ページの先頭です。
サイト内の現在位置を表示しています。
  1. ホーム
  2. ソリューション・サービス
  3. AI・ビッグデータ
  4. アナリスト紹介
  5. 赤間 悟
  6. 赤間 悟のコラム
ここから本文です。

赤間 悟のコラム

業務へのAI定着へ向けた「次に繋がるPoC(価値の検証)」とは?

アナリティクス サービス コンピテンス センター
赤間 悟

2017年9月22日

はじめてAIを導入する企業様へ向けたPoC※を複数担当させて頂く中で、検証内容や評価方法といった検証の仕方が、その後のAIの定着度合いを左右するように感じています。そこで今回は、業務に生かすAIの検証・評価の考え方についてご紹介します。

  • PoC:Proof of Conceptの略。AIの本格導入に先がけて実施する価値検証のこと。

昨今、AI活用による既存業務の改善事例が日々紙面を賑やかしており、現場責任者の方々も、自部門へのAI活用に関して盛んに検討が行われていることと思います。
AI活用に関しては、業務改善効果の追及や保有データの制約条件などから、AIを活用するシーンが決定され、その後多くは、有効性を実際に検証するPoCを経ることになります。この際、「どういった検証」をし「どう評価」するかが、AI活用に関するPDCAサイクルを回す重要なポイントになってきます。分析検証を単純化し過ぎると、予測精度が現行より良い・悪いといっただけの単純な評価に終わり、検証から得られる情報が少なく、その後のPDCAサイクルを回しづらい状況に陥ります。逆に大規模にし過ぎると、投資へのリスクが増大してしまいます。では、どういった検証をし、どう評価をすることが次に繋がるための分析検証となるのでしょうか?今回は「分析対象の選定」と「検証の評価」という2点で考えてみたいと思います。

はじめてAI適用を検討する際のポイントとしては、はじめから分析対象を絞り過ぎずに、AIと人の分担を考慮に入れ、幅広い対象を選定することがあげられます。選定基準の一例としては、業務改善効果と分析の難易度の2つの軸で整理する方法があります。例えば、業務改善効果と分析難易度から4つのセグメントに分析対象を分けたとします(図1)。このとき、業務改善効果の高さのみから2つのセグメントに対象を絞った場合を想定します。この場合、2つの領域とも精度が出なかった場合には検証がストップするとともに、得られるフィードバックも少なくなってしまいます(図1・左)。これに対して、改善効果は低いが、分析難易度も低いもう一つの領域の対象も追加で実施した場合を想定します。この場合、最初のケースよりは、AIが活用できる可能性(活用できる精度が担保できる可能性)を高めることができます。また、仮に、従来まで人が全てのオペレーションを担当していた場合は、AIが直接有効になる対象の改善効果が低くても、簡単な作業はAIに任せ、業務改善効果が高い難易度の高い対象に人が集中する、といった分担をすることで、業務全体を高度化することができるようになります(図1・右)。

図1 分析対象の選定と結果の活用

また、もう一つのポイントとしては、大量の対象を分析した際に、分析結果を俯瞰的に評価することがあげられます。例えば、「人がオペレーションをした際の現行の精度」と、「AIを活用した際のAIによる精度」をマトリックスで整理することなどがあげられます(図2)。この場合も、全ての精度改善をAIに期待してしまうと、活用に向けてのハードルが高くなってしまいますが、「AIに任せる対象」と「人が担当する対象」とを整理することで、早期にAIを活用する道筋が見えてきます。加えて、このように幅広く検証と評価を行うことで、AIによる精度が悪い対象と精度が良い対象との比較が可能になり、精度改善に向けた次回以降の施策検討を実施しやすくなります。

図2 分析結果の俯瞰的な整理

以上のように、はじめの検証フェーズにおいて、あまり対象を絞りすぎずに多数の対象を分析することで、業務へAIを定着させるための道筋・ロードマップが見えてきます。

ここで、大量の分析を実施すること自体が課題として考えられるかもしれません。この課題においては、昨今の機械学習は、分析用のデータ(データセット)を準備してしまえば、短時間で分析が可能なため、分析や予測の対象を容易に増やすことができます。弊社におきましても、独自のAI技術である「異種混合学習」等を活用することで、短期間で大量の分析を実施することを可能にしています。また、AI技術に加えて、検証フェーズをスムーズに実施するためのサポートをするデータアナリストも在籍しております。検証をご検討の際は、ぜひ一度お問合せ下さい!

関連リンク

ページの先頭へ戻る