文化とガバナンスは、綿密な検討を重ねて長期間変えていかなければならない領域であり、真のAI-First/AI-Native企業として生まれ変わるための準備は、今、始めなければなりません。

人工知能ソリューションが十分な成果を出すには、相当期間のfine-tuningが必要

人工知能ソリューションそのものの、すなわちモデルの性能も企業の現場で満足できる水準になるには、相当期間のfine-tuningが必要です。しかし、より重要なことは、人工知能技術を基盤とする「知識」中心の組織に変わるためにはhuman-machine　interactionによる様々な試行錯誤を経験することで、わが組織ならではの知識の生産・配信・共有のシステムを構築する必要がありあります。

人工知能技術基盤の革新は「勝者独占」の市場を形成する可能性がある

人工知能時代において、「ファースト・フォロワー(fast-follower)」戦略で勝者になるのは非常に難しいことです。一度定まったシステムのルールが時間が経っても変わらない従来の企業運営システムとは異なり、人工知能技術基盤のシステムは変化を続ける市場の状況に継続して適応しながら、学習の持続的なフィードバックを経て「ファースト・ムーバー(first-mover)」と「ファースト・フォロワー」の格差をどんどん広げていくことになり、結局、勝者独占の市場を作り出す可能性が高くなります。

上編で申し上げたように、企業が人工知能技術を基盤にして事業を革新するということは、現時点では、非常に高く険しい山を登るのと同じことです。さらに多くの企業が、正しい地図と装備を備えることでこの険しい山登りに成功することを期待します。