【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
•
3 recomendaciones•1,011 vistas
1．講演趣旨： 本講演では、研究開発業務の効率化・生産性向上のために人工知能を活用する際の考え方や注意点を、最近の動向、技術的な特性、実際の活用事例などを踏まえて説明します。 人工知能の成果は過熱するブームに便乗して喧伝されることが多いため、「何がどこまで実現できるか」を正確に理解することは、事実を整理しても難しい状況と言えます。そのため、人工知能に対して過大な期待を寄せたまま、対象業務の特性や要素技術の得意・不得意を把握せずに企画を進め、導入に失敗するケースが見られます。 本講演では、研究開発の現場に人工知能を導入する際の取り組み方や、現在の人工知能関連技術の特性に基づく導入検討ステップを順番に説明します。 2．講演項目： ・いま人工知能が注目されている理由 ・人工知能＝ビッグデータに対する機械学習の適用 ・ハイプサイクルに沿った「人工知能」のフェーズ ・今回の「人工知能ブーム」の傾向と今後の動向 ・現在の人工知能でいま何がどこまでできるのか ・人工知能の活用事例 ・人工知能ビジネス業界におけるプレイヤー ・人工知能の導入のための注意点 ・知財関連業務に対する人工知能のインパクト ・特許調査と人工知能
Recomendados
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a 【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
Similar a 【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り (20)
【技術情報協会】人工知能を使ったR&D業務効率化・生産性向上のシステム作り
- 2. 会社概要・代表紹介 藤田 肇 株式会社リジー 代表取締役 / 博士（工学） AIコンサルタント・言語化プロフェッショナル ⚫ 「人工知能 冬の時代」 に機械学習を専門に博士課程を修了 「データサイエンティスト」 という言葉がなかった時代に機械学習 を用いたデータ分析者として活躍 ⚫ その後 AI 関連企業の経営企画チームに参画し CTO 直下で 全社的な経営課題の解決に向けてプロジェクトを統率 ⚫ 現在はベンチャー企業を中心に 経営者の参謀役として課題の 言語化から その解決に向けたコンサルティングや 課題解決型コ ンテンツの企画・制作などに携わる 商号 株式会社リジー 設立 2017年12月1日 所在地 141-0022 東京都品川区東五反田 いちご東五反田ビル3F
- 3. 弊社の役割 1. コンテンツ企画型の課題抽出コンサルティングサービス 2. 企業における AI 活用に向けたコンサルティング 企画・マネジメント（設計する） 実務・スペシャリスト（運用する） 営業・財務 など研究・技術開発 など 技術戦略・知的財産 など 経営・事業企画 など AIの技術に関する素養がある側 ビジネスの運用現場を熟知している側 ビジネス （具体的・社会的） 技術・研究 （抽象的・学術的） サポートします 両者を繋いで 現場の意思決定プロセスをAIで合理化したい
- 4. 本日のセミナーにおけるメッセージ 「AI 導入プロジェクト」 をとおして 真の 「働き方改革」 を 実現するためのヒントを持ち帰ること メインメッセージ 1. 現時点における技術水準では AI は人間の仕事を全部代替で きない 2. 現在の AI を正確に理解し 正しく導入に取り組めば業務の生 産性を底上げすることはできる 3. 「AI を導入する」 という過程そのものが 「働き方改革」 を進める 取り組みになるだろう サブメッセージ
- 5. 本セミナーの章立て ⚫ なぜ AI がブームになっているのか？ ⚫ なぜ各企業は AI の導入を急いでいるのか？ ⚫ 先行してどのような取り組み事例があるのか？ など 現在の AI 活用の潮流を俯瞰して 全体像を把握する 第１章：AI のリアルを知る ⚫ 導入までにどのようなステップがあるのか ⚫ 各ステップにおいてどのようなハードルが考えられるか など 導入に向けた手順の概略を理解する 第２章：AI を導入する手順を理解する ⚫ これから AI はどうなっていくのか ⚫ 真の 「AI」 は実現するのか？ ⚫ 人間に求められることはどのように変化するのか？ など ポスト 「人工知能ブーム」 の先にあるものを予測する 第３章：AI の未来を予測する
- 8. 人工知能ブームの要因１ 空前のコンピュータ環境の実現 １人が１台の高性能コンピュータを持ち歩く生活に変化した 5 10 15 20 25 30 35 0 20 40 60 80 日本における スマートフォン 普及率（%） トランジスタ密度 （ユニット/nm） 2010 2011 2012 2013 2014 2015 2016 2017 2018 （予測） 出所：総務省情報通信白書，国際学会IDEMのシンポジウムにおけるインテル基調講演の資料 スマートフォンの普及率とCPU性能（トランジスタ密度）との関係
- 9. 人工知能ブームの要因２ ビッグデータの出現 コンピュータネットワークの発達で社会からビッグデータが発生 0 2000 4000 6000 8000 8000 8500 9000 9500 10000 出所：総務省情報通信白書 インターネット 利用人口 （万人） データトラヒック (Gbps) 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016インターネット利用人口とデータトラヒックとの関係 ADSLの普及期 スマートフォンの普及期 AI/IoT の黎明期
- 10. 人工知能ブームの要因３ ディープラーニングの普及 ビッグデータ分析で意思決定のプロセスを合理化したい → 「ディープラーニング」 が人工知能に対する期待を背負ってブームに火を付けた 「ディープラーニング」 と 「人工知能」 とのGoogle検索回数の関係 0 20 40 60 80 100 120 0 5 10 15 20 25 「人工知能」の 検索数（右軸） 2014年 9月 2018年 3月 2016年 5月15日 NHKスペシャル 「羽生善治 人工知能開発の 最前線を訪ねる」 2016年 3月20日 Google 「アルファ碁」 イ・セドルに勝利 出所：Googleトレンド （万回）
- 11. これまでの 「AI ブーム」 との違い これまでのブーム（第１,２次ブーム） ⚫ アカデミック界隈で盛り上がっていた ⚫ 研究資金は政府が提供していた 今回のブーム（第３次ブーム） 1. 民間が巨額を投資し ブーム牽引の主体 ⚫ 「学術的な興味」 ではなく 「社会の要請」 ⚫ 大量のデータ・情報を知識・知恵に昇華することに 社会的なニー ズが大きく 「儲かる成長産業」 に成長 ⚫ 世界的な超低金利（特に 長期金利が低下） 2. 投資と技術の好サイクル ⚫ 技術が資金を呼び 資金が技術を加速させる ⚫ 手軽なプラットフォームがインターネット経由で普及し 参加者の 裾野が爆発的に広がる
- 12. 各企業が AI の導入を急ぐ理由 「AI 導入」 をとおして 「働き方改革プロジェクト」 を成功させるため ⚫ 少子化による人手不足 ⚫ 経営環境の急激な変化 ⚫ 市場のグローバル化と新興国企業の台頭 などが背景にあるため 組織の効率性・創造性・躍動性を向上させて 競争力強化に繋げたい 経営課題 そのためには 「組織のあり方」 「既存業務の進め方」 にメスを入れなければならない ⚫ エンゲージメントの強化（社員満足度・定着率・帰属意識の向上 など） ⚫ 人材の最適配置と業務プロセスの刷新による経営効率の向上 これらをとおして 最終的には 「イノベーションが生まれる創造的な組織」 に作り替えたい 「AI で何かできないのか？」 翻訳：最新技術の導入を１つの契機として イノベーティブな組織に生まれ変われないか？ 最終的な問いかけ 検討の過程
- 13. 人工知能の応用事例１ 島津製作所 「質量分析計のピーク検出」 を自動化 検 出 強 度 時間 検出強度の波形ピークは どこからどこまでか？ 判定基準を人間が決めていた ⚫ 複数の成分のピークが重なった ⚫ 出力波形に雑音が載った うまくピーク検出できずに人手で修正 従来の課題 大量にある過去の分析データで AI を 学習させて自動判定 誤判定率：29％ → 7％ （ほぼ人手を使う必要がなくなった） 解決 出所：日経コンピュータ 「AI導入の失敗則」 2017年12月21日号
- 14. 人工知能の応用事例２ 三菱重工航空エンジン 「研削加工時に発生する補正作業」 を支援 製造ロット 加工位置のズレ量 加工１回のズレ量 （破線は AI の予測） 運用上の 許容範囲 ⚫ 多数のブレードを加工するうちに 研削の位置ズレが大きくなる ⚫ 運用上の許容範囲を超えそうかど うかを作業者の経験に頼っていた 従来の課題 ⚫ 複数の予測モデルを次々と取り替 えながら許容範囲の超過を予測 ⚫ 超過が予測されたらアラート ⚫ 不良品率が半減した 解決 出所：日経コンピュータ 「AI導入の失敗則」 2017年12月21日号
- 15. 人工知能の応用事例３ 検 出 強 度 時間 異常検出 正常時波形 （破線は測定値） ルネサスエレクトロニクス 「半導体の加工工程における異常検出」 を自動化 出所：日経コンピュータ 「AI導入の失敗則」 2017年12月21日号 ⚫ 半導体の製造工程においてセン サ波形から異常を検出したい ⚫ 波形の傾きなどの閾値を人間が 設定していた→虚報が多すぎた 従来の課題 ⚫ 異常検出に AI を用いたところ虚 報がほぼゼロに ⚫ 不良品が減り コストを1億円/月 削減できた 解決
- 16. 「人工知能」（AI; Artificial Intelligence）とは 「人工知能」 は もともと学術的な用語で 専門家でも定義がバラバラ 中島秀之 公立はこだて未来大学 学長 人工的につくられた知能を持つ実体 あるいは それをつくることに よって知能自体を研究する分野 西田豊明 京都大学大学院情報学研究科 教授 「知能を持つメカ」 ないしは 「心を持つメカ」 溝口理一郎 北陸先端科学技術大学院大学 教授 人工的につくった知的な振る舞いをするもの 長尾真 京都大学 名誉教授 人間の頭脳活動を極限までシミュレートするシステム 掘浩一 東京大学大学院工学系研究科 教授 人工的につくる新しい知能の世界 浅田稔 大阪大学大学院工学研究科 教授 知能の定義が明確でないので、人工知能を明確に定義できない 人工知能学会の歴代会長による 「人工知能」 の定義 出所：「人工知能は人間を超えるか」（著者：松尾豊，出版：角川EPUB選書）
- 17. 人間の知能の本質は 「見える化」 されていない 人間の知能を模倣するシステムは ブラックボックスとなる サイエンス 未知の事象を 「見える化」 すること 「人工知能」 は 「見える化」 されていない 各学問領域で 人間の知能の本質は依然として見える化されていない → 「人工知能」 も見える化されていない → 人間の知能を模倣するシステムは ブラックボックスとなる ※見える化：言語・数式などの客観的な形式で表現すること 入力 出力どのような過程を経ているかは不明 入出力の関係のみを模倣する
- 18. 従来の情報処理との違い 「ルールの書き出し」 から 「データを用いたモデルの最適化」 に変化 入出力の対応関係を あらかじめプログラミングしておく → 想定外（プログラムしていない場面）の入力に対して何もできない 第２次 AI ブーム：エキスパートシステム（ルールベース） 入力データ 出力データ 入出力の対応関係（規則性）を獲得し 未知の状況にも応用する → 想定外の入力に対しても汎化性能を発揮できる 機械学習の発展 入力データ 出力データ 1970年代後半～ 1980年代後半 1990年代前半～ 2010年代前半 出所：情報機構 「初めてからの人工知能入門」 立命館大学 谷口忠大先生による資料
- 19. 「人工知能」 と 「機械学習」 との関係 人工知能 入力に対する出力が 「人間っぽい」 印象を与える情報処理の総体 機械学習 データを用いて学習モデルを最適化することにより 有用となる情報処理の結果を得るための枠組み 下位概念 ニューラルネットワーク 機械学習における学習モデルの一種 ネットワーク構造を持ち ネットワーク間の重みを最適化する 下位概念 ディープラーニング ニューラルネットワーク（多層パーセプトロン）において 複数の中間層を持つもの 下位概念 ※藤田による定義です
- 20. 機械学習は 「逆問題」 を解くための手段 順問題 原因から演繹的に結果を導く問題 逆問題 結果（データ）から帰納的に原因を推定する問題 無秩序なデータ 原因を推定して秩序化 未知のデータを処理 どっちだろう…？ 推測統計学（スプーン一匙で鍋全体の味を推測する）を中心とする 数理科学が学問的な基礎となる ※機械学習の話が全体的に小難しいのはそのせい
- 21. 「人工知能」 と他の用語との関係 IoT センシングで環境から情報を取得 ネットワークで情報共有 AI 「人間っぽい」 印象を与える 情報処理を実行 ロボット・自動車 など AIによる情報処理の結果として 制御される対象 ビッグデータ 巨大なデータの集合体 クラウドに置かれることが多い 出所：決定版AI（著者：樋口晋也，城塚 音也，出版：東洋経済新報社）
- 23. 入出力の対応関係を獲得する 入力 出力 ディープラーニングは 入出力の関係（＝関数）をデータから学習・近似する じゃあ、この入力に 対しては？ たぶん、この出力 （関数近似，システム同定，回帰）
- 24. ディープラーニングで何が変わったか 人間の仕事：入出力の対応関係を あらかじめプログラミングしておく 第２次 AI ブーム：エキスパートシステム（ルールベース） 入力データ 出力データ 人間の仕事：出力が最適となる入力データの特徴を作り込む 人工知能冬の時代：機械学習の発展 入力データ 出力データ 特徴 機械学習 人間の仕事：大量の学習データを集める 第３次 AI ブーム：ディープラーニングの出現 入力データ 出力データディープラーニング 人間が特徴を 作り込まなくても 規則性の精度が 飛躍的に向上 （ただし大量の データが必要） 出所：情報機構 「初めてからの人工知能入門」 立命館大学 谷口忠大教授による資料
- 25. ディープラーニングが解ける問題 ー 識別・分類 「この画像は犬」 「この画像は猫」 という関係を学習したモデルを用いて 未知のデータを識別・分類する 猫 犬 犬確率｜0.2877 猫確率｜0.7122「怪しい」 もの（＝未学習のもの）に 「分からない」 とは言えない
- 26. 認識・分類のトップランナー ⚫ 中国のユニコーン企業 （非上場で時価総額1,000億円以上） ⚫ 数億件のデータでディープラーニングし 顔認識の精度は 99.5％ で世界一※ ⚫ 日本法人センスタイムジャパンは ホンダと共同開発契約を締結し 自動運転の実現に向けて開発を進める ⚫ 「SNOW」 の顔認識技術は センスタイム製 ※ImageNet 主催の ILSVRC2016 の3部門で1位を獲得
- 27. ディープラーニングが解ける問題 ー 予測 「羽生さんは 過去この局面ではこう指した」 という関係を 棋譜からモデルを学習させ このモデルを用いて 未知の局面において 「羽生名人はどう指すか？」 を予測する ▲２六歩 △３四歩 ▲７六歩 △４四歩 ▲２五歩 △３三角 次どう指す？ ▲６八飛 確率：0.324 ▲７八金 確率：0.134 ▲２四歩 確率：0.082 ・・・
- 28. 予測・制御のトップランナー ⚫ イギリス発の人工知能企業 2014年に Google に買収された ⚫ 「深層強化学習」 を開発し 2016年に囲碁 の世界チャンピオンを破って一躍有名に ⚫ Google のデータセンターの冷却稼働を AI で最適化し 消費電力を最小化することによ り 40％以上のコスト削減を達成
- 29. 「明確」 かつ 「評価容易」 なタスクに強い 結果が評価困難 結果が評価容易 規則性が明確 （説明可能・形式知） 規則性が不明確 （説明不可能・暗黙知） 規則性は不明確・評価困難 （自然会話, 芸術） 規則性が明確・評価容易 （ゲーム, 物体認識, 制御） 規則性は不明確だが 結果は評価容易 （専門性の高い良否判断） 規則性は明確だが 結果は評価困難 （文書要約, 翻訳） パフォーマンス 出しやすい パフォーマンス 出しにくい データ 集めやすい データ 集めにくい
- 30. AI サービスマップ 出所：三菱総合研究所 「人工知能を活用したサービスの動向と将来展望」 ⚫ 「明確」 かつ 「評価容易」 なタスクとして切り出せる ⚫ 投資対効果が見込める
- 31. 置き換わるのは 「ジョブ」 ではなく 「タスク」 人工知能に対する一般の理解はその実態から大きく乖離している ディープラーニングが 全部よろしくやってくれる 一般の 理解 結果 出力 データ 入力 実態 データ 入力 評価 分析 判断 行動 結果 出力 人工知能が 担える機能 （ここのみ！） 判断・行動して 成果を出すのは人間 （当然ですが！） 参考：Mckinsey Global Institute「A future that works: Automation, Employment, and Productivity」
- 32. 特許調査の例 特許調査のプロセス 業 務 の 負 荷 ・ 難 易 度 の 累 積 発明の 把握 調査 ポイント の抽出 予備 検索 検索式 の策定 目視 確認 特許 公報の 抽出 内容の 理解 判断 対策 脚注：専門知識・経験に基づく藤田の主観的な印象による 「特許を調査する」 というジョブにおいて 人工知能が代替すべきタスクは２つ このタスクを軽減できれば 全体の負荷が大幅に軽減される → AI と相性もよいので代替が進んでいる
- 33. AI 導入のメリット 第２のメリット 適材適所でうまく使えば 生産性を向上させる（意思決定の質・スピードを 向上させる）ことができる ⚫ 「データに基づく意思決定が重要だ」 という認識を広げることができる 第１のメリット 業務プロセスの見える化が進む（プロセスエンジニアリング） ⚫ 属人的な暗黙知のまま運用されていた業務が 形式知化される ⚫ タスクの見直し（統廃合・最適化）が進む → 全社的に 「働き方を再考する」 という気運を醸成する ※ 最終的に 「AI を導入しない」 ということになってもOK
- 34. 第１章のまとめ 第１のポイント ⚫ 「人工知能（AI）」 とは 単なる 「情報処理」 です 現時点における技術水準では AI は 人間の仕事を全部代替できません ⚫ AI の特性を理解し 「道具」 の正しい使い方を考えるのは人間です ⚫ うまく使えば 業務の生産性を高めることができます ⚫ 要するに 業務プロセスとのインテグレーションが重要です 第２のポイント ⚫ AI は 「魔法の杖」 ではありません（「青い鳥」 でもありません） メディアは 一握りしかない他社の成功事例を盛って煽るので 注意が必要です ⚫ 大量のデータがなければ 学習できません 「規則性が明確」 かつ 「パフォーマンスの評価が容易」 なタスクを特定しましょう
- 36. AI の導入ステップ 次の５ステップで AI を導入する → 意思決定のプロセスを改善する（「人工知能を導入すること」 は手段） 課題化 （企画） 設計 構築 運用 1. プロセス全体を明確に定義 （プロセスエンジニアリングの発想） 2. AI 導入可能なタスクを特定 3. AI 導入の効果を評価・検証 （損益分岐点は事前に分からない，意思決定への寄与×重要度で評価） 5. 導入・運用 4. プロトタイプ制作・実験・評価
- 37. 他社におけるAI導入の標準ステップ 三菱UFJフィナンシャルグループが策定したAI導入プロセスの概要 出所：日経コンピュータ 「AI導入の失敗則」 2017年12月21日号 AI活用を提案 課題・要件を 整理 実証実験の 要件定義 実証実験と 評価 本格導入の 可否を判断 利用 部門 AI ラボ AIが使える業務 を掘り起こし AI適用の妥当 性を一次評価 AI 活用計画プロセス AIラボの支援を受けて利用部門が進める 標準化したプロセスで現場とAIラボが計画・検証する 課題化（企画） 設計・構築 運用 ⚫ AI ラボが現場に入って AI が使える業務を掘り起こす（課題化が重要） ⚫ AI 適用の妥当性を一次評価し Go/Not Go を早めに判断する
- 38. 課題化（企画）の段階 第１のステップ：業務プロセスの解剖 既存の業務プロセスは ⚫ ベテランの暗黙知で全体が無意識に運用されている ⚫ 業務全体が大きな 「塊」 となっており タスクとして細分化されていない まずは 「塊」 を解きほぐし 業務プロセスを見える化（形式知化）する ※業務を見える化する取り組みが 「働き方改革」 の第一歩となる 第２のステップ：タスクを特定する 「規則性が明確」 かつ 「パフォーマンスの評価が容易」 なタスクを特定 第３のステップ：改善幅を評価する 何をどれだけ改善できそうか（改善幅）を評価する ※ただし、投資対効果（ペイするかしないか）は 正確には分からない 企画 設計 構築 運用
- 40. 解くべき課題を特定するフロー システム化 されているか？ 業務全体の標準化を進めて コンピュータシステムを導入する されていない されている 定型か？ 非定型か？ 古典的なルールベース処理や 洗練されたインターフェースで 解決可能 定型 非定型 基本的に難しい （運用次第で可能性あり） 再現性がデータで 蓄積されているか？ 機械学習アルゴリズムで 対応可能 ある ない 以下のフローに沿って解くべき課題を特定する 企画 設計 構築 運用 購入申請を 上げるための 決裁システムがある 議事録に 記載されているかの 確認は非定型 （場合による） 議事録データが 蓄積されている
- 41. 現在の AI の限界 限界１ 100％の精度で正解することは技術的に不可能 人工知能を用いても結果責任を果たせない場合がある 限界２ 人工知能が出した結果は基本的に説明できない （人手によるルールの書き出し から データに基づく学習 に変化したため） 人工知能が間違った場合に説明責任を果たせない 「結果責任・説明責任を果たせない」 という２つの限界がある 出所：最強のデータ分析組織（著者：河本薫，出版：日経BP社） 企画 設計 構築 運用
- 42. ２つの責任のバランス 結果責任の 果たしやすさ 説明責任の 果たしやすさ 工場における異常検出に AI を応用する場合 検知精度 60% 80% ⚫ 検知精度が60%では 誤検出時に説明責任を果たせない ⚫ 現場に動いてもらえない ⚫ 結果責任も果たせない （60％の精度は0％と同じ） ⚫ 検知精度が80%あれば 誤検出があっても現場は動いてくれる （説明責任を果たす必要がない） ⚫ 高い確率で結果責任が果たせる 出所：最強のデータ分析組織（著者：河本薫，出版：日経BP社） 企画 設計 構築 運用
- 43. 投資対効果の予測は困難 以下の３点は 導入検討時には把握できない ⚫ 実際にどれくらいの精度が出せそうか ⚫ その精度を出すために どれくらいの学習データが必要となるか ⚫ 検討・試作・検証・再検討のフローを どれくらい繰り返す必要があるか 言い換えれば ⚫ 目標精度を設定しても それに根拠が伴わない ⚫ その精度を出すために必要となる工数の見積もりに信憑性がない 結局どうすればいいか ⚫ PDCA を小さく・早く回して 理想と現実との距離を常に測り続ける ⚫ 予算枠を超過することが分かった時点で 問答無用で損切りする ⚫ 人件費が高く 実は作業の積み上げでしかない業務を狙う 企画 設計 構築 運用
- 44. AI を導入しやすいタスク（まとめ） 観点 条件 パフォーマンス （技術的可能 性の観点） 学習データを大量に収集可能 AI の出力結果の評価が容易 責任の所在 説明責任と結果責任のバランスを取ることができる 経済的効果 （投資対効果 が出やすいかど うかの観点） 人件費の単価が高い 形式知化できる作業の積み上げが大半を占める その他 古い業務システムを使い続けている AI を導入しやすいタスクは 以下の条件のうち できるだけ多くを満たすもの 企画 設計 構築 運用
- 45. 人工知能の応用事例１（再掲） 島津製作所 「質量分析計のピーク検出」 を自動化 検 出 強 度 時間 検出強度の波形ピークは どこからどこまでか？ 判定基準を人間が決めていた ⚫ 複数の成分のピークが重なった ⚫ 出力波形に雑音が載った うまくピーク検出できずに人手で修正 従来の課題 大量にある過去の分析データで AI を 学習させて自動判定 誤判定率：29％ → 7％ （ほぼ人手を使う必要がなくなった） 解決 出所：日経コンピュータ 「AI導入の失敗則」 2017年12月21日号 観点 条件 評価 パフォー マンス 学習データを大量に収集可能 ◎ AI の出力結果の評価が容易 △ 責任の 所在 説明責任と結果責任のバランスを取ることができる ◎ 経済的 効果 人件費の単価が高い ○ 形式知化できる作業の積み上げが大半を占める ○ その他 古い業務システムを使い続けている × 企画 設計 構築 運用
- 46. 設計の段階 第１のステップ：アルゴリズムを選択する ターゲットとなるタスクを処理できる最適なアルゴリズムを選択する ⚫ 説明責任が重い場合（医療目的など）は 選択できるアルゴリズムの 幅は相当狭い ⚫ ディープラーニングにこだわらず あらゆる可能性を広く検討する ※ディープラーニングでなければならない課題は 全体の数パーセントに過ぎないと考えられる 第２のステップ：学習データを集める AI の性能は データの質・量に左右される （データの作成も AI 開発の一部） 第３のステップ：試作・試用する 小さくプロトタイプ化し すぐに現場で試用する ※結局 AI 導入は 「やってみないと分からない」 ことが多すぎるので まずは 「小さく試す」 ことが重要 企画 設計 構築 運用
- 47. 人工知能の応用事例２（再掲） 三菱重工航空エンジン 「研削加工時に発生する補正作業」 を支援 製造ロット 加工位置のズレ量 加工１回のズレ量 （破線は AI の予測） 運用上の 許容範囲 ⚫ 多数のブレードを加工するうちに 研削の位置ズレが大きくなる ⚫ 運用上の許容範囲を超えそうかど うかを作業者の経験に頼っていた 従来の課題 ⚫ 複数の予測モデルを次々と取り替 えながら許容範囲の超過を予測 ⚫ 超過が予測されたらアラート ⚫ 不良品率が半減した 解決 出所：日経コンピュータ 「AI導入の失敗則」 2017年12月21日号 複数の機械学習アルゴリズム （線形回帰, SVR, 状態空間モデルなど）を 状況に応じて切り替えながら使用している 企画 設計 構築 運用
- 48. データの作成 データマネジメントの課題が AI 導入の障壁となる場合がある 1. データの把握・見える化 ⚫ 必要なデータがどこにあるか分からない ⚫ 似て異なるデータが複数存在する ⚫ データの意味（定義）が分からない 2. データ統合 ⚫ マスタが整備されていない ⚫ トランザクションデータと関連付けられて いない ⚫ データの更新頻度が遅い 3. データの品質 ⚫ 部門・管轄によって 同じ意味でもID・ 名称・定義が異なる ⚫ データ・数値・型桁が正しくない ⚫ 現場の集計値と数値が異なる 4. データセキュリティ・ガバナンス ⚫ 個々業務・分析目的でバラバラ・個別 にデータを取得し、管理されていない ⚫ 個人情報等の取り扱いに不安がある 企画 設計 構築 運用
- 49. 秘密情報なので外部に出せない AI の入力となるデータが秘密情報（顧客のデータなど）である ⚫ 入力データを社内で加工して開発会社に渡す ⚫ 開発会社のスタッフを社内に常駐させて開発を進める 企画 設計 構築 運用 入力データを社内で加工する場合 データベース ツールで加工 教師データ 社内 開発会社 本開発 ⚫ 要件抽出 ⚫ 仕様策定 ⚫ 業務フロー作成 機械学習 人工知能 システム作成 システム インテグレーション 業務改革に伴って外部からコンサルタントが入る場合や 開発会社が複数にまたがる 大型のシステム開発になると データの受け渡しの段階から困難が予想される 参考：人工知能システムを外注する前に読む本（著：坂本俊之，出版：C&R研究所）
- 50. 学習させてみるまで分からない 企画 設計 構築 運用 どこまで精度を出せるかは 実際にモデルを学習させるまで分からない 学習量 精度 当初の予想 実際の精度 教師データを必死でかき集め 巨大な インフラを使って学習させたのに 運用 可能な精度まで達しないことが 学習 させて初めて分かった… ウォーターフォールの開発は困難 小さくプロトタイプ化し すぐに現場で試用する 計画 試作 試用 設計 小さく作って現場で試し そのデータを フィードバックして計画を立て直し 再 設計する……という PDCA のループを 細かく何度も繰り返す アジャイル形式の開発で進める
- 51. 構築の段階 第１のステップ：システムの実装・構築を依頼する ⚫ 「学習済みの AI システム」 を納品してもらう場合 1. 目標精度について 受発注の両者で合意する 2. システム開発側に精度向上のインセンティブを持たせる ⚫ 未学習のシステムを納品してもらう場合（学習は自前で進める） 1. 納品後のテストから学習の進捗まで きちんとフォローが必要 2. バグと許容可能な動作とを 適切に切り分ける 第２のステップ：テスト・検収する ⚫ テストの方法を工夫する 1. 適合率・再現率を用いた統計的な精度評価 ⚫ 検収の条件を工夫する 1. 成功保証（○○％の精度達成）を検収条件とするのは非現 実的 企画 設計 構築 運用
- 52. 適合率・再現率とは 特許調査の場合 見つけたい特許文献抽出された特許文献 再現率：抽出された文献のなかに 見つけたい特許文献が いくつ含まれているか 適合率：見つけたい特許文献のうち 実際にいくつ見つけられたか 情報発見（識別・分類）の精度を評価できる 企画 設計 構築 運用
- 53. 精度は検収条件にできない 企画 設計 構築 運用 どこまで精度を出せるかは 実際にモデルを学習させるまで分からないから ⚫ 精度を 「目標値」 とする ⚫ 目標値に向けた精度向上に対してインセンティブを与える ⚫ 開発ステージごとに契約を分ける 一方で ⚫ インターネットで公開されているネットワークモデルを使う ⚫ 受け取ったデータを そのまま入力して 短時間学習させた ⚫ とりあえず 結果は出力されるので それを納品（精度は出ない） という事態を防げない 参考：人工知能システムを外注する前に読む本（著：坂本俊之，出版：C&R研究所）
- 54. 運用の段階 定着・フォロー・改善を徹底する 「AI システムが完成しました」 は 「スタート地点に立った」 だけ → 現場に使わせなければ 成果は出ない ⚫ 意見をよく聞いてボトルネックとなりがちな点を明らかにする ⚫ 導入目的や期待効果に対するユーザの理解を深める ⚫ ユーザのスキルに応じた丁寧な導入研修を行う など 地道な努力を継続する必要がある 企画 設計 構築 運用 参考１：最強のデータ分析組織（著者：河本薫，出版：日経BP社） 参考２：チェンジ・ワーキング（著者：平山信彦，出版：翔泳社）
- 55. 各段階の重要度 最初の 「企画（課題化）」 が 最重要 企画 （何を解くか？） 設計 （どう解くか？） 構築 （どう作るか？） 運用 （どう使わせるか？） 重要度が高い プロジェクトの進捗 各段階で細かく PDCA を回す必要あり 脚注：専門知識・経験に基づく藤田の主観的な印象による
- 58. AI と知的財産 クラウドの生データは保護されない プラットフォームを介してクラウドに自動集積される生データには 「創作性」 が 認められないため 「著作物」 としての要件を満たさず 著作権法で保護され ない AI で利用可能に編集されたデータベースは保護される 例えば 画像認識しやすいように エッジを抽出し 正解ラベルを付与するなどの 編集作業を介したデータは 著作権法で保護される 他社データで学習したモデルを他用途に転用できる 例えば A社から得たデータを用いてモデルを学習させ この学習済みモデルを A社の競合となる B社に販売しても 法律違反ではない
- 59. 第２章のまとめ 第１のポイント ⚫ 最初の 「企画（課題化）」 が最も重要です ⚫ AI を 「適材適所の道具」 として 「どこに使うか」 を 人間が正しく判断する必 要があります ⚫ 「どこに使うか」 に関しては 技術的可能性や経済合理性など いくつかの条件 を満たす必要があります 第２のポイント ⚫ 最後の 「運用」 が次に重要です ⚫ 高精度の AI を作れたとしても 現場で使ってもらえなければ意味がないため ⚫ 「新しいやり方」 を定着させる難しさは 普通のシステムを運用に乗せる場合 と変わりません
- 61. 結局 「AI」 とは何なのか？ 哲学的な回答 変化が激しく 不確実な社会において これからの最適な組織のあり方を 再考する１つのきっかけ AI の導入 ＝ 従来の仕事の進め方を覆すインパクトがある ⚫ 不確実な変化を受け入れる土壌が 組織に根付いているか？ ⚫ AI を歓迎する風土が 日頃から醸成されているか？ ⚫ 抵抗勢力と戦う気概のあるメンバーは多数揃っているか？ ⚫ そもそも最初から導入の検討すらしない（ジリ貧パターン） ⚫ 中途半端に手を出してプロジェクトが座礁した（再チャレンジのハード ルが上がって やはりジリ貧パターン） ダメなパターン
- 62. 「人工知能」 の用語は 「幻滅期」 に入りつつある 人工知能 データサイエンス ビッグデータ 出所：ガートナージャパン2017年版
- 63. 今回のブームは本物か？ 「有用な情報処理」 に対する需要はなくならない 日米でブームに対する違いが見られる ⚫ 米国：ハイプサイクルの幻滅期を抜けて産業化する可能性 ⚫ 日本：幻滅期を抜けられずバブルに終わるおそれ 出所：林晋（著）「AIブームは本物か？」2016年11月16日版 http://www.shayashi.jp/20161115tokyoVer20161116.pdf ⚫ 極端な意見に反応しない（メディアはいろいろと盛ってます） ⚫ あと数年で人間の仕事の大半は消滅する ⚫ AI って実はたいしたことないよね ⚫ 「AI」 という技術に過剰な期待を寄せることなく 「ツール」 として 適材適所に使うことが重要 ⚫ 「AI 導入」 をとおして 「働き方改革」 「組織変革」 を実現する ⚫ 技術的なブレークスルーであることは間違いないので 正しく理解し 正しく使えば 次の時代を迎えられる
- 65. 走り始めた 「Beyond 100％」 の世界 実験 理論 実験 より人間らしい情報処理！ より高度な実現！ 2018 Beyond 100% 2020～ 2030？2035～ 2045？ 第３次AIブーム終焉 第４次 AIブーム？ 「認識率100％」 に意味はないことは 全員が理解している 学術界では 「ディープラーニングを超えた先」 としてどのようなパラダイムが 考えられるのかに関心が集まっている …が、スローガンだけ先行している状況で誰も答えに至る方向性すら見いだせていない × 「シンギュラリティ」 の予測に意味はない
- 66. 人間に求められることは変化するか？ 人間に求められることの質が急速に変化する ⚫ 「問題を解く」 より 「課題を発見する」 ⚫ 「答えを見つける」 より 「問いかけを作る」 なぜなら 解く・見つけるは コンピュータが人間より圧倒的に速くできるから 人間が活躍する場は 「上流側」 に移動すると考えられる データ 入力 評価 分析 判断 行動 結果 出力 人工知能が 担える機能 （今はここのみ！） 技術が下流側を侵食する 参考：ハーバードビジネスレビュー 2018年2月号 「課題設定の力」 「そもそも何を解く必要があるか？」 を考える力（クリエイティブマインド）が問われる
- 67. 人間に求められることが変化する例 1. 特許調査 2. 特許翻訳 3. ディスカバリ（米国における知財訴訟） 原文と翻訳文とのペアデータの入手が容易で研究開発しやすい 日韓はもちろん、日英ですら実用に堪える精度を発揮 リーガルテックの広がりにより訴訟コストが３分の１に低減 「情報発見」は人工知能が最も得意とする分野の１つ 圧倒的な抽出精度で従来の調査フローを刷新する 4. 契約書の作成・チェック ライセンス契約などの複雑な契約書を自動で生成・チェック 次の４つの知財関連業務は AI の影響が大きい
- 68. 特許調査の例（再掲） 特許調査のプロセス 業 務 の 負 荷 ・ 難 易 度 の 累 積 発明の 把握 調査 ポイント の抽出 予備 検索 検索式 の策定 目視 確認 特許 公報の 抽出 内容の 理解 判断 対策 「特許を調査する」 というジョブにおける人間のタスクは 上流（把握）・最下流（判断）に流れる このタスクを軽減できれば 全体の負荷が大幅に軽減される → AI と相性もよいので代替が進んでいる
- 69. 真に取り組むべき課題 「AI の導入」 を一つのきっかけとして 「スクラップ・アンド・ビルド」 する組織変革に 対する風土醸成の重要性を 経営陣に理解してもらうこと ⚫ イノベーションの芽となるアイデアを生み出す人と そのアイデアに資源を注ぎこんで育てるという意 思決定権限を持つ権力者との間には 組織内で大きな距離が存在している ⚫ 日本の組織においては 何かイノベーティブなアイデアを思いついたとしても それを組織内で提案した り意見したりしにくい 「空気」 があるということです ⚫ 今現在の日本で起こっているのは 「スキルやノウハウの不良資産化」 だと言えます バブル期入社より上の世代が培ってきたスキルやノウハウのほとんどは 今後 10 年程度で無価値にな り 対処を怠れば間違いなく不良資産化することになります ⚫ 改善のためにフォーカスすべきポイントは 「組織風土」 しかないということです ポイントは 組織構成員の言動を変えられるかどうかという その一点にかかっています 上下間での情報流通がなかなか起こらないというのが問題の本質ですから 対処法はシ ンプルに言えば 組織の下層の人間は上層部に対してモノを申し 上層部の人間は 下 層の人間のモノ言いに対して耳を傾けることができればいいということになります 「AI で何かできないのか？」 翻訳：最新技術の導入を１つの契機として イノベーティブな組織に生まれ変われないか？ 最終的な問いかけ
- 70. 本日のセミナーにおけるメッセージ（再掲） 「AI 導入プロジェクト」 をとおして 真の 「働き方改革」 を 実現するためのヒントを持ち帰ること メインメッセージ 1. 現時点における技術水準では AI は人間の仕事を全部代替で きない 2. 現在の AI を正確に理解し 正しく導入に取り組めば業務の生 産性を底上げすることはできる 3. 「AI を導入する」 という過程そのものが 「働き方改革」 を進める 取り組みになるだろう サブメッセージ
- 71. 推薦図書（１） 日経コンピュータ（2017年12月21日号） AI 導入の失敗則 実験ばかり繰り返す 「AI 無限ループ」 の罠 専門知識のある記者が 入念な取材を行って 書いたと感じられる渾身の導入事例が多い ハーバードビジネスレビュー（2015年11月号） 人工知能 機械といかに向き合うか ２年以上前の記事だが ヤフーCSO 安宅氏の 記事が AI の本質を突いた普遍的な内容を含む 全体感を把握するために適した書籍
- 72. 推薦図書（２） 最強のデータ分析組織（著：河本薫） なぜ大阪ガスは成功したのか 大阪ガスの 「情報通信部ビジネスアナリシスセン ター所長」 がデータ分析の現場を描く 「AI 導入」 のリアルな現場を知ることができる 最強の AI 活用術（著：野村直之） 導入効果を最大化する AI ビジネスの書 AI の導入が必要となる理由から 実際に導入に 向けたプロセスまで リアルな実態を技術的な内 容に踏み込んで解説している 現場に 「AI を導入する」 ときのリアルを知るための書籍
- 73. 推薦図書（３） 決定版 AI 人工知能（著：樋口晋也, 城塚音也） AI を制する者が ビジネスを制する コンサルタントとして NTT データで 400 以上の導 入プロジェクトに携わってきた著者が AI 導入の 実態と 業界の全体像を解説している 人工知能システムを外注する前に読む本 （著：坂本俊之） ディープラーニングビジネスのすべて 人工知能システムの開発を外注する場合の特 殊性を解説している 現場に 「AI を導入する」 ときのリアルを知るための書籍
- 74. 推薦図書（４） 世界で最もイノベーティブな組織の作り方 （著：山口周） イノベーションを生む要因とは何か？ どうすればイ ノベーティブな組織に生まれ変わることができるの か？ を追求して解説している チェンジ・ワーキング（著：平山信彦） 働き方変革に社員を巻き込め！ 人事コンサルタントの著者が 今後人間の働き方 はどう変わっていくか どのように変わっていくべきか を説明している 「働き方改革」 「組織変革」 に関する書籍
- 75. ご清聴ありがとうございました 株式会社リジー ⚫ コンテンツ企画型の課題抽出コンサルティングサービス ⚫ 企業における AI 活用に向けたコンサルティング ⚫ 研究開発・知財戦略の立案・体制構築のサポート などのご用命は、inquiry@lisi.jp にご連絡ください。 https://www.lisi.jp/ もご覧ください。