なぜAI導入は失敗する?AIプロジェクトの成功パターンから学ぶ、おさえておくべきポイント5つ
|
この記事は10分で読めます
こんにちは!アシストの熊谷です。
日ごろAIサクセスマネージャー(DataRobot社公認)として、お客様のAIプロジェクト推進をお手伝いしています。
昨今、企業としての競争力を獲得するために、AIをはじめとするデータの利活用への取り組みが強く求められています。
しかし、社内にナレッジがないなかで、ゼロからAIプロジェクトを立ち上げ、推進し、そして成功にまでいたる確率は、必ずしも高いとは言えないのではないでしょうか?
この記事では、AIプロジェクトをこれから始めようとされている方や、現在AIプロジェクトを推進されている方向けに、AI導入成功のために「これだけはおさえておきたいポイント」をわかりやすく解説します。
なぜAI導入は失敗するのか?
AIプロジェクトの成否を分けるポイント5つ
実際にお客様のAIプロジェクトをご支援させていただくなかで、プロジェクトを成功させるためには5つの共通点があることが分かってきました。それぞれのポイントと、考慮すべき内容について見ていきましょう。
1.目標・ビジョンの設定
組織として中長期的なビジョンを持ってAI導入を検討しているか?
2.AIテーマの設定
AIでできること、できないことを正しく理解し、適切なAIテーマを設定できているか?AIを使うこと自体が目的になってしまっていないか?
AIで解決できることや、AIプロジェクトの進め方は「DataRobot超入門」で解説
3.組織・推進体制の整備
AIプロジェクトの推進において必要な役割を認識し、目標・ビジョンと連動した体制を組めているか?
4.AI人材育成の推進
AIを活用し継続して効果を出していくために、社内の人材育成に取り組めているか?
5.データの整備
AIに取り込むデータの取得や加工プロセスの重要性を理解し、取り組めているか?
上記のポイントは、AIプロジェクトに限らず、すこし言葉を置き換えてみれば通常のシステム導入でもよく言われるポイントかと思います。
しかし、AI導入においては、各ポイントにおいてAI固有の要素が多く含まれています。
そのため、実際のプロジェクト推進では、AIプロジェクトの特徴を理解し、その特徴に合った進め方をする必要があります。
それでは、AIプロジェクトの特徴について、従来のシステム開発と比較しながら見ていきましょう。
従来のシステム開発とAI開発との違いとは?
以下の表は、上記の5つのポイントをもとに、従来のシステム開発とAI開発とを比較したものです。
上記のような違いを認識せずに、従来のシステム開発でのアプローチを取ってしまうと、AI開発が失敗に終わってしまう可能性が高まります。
これより先ではさらに掘り下げて、各ポイントごとにどのような失敗が起こりえるのか、また、それを回避するために取るべき対策についてご紹介します。
AIプロジェクトにおける、失敗あるあるとその回避策
1.目標・ビジョンの設定
2.AIテーマの設定
ビジネス効果の出せる、適切なAIテーマの選定方法は「AIスタートダッシュ超入門」で解説
3.組織・推進体制の整備
4.AI人材育成の推進
5.データの整備
ここまで、5つの視点から、失敗パターンとそれを回避するための考え方をお伝えしてきました。しかしながら、回避策が分かったとしても、自社の力だけでAIプロジェクトを推進するには限界があり、成功に至るまでに遠まわりをしてしまう可能性もあります。
上記であげたような失敗ケースに陥らず、なおかつ最短でAI活用の成功にたどり着くためには、AIの知見をもつ頼りになるメンバーにプロジェクトへ参画してもらい、支援を受けながら推進していくことをオススメします。
「自走」がAI成功のカギ!
自社の自走に向け伴走型でご支援するAI Buddy
失敗ケースでお伝えしたとおり、AIプロジェクトは自社のメンバー自身が主体的に取り組んでいくことが何よりも大切です。
アシストでは、AIに取り組まれるお客様を伴走しながらご支援するサービス「AI Buddy(AI バディ)」をご用意しております。
「AI Buddy」とは、お客様の頼れる相棒(バディ)として、お客様のAIプロジェクト推進をお手伝いしているアシストのAIサクセスマネージャーと、データサイエンスの知識と資格を持ったデータサイエンティストが伴走型でご支援します。
お客様は、AI導入から活用までを外部に委託することなく、自社のメンバーを主力に据えながら、AIプロジェクトの進行と自社メンバーの育成、AIリテラシーの向上を同時に実現できます。
以下では、「伴走型」のイメージがわかるように、実際に弊社のお客様へ提出した支援計画の一部を編集してご紹介します。
伴走型支援とは?実際にお客様へ提出した支援イメージ
こちらの例は、初期のAIテーマが比較的明確なお客様に向けたご支援メニューです。
AIの業務適用を支援しながら、社内での横展開に向けて新しいテーマを見つけ、AI活用の拡大を図っていく内容となります。
アシストでは、以下のような支援メニューを用意しており、お客様の活動に合わせて設計、提案をさせていただきます。
上記の各種支援を、先ほどの5つのポイントにプロットすると以下のようになります。
テーマ推進を支援の中核におきながら、勉強会やワークショップ、トレーニングなどで各ポイントをおさえていきます。
AI Buddy支援の詳細は、「AI Buddyサービス紹介資料」をご確認ください
さて、ここまで、「AIプロジェクトに失敗しないためのポイント5つ」と、「AIプロジェクトを成功させるための伴走型支援、AI Buddy」についてご紹介してきました。
ここまでの内容は、AIサクセスマネージャーとしての視点でお話しましたが、AIプロジェクトにはデータサイエンティストの支援も必要となります。
そのためここからは、実際にお客様のAIプロジェクトをデータサイエンティストとして支援している小宮さんと、実際の事例をテーマにさらに話を深めていきましょう!
以下について知りたい方は、ぜひ読み進めていただくことをオススメします。
AIプロジェクトはこうやって進んでいる、
実例をとおしてデータサイエンティストが解説
それでは、簡単な自己紹介と、お客様にどのような支援をしているか教えてください。
私は、データサイエンティストとしてお客様のAIプロジェクトのテーマ推進のお手伝いをしています。 たとえば、お客様の作成途中の予測モデルを見せていただきながら、時には私もモデル作成や検証を行い、より効果を出せる方法をアドバイスしています。
AI導入はハードルが高い?どんな企業がAI導入を検討しているかというと
実際にAIプロジェクトの推進を支援してみて、お客様の課題や支援の内容についてどう感じていますか?
まず感じるのは、お客様の課題や置かれている状況は非常に多種多様であるということですが、傾向としては大きく2つに分けられます。
ひとつめは「実施したいAIテーマや予測したい内容が明確になっており、技術的なフォローのみが必要なケース」、ふたつめは「まだAIテーマが決まっておらず、これからテーマの詳細化を図ったり、データ準備やモデル作成をしながらテーマの具体化を図っていくケース」です。
それではまず、前者の場合について、どのような支援を実施したのかを教えてください。
前者の場合は、お客様自身にはっきりとプロジェクトの進め方に対するイメージがあります。
そのため、アシストの役割としては、その進め方において発生するであろう課題のフォローや、ひとつのゴールを達成したあとの体制づくりや教育を支援させていただきます。
あるお客様では、実施したいテーマや予測したいターゲット、使うデータなどが明確でした。しかしながら、お話を伺うなかで、運用を見据えた場合にいくつかの問題があることが見えてきました。
具体的には、予測用のデータを現場のユーザーに入力してもらうことがあるため、その入力作業をできる限り最小限にとどめる必要がある、という点です。
また、ユーザーにAIを利用してもらうためには、既存システムの中に作成した予測モデルを組み込むことが必要でした。
実際にAIを業務適用した経験を持つ方がいらっしゃらなかったこともあり、システム運用の要件をヒアリングしながら、DataRobotでの実装方法についてアドバイスを重ねて、運用に結びつけることができました。
お客様主体で進めつつも、お客様がイメージできていない部分をAI Buddy支援によってサポートし、運用にいたった例ですね。それでは、後者のパターンについても教えてください。
後者のパターンにおいては、大きなテーマはもちろん決まっていますが、詳細な部分はプロジェクトを進めながら検討していきます。
このケースにおいては、まだ使えるかどうか分からないデータをもとに予測モデルの開発をはじめ、出力された予測結果をもとに、どういった使い方ができそうか、他に必要となるデータがあるのかなどをディスカッションしていきます。
しかし、ディスカッションを重ねていくと、目的が見えなくなることもあるんです。
目的が見えなくなるというと?
AIに取り組まれるお客様は、AIに多くの期待を寄せられていることもあるため、複数の目的をいっきに解決しようとされるケースがあります。そのため、作成している予測モデルに、その複数の目的をすべて担わせてしまうことがあるんです。
そうなると、必要なデータの選定や評価の仕方などがブレてしまうことがよくあります。
そのため、お客様のご要望や目的を理解しつつ、テーマや予測ターゲットを改めて確認をさせていただきます。
そこをしっかり意識しながら進めると、必要なデータや前処理の内容も整理されていきます。「現場で本当に使えるAI」を実現するために、目的にあった軌道修正をアドバイスさせていただくようにしています。
お客様は試行錯誤しながらAIに取り組んでいるため、第三者的にアシストがアドバイスさせていただき、軌道修正を図っているんですね。
つい諦めてしまいがち、ツールの標準機能で対応できない要件にはどう対処する?
今あげた2つのパターン以外に、実際の支援の現場で感じることがあれば教えてください。
2つありまして、ひとつめは「データの前処理の重要性」、ふたつめは「ツール単体の機能では実現が難しい要件への対応策」ですね。
まず前者において、お客様から実際にデータをいただきモデル作成のアドバイスをすることも多いのですが、そのモデル作成の前のステップとして、データの前処理に関するご相談をいただくことが実は非常に多いんです。
そのため、この前処理の部分もうまくこなせるようになると、モデル作成の効率が格段にアップします。
どれだけ高度なAIツールであろうと、取り込むデータの精度が低ければ、出力される予測結果もまた精度が低くなってしまいますから、「データの整備」は非常に重要ですね。 後者についても具体的に教えてください。
DataRobotは便利で多機能なツールではあるのですが、時にはお客様から、ツール単体の機能では実現が難しいようなご相談をいただくこともあります。
実際に支援させていただいた例では、「最適化問題」に関するご相談がありました。
最適化問題とは、「逆問題」とも言われたりしますが、普通に結果を予測するのではなくて、その結果を最大化するためには、どういった入力値の組み合わせがよいのか?を探し出すようなものとなります。
最適化問題を行うためには、DataRobotでは「最適化アプリ」というもので簡単に最適値をシミュレーションできるのですが、最適化したいパラメータが1つに限られてしまうんです。
実際にご相談いただいたお客様がやりたかったのは、トレードオフの関係にあるような2つのパラメーターを同時に最適化する、一般的に「多目的最適化」と呼ばれるような処理だったんですね。
製品機能だけでは実現が難しいご相談だったので、製品でどこまで対応するのか、どのような手法であれば、お客様の目的に対して効率的に対応できるのかを議論し、結果として外部の機能と組み合わせて実現する方法をご提案させていただきました。
はっきりした正解があるわけではないので、アシストとしても試行錯誤してアイデアを提示させていただきました。
よくお客様からは、「ツールさえあれば簡単に実装できるのでは?」というお話や、「ツールでできないことは諦めるしかない」といったお話をお聞きします。
しかし、DataRobotの製品知識とデータサイエンスの知識を組み合わせることで、できないと思われていたことでも、対応できる可能性があることをお伝えできたということですね。
現場ではいろいろなことが起きる、だからこそ伴走相手を!
それではさいごに、データサイエンティストの視点から、AIプロジェクト成功の秘訣を教えてください。
前段の熊谷さんのお話にもあるとおり、発生する課題に柔軟に対応できる体制をとることが重要だと思います。
AI推進においては、AIテーマの設定、データの取得、データの加工、モデルの作成、運用への組み込み、といったさまざまなプロセスがあるため、どこで問題が発生するのかを事前に予測することは難しいです。
そのため、どんな問題にも対応できる柔軟性をもった体制や計画を立ててもらうことが大切だと感じます。
小宮さん、ありがとうございました!
AIは常に試行錯誤が必要なプロジェクトです。
以下のように、AIプロジェクトではさまざまなフェーズで、あらゆる問題が発生します。
これらはツールがどれだけ高機能になっても、対応が難しい問題です。
アシストでは、AIプロジェクトの推進には最適な伴走相手が必要だと考え、日々ご支援させていただいています。
ぜひ皆さまも、AIプロジェクトの特性を理解し、本記事でお伝えした5つのポイントも意識しながら、AIの導入効果を最大化できる活動を実践されることを願っております!
AIの導入や活用におけるお悩み、ご相談などありましたら、ぜひお気軽にアシストへお問い合わせください。
著者紹介
熊谷 健司(KENJI KUMAGAI)
DataRobot社公認 AIサクセスマネージャー(AISM)
アシストに入社以来、データ分析を行うBIツールの担当技術として、お客様の情報活用環境構築に向けた提案およびご支援を実施。近年ではDataRobotも担当し、AIプロジェクトのマネジメントを行うAIサクセスマネジャーとして活動。多くのお客様をご支援した実績を評価いただき、2022年にはDataRobot社よりAI Success Manager of the Yearを受賞。
小宮 一真(KAZUMA KOMIYA)
DataRobot社公認 カスタマーフェイシングデータサイエンティスト(CFDS)
BI製品のフィールドエンジニアを経験後、情報活用製品全般のプリセールス担当に。中日本地区を中心に、重要顧客や大手製造業のお客様を複数社担当。現在はデータサイエンティストとしてお客様のAIプロジェクトのテーマ推進を支援している。DataRobot社が開講するAIアカデミー卒業生。