エヴァン・シューマン
今日、AIは米国のほぼすべての企業に何らかの形で存在しています。これらの企業では、マルウェアを仕掛けた攻撃者から身を守るセキュリティ部門から、来シーズンの購買傾向を予測しようとするマーケティング部門、次に故障する機械を予測しようとする製造部門まで、AIはほぼすべての部門に浸透しています。
しかし、これほど人気があるにもかかわらず、AIとその機械学習は不人気な要素です。意思決定者はAIを信頼しない傾向があり、AIの推奨を無視するどころか、拒否する傾向があります。ROIの観点から見ると、企業のトップ層が推奨を受け入れることに不安を感じているのであれば、AIへの投資はほとんど意味がありません。
しかし、もう少し深く掘り下げてみると、これらのマネージャーが恐れている理由が浮かび上がります。それは、AIの誤った推奨が過去に存在したからではなく、文脈の欠如が原因です。AIシステムが意思決定者にXを行うべきだと指示しながらも、なぜXを行うべきかを説明しない場合、信頼の問題が生じます。そして、AIがXを行うのが正しいという結論に至った経緯を説明しない場合、さらに深刻な問題が生じます。
信頼の力
公平を期すために言うと、これらの意思決定者がすべてのソフトウェアを信用していないわけではありません。彼らは、新入社員が何か新しいやり方を提案した際に、その理由や経緯を説明してくれない場合にも、同様の不信感を示します。説明がなければ、マネージャーはプロセスを変更する意欲をほとんど、あるいは全く持たないでしょう。AIシステムからの提案に対しても、同様の感情が湧き上がります。
Beyond Limits は現場でこのためらいを何度も目にしてきました。そのため、同社の AI システムではすべての推奨事項の根拠を明示的に詳細に示し、意思決定者が推奨事項だけでなく推論に基づいて選択を行えるようにしています。
学習システム（程度の差はあれ、あらゆるAI導入は学習システムです）は、意思決定をアルゴリズムに組み込みます。拒否された推奨は、重大な欠陥が含まれていることを意味すると結論付ける傾向があります。しかし、コンテキストの欠如を理由に推奨が日常的に拒否されると、AIシステムは誤った教訓を学習する可能性があります。だからこそ、Beyond Limitsの説明アプローチは、はるかに正確な結論、つまり時間の経過とともに精度が増す推奨を提供するのです。
従来のAIが優れたパフォーマンスを発揮する分野
[tc_unified_video コード=”0feb9f0b-f9de-3c5e-a1b2-6a5005eadc4f”]
機械学習、ニューラルネットワーク、ディープラーニングといった今日の従来のAIシステムは、パターンの検出、そしてさらに重要な点として、パターンの逸脱の検出に優れています。適切なデータが十分に入力されていれば、何か異常なことが起こっていることをかなり正確に検出できるでしょう。
しかし、今日の企業にとって、それが必ずしも特に役立つとは限らない。例えば工場の現場では、逸脱が存在すること、そしておそらくその逸脱がどこで発生しているかを指摘することは有益だが、システムが問題の原因と、その問題を解決する実用的な方法を提案できなければ、その有用性は限られる。
ここで、Beyond Limitsの高度なシンボリックAIが活躍します。人間の直感と推論の要素を備え、システムは分析、仮説、相関関係の分析、計画、学習、そして教育を行うことができます。つまり、単に問題を発見するだけでなく、解決を試みるのです。
Beyond Limitsが、意思決定者やエンドユーザーにその回答の背後にある「理由」を伝える説明可能な回答を重視している点は非常に重要です。推奨事項はより正確で実装が容易なだけでなく、根拠が透明で監査証跡が明確であるため、意思決定者にとっても受け入れやすくなります。
さらに良いことに、回答は機械だけでなく、意思決定者やエンドユーザーにも簡単に理解できるため、循環が完成します。
エネルギー分野におけるAI
石油精製所を例に考えてみましょう。これらの環境は、一般的な産業環境とは桁違いに複雑で、相互依存関係が幾重にも重なり合っています。孤立した機械学習システムが問題を発見した場合、多くの場合、それらの相互依存関係をすべて考慮に入れない推奨事項を提示します。企業が精製所のほぼすべてのセグメントを再構成すると、その場所のすべての機械学習モデルが無効になります。その結果、再トレーニングと新しいモデルの作成が必要になり、これは莫大な費用がかかるだけでなく、大きな混乱を招きます。
はるかに優れたアプローチは、例えばバルブやタンクの物理的性質をシステムに教えることです。これにより、システムは微妙な変化（何かが過熱しているなど）を検知するだけでなく、何を変更する必要があるか、どのように変更すべきか、そしてその変更がどのような影響を与えるかを推測できるようになります。推奨が受け入れられた場合、システムはそれを記憶し、それに応じてすべてのモデルと仮定を更新します。
この人間的な思考アプローチは、通常のAIと比較して、データセットが不完全な場合に最も効果的です。公平を期すならば、ほとんどの場合に当てはまります。一見矛盾するデータに加え、欠落や誤解を招く情報も混在する環境においては、経営幹部はデータを概念レベルで理解できるシステムを必要とします。そうすることで初めて、どのデータを調査すべきか、どのデータを無視すべきか、そして問題を解決する最善の方法を判断できるようになります。このアプローチは、機会主義的な自己発見モニタリングとバイモーダルな認知ベース推論、そして曖昧さを解決するための自律的な自己発見に基づいています。
ROI、TCOへの影響
企業がCFOの明確な承認を必要としないテクノロジーを導入することは稀です。最高財務責任者（CFO）の承認なしに、何かを承認するCEOはほとんどいません。幸いなことに、Beyond LimitsのAIへのアプローチは、ROIとTCO（総所有コスト）の両面で優れた成果を上げています。
より正確な結果と迅速な推奨事項を組み合わせることで、業務がスムーズになり、市場投入までの時間が短縮されます。どのように実現するのでしょうか？これらのAIシステムの本質は、問題を予測し、回避することです。機械の故障による組立ラインの停止が一切発生しなければ、生産は継続されます。また、AIが機械の問題を早期に検知し、故障前に交換することでラインの稼働が継続されれば、まさにROI（投資収益率）と言えるでしょう。
AIは、より定型的な業務においてもよりスマートな意思決定を可能にし、業務効率の向上と不要な人件費の削減に貢献します。また、価格設定から取引ルートの加速、最適な不動産契約の締結、より効果的な人材の選定まで、企業にとって重要なあらゆる意思決定において、より的確な意思決定を可能にします。これらはすべて、収益の増加、コストの削減、そして利益の向上につながります。
新しい地域への進出や特定の買収の是非といった戦略的意思決定も、適切なAIシステムによって大きく支援されます。役員全員が認識しているように、こうした戦略的意思決定が十分に検討されておらず、AIが優位に立つ将来の可能性も考慮されていない場合、財務上の苦境は何年も続く可能性があります。
AI戦略を適切に実行することで得られる人材面でのもう一つのメリットは、ITアナリストをコアとなる専門分野に集中できる役割に再配置することです。これにより、アナリストはより収益性の高い業務に専念できるようになり、ビジネス上のメリットがさらに高まります。実際、必要な機能を遂行するために十分な数のアナリストを採用するのに苦労している企業もあります。AIはすべてのアナリストを置き換えることはできませんし、そうすべきでもありませんが、AIシステムによって必要なアナリストの数を減らすことは可能です。2021年に多くの企業が直面しているような人材不足において、これは大きな違いを生む可能性があります。
AIは、人間のアナリストでは完全に見逃してしまう可能性のある傾向も特定できます。こうしたメリットはROIに反映されるだけでなく、システム計画の俊敏性向上によるほぼあらゆるレベルでのパフォーマンス向上にもつながります。
高度なAIによるROIへの最大のインパクトは、おそらく導入でしょう。これは、意思決定者がすべての推奨事項を説明するシステムにどれほどの信頼性を見出しているかを物語っています。それがなければ、現場の優秀な人材はAIの推奨事項の多くを無視してしまうでしょう。高度なAIであっても、あまり頻繁に利用されなければ、生産性と利益の向上には明らかな限界があります。AIが役に立つのであれば、活用しなければなりません。
数十年前、AppleはMacについてこの主張を効果的に展開しました。当時、人々がMacを使うことを楽しんでいたという事実は、人々が使いたがらない他のコンピューターよりもMacの方が効率性が高く、仕事の効率化を促進し、成果を向上させることを意味していました。高度なAIのROIを計算する上で何よりもまず、システムの推奨が信じられ、尊重され、受け入れられなければなりません。それができなければ、他の要素はどれも意味をなさないのです。Beyond LimitsのAI導入は、推奨をわかりやすい英語で説明することで、他社よりも効果的に機能しています。
