サービス現場に溶け込むAI技術を目指して

昨今のビッグデータ、人工知能（Artificial Intelligence、以下AI）、IoT革命を含むフレーズが日々メディアやSNSに登場している。これらの重要性は、もう数字嫌いでも、統計（学）が嫌いでも広く認識されている。RIETIコラムの小西（2014）(1)でビッグデータブームについてまとめ、当時起こった統計（学）ブームもこのまま続いて欲しいと強く願ったが、そちらはAIブームで注目されている機械学習とEBPM（エビデンスに基づく政策立案）の手法として静かに組み込まれている。漠然としていた統計学への関心の中から、AIとEBPMに必要な手法への関心に焦点が絞られている状況である。

一方、2012年以降のAIブームは5年経っても色褪せず、現在でも進化しながら私たちの生活に浸透し続けている。第三次と呼ばれるこのブームがなぜこんなに息が長いのかを探ってみよう。

図1は人工知能、機械学習、ビッグデータ、そしてわが国の大型プロジェクトについて小西・本村（2017）(2)で作成した年表である。第二次AIブームの前半では、データから学習する機械学習とAI技術は結びついておらず、システムを構築するためには、作業のプロセスをヒトがプログラムに落とし込む作業に多くの時間を要した。第二次AIブーム後期は第二次ニューロブームと重なり、ニューラルネットワークに関する多くの理論・応用研究が行われた。しかし当時はまだコンピュータの性能不足、ビッグデータと呼べるほどの大量データがなかったことから、十分な精度が得られず1990年代前半には冬の時代を迎えることとなる。

図1に見られるように、AI技術、ニューラルネットワークは、1990年代から2000年代前半、国主導のAI技術大型プロジェクトは2000年代前半から2015年まで大きなブームの無い時期になっている。その中で、2006年にニューラルネットワークの中間層が多層になることを許した学習アルゴリズムが報告され、大量のデータと発達した計算機による学習が可能となり、ディープラーニング研究が活発になっていった。そして、2012年にディープラーニング技術が画像認識コンテストで優勝したことを契機に、世界中で注目度が高まった。このブームと相まって、わが国でも2013年以降、第三次人工知能ブームが起こっている。そして、これらのブームが2012年のビッグデータブームと重なっていることにも注視したい。さらに、2015年5月に日本最大のAI研究開発拠点として、国立研究開発法人産業総合研究所に「人工知能研究センター」が設立された。2020年3月まで次世代人工知能研究の研究開発が進められ、再び産官学一体の研究プロジェクトが始動している。

現在は、機械学習に基づくAI技術、計算機の性能、ビッグデータ、大型プロジェクト、産業応用ニーズと全てが揃っているかつてない好機となっており、そのため社会全体に影響を与える大規模ブームとなっているのである。

サービス現場に導入するAI技術は、ヒト型ロボットのような「汎用型のAI」ではなく、ある特定の技術についてヒトが行っている作業を自動化し、ヒトと同等もしくはヒト以上の作業ができる「特定型のAI」が対象となることが多い。小西（2015）のRIETIコラム(3)でAIリテラシーとは、日常の中で、機械学習を中心とするAI技術が得意な「分類、繰り返し、探索、整理、最適化」に人手や金銭および時間コストを掛けすぎていないかを意識することと述べた。とにかく繰り返すこと、組み合わせが増えること、時間をかけることで精度や価値が上昇することに用いるのが効果的である。

たとえば、潜在顧客を見つけてアプローチすることで収益を上げるというプロジェクトで、人間だと各顧客にせいぜい数個の特徴付けをして分類するのが現状である。しかしAIを使って購買行動ベースでセグメント分けをすれば数十以上の特徴づけが可能となる。またAI技術に景気動向や競合他社の動向の情報にもアクセスすることを設計に入れれば、それらを反映した戦略を立てることも可能となる。非常に基本的なことだが情報がネットワーク上にあることが必須で、AIはネットワーク上にあるものならば情報として取得が可能である。製造業の現場と比較して、サービス現場へのAI、ICT技術の導入は大がかりな機械というよりも、データの蓄積とIT機器の小型化、精密化、普及によりウェアラブル機器やパソコン一つから可能となっている。そのため、中小企業から大企業まで広くビッグデータを収集し、AI技術を活用する意欲が高まっている。ただ、どんなに便利になろうとも、現状は「業務プロセスに何を導入するか」は私たちが決めねばならないし、どのような環境でどのような工夫をすればプロジェクトが成功し、継続していくかについて知見を得ることは難しい。

そこで、小西・本村（2017）では、産業技術総合研究所で取り組まれてきたプロジェクトのうち28件について、それらの目的から成果までのレビューを行った。これらの多くは、医療・介護現場の業務改善、娯楽業の顧客へのサービスのレコメンド、商品物流の最適化など、サービス提供の現場を対象としている実サービス志向のプロジェクトである。このレビューを通じて、どのようなAIプロジェクトが持続的に発展するのだろうか？　というシンプルな問いに対して以下の答えが見えた。

1. プロジェクトの目的や技術の利用法が明確で、目標となる指標をデータに落とし込める
2. 現場のニーズとモチベーションが強い
3. データがセンサ、ネットワークやインターネット上を通じて低コストで集積できる
4. 業務プロセスの一部に組み込まれることでデータ収集が持続できる
5. データを分析して得られた知見や計算結果がさらにデータとして追加できる

AIプロジェクトにおいてはデータの担う役割が非常に高いことがわかる。その一方で、AI技術と呼ばれる手法やアルゴリズムは研究現場において開発が進められており、公表されればすぐに実装され普及の進行が速い。また既存のものを各現場に合わせて改良し利用することも現状のプログラミング技術やコンピュータ環境においては容易である。つまり、機械学習に基づくAI技術では、データによってその性能が左右されるため、継続的に質の高いデータを大量に利用可能であることが競争力の源泉となる。データの質の良さは、店舗のような消費者がいる現場でも企業内の現場でも、データを収集する技術が現場に定着しているかに依存する。できるだけ多くの人の多くの行動をデータとして収集することが分析の精度に影響を与え、データの価値を高めることとなる。

そして大事なことは、導入を決める初期時点の意思決定である。数多くある手法の中からAI技術を選ぶときに、そもそもその業務の成果や付加価値は何か、なぜヒトから機械に業務を移したいのかという視点を持つことが重要である。自分の部屋を見渡してみても、効率化や満足を得るために買ったが、使わなくなる家電商品もたくさんある。事業投資も、AI投資も同じである。AI技術の導入が目的にならないよう、しっかりと見極めたい。

[ 図を拡大 ]

小西・本村(2017)より抜粋。