バージニア州アレクサンドリアにある米国特許商標庁（UPO）は、人工知能（AI）プロジェクトを活用して、特許分類プロセスの迅速化、不正行為の検出支援、審査官による類似特許の検索範囲の拡大、そして同一時間内でより多くの文書の検索を可能にする取り組みを進めています。各プロジェクトはパイロットプロジェクトとしてスタートします。米国特許商標庁の最高情報責任者（CIO）であるジェイミー・ホルコム氏は、「概念実証（PoC）は、新技術の理解、ビジネス価値の想定の検証、大規模プロジェクト実施のリスク軽減、そして本格的な実稼働導入のための意思決定に活用する重要な手法です」と述べています。パイロットプロジェクトが成功すれば、次のステップはスケールアップの判断です。その後、実環境へのスケールアップ、そして最終的には本格的な実稼働へと移行します。

インドのeコマースプロバイダーであるFlipkartも同様のプロセスを経て、11の言語で数百万点もの商品をテキスト検索と画像検索で顧客が検索できるようにするプロジェクトを展開しました。現在、Flipkartはディープラーニングを用いて会話型ボットのテストを行っており、ユーザーの意図検出、言語翻訳、音声テキスト変換、テキスト読み上げ機能を含むモデルを構築しています。Flipkartと米国特許商標庁は共に、コンピュータービジョン、自然言語処理、機械学習、その他の人工知能技術の事業分野への適用を急速に拡大しています。

人工知能と機械学習は刺激的な技術ですが、初期のパイロットプロジェクトや概念実証（PoC）プロジェクトの多くは、本番環境への移行に成功しません。成功するプロジェクトには、戦略計画への参加、経営陣の支援、適切なデータへのアクセス、必要なチーム、適切な技術指標とビジネス指標、プロジェクトのマイルストーン、そして複数の反復と迅速な試行錯誤の積み重ねが不可欠です。「このプロセスは、高い品質レベルに到達するまでに1～2年かかることもあり、忍耐が必要です」と、Flipkartのエンジニアリング担当副社長であるガナパシー・クリシュナン氏は述べています。

成功の基盤を築く

企業は、AIパイロットプロジェクトを迅速に立ち上げ、本番環境に展開し、成果を上げています。ForresterのAI、機械学習、データサイエンスアナリストであるRowan Curran氏は、「AIプロジェクトはすでに主流になりつつあり、企業の57%がAIプロジェクトを導入または拡大し、70%から75%がこれらのプロジェクトから大きな価値を見出しています」と述べています。さらに、EYの最近の調査によると、CIOとITリーダーの53%が、AI分野におけるデータと分析が今後2年間で最大の投資分野になると回答しています。

しかし、こうしたパイロットプロジェクトの多くは、様々な理由から、開始される前から失敗に終わっています。まず第一に、トップダウンの支援が不足していることが挙げられます。「経営陣の承認が必要であり、必要な資金も必要です」と、米国特許商標庁のホルコム氏は言います。

一部のIT幹部は、中間管理職やボトムアップからプロジェクトを立ち上げると成功の可能性が低くなると考えています。最も成功するプロジェクトは、CIOのサポートと、プロジェクトへの資金提供に対する上級管理職のコミットメント、そして組織全体のデジタルトランスフォーメーション戦略へのAIの統合です。

Flipkartのクリシュナン氏は、明確な期待値を設定することも重要だと述べた。「展開したプロジェクトがビジネスを根本的に変えると期待すべきではありません。それは時間のかかる長いプロセスなのです。」

PoCは企業内の能力を磨く手段にもなり、製造会社であるイーライリリー社もその手法を採用しています。「PoCを通じて、テクノロジーとプロジェクトデリバリーのスケール面について実験し、学びました」と、イーライリリー社の情報・デジタルソリューション担当バイスプレジデント兼最高情報責任者であるティム・コールマン氏は述べています。このチームは、臨床・科学コンテンツの作成から製品開発、高度な検索、そして一般的な管理機能に至るまで、幅広いビジネス分野において、自然言語処理機能を自然言語の発見、生成、そして翻訳に適用しています。

しかし、こうした能力構築の取り組みは、広範な変革的価値を生み出すことが求められるパイロットプロジェクトと混同すべきではありません。EYのAIコンサルティング部門グローバルヘッドであるダン・ディアシオ氏は、「目標を達成するためには自社の能力開発が不可欠ですが、将来、破壊的イノベーションを起こす企業と競争し、投資家に有意義な影響を与えなければならない状況では、トップダウン型のアプローチが不可欠です」と警告しています。

ヘルスケア企業のアトランティック・ヘルス・システムは、このように AI と機械学習のプロジェクトに取り組んでいます。アトランティック・ヘルス・システムはすでに、放射線科医を支援するための画像評価と、画像検査の指示を受け取り、いくつかのプロセスステップを経てスケジュールを設定する技術である事前承認自動化の試験運用に成功しています。「AI はデジタル変革の一部であるべきであり、独立した取り組みではありません」と、同社のシニアバイスプレジデント兼最高情報責任者であるスニル・ダドラニ氏は述べています。「当社には AI と機械学習のための正式なガバナンス構造と投資計画があります。」イーライリリーでは、プロジェクト提案は、進める前に 3 つの基準を満たす必要があります。ROI の観点からビジネス価値を提供すること、許容できる成功率があること、プロジェクトの結果がビジネス戦略や優先事項と一致していることを保証することです、とコールマン氏は説明しました。たとえば、Mosaic PV はイーライリリー初の薬物有害反応報告に重点を置いた AI プロジェクトの 1 つであり、「高い品質とコンプライアンス基準を維持しながら、生産性を向上させ、有害事象の処理にかかるコストを削減する」という目標を主な目的としています。

何が問題ですか？

パイロットプログラムの成功は、ビジネス上の課題を定義することから始めるべきです。「問題発見のための演習に陥ってはいけません」と、AIプロジェクトに関するアドバイスを主に大企業に提供するグローバルプロフェッショナルサービス企業、Genpactのチーフデジタルストラテジスト、サンジェイ・スリヴァスタヴァ氏は述べています。「ビジネスの成功に焦点を当て、答えではなく課題から始めるプロジェクトは、非常に成功する傾向があります。」

次に、AIが最適な答えであるかどうかを判断する必要があります。クリシュナン氏は、「このプロジェクトはAIを使うほど複雑でしょうか？ シンプルなルールベースのアプローチで対応できるなら、そうしましょう。しかし、数十万、あるいは数百万ものルールがある場合、ソフトウェアベースのアプローチは現実的ではありません」と述べています。

適切な指標とデータはありますか?

米国特許商標庁に戻ると、AI プロジェクトには、モデルの実行方法に関する技術的メトリクスと、AI プロジェクトの商業的価値を定量化する方法に関するメトリクスの 2 セットが必要です。

アトランティック・ヘルス・システムは、明確に定義されたビジネスKPIを設定したパイロット・プロジェクトを、サービスの一部に絞って導入することで、成功を確実なものにしています。例えば、アトランティック・ヘルス・システムの画像評価システムは、神経内科における小規模なパイロット・プロジェクトから始まり、その後、心臓内科をはじめとする他の分野へと急速に拡大しました。チームは8週間以内に神経内科のパイロット・プロジェクトを成功させ、プロジェクトの成果を実証し、心臓内科をはじめとするすべてのサービスラインから支持を得ました。

米国特許商標庁と同様に、Flipkartはまず技術モデルの指標に焦点を当て、次にA/Bテストを実施して、それがビジネスにどのような影響を与えるかを確認します。現在、チームはAI支援型会話ロボットの開発とテストを行っています。彼らはまず、「回答可能性」、つまりロボットが質問に答える能力という指標から着手しました。現在はA/Bテストを実施し、これがビジネスに測定可能な影響を与えるかどうかを判断しています。

AIプロジェクトはビッグデータに大きく依存しており、必要なスピード、量、そして多様性が求められるとダドラニ氏は言う。「データの質が低ければ、期待通りの成果は得られません。」

GenpactのSrivastava氏も同意見です。「AIシステム構築の90%は、データの取り込み、調整、エンジニアリング、そしてガバナンスにかかっています。10%に注力して残りの90%を放棄すれば、そもそも失敗していることになります。ですから、データの基盤を構築する必要があるのです。」

また、複数のA/Bテストを通じて継続的なフィードバックを提供し、モデルを調整するためにリアルタイムでデータを取得する必要があります。しかし、組織によっては、データを自動的かつ迅速に提供できない場合があります。例えば、予測モデルを開発していて、チームが顧客の購入に関する情報を自動的に取得できていないと、このサイクルを完了することができません。顧客の嗜好は時間とともに変化するため、完全導入後もフィードバックループを継続することが重要です。モデルがこれを考慮していない場合、期待どおりの結果が得られません。これは「モデルドリフト」と呼ばれます。

パイロットプログラムを拡大すべきでしょうか?

当初はパイロットプロジェクトを全面的に展開できると期待していたかもしれませんが、スケーラビリティはこれらのパイロットプロジェクトにかかっています。では、パイロットプロジェクトを完全展開にスケールアップするための適切なリソースは確保できているでしょうか？アーンスト・アンド・ヤングのディアシオ氏は次のように述べています。「スケールアップするには、データリポジトリを用意したり、新しいチームを雇用したり、データタグ付け工場を構築したりするのではなく、コードを合理化し、新しいテクノロジーを導入し、AIと機械学習をエッジに展開する必要があるかもしれません。必要なのは、包括的なエンジニアリングスキルです。」

パイロットプロジェクトの実施

Flipkartは、パイロットプロジェクトにクラウドとMLOps関連の機能を組み込みました。「パイロットプロジェクトには、最初から多大なエンジニアリングサポート、頻繁な反復、そして迅速な試行錯誤が必要です。これを実現するには、大手クラウドサービスプロバイダーが提供するMLOpsインフラストラクチャが必要です」と彼はアドバイスしました。パイロットチームは、目標達成までの進捗状況を定期的に報告し、パイロットフェーズ中に期待値が正しく設定されていることを確認する必要があると彼は提案しました。

彼は、「パイロット開始時に3%の目標を設定できれば、非常にうまくいっていると言えるでしょう」と述べました。すぐに成果が出ることを期待してはいけません。複雑なパイロットプロジェクトでは、3ヶ月以内に効果が現れないことも少なくありません。必要なのは、導入し、ギャップを特定し、再導入し、徐々に改善していくことです。

パイロットプロジェクト中の失敗は、必ずしもパイロットプログラムの終了を意味するものではありません。米国特許商標庁の強化された分類システムは当初失敗しました。「当初から、データセットの管理ミスによる問題に直面していました」とホルコム氏は述べています。しかし、チームは調整を行い、システムが手動プロセスよりも大幅に優れたパフォーマンスを発揮するまで、パイロットを継続しました。「失敗しても諦めないでください。失敗した理由を突き止めてください。」

最終評価

前述のCIO、ITエグゼクティブ、コンサルタントは、パイロットプロジェクトを評価するために様々な手法を用いています。アトランティック・ヘルス・システムでは、最初のパイロットが完了すると、その結果を評価し、パイロットを延長するか、本番環境に移行するか、あるいは損失を軽減するかを決定します。ダドラニ氏は次のように述べています。「パイロットプロジェクトでは、具体的な成功指標を提供する必要があります。有望な結果が得られた場合にのみ、スケールアップに必要な内容、所要時間、価値実現までの期間、技術インフラリソースへの投資の必要性、そしてそれらをどのように実装するかを判断できます。」

イーライリリー社のコールマン氏は、パイロット プロジェクトが失敗する理由は多数あると述べています。AI スキルの不足、ラベル付けされたデータの不足、プロジェクトのビジョンや価値提案の不明確さ、俊敏性の欠如、迅速な試行錯誤の精神の欠如、上級管理職からのサポートの欠如、ビジネス導入を促進する組織の変更管理の欠如などです。

財務諸表にとって重要な指標を報告する必要があります。例えば、価格設定アルゴリズムによって5,000万ドルの節約が見込まれる場合、これまでの達成額と当初の期待額との間にギャップが生じる可能性があります。ディアシオ氏：「大規模で費用のかかるプロジェクトの場合、パイロットプロジェクトではそれだけの価値を生み出すだけの信頼性が欠けていることが多いため、達成された価値を可能な限り文書化するようにしてください。」

これは、パイロットプロジェクトのスケールアップが必要かどうかを再評価する機会にもなります。「多くのPoCは技術的には非常に成功していますが、スケールアップすると経済的に採算が取れなくなります」と、GenpactのSrivastava氏は述べています。プロジェクトのスケールアップにはどれくらいの時間がかかるのか、どのようなリソースが必要なのかといった点も考慮すべき点です。

しかし、長期的な視点で見ると状況は変わる可能性があります。コールマン氏は、「短期的には拡張できないとしても、成功確率の高い小規模なプロジェクトであれば、技術力とスキルが成熟し、拡張の障壁を克服できるレベルに達するまで、短期的なビジネス価値をもたらす可能性があります」と述べています。

次にインフラストラクチャについてです。スケーリングを行う際には、構成、ネットワーク帯域幅、ストレージ、コンピューティングなど、すべての前提条件を必ず確認する必要があります。クリシュナン氏は、「パイロットプロジェクトをスケーリングするには、多くのエンジニアリングサポートが必要です。そこでクラウドベースのMLOpsインフラストラクチャが役立ちます」と述べています。

最後に、AIを上流および下流のワークフローに統合できることを確認する必要があります。例えば、必要なスペアパーツを必要な時期と場所に確実に供給するために、上流のサプライチェーンシステムに故障予測機能を統合しなければ、故障予測機能は役に立ちません。同様に、この情報は下流の保守計画の調整にも活用できます。

ゆっくり始め、すぐに失敗し、辛抱強く待ちます。

AI/機械学習パイロットプロジェクトを成功させる鍵は、初期計画にあります。プロジェクトを進める前に、経営陣と資金の支援が必要です。「経営陣の支援を得ること、そして最初からすべての関係者を巻き込むことが不可欠です」とホルコム氏は言います。

AI/機械学習パイロットプロジェクトは、包括的なデジタルトランスフォーメーション戦略の一環として実施し、魅力的なビジネスシナリオを持つべきだとダドラニ氏は述べ、望ましい結果を達成するには忍耐が必要だと付け加えています。成功を定義する技術およびビジネスへの影響指標を策定してください。必要なリソースを確保し、チームを編成し、迅速に実験を行う準備を整えてください。したがって、チーム内に必要なスキルと専門知識を組み合わせることが、AIパイロットプロジェクトの成功に不可欠です。彼は、「パイロットフェーズでも、部門横断的なチームが必要です。パイロットプロジェクトは実際のワークフローの一部となるため、全員が最初から関与する必要があります。」と述べています。

必要な人材が不足している組織は、外部パートナーとのハイブリッドチームの構築を検討すべきです。一方、中小企業は、適切な人材が見つかれば、より多くの役割をアウトソーシングする必要があるかもしれません。「適切なAI/機械学習エンジニアとデータエンジニアがいなければ、アウトソーシングは非常に困難です」とSrivastava氏は述べています。さらに重要なのは、チームには機械学習と業界（例：製造業）の両方を理解している人材が必要だということです。このようなスキルセットは簡単に見つけられるものではないため、クロストレーニングが不可欠です。

最後に、Atlantic Health System が行った機械学習ベースの画像評価システム プロジェクトのように、実際のビジネス成果を生み出し、その後ビジネスの他の領域に拡大できるターゲット プロジェクトを検討する必要があります。

パイロットが本格的な運用段階に達したら、これまでの成果を基に構築を進めましょう。パイロットの進捗状況を各事業部門に報告し、本格導入後にプロジェクトが提供する機能を実証し、他の事業部門が独自のアプリケーションで利用できるプラットフォームを開発します。Srivastava氏は次のように述べています。「今日、変化のペースはかつてないほど遅くなっています。破壊的イノベーションを起こし、進化を目指す企業は、価値創造の方法を変える必要があります。そして、AIなしにはそれは不可能です。AIに投資しなければ、事業は停滞するでしょう。」