企業競争力を高めるため多くの企業がデジタルトランスフォーメーション（DX）推進を加速しており、そのコア技術としてのAI活用は不可欠です。一方で、AIが本格的に基幹業務に組み込まれビジネス成果に貢献しているケースはまだ限定的です。その要因は、ビジネス成果に直結する「ユースケース」を定義することの難しさ、価値の源泉であるAI-Readyデータの未整備という「データ」の問題、日々“勝ち馬”とみられる技術が入れ替わり、投資対象とする製品技術を決められない「技術選定」の難しさなど複合的です。本稿では、NEC データドリブンDXアセット＆フレームワークによる具体的なアプローチの紹介を通じて、企業において実効性のあるAI・データ利活用に向けたヒントを提示します。

1. はじめに

AI技術は、企業のデジタルトランスフォーメーション（DX）推進を加速し、企業競争力を高めるためのコア技術として期待されています。また、AIが適切に学習・推論できるようにするための「AI-Readyデータ」は、多くの企業が悩むAIのためのデータ整備にかかわる諸課題を解決するアイデアとして注目を集めています。

本稿では、企業のビジネス成果創出を目的としてNECが提唱する「NECデータドリブンDXアセット＆フレームワーク」（以下、DDXアセット）によるAI-Readyデータ基盤の実現コンセプトと、AI・データ利活用を加速するためのアプローチを紹介します。

2. 企業競争力を高めるためのAI・データ利活用とビジネス成果創出の障壁

企業競争力を高めるため、多くの企業がDX推進を加速させており、AI活用人材の拡充や体制整備など、AI・データ利活用の取り組みが進んでいます。

しかし、AIが本格的に基幹業務に組み込まれ、ビジネス成果に貢献している事例は依然として限定的です。現在は「AIを試してみる」段階から、「AIを業務に本格的に運用し、ビジネス成果を上げる」段階へと移行する過程にあり、そこにはいくつかの重要な課題が存在します。

2.1 課題1：ユースケース定義の難しさ

AI・データ利活用を進めるうえで、最初の課題は「データ利用の目的（ユースケース）を明確に定義する難しさ」です。目的やゴールが曖昧なまま「社内データを活用してみる」だけでは、PoC（Proof of Concept）止まりとなり、失敗するケースが多くみられます。特に、経営課題や現場課題と施策が紐付いていない場合には、大きな成果にはつながりません。

典型的なユースケース定義が難しい理由は次のとおりです。

一方で、成功している企業は、明確なサクセスクライテリア（成功基準）を設定し、ビジネス目標や経営戦略に紐付けてユースケースを定義しています。

2.2 課題2：AI-Readyデータ整備の難しさ

AI・データ利活用を効果的に進めるうえでは、AIが適切に学習・推論できるよう「AI-Readyデータ」の整備が不可欠です。AI-Readyデータには、例えば次のような特性が求められるとNECは考えます。

しかし、実際には、データモデルの不備やデータからのナレッジ抽出の本質的な難しさにより、AI-Readyデータの整備がうまく進んでいないケースが多くみられます。

2.3 課題3：進化するAI技術の選定の難しさ

日々進化するAI技術のなかから最適な技術を選定する難しさも課題の1つです。AI技術は急速に進化しており、導入した技術が短期間で陳腐化するリスクがあります。

また、クラウドサービスやオープンソース技術など選択肢が非常に多く、スケーラビリティや保守性を考慮しながら、過去に投資した既存IT資産との機能整合性・連携・接続を設計する必要があります。

更に、これらを踏まえながら社内の限られた人材でAI技術を選定することは非常に困難です。例えば、以下のような複雑な判断を行う必要があります。

3. NEC データドリブンDXアセット＆フレームワークによるビジネス成果創出のアプローチ

企業競争力を高めるためには、第2章で挙げた3つの課題を乗り越え、自社のAI・データ利活用を拡大していく必要があります。

NECでは、これまで多様な業種に提供してきたAI・データ利活用支援の知見をベストプラクティスとしてアセット・フレームワークとして提供します（図1）。

このアセット・フレームワークの活用により、企業は自社のデータ資産をコアとしたAI活用を、より柔軟かつ持続的に推進することが可能になります。

3.1 DDXマトリックス

業種別の代表的なビジネス成果に直結するユースケース群と、ユースケースの実現に必要なデータ利活用技術及びデータ種を表形式で整理した業種アセットです（図2）。

主な構成要素は次の3点です。

3.2 データモデル：LDM（Logical Data Model）

DDXマトリックスのユースケース群を実現するために必要なデータ種を網羅した業種別の汎用的なデータモデルです（図4）。

データ種の情報やデータ利活用技術のアウトプットを保持するためのテーブル名と属性、テーブル間を紐付けるための主キーやリレーション情報を含みます。

3.3 AI-Readyデータと特徴量自動設計

3.3.1 AI-Readyデータとナレッジ

AI・データ利活用のビジネス成果は、企業のナレッジをAI-Readyデータとして整備できるかに左右されます。企業のナレッジを入力することで、AIの学習・推論が企業にとってより適切なものとなり、実効性の高い結果が得られます。

DDXアセットにおいては、ナレッジを“インサイトナレッジ”と“ドメインナレッジ”の2種類に分類し、特徴量データやベクトルデータとして管理します。

インサイトナレッジとは、データ分析などを通じて得られる、データに隠れた企業特有の暗黙的な知見を指します。例えば、「ある商品は特定の年代の人に売れやすい」といった知見です。

ドメインナレッジとは、その企業あるいは企業が属する業界における言語化された固有の知識を指します。例えば、社内マニュアルの記載内容が挙げられます。

これら2種類のナレッジのうち、インサイトナレッジの獲得はより困難です。主に仮説検証的な手法で得ることになりますが、適切な仮説設定と仮説検証の双方に困難さがあるためです。

3.3.2 インサイトナレッジと特徴量自動設計

インサイトナレッジを特徴量データとして管理する場合、その獲得には特徴量エンジニアリングが不可欠です。

しかし、特徴量エンジニアリングはデータサイエンティストのスキルや経験に依存し、かつ人の思考によるバイアスの影響を受けがちです。これがインサイトナレッジの整備、ひいてはAI・データ利活用全体のボトルネックになります。

この課題を解決できるのが特徴量自動設計です。特徴量自動設計は、バイアスにとらわれない網羅的な特徴量の探索と抽出を自動で実行します。これにより、データからインサイトナレッジを効率的かつ高品質に抽出できます。

3.4 dotDataによる特徴量自動設計の実装

NECでは、DDXリファレンスアーキテクチャーにおける特徴量自動設計の実装として、dotData製品を採用しています^1）。dotData製品では、入力データから数十万から数百万の特徴量を仮説的に生み出し、そのなかから有用な特徴量を探索する機能を備えています。

入力データは、マスタデータ、トランザクションデータ、テキストデータなど多岐にわたり、データ間のキーやリレーション情報を用いることで、複数のデータソースを横断した特徴量設計が可能です（図5）。

例えば、顧客属性、口座マスタ、残高履歴を顧客ID及び口座IDで紐付けることにより、「直近1年間の現金の引き出し額の合計（属性がエンジニアである場合）」という特徴量を自動的に抽出します。この点はLDMと親和性が高く、LDMに従ってデータを蓄積することで、dotDataによる特徴量自動設計をより効果的に実行できます。

3.5 DDXリファレンスアーキテクチャー

DDXリファレンスアーキテクチャーは、DDXマトリックスで定義したユースケース群を実現するために必要なデータ利活用技術と、AI-Readyデータ基盤を中核とし、企業データとビジネス成果とをEnd-to-Endに接続するアーキテクチャーです。

このアーキテクチャーは次の3つの要件を満たします。

4. NEC データドリブンDXアセット＆フレームワークによるAI・データ利活用の加速

企業のDX推進では、単なる技術導入ではなく、経営課題の解決とビジネス成果創出に直結する取り組みが求められています。DDXアセットは、「実効性」「クイックスタート・クイックウィン」「変化への柔軟な対応」の3つを柱に、企業の継続的なビジネス成果創出を支援します^2）（図6）。

4.1 実効性

まず、実績に裏付けられた実効性です。NECが数百社にわたるDX支援で得た知見を基に、再現性と拡張性を備えた知財パッケージを提供します。これにより、企業は自社に適合する成功パターンを低リスクで適用できます。 

また、金融・製造・流通など業種別に整理されたDX機会（DXO）やユースケース（KBQ）を経営的視線からブレークダウンして整理しており、現場レベルの施策にとどまらず、経営課題に直結する施策の立ち上げを支援します。

4.2 クイックスタート・クイックウィン

次に、クイックスタート・クイックウィンの実現です。DDXアセットは、優先課題に対して複数のユースケースを最小構成でアジャイルに同時実行することを前提としています。アーキテクチャーやデータモデルは、DDXアセットとのFit＆Gapから企業個別のカスタマイズが可能なため、重厚なウォーターフォールプロセスを経ることなく短期間で成果を得られます。

段階的な拡張も可能であり、まず成果が見込める領域から着手することで、DXによる成果を迅速に獲得できることに加え、DXの導入障壁を下げ、次の展開をスムーズにします。また、現場での成功体験を社内で共有することで、他部門への展開や経営層の理解を後押しし、DXの社内浸透と継続的な取り組みを促進します。

4.3 変化への柔軟な対応

最後に、変化への柔軟な対応の実現です。 

生成AIの登場に象徴されるように、データ利活用技術は急速に進化しており、企業はその変化に即応できる柔軟性が求められます。 

DDXアセットでは、LDMと特徴量自動設計と連携したAI-Readyデータをコアに据えており、データ利活用技術と疎結合な構造を採用することで、最新技術の追加・変更を容易にします。通常のデータ利活用技術やユースケースごとにデータ処理を行う方式に比べ、AI-Readyデータには、分析に必要なナレッジが即時利用可能な形式で蓄積されているため、技術追加・変更時のデータ処理を大幅に削減できます。これにより、新技術への短期適用を可能とし、継続的な改善と価値創出を加速させます。 

このように、DDXアセットは、企業が変化をチャンスととらえ、持続的なDXを推進する仕組みを提供します。

5. むすび

本稿では、NEC データドリブンDXアセット＆フレームワークを活用し、AI-Readyデータをコアとしたビジネス成果創出のアプローチを紹介しました。

NECはデータドリブンDXの理念のもと、NEC データドリブンDXアセット＆フレームワークに基づく企業のAI・データ利活用を加速することで、変化の激しい環境下での企業競争力の向上に貢献します。

参考文献

執筆者プロフィール