フロリアン・ドゥエトー、Dataiku
AI とデータの目標を達成するのは容易な取り組みではありません。AI イニシアチブに関する世界的な成熟度が徐々に高まっているにもかかわらず、多くの企業は依然として最初の (そして最も厄介な)落とし穴の 1 つ、つまりチームの構築と人員配置イニシアチブの際に何を探すべきか、誰を探すべきかという問題につまずいています。
AIに関する初期の誇大宣伝の多くは、主にデータサイエンティストの役割に焦点を当てており、データスキルの全範囲を網羅し、データに関連するあらゆる組織のニーズを満たすことが期待されていました。しかし、このアプローチには根本的な欠陥があります。企業がこの課題に対処するために理解しなければならない最も重要なことの一つは、AIが実際にはチームスポーツであるということです。
フィールド（またはコート、あるいは好きなスポーツの地形）上の選手たちが全員、同時に独自のゲーム戦略を解釈している世界を想像してみてください。各選手は他の選手との連携を一切せず、自分の強みに合った動きだけをします。つまり、パスミスやシュートミスが多発し、最終的には選手とコーチのフラストレーションが溜まることになる、とだけ言っておきましょう。
この例えは少々突飛に聞こえるかもしれません。なぜなら、スポーツはそういうものではないからです。誰もが、多様なスキルセットを持つ人材が必要であり、共通の目標を達成するためには彼らがコミュニケーションを取り、協力し合う必要があることを知っています。たとえチームが金銭的に調達できる最高の選手を抱えていたとしても、その選手だけですべてを成し遂げることはできません。同時に、スーパースターと全く同じスキルを持つ選手を追加で雇うこともうまくいきません。これはAIの取り組みでも同じです。
あなたが探しているデータユニコーンは存在しません
今日でも多くの企業が「データユニコーン」の採用に意欲的です。つまり、組織がAIの目標を達成するために必要なあらゆるスキルを備えた、超人的なオールインワンのデータウィザードです。彼らはアーキテクチャとインフラストラクチャに関する深い知識を持つだけでなく、機械学習モデルの構築にも長けています。ビジネス部門に要件やニーズを伝えるだけでなく、モデルを本番環境に導入する方法も熟知しています。
これは高価で非現実的な戦略であるだけでなく、ビジネスのニーズとそれらのニーズを満たすために必要なスキルを計画すると、おそらく意味をなさないでしょう。
組織は、次のことにますます気づき始めています。
- すべてのデータサイエンティストが平等に生まれるわけではない（図1）。
- データ サイエンスのプロセス自体は、データ サイエンティストだけを中心に展開されるわけではありません。AI ライフサイクルの各ステップをサポートするには、さまざまなスキル セットを持つ他の個人も必要です。
したがって、AI の誇大宣伝を超えて包括的かつ持続可能なエンタープライズ AI 戦略を成功させるには、企業が AI モデルのライフサイクル (図 2) の各部分を分析し、それを具体的な組織のリソースとニーズに変換し、それらのニーズを利用可能なさまざまなデータ プロファイルにマッピングできる必要があります。
[tc_unified_video コード=”e4132c70-164f-3bad-905f-9d0038fff423″]
スキルのバランスが取れた人材を採用する
採用前に、ビジネスニーズが何であるか、そしてどのような種類のデータプロファイルが最も価値を付加できるかを具体的に検討してください。求人広告を作成する前にこのような決定を下すことで、具体的なスキルをリストアップし、面接の質問を絞り込むのに役立ちます。AIプロジェクトの人材配置において、組織の当面のニーズを理解するために考慮すべき重要な質問をいくつかご紹介します。
- 組織が最初に取り組むプロジェクトは何ですか?
- これらのプロジェクトの最終的な成果物は何でしょうか？小規模なもの（例：社内利用向けのダッシュボードや分析機能、セルフサービス型の分析イニシアチブに重点を置いたもの）でしょうか？それとも、ビジネスの大部分（または一部）に影響を与える、運用中のモデルで、チームに専門的なスキルが必要となるようなものでしょうか？
- プロジェクトのデータはすぐに入手できますか、それともプロジェクト自体の一部が新しいデータソースの検索とマイニングに関係するものになりますか (その場合、データ エンジニアリングのスキルが役立つ可能性があります)?
組織全体で効率的なデータ活用を行うには、様々なデータプロファイル間の適切なバランスを実現することが不可欠です。あるプロファイルの人材を過剰に採用し、別のプロファイルの人材が不足すると、プロセスのボトルネックが発生し、組織全体に不満が生じる可能性があります。例えば、
- 組織が最初からデータ サイエンティストを過剰に雇用する一方で、機械学習モデルを本番環境で継続的に導入、改善、拡張できるようなデータベース アーキテクチャを構築および維持できるデータ アーキテクトが不足している場合、両者とも自分の仕事が実際のビジネスに与える影響を理解していないため、双方にフラストレーションが生じる可能性があります。
- データリーダーやマネージャーが不足すると、ビジネス部門とのコミュニケーションやプロジェクトの明確な優先順位付けが崩れ、データサイエンティストやアナリストがそれぞれ独自の作業を行うことになります。これは、データプロジェクト間での再利用の機会を逃すことにもつながります。
優れたツールの役割
最終的には、ビジネスにとって最適なバランスの取れたデータプロフェッショナルを見つけることが、従業員の定着率向上と、組織のAI活用の目標を実際に実現できるチームの構築の鍵となります。円滑に機能する組織は、従業員の満足度を高め、自分のスキルや得意分野を超えた業務を強いられる従業員の数を減らすことにつながります。
しかし、採用やスキルアップのためのリソースやプラクティスが充実していても、優れたAIチームの構築と育成には依然として多くの課題が伴います。データサイエンス、機械学習、そしてAIプラットフォーム（Dataikuなど）は、データチームにとって明確なメリットをもたらし、適切に導入すれば、優れたチーム構築の基盤となります。
適切なツールは、さまざまな貢献者のさまざまな強みと技術的スキルセットを取り入れ、管理され組織化された方法で作業を統合できるようにすることで、このような問題を軽減し、チームがAI プロジェクトをより迅速かつ効果的に開発できるようにします。
