絞り込み検索
キーワードで探す
カテゴリで探す
サービスで探す
業種で探す
トレンドで探す
キーワードで探す
カテゴリで探す
サービスで探す
業種で探す
トレンドで探す
background-image-careers
2018.9.20技術ブログ

企業におけるAI活用の現実解~NTTデータが直面してきた課題とは

AI活用のニーズが高まり、NTTデータのビジネスとしても現実感を帯びてくる中、われわれはこれまでのSIビジネスとは全く異なる課題と直面することとなる。本稿では、最前線でお客様のAI活用を支援してきたNTTデータが、その経験知をもとにAI活用の現実解をご紹介する。

1. 活況となるAIビジネス

昨今、世の中のさまざまなモノ・コトがデジタル化され、情報流通量は爆発的に増えていますが、その大半のデータ(情報)はうまく活用されず捨てられていっています。AIに与えられた役割は、これらの「過去の膨大なデータをもとに未来を予測し、人間が判断を行う支援を行うもの」と認識され始めています。

AI/Analyticsの活用ステージ

図1:AI/Analyticsの活用ステージ

企業のAI/Analyticsの活用ステージを見渡してみると、ようやくAI活用のPoC・検討に着手し始めた企業から、具体的に導入を行っている企業など、さまざまなステージがあります。分析を組織化し、自動化・自律化を志向する本格運用のステージまで至っている企業はまだ一握りです。ただ、2018年以降は、導入期の課題を乗り越えて、本格運用を成功させる企業が続々と現れてくるだろうと考えています。

2. AI活用を本格的に行うために必要なもの

NTTデータでは、AIプロジェクトにおいてお客様支援をする中で、実際に様々な課題に直面してきました。

AIプロジェクト・分析のプロセス概観

図2:AIプロジェクト・分析のプロセス概観

一般的にAI導入にあたっては6つのプロセス(図2)で進めていくことになります。
何をAIで予測したいかを決めて(「目的設計」)、どのようなデータ・手法で実現するか決めて(「分析設計」)、必要なデータの収集と前処理を実施し(「データ準備」)、実際に「モデル生成」を行い、モデルが目的を満たすことができるかを統計的に「評価」し、問題がなければ「業務に組み込む」という一連のプロセスです。
AI開発は最初から結果が保証されるものではありません。前工程に戻っての再検討・PDCAが必要になりますし、業務に組み込んだ後も、モデルのメンテナンスを定期的に実行することも必要です。この繰り返しのプロセスの中で、「目的設計」「分析設計」「データ準備」のプロセスは人が頭で考えて試行錯誤すべきプロセスである一方、その後の「モデル生成」「評価」「業務組み込み」のプロセスはできる限り自動化を考えていくべきプロセスであるとNTTデータでは考えています。

「目的設計」「分析設計」プロセス

AIというキーワードからスタートする企業が昨今非常に多いと感じています。技術先行ではなく、課題があって最適な技術を選ぶというアプローチが成功する可能性を高めます。その課題が本当に企業にとって重要であり(解決することによりROIが出る)、AI技術により解決可能性があるかどうかを見極める能力が必要になってきます。
AI導入をスタートする際の課題としては、ビジネス効果が大きく、精度が出なくてもすぐにはビジネスリスクにつながらないようなものから手をつけるのが現実的と考えています。例えば、「不正検知」ではなく「商品レコメンド」から始めるのがよいでしょう。

「データ準備」プロセス

AI活用を行うためにはデータの量/質が肝です。量が不足するケースとしては、そもそもデータを取得していないケースや、組織間の壁やシステム間の壁により必要なデータがすぐに得られないというケースもあります。質が不十分なケースとしては、クレンジングが不十分で名寄せなどの処理を追加で行う必要があるというケース、分析で使えるようにデータ変換や正規化を行う必要があるケースなどです。データマネジメントシステムのような仕組みの導入が必要になってきます。(※1)

「モデル生成」プロセス

NTTデータは2017年に機械学習自動化プラットフォーム「DataRobot」の販売代理店となりました。(※2)DataRobotでは、非常に精度の高いモデルの作成の自動化が可能で、モデルの「評価」「業務組み込み」を支援する機能も提供されています。それにより、モデル精度をあげるためのPDCAを行う効率が良くなります。データサイエンティストに必要な統計やプログラミングの専門知識はこういった優れたソリューションに置き換わっていき、人間は「目的設計」や「分析設計」などに注力していくことができると考えています。

AIプロジェクトの自動化ターゲット

図3:AIプロジェクトの自動化ターゲット

「評価」「業務組み込み」プロセス

その後の「評価」「業務組み込み」では、精度のモニタリングや精度が劣化してきたときのモデル再作成・再適用、過去のモデル履歴や予測履歴を保存しておくといった運用業務が必要と考えており、NTTデータではモデル品質維持の自動化を実現するソリューションとして「AICYCLE」という仕組みを開発しました。(※3)

Analytics自動化ソリューション 「AICYCLE™」

図4:Analytics自動化ソリューション 「AICYCLE

なぜモデルの品質維持を自動化しなければならないかというと、一度構築した予測モデルは時間経過や状況変化により、精度が低下していく可能性があるためです。例えば、製造業でAIを使って生産ラインの故障予知を行う場合、生産ラインではしばしば改善活動が行われており、その結果、故障の発生傾向が変わっていき従来の予測モデルが当たらなくなってくるという事象が発生します。一つのモデルの運用だけなら手作業で乗り越えられるかも知れませんが、本格運用期においては予測モデルの運用管理の工数が無視できないものになると考えております。

3. まとめ

本稿ではAIのビジネス活用において必ず直面する課題のごく一部をご紹介いたしました。AIのビジネス活用は今後もますますニーズが高まってくると思いますが、本格運用を行うためにはこれらの課題を乗り越えていく必要があります。NTTデータでは、今後本格運用期に移るお客様のご支援ができるよう、上流工程に関わる情報活用コンサルティングサービスや、機械学習・モデル品質維持の自動化といったAIソリューションを提供してまいります。

  1. ※1 データマネジメント- インフォマティカ -の紹介:
    データマネジメントを支えるインフォマティカの製品の特長については、下記のウェブサイトでご紹介。
    http://nttdata-aistudio.com/datarobot/service/detail_informatica.html(外部リンク)
  2. ※2 DataRobotの紹介:
    DataRobotの製品の特長については、下記のウェブサイトでご紹介。
    https://nttdata-aistudio.com/datarobot/(外部リンク)
  3. ※3 AICYCLEの紹介:
    AICYCLEの製品の特長については、下記のウェブサイトでご紹介。
    https://nttdata-aistudio.com/datarobot/service/detail_aicycle.html(外部リンク)
お問い合わせ