バージニア州アレクサンドリアにある米国特許商標庁は、人工知能 (AI) プロジェクトを使用して特許分類プロセスを高速化し、不正行為の検出を支援し、審査官による類似特許の検索を拡大して、特許を分類できるようにしています。さらに多くのドキュメントを検索すると、どのプロジェクトもパイロットから始まります。 「概念実証 (PoC) は、新しいテクノロジーを理解し、ビジネス価値の仮定をテストし、大規模なプロジェクト実施におけるリスクを軽減し、完全な運用導入の決定を通知するために使用する重要な方法です」と米国特許庁の最高情報責任者、ジェイミー ホルコム氏は述べています。パイロットプログラムが成功したことが証明されたら、次のステップはそれを拡大するかどうかを決定することだと同氏は語った。次に、実際の環境でスケールし、完全な運用に移行します。
インドの電子商取引プロバイダー Flipkart も同様のプロセスを経て、顧客が 11 の異なる言語で何百万ものアイテムにテキスト メッセージを送信できるようにするプロジェクトを展開しました。 検索とビジュアル検索。現在、Flipkart は、深層学習を使用して、ユーザーの意図の検出、言語翻訳、音声からテキストへの変換、およびテキストから音声への変換機能を含むモデルを構築し、会話型ボットをテストしています。 Flipkart と米国特許商標庁はいずれも、コンピューター ビジョン、自然言語処理、機械学習、その他の人工知能テクノロジーのビジネスの他の側面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興味深いものですが、完全な運用に至らない初期パイロット プロジェクトや PoC プロジェクトも数多くあります。すでに成功しているプロジェクトは、戦略計画の一部であり、経営陣のサポートがあり、適切なデータを使用でき、必要なチームがあり、適切な技術的およびビジネス指標とプロジェクトのマイルストーンがあり、複数の反復を経て、早く、トライアルで。 「このプロセスが高品質レベルに達するまでに 1 ～ 2 年かかる可能性があり、この期間は辛抱強く待つ必要があります」と Flipkart のエンジニアリング担当副社長、ガナパシー クリシュナン氏は述べています。
企業は、AI パイロット プロジェクトを実稼働環境に導入し、結果をもたらすために迅速に取り組んでいます。 Forrester 社の人工知能、機械学習、およびデータ サイエンスのアナリスト、ローワン カラン氏は次のように述べています。「AI プロジェクトが主流になりつつあり、57% の企業が AI プロジェクトを導入または拡張しており、70% ～ 75% の企業が AI プロジェクトを導入または拡張していることがわかります。」さらに、最近の Ernst & Young の調査によると、CIO と IT リーダーの 53% が、AI 分野のデータと分析が今後 2 年間で最大の投資分野になるだろうと述べています。
しかし、これらのパイロット プロジェクトの多くは、トップダウンのサポートの欠如をはじめとするさまざまな理由により、開始する前に失敗する運命にあります。 USPTOのホルコム氏は、「経営陣の賛同が必要であり、資金も必要だ」と述べ、一部のITリーダーは、プロジェクトを組織の中枢や下位から立ち上げるとプロジェクトの成功の可能性が低くなる、と考えている。最も成功したプロジェクトには、CIO からのサポートがあり、プロジェクトに資金を提供し、AI を組織全体のデジタル変革戦略に統合するという経営陣のコミットメントが得られます。
フリップカートのクリシュナン氏は、明確な期待を設定することも重要だと語った。 「展開するプロジェクトがビジネスを根本的に変えることを期待すべきではありません。これは長いプロセスであり、時間がかかります。」
PoC は企業内の能力を磨く演習にもなり得ます。製造会社イーライリリーが撮影したもの。リリー社の情報およびデジタル ソリューション担当副社長兼最高情報責任者であるティム コールマン氏は、「PoC を通じて、私たちはテクノロジーとプロジェクトの実施の規模を実験し、理解しました。チームは自然言語処理機能をビジネス分野に適用しています。」と述べています。臨床および科学コンテンツの作成から製品開発、高度な検索、一般的な管理機能に至るまで、自然言語の発見、生成、翻訳。
しかし、この能力構築の取り組みと、広範な変革的価値を生み出す必要があるパイロット プロジェクトを混同しないでください。EY のグローバル AI コンサルティング リーダーであるダン ディアシオ氏は次のように警告します。将来的には、破壊的企業と競争し、投資家に有意義な影響を与える必要がある場合、トップダウンのアプローチを取る必要があります。」
これは、ヘルスケア企業 Atlantic Health System が人工知能と機械学習プロジェクトに取り組む方法です。 Atlantic Health System は、放射線科医を支援する画像評価と、画像処理のオーダーを受け取り、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事前承認自動化の試験運用に成功しました。同社の上級副社長兼最高情報責任者であるスニール・ダドラニ氏は、「人工知能は孤立した取り組みではなく、デジタル変革の一部であるべきだ。われわれは人工知能と機械学習のためのガバナンス構造と投資計画を正式に策定した」と語った。コールマン氏によると、プロジェクトの提案は、先に進む前に次の 3 つの基準を満たしている必要がある、すなわち、投資収益率の観点からビジネス価値を提供すること、許容可能な成功率を備えていること、プロジェクトの結果がビジネス戦略と優先順位と一致していなければならないことである、と述べた。たとえば、モザイク PV は、医薬品副作用報告に焦点を当てたイーライリリーの最初の AI プロジェクトの 1 つであり、主な推進力は「高水準の品質とコンプライアンスを維持しながら、生産性を向上させ、有害事象に対処するコストを削減する」ことでした。 ＃＃＃＃＃＃何が問題ですか？
次に、AI が最良の答えであるかどうかを判断します。 「このプロジェクトは、AI の使用が正当化されるほど複雑な標準に適していますか? シンプルでルールベースのアプローチで実行できる場合は、そうしてください」とクリシュナン氏は述べました。何万ものルールがある場合、ソフトウェアベースの方法を使用するのは現実的ではありません。」
適切な指標とデータはありますか?
Atlantic Health System は、ビジネスのごく一部に対して明確なビジネス KPI を設定したパイロット プロジェクトを実装することで成功を保証します。たとえば、Atlantic Health System の画像評価システムは、神経学分野での小規模なパイロットとして導入を開始し、すぐに心臓病学やその他の分野に拡大しました。チームは 8 週間で成功した神経学のパイロットを作成し、プロジェクトの結果を実証し、心臓病やその他すべてのサービス部門からのサポートを得ました。
Flipkart は、USPTO と同様に、まず技術モデルの指標に焦点を当て、次に A/B テストを実行して、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 支援の会話ボットを開発およびテストしています。彼らは、質問に答えるロボットの能力である「応答性」という指標から始めました。現在、彼らは A/B テストを実行して、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、それにはスピード、量、多様性が必要だとダドラニ氏は言います。 「データの品質が良くないと、期待する結果は得られません。」
Genpact の Srivastava 氏もこれに同意します。 「AI システム構築の作業の 90% は、データの取り込み、調整、エンジニアリング、ガバナンスに関するものです。10% に集中して 90% を放棄すると、最初から失敗します。そのため、データの基盤を構築する必要があります」 ."
また、モデルを調整できるようにリアルタイムでデータを取得し、さまざまな A/B テスト間で継続的なフィードバックを提供できる必要もあります。ただし、組織によってはデータを迅速かつ自動的に配信できない場合があります。たとえば、予測モデルに取り組んでいて、チームが顧客が何を購入しているかに関する情報を自動的に取得しない場合、ループを完了することはできません。顧客の好みは時間の経過とともに変化する可能性があるため、完全な導入後にフィードバック ループを継続することも重要です。モデルでこれが考慮されていない場合、期待する結果は得られません。これは「モデル ドリフト」として知られる結果です。
パイロット プロジェクトは拡大されますか?
Flipkart は、パイロット プロジェクトでクラウドと MLOps 関連の機能を採用しました。 「パイロット プロジェクトには、最初から多くのエンジニアリング サポートが必要です。頻繁に繰り返し、迅速に試行錯誤する必要があります。そのためには、大規模なクラウド サービス プロバイダーの MLOps インフラストラクチャが必要です。」彼はパイロット チームに、定期的に報告する必要があるとアドバイスしました。目標の達成にどれだけ近づいているかを確認し、パイロット中に期待値が正しく設定されていることを確認します。
彼はこう言いました: 「試験運用の早い段階で 3% を設定すれば、うまくいきます。」 すぐに効果が得られるとは期待しないでください。複雑なパイロット プロジェクトは、多くの場合、3 か月以内に効果を確認するのに苦労します。やるべきことは、展開し、ギャップを見つけ、再度展開し、徐々に改善することです。
パイロット プロジェクト中に失敗しても、必ずしもパイロット プロジェクトが終了するわけではありません。 USPTO 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、データセットが不適切に管理されていたという問題がありました」とホルコム氏は述べましたが、チームは再調整し、システムのパフォーマンスが手動プロセスよりも大幅に向上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。失敗した理由を見つけてください。」プロジェクト。 Atlantic Health System では、最初のパイロットが完了したら、結果を評価し、パイロットを延長するか、生産を進めるか、損失を削減するかを決定します。 Dadlani 氏は次のように述べています。「パイロット プロジェクトは成功の認識基準を提供する必要があり、有望な結果が得られた場合にのみ、規模を拡大するには何が必要か、どれくらいの時間がかかるか、価値やテクノロジーを実現するのにどれくらいの時間がかかるかを判断します。
財務報告にとって重要な指標を上方修正して報告する必要があります。たとえば、価格設定アルゴリズムが 5,000 万ドルの節約を予測した場合、これまでに達成されたものと期待されていたものの間にギャップが生じる可能性があります。ディアシオ氏は次のように述べています。「大規模で高価なプロジェクトについて話している場合、パイロット プロジェクトにはツールが不足していることがよくあります。 「これは、パイロットをスケールアップする必要があるかどうかを再評価する機会でもあります。」
これは、パイロットをスケールアップする必要があるかどうかを再評価する機会でもあります。 Genpact の Srivastava 氏は、「多くの PoC は技術的には非常に成功していますが、拡張に関しては経済的に意味がありません」と述べ、その他の考慮事項には、プロジェクトの拡張にどれくらいの時間がかかるか、どのようなリソースが必要かなども含まれます。
しかし、長い目で見ると、状況が変わる可能性があります。 「短期的に規模を拡大することが不可能な場合でも、成功の可能性が高く、プロジェクトの範囲が小さくても、短期的なビジネス価値を提供できる可能性があります。同時に、技術的能力とスキルは可能なレベルまで成熟します。 「課題を克服する必要があります。」とコールマン氏は言いました。規模を拡大する上での障壁の程度です。」
次に、インフラストラクチャがあります。スケーリングの際には、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のすべての前提条件を必ず確認する必要があります。 「パイロット プロジェクトを拡張するには、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。最後に、上流および下流のワークフローに AI を確実に統合できるようにする必要があります。」とクリシュナン氏は述べています。たとえば、故障予測機能は、上流のサプライ チェーン システムに統合して、必要なときに必要な場所で必要なスペアパーツを確実に入手できるようにしなければ、役に立ちません。同様に、この情報は下流でメンテナンス スケジュールを調整するために使用できます。
開始はゆっくり、失敗は早く、辛抱強く待ちます
AI/ML パイロット プロジェクトを成功させるための鍵は、初期計画です。前進する前に経営陣のサポートと資金を得る必要があります。サポートについては、次のとおりです。ホルコム氏は、最初からすべての利害関係者を巻き込むには「経営陣の賛同が必要だ」と語った。
AI/ML パイロット プロジェクトは、全体的なデジタル変革戦略の一部として実施されるべきであり、説得力のあるビジネス シナリオが必要であり、望ましい結果を達成するには忍耐が必要だとダドラニ氏は述べています。成功を定義する技術的およびビジネスへの影響指標を開発します。必要なリソースがあることを確認し、チームを編成し、すぐに試行錯誤できるように準備してください。したがって、チームに必要なスキルと分野の専門知識を組み合わせて配置することが、AI パイロット プロジェクトの成功の鍵となります。 「試験段階であっても、部門を超えたチームが必要です。試験プロジェクトは実際のワークフローの一部であり、最初から参加する必要があるため、全員が試験プロジェクトに確実に参加できるようにしたいと考えています」と同氏は述べた。始まり。 "＃＃＃
必要な人材をすべて備えていない組織は、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る必要があります。一方、中小企業は、適切な人材を見つけることができれば、より多くの役割を外部委託する必要があるかもしれません。 「適切な AI/ML エンジニアとデータ エンジニアがいない場合、アウトソーシングは非常に困難です。さらに、チームには機械学習と業界 (製造など) の両方を理解している人材が必要です」とスリバスタバ氏は言います。 ）職員。これは簡単に見つけられるスキルセットではないため、クロストレーニングが重要です。
最後に、Atlantic Health System が機械学習ベースの画像評価システム プロジェクトで行ったように、実際のビジネス成果を生み出し、その後ビジネスの他の分野に拡大できるターゲット プロジェクトを検討したいと考えています。
パイロットが本格的な運用に移行したら、これまでに行った作業を基にして作業を進めます。ビジネス ユニットにパイロットの進捗状況を常に知らせ、プロジェクトが完全に展開されたときに何が行われるかを実証し、他のビジネス ユニットが独自のアプリケーションを使用できるプラットフォームを開発します。スリバスタヴァ氏は、「今日、変化のペースはこれまでで最も遅く、破壊的で成長したい企業は価値を高める方法を変える必要がありますが、それはAIなしでは不可能です。投資しなければ、人工知能を使用すると、無力に見えるでしょう。」
以上が7 人の IT 専門家が語る: AI パイロット プロジェクトを開始し、規模を拡大する方法を成功させる方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。
![[Web フロントエンド] Node.js クイック スタート](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
