AI活用を成功させるための第一歩
ここからはデータドリブン経営への現実の道のりを考えてみよう。データの活用と機械学習の活用レベルが高まれば、データドリブン経営に近づく。もし社内に高度なデータ分析人材がいて、機械学習をあらゆる領域で導入済みであり、データサイエンティスト集団がいるなら理想だが、現実にはなかなかない。実現できているのはGAFAのような企業だけだという。
また、現実では実証実験（PoC）や実現可能性で壁が立ちはだかる。ありがちなのが会社トップから「AIを活用した業務改善、新規事業の企画を」と言われるパターンだ。こういう場合は、失敗に終わってしまうケースが多くなる。なぜなら人工知能やAIをよく理解しないまま、使うこと自体が目的となってしまい、いい効果が出せなくなるためだ。
他にも社内にデータサイエンティストがいなかったり、外部に依頼するにもデータサイエンティストの費用が高すぎて手がでなかったりと、様々の要因が壁となる。
AI活用を目指そうとすると、機械学習そのものに関心が向きがちだ。機械学習のライフサイクル、つまりデータの準備に始まり、モデルの作成、評価、展開、そして運用管理や更新を繰り返す。これはこれで大事だが、これだけに固執するとよくない。データや機械学習の活用を高めるには、このライフサイクルのフィードバックにあたる「問題・要求の定義」や「ビジネス目標の評価」のプロセスで正しくあたりをつける必要があるという。
[画像クリックで拡大]
では、「問題・要求の定義」とはどうあるべきか。原田氏によると、「どのような問題を解決する必要があるか」、「ビジネス上で測定すべき事象は何か（品質、コスト、顧客満足度など）」、「機械学習は適切なアプローチか（分類、予測、クラスタリングなど）」を明確化しておくことが望ましいという。もちろんデータも必要だ。どのようなデータが利用できるかも確認しておく必要がある。
そして最終的に何を目標とするか。何らかのビジネス目標か、顧客価値の最大化か、予測精度か。このあたりの妥当性、PoCや実現可能性の検証精度を高めていくことが「成功への第一歩」と原田氏は言う。
