AI for People and Business

第11章. AI成功のための科学的イノベーション

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

ここからは、構想に沿った効果的なAI戦略を策定するための基礎となる枠組みを構築していく。この章は、AIの活用に関心のある経営幹部や管理職にとって、特に戦略立案や適切な期待値設定のために非常に重要である。

AIは非常に複雑な科学分野であり、探求、実験、予測不可能な結果に大きく左右される。そのため、AIは研究開発の一形態と考えるべきで、期待値のセットや予算も含まれる。AIはまた、非常に活発に研究され、絶え間ない進歩を遂げている分野であり、その応用方法はますます多様化し、ペースも非常に速い。

私は、AIがどのような価値（ROIを含む）を作成できるのか、AIソリューションの構築にどれくらいの時間とコストがかかるのか、ソリューションのパフォーマンスはどの程度になるのか、どのようなAIテクニックやアプローチが最も効果的なのか、一定レベルのパフォーマンスを確保するために必要な正確なデータは何か、といった質問を経営幹部や管理職から定期的に受ける。

多くの研究開発イニシアチブと同様に、人々は通常、これらの質問の多くに初期化で答えることができないことが理解されている（それこそが研究開発の目的なのだ！）。重要な点は、AIは発見の科学分野であり、設計や組み立ての分野ではないということだ。その理由を説明しよう。

科学としてのAI

データサイエンスの分野で「科学」という言葉をもう一度見直してみよう。私たちの多くは、学校で習った科学的メソッドを覚えているだろう。オックスフォード英語辞書は科学的メソッドを次のように定義している：

17世紀以来、自然科学を特徴づけてきた方法であり、体系的な観察、測定、実験、仮説の立案、検証、修正からなる。

もうひとつ、オックスフォード英語辞書の定義によると、"experimental "という単語には次のようなものがある：

理論や純粋な論理ではなく、観察や経験に基づく、それに関係する、あるいはそれによって検証可能なこと。

最後に、オックスフォード英語辞書は非決定性を次のように定義している：

ある点で、進むべき道が予測不可能に選択されるような計算モードのこと。

この3つの定義はすべて、AI、マシンラーニング、データサイエンスに当てはまる。統計と確率に基づくこれらの分野は、科学的、経験的、非決定論的な性質を持っている。つまり、これらの分野での成功は、引数や理論、純粋な専門知識からではなく、経験、試行錯誤、科学的手法の適用、あるいはそれによく似たプロセスからもたらされる。

これだけは言っておきたい。AI、マシンラーニング、データサイエンスは、アプリケーションを成功させるために必要なデータとテクニックの正確な（あるいは極めて近い）セットについて、ある程度の経験、洗練された知識、能力（次の章で再び説明する概念）がなければ、あるアプリケーションに対して何が得られるか、何が必要か、どれくらいの時間がかかるか、どれくらいのコストがかかるかを正確に知ることができる分野ではない。本章の残りの部分では、データチームが、経験、洗練度、コンピテンシーの観点から比較的新しいデータやテクニックを含むプロジェクトに取り組むシナリオを指すために、「新しいAIプロジェクト」（マシンラーニングを含む）という表現を使用する。

例えば、シンプルなToDoリストのモバイルアプリを作ってみよう。ユーザがアカウントにサインアップし、アプリを使ってToDoリストを作成・管理するだけだとする。モバイルアプリをデザインし、開発し、iTunes（iPhone）やGoogle ...