2022 年 11 月、ChatGPT が登場し、人工知能と機械学習、特に生成 AI をめぐる爆発的なブームに火が点いてからちょうど 1 年が経ちました。それ以来、「Predictive Analytics: Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie or Die」のベストセラー著者である Eric Siegel 氏は、いくつかの AI プロジェクトが成功し、他の多くのプロジェクトが失敗するのを見てきました。
元コロンビア大学教授の Siegel 氏は、最新刊「 The AI Playbook: The AI Playbook: Mastering the Rare Art of Machine Learning Deployment」の中で、革新的な AI や機械学習のプロジェクトは、スタート地点で行き詰まることがしばしばあると述べています。
「ようするに、着手しないし、導入もしない。データ・サイエンティストは実行可能なモデルを構築しますが、組織の利害関係者は冷淡になります」と、Siegel 氏は The Forecast のインタビューに答えています。
成功したいのであれば、2023年に生成 AI やその他の未来の人工知能の可能性に熱狂していた組織は、なぜ AI の夢が実際の AI 導入につながることが少ないのかを自問自答しなければなりません。そして、機械学習の妄想をビジネス構築の現実に変えるためのアドバイスに従わなければならない、と Siegel 氏は述べています。
何が問題なのか
生成 AI の潜在的なユースケースは数多く、多岐にわたります。例えば、AI が生成する提案は、新入社員の生産性を大幅に向上させることができる、と Siegel 氏は語っています。適切なガバナンスがあれば、頻繁にコミュニケーションをとったり、多くのコンテンツを作成したりする組織でも、生成 AI を利用して仕事を効率化することができます。個人はプレゼンテーションのサポートとしてオーダーメイドの画像を作成するために、企業は 製品の設計に利用することができるのです。
要するに、可能性はたくさん秘められているということです。
では、なぜこうした取り組みが行き詰まるの でしょうか？なぜ主要な利害関係者は、機械学習の導入を開始するときに尻込みしてしまうの でしょうか？
Siegel 氏によれば、多くの場合、問題は技術的なものよりも組織的なものだといいます。よくあるシナリオでは、機械学習モデルは有用なアウトプットを生成することができるが、「それは必ずしもビジネス目標と密接に一致していない」と彼は述べています。
ビジネスラインのリーダーが、生成 AI や AI による予測がどのように業務を改善するのかを知らない場合、イノベーションは失敗に終わります。機械学習をサポートするビジネス機能を立ち上げるには、「利害関係者は、これがどのように価値を提供しようとしているのかを正確に理解しなければなりません」と Siegel 氏は強調します。
正しく理解する
機械学習のメリットを享受するためには、組織には規律あるアプローチが必要だ、と Siegel 氏は提言します。生成 AI は単なる技術的な提案ではなく、特定のビジネス機能を向上させるための提案である、と彼は述べています。その成果を得るためには、チームの努力が必要なのです。
もし IT チームやデータサイエンティストが、解決すべき問題を明確にするためにステークホルダーを巻き込むことなく、機械学習の使い方を伝えるなど、単にソリューションを渡すだけであれば、そのプロジェクトはすぐに立ち行かなくなるでしょう。
Siegel 氏は、ニーズに応えるアルゴリズムを作り上げるのは「全員の仕事である」と語ります。機械学習を本番稼動させたいと思うほど、利害関係者が情熱を傾けるためには、「彼らも詳細の形成に協力しなければならない。彼らは、プロジェクトの立ち上げから展開という最後の最後まで、データの専門家と協力的に関わらなければなりません」
Siegel 氏は著書の中で、bizML と呼ぶ機械学習プロジェクトを実行するための 6 ステップのアプローチを説明しています:
- Value: 導入目標を設定し、ビジネス価値提案を定義する。
- Target: 予測目標を設定する。モデルが何を予測するかを正確に定義する。
- Performance: 評価指標を確立する。
- Fuel: データを準備する。
- Algorithm: モデルを学習させる。
- Launch: モデルを展開する。
IT リーダーとソフトウェア開発者には、このような重要な役割があります。
技術サイドの人々は「一般的には機械学習の運用や MLOps の実装を通じて、モデルの開発と最終的なデプロイメントをサポートする」と Siegel 氏は言う。「MLOps とは、デプロイメントを成功させるためのすべてのツールやテクニック」を広く指す言葉です。組織的なテクニック、組織的なパラダイム、プラクティス、あるいはプレイブックです」
Siegel 氏が言うように、「数字を計算する」技術的能力に焦点を当てるだけでなく、技術チームは機械学習のステップの実践的な応用を考えなければなりません。
「分析技術にばかり注目が集まっており、それは後回しにされがちです」と Siegel 氏は続けます。「ロケットの実際の打ち上げよりも、ロケット科学に熱中しているようなものだ。このロケットの打ち上げを気にするのと同じ程度に、IT プロフェッショナルには、このロケットがどのようにオペレーションを改善するかを考えてもらう必要があります。
ソフトウェア開発者の参入
業務改善には通常、AI ソリューションが既存のシステム、データベース、テクノロジー主導のプロセスとのインターフェースを必要とします。ソフトウェア開発者は、「システムの仕組みの変更を統合する必要がある」と Siegel 氏は述べています。
「AI を使えば、モデルからの予測という科学を取り入れて、物事を変えていくことができます。どの取引を監査するのか、どの広告を表示するのか、あるいはどのような業務を改善するのか、それが直接の情報になるのです」と Siegel 氏は続けます。「開発者は、実現可能性、要件、スケジュールを設定する必要があるため、最初から参加する必要があります」
「 AI モデルを導入するとき、最も重大でインパクトのあるプロジェクトでは、既存のシステムを変更する必要が生じ、ソフトウェアも変更しなければならなくなるでしょう。ソフトウェア開発者は、その会話の中心にいる必要があります」と Siegel 氏は語っています。
まやかし vs 現実
生成 AI ブームが始まって 1 年、Siegel 氏はビジネスリーダーに現実的な期待をするよう勧めています。
これまでのところ、生成 AI は単純な質問に答えることに関しては良い結果を出しています。編集者の監視があれば、コンテンツ制作を加速させるために、信頼できる最初の原稿を書くことができます。AI は、人間が自分で分析するよりも多くのデータに基づいて予測を立てるのが得意です。
「一方、AGI（汎用性人工知能）への道を歩んでいるという噂もあり、そこではシステムが自律的にタスクだけでなく仕事もこなすようになると言われています。人間の従業員を雇い入れるのと同じように、AGI をインストールして自律的に働かせることができるのです」と Siegel 氏は語っています。
Sigel 氏によれば、まだ実現はしていない。ボタンを押すだけで AI を実現するようなキラーアプリもまだ登場していない。そのキラーアプリを待つよりも、あるいは AGI の未来を夢見るよりも、今日のビジネスリーダーは AI の未来 について現実的に考えなければならない、と Sigel 氏は述べています。
同氏によると、「まず、彼らは次のように問う必要がある： それはやる価値があるのか？それは組織の価値構築に役立つのか？このテクノロジーがどのように既存のプロセスを改善し、より効率的で効果的なものにするのか、具体的に考える必要があります」
「その可能性を実現するためには、そこにフォーカスする必要があります。最終目標は何か？最終的に何を目指すのか？それを具体的にすることで、パフォーマンスの向上や価値の測定を成功させることができる」と Siegel 氏は締めくくります。
来年、AI と機械学習が本格化する年になるでしょう。
編集部注：エッジからコアまでのイニシアチブを簡素化し、迅速に開始できるように設計されたフルスタックのソフトウェア定義 AI 対応プラットフォームである Nutanix GPT-in-a-Box を含む、AI 向け Nutanix プラットフォームの詳細についてはこちらをご覧ください。
Adam Stone 氏は、官民の技術動向を20年以上取材してきたジャーナリストです。
© 2024 Nutanix, Inc. 無断複写・転載を禁じます。その他の法的情報については、こちらをご覧ください。
