AIプロジェクトが理由で失敗する。成功させる方法は?

データから始めないでください。最も重要なのは問題です。

「大量のデータがあります。 AIでどのように活用できますか?」

それが、日々増え続けている企業の質問です。

人工知能の流行は、大小の組織間でFOMO(見逃すことへの恐怖)の感覚を生み出しています。私たち全員がAIを利用できず、競争に取り残された場合はどうなりますか?

確かに、これらのすべての質問をすることにはかなりの真実があります。ただし、重要な注意事項があります。

AIプロジェクトに正しい角度からアプローチする必要があります。

企業がAIを活用する方法

他の人がこの波に乗るのを支援することに特化した会社で働いて、私たちはしばしば会社にもAIを持ち込みたいエグゼクティブやプロジェクトマネージャーと話します。

いくつかの例外を除き、これらの企業は次の2つのカテゴリに分類されます。

  1. AIで何をしたいのかを知っており、かなり詳細なアクションプランを把握している先見の明のある企業があります。
  2. ただし、多くの場合、次のような方針に沿った行動計画を持つ企業に遭遇します。
  • データを取得する
  • 機械学習を適用する
  • ????
  • 利益

この4段階のアクションプランが愚かであったり、100%間違っているわけではありません。関連データが必要です。機械学習は、おそらくそれを何か有用なものに翻訳するのに役立つでしょう。そしてもちろん、プロジェクトからいくらかの価値を引き出したいと思うでしょう。

この計画には一つだけ間違っている。

いくつかの重要な要素が欠落しています。

かなりの割合のデータプロジェクトに取り組んだ後、いくつかのプロジェクトが成功し、他のプロジェクトが失敗して死ぬという重要な点をいくつか見つけました。

それでは、機械学習の努力が肯定的なROIを返す可能性を高める魔法の要素は何ですか?

あなたの会社も含めて今日の会社の位置を理解することから始めましょう。

ほとんどの企業は、たとえ小さなものであっても、膨大な量のデータを生成します。これには、あらゆる種類のデータを使用できます。たとえば、使用ログ、通信ログなど、あらゆる種類のログについて考えてみてください…誰もがログを持っています!

今、あなたがビジネスデータの山に座っていると想像してください。ほとんどの会社のリーダーにとっての最初の結論は…

「大量のデータがあります。それから何か面白いものを作成できますか?」

これをData Firstアプローチと呼びましょう。

Data Firstアプローチの問題

人々がデータからAIプロジェクトを開始することを好む理由は、これが彼らの手にあるものだからです。

そして、スプレッドシートとSQLを使用して大量のデータを人間が理解するのは本当に難しいので、機械学習を適用してすべてを理解したいと考えています。

すべてのデータをマシンに提供し、それらがビジネスのアイデアと利益に変わるのを見るのは素晴らしいことではありませんか?

しかし、それは通常何が起こるかではありません。

起こりそうなのは、多くの賢い人々が仮説を立て、データに対してそれらをテストするということです。その結果、彼らは会社のビジネス側にある程度関連するいくつかのパターンを見つけるかもしれません。

ただし、ほとんどのData First機械学習プロジェクトは最適とはほど遠いものです。

どうして?

「AIプロジェクトは、企業が尋ねる質問がほとんど間違いであるか、ビジネスに無関係であるために失敗します。」

さらに、結果を展開し、それをチームのワークフローに統合するコストを追加します。ある時点で、誰かが利益がコストをカバーしないことに気付くでしょう。機械学習への幻滅が続いており、AI誇大広告に乗るというさらなる計画はすべて、悲鳴を止めます。

簡単に言えば、AIが答えることができると思う質問をすることでAIプロジェクトを開始すると、あなたは…

  1. 解決するためにAIを必要としない質問をする
  2. 影響の少ない問題の解決に多くの時間を費やす

それで、あなたは何をしますか?機械学習をビジネスデータに適用しませんか?

それは最適なソリューションとはほど遠いです。

Problem Firstアプローチを入力してください

機械学習をビジネスデータに適用する別の方法があります。そして、この2番目のソリューションで成功する企業ははるかに多くなっています。

この他のオプションは、問題優先アプローチと呼ばれます。

既に大量のデータがある成熟したビジネスを運営していると想像してみましょう。そして、あなたはそれのために良い目的を見つけたいです。

今回だけ、このデータのパターンを盲目的に検索し始めるのではなく、会社のさまざまなプロセスを担当する人々と話をします。それらの人々はあなたの会社のさまざまな側面と業務を最もよく知っており、最大の影響で問題を引き出すことができます。

「AIから適切な質問をするのに最も適しているのは、チームメンバーです。」

これらの人々に、彼らが解決する必要のある多くの問題を可能な限り具体的に定義するように依頼してください。これも改善が必要なプロセスである可能性があります。

たとえば、AIで解決可能な問題は次のとおりです。

  • 何がお客様の混乱を引き起こしますか?
  • オンボーディングプロセスをより効果的にする方法は?
  • 生産ラインのコストを削減するには?
  • 不良品が顧客に出荷されるのを防ぐ方法は?
「解決する必要のある問題を知って初めて、回答がデータで見つかるかどうかを尋ねることができます。」

AIから適切な質問をする方法は?

あなたの従業員は以前にAIの経験がありません。

そのため、この一連の問題を定義する際の大部分は、機械学習の機能と制限に精通している必要はないことに留意する必要があります。

アイデア作成プロセスに関与するチームメンバーに、機械学習を使用してビジネス上の問題を自動化できるかどうかを判断するための少なくともいくつかの速記を与えることは理にかなっています。

一般的なルールとして、この目的に役立つ次の2つの質問を見つけました。

1.人は1秒以内にそれを行うことができますか? —クレジット:Andrew Ng

「人間はパターン認識が得意です。至る所にパターンが見られます。なくても!」

パターン検出タスクが1秒未満で実行できるほど単純な場合、マシンに同じタスクを同様の精度で実行することを教えることができますが、はるかに高速です。

これらのタスクには、画像内に猫または犬がいるかどうかを判断するなど、誰でも実行できる単純な知覚タスクが含まれます。ただし、センサーデータを監視してコンポーネントのメンテナンスがすぐに必要かどうかを判断するなど、はるかに複雑なタスクも含まれます。

この分野での機械学習の優れた関連する例は、電話で使用される顔認識と音声コマンドです。

潜在的な問題:

AIを使用してヒューマンタスクを自動化する際の一般的な問題の1つは、タスクが複雑になるほど、必要なトレーニングデータが増えることです。たとえば、人間の顔の形状を認識できるマシンを構築するのは非常に簡単です。

ただし、10億の異なる顔を正確に区別できるマシンを構築するのは非常に困難な作業であるため、ROIを向上させることはできません。

そのため、本当に必要なソリューションの複雑さを常に考える必要があります。

ポーズをとることができる別の質問もあります…

2.スプレッドシートにすべてを収めることができる場合にのみ、表示できるパターンはありますか?

「あなたの質問に対する答えがあなたの持っているデータの中にあると信じる健全な論理があると思いますか?」

例えば:

「データは私の製品の使用パターンに関するものなので、このデータから解約の理由を推測できることは理にかなっています。」

データと問題を適切に結び付けるのは難しい場合があります。結局、あなたは判断の呼び出しを行う必要があり、あなたの論理は間違っていることが判明するかもしれません。

それでは、このアプローチを使用する適切な状況は何ですか?

解決しようとする価値のある、インパクトの大きいプロジェクトを探してください。これは、会社にとって大きな価値を生む可能性があり、小さなリスクに値するものです。

AIプロジェクトの優先順位付け

解決すべき一連の質問や問題を収集したら、リストに優先順位を付け始めます。

機械学習の専門家と主要な従業員の両方がこのプロセスに関与することが非常に重要です。

問題に優先順位を付けます:

  • 問題を解決する潜在的な価値は、生成されます
  • 機械学習プロジェクトの難しさ
  • 各問題を解決する緊急性

最後に、もう1つ重要な質問があります。

「機械学習プロジェクトは、各状況で最適なソリューションですか?」

コンピュータービジョンプロジェクトによって毎日Xのお金を節約できるかもしれませんが、リスクが高く、完了するまでに1年以上かかるため、ビジネス上の意味はほとんどありません。

慎重に検討した後、データを使用して解決できる実際のビジネス上の問題のリストが得られます。

Data FirstとProblem Firstのアプローチ

では、Data FirstとProblem Firstのアプローチの主な違いは何ですか?

1つは、Problem Firstアプローチでは、忙しい人々を集めて、組織のボトルネックの詳細な説明に時間を費やすように求める追加の努力が必要です。

一方、この追加の作業を行うことで、解決可能であり、会社にとって長期的な利益をもたらす非常に具体的で明確に定義された一連の問題にたどり着きます。

「プロブレムファーストアプローチでは、解決可能であり、会社にとって長期的な利益をもたらす非常に具体的で明確に定義された一連の問題に到達します。」

プロブレムファーストアプローチのもう1つの利点は、初期推定値は具体的なものとはほど遠いものの、関係する全員が少なくともプロジェクトの難しさと予想される結果についての一般的な考えを持っていることです。

適切なデータを確保する方法は?

適切な利益重視の質問をするこのプロセスは素晴らしいように思えますが、適切なタイプのビジネスデータがまだない場合はどうでしょうか。

その一方で、追加のインテリジェンスから利益が得られると思われる製品があります。

問題を解決したり、製品を改善するために適切なデータの収集を開始する最も効率的な方法は何ですか?

ここで最も効果的なのは、現在の製品の動作を考えることです。さまざまなポイントでの動作または速度を遅くしたり、妨げたりする主な問題は何かを自問してください。

通常、製品またはサービスは次の場合に最適に改善できます。

  • 何らかの人間の関与が必要な場合—それらの人々がより効率的になるのを助けることができるか、またはタスクを完全に削除できるかどうか自問してください。
  • 大規模な顧客の離脱が発生した場合-製品の粘着性を高めたり、より魅力的にしたりできますか?
  • タスクが次善のレベルで実行されているとき—自動化できる、または省略される可能性のある実行可能なステップはありますか?

改善したいステップのリストを作成したら、潜在的に生成できる価値のレベルでそれらを調整します。次に、リストの各項目の難易度を評価するのに役立つ機械学習の専門家を見つけます。

機械学習では解決できない問題や、タスクを日常的に作業する人の方が効率的であることが判明する場合があります。

「あなたの問題の中には機械学習では解決できないものもあれば、タスクで作業する人がいる方が効率的であることが判明するかもしれません。」

AIで改善できるフィールドの一部を把握したら、問題の解決に必要なデータの収集方法を計画する必要があります。また、データ収集から実行までのプロセス全体にかかる時間とリソースの量を評価します。

その結果、AIを使用して製品/ビジネスプロセスを改善するための明確なロードマップが得られます。また、どこで最も潜在的な価値があるのか​​もわかります。

重要なポイント

記事を読みましたが、すべてをあなたの会社の利益に適用する方法が少し確信がありませんか?

取り去るいくつかの重要なポイントは次のとおりです。

  1. 問題優先アプローチを使用する
  2. チームを意思決定プロセスに参加させる
  3. 実際にML / AIを使用して問題を解決する必要があることを確認してください
  4. 影響に基づいてAIプロジェクトに優先順位を付けます
  5. データ収集プロセスが最適であることを確認してください

読んでくれてありがとう!気に入ったら、をたたいて投稿を共有してサポートしてください。以下にコメントを残してくださいto!

著者について:Markus Lippusは、ビジネスデータの活用を支援するAI開発会社であるMindTitanの共同設立者であり、データサイエンティストです。私たちは、スタートアップと大規模企業の両方と連携し、幅広い機械学習コンサルティングおよび開発プロジェクトをカバーしています。当社のウェブサイトで当社の詳細をご覧ください。