読者です 読者をやめる 読者になる 読者になる

知能を創る

人工知能、機械学習、深層学習のニュース記事を収集し、技術動向を調査していきます。

グーグルにも分からない機械学習やディープラーニングの使い道

機械学習 ディープラーニング

itpro.nikkeibp.co.jp

現在AIと呼ばれている技術の中でも、ビジネスでの用途や必要な精度があるのは自然言語処理や画像認識、音声認識である

活用見込みが高いこれらの技術には、共通していることがある。実行していることがほぼ情報の1次処理に過ぎないということである。つまり、入力方法から音声や画像などに変わった点を除けば、既存のシステムと同様な機能を提供しているだけなのだ。

 

AIを活用する価値とは、何かの機能を実行することそのものではなく、何かを実行する「判断」を代替することであり、その判断の精度、スピード向上による高価値化や効率化を効果と捉える必要がある。

効率化という効果は、旧来のシステムと同様にコスト削減額でしか計れない。

一方、高価値化という効果は、AIが既知の業務を代替することではなく、新たな業務を担うことでもたらされる。未知の業務に対して価値を見いだすことから始める必要があるため、そのコスト課題に加えて、効果面での課題も山積している

1つめの課題は「AIに判断を求める領域が非常に限定的」ということだ。現在の社会では、何事についても評価基準は全て人間が決めており、その多くは明文化されている。
従って、評価基準が明文化されていない領域でのAI活用が、高価値化への有用なアプローチと言えるが、明文化されていないものほど高度な判断が必要となる。しかも、高度な判断が必要なものほど、現状では取れるデータが少ないのが現状だ。

2つめの課題は、「効果が出るかどうかはやってみないとわからない」ということである。
機械学習は「人間は評価基準だけを決めて、あとは機械に何度も試行させ、評価基準の高い対応策が見つかるたびに対応策を自動更新する」技術であり、ディープラーニングは「大量のデータを読み込ませることで、評価基準自体を考えさせる」技術である。どちらも人間の判断を代替する技術だが、「なぜそうなるのか」という因果関係の解明は行わず、「(なぜかはわからないが)AをするとBとなる傾向がある」という相関関係を抽出するのみだ。

3つめの課題は、AIそのものではなく、それを活用する人間側の問題。「AIに判断を委ねることを生理的に受け付けられない」ということだ。
「なぜかはわかりませんが、統計的に大丈夫です」と言われて、安心できる人がいるだろうか。

最後の課題は、効果に対する直接的な課題ではなく、効果を出すための手段における課題である。
具体的には「先進ITベンダーの技術もまだ十分に成熟していない」ということである。その先進ITベンダーでさえ現時点ではプラットフォームの提供にとどまり、いまだ使い道や価値を明確に示せてはおらず、協業したとしても実証実験を目的とした導入にならざるを得ないのが実情だ。

コストと効果の視点から、AIにおけるビジネス課題を述べてきたが、現時点でのAI導入は、喧伝されているほどのバラ色の世界が待っているわけではない、ということを理解してもらえただろうか。機械学習は導入する効果が少しは見えてきた。だが、本格的なサービスとして利用する場合、法制度や規制をクリアし、顧客の期待を満たすような商用化に足る品質を備えなければならない。業務利用を含めエンタープライズ向けに利用する場合も、導入コスト以上の業務効率化を図れないのなら、投資対効果に見合わない。ディープラーニングに至っては、「そもそも何を効果と定めるべきか」から考えなければならない。

 

 

人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp

にほんブログ村 ニュースブログ ITニュースへにほんブログ村

にほんブログ村 IT技術ブログ IT技術情報へにほんブログ村