20220517_AI研究セミナー「業界変革を実現するAI活用のススメ」

Title：AIプロジェクトを成功に導くために考慮すべきこと
Speaker：株式会社ACES 代表取締役 田村 浩一郎

Transcript

1. 業界変⾰を実現するAI活⽤のススメ 2022/05/16 ACES Inc.
2. Speaker S p e a k e r 紹 介 株式会社ACES 代表取締役 ⽥村 浩⼀郎 東京⼤学⼤学院⼯学系研究科卒(⼯学博⼠)。松尾研究室で⾦融、ネ ットワーク分析、⾃然⾔語処理や広告最適化などに対して機械学 習の応⽤研究に従事。GCI講座優秀賞、DL応⽤講座最優秀賞、ト ヨタ・ドワンゴ⾼度⼈⼯知能⼈材奨学⾦などDLに関わる様々な賞 を受賞し、数多くの企業との共同研究プロジェクトでPMを経験。 2017年、「アルゴリズムで社会はもっとシンプルになる」という ビジョンを掲げACESを創業。アカデミアと事業の接合を意識し、 会社を経営しながら⾃らも博⼠号を3年で取得。AIアルゴリズムを 前提にした働き⽅・産業はどのような姿かという問いを⽴て、AI の社会実装を率いる。
3. INDEX 1. ACESのご紹介 2. 事業変⾰を実現するためのAI活⽤領域の⾒定め⽅ 3. AI活⽤を始めるための3つのステップ 3
4. INDEX 1. ACESのご紹介 2. 事業変⾰を実現するためのAI活⽤領域の⾒定め⽅ 3. AI活⽤を始めるための3つのステップ 4
5. 会社概要 株式 会社 A C E S 会社名 2 0 1 7 年 1 1 ⽉ 2 0 ⽇ 設⽴ ⽥村 浩⼀ 郎 代表取締役 3 4 名 従業員 A Iトラ ンス フォー メー ション 事業 事業 5
6. 東京⼤学 松尾研究室発 AIスタートアップ 創業メンバー 顧問 松尾 豊 技術顧問 川上 登福 社外取締役 中川 取締役 與島 取締役 ⽥村 代表取締役 久保 DLエンジニア 三⽥村 エンジニア ⻄條 事業開発 経営メンバー 6
7. 受賞実績多数、すごいベンチャー100にも選出 Plug and Play Japan Fall Summit 2020 IoT部⾨でJapan Session Awardを受賞 週刊東洋経済2020年8⽉22⽇号 「すごいベンチャー100」に選出 「HONGO AI 2019」において 「HONGO AI AWARD」と「フジタ賞」を受賞 受賞・メディア掲載実績 7
8. Vision & Mission MISSION VISION ア ル ゴ リ ズ ム で 社 会 は も っ と シ ン プ ル に な る ア ル ゴ リ ズ ム で ⼈ の 働 き ⽅ に 余 ⽩ を つ く る 8
9. 会 社 概 要 9 アルゴリズムを⽤いて 事業開発を⾏うAI事業会社
10. AIトランスフォーメーション事業 事 業 概 要 AIアルゴリズムを⽤いて属⼈化しているヒトの知⾒と業務をデジタル化する 「AIトランスフォーメーション」事業によって、デジタルでの事業開発を推進 10 属⼈化している ヒトの知⾒・業務 営業・現場監督・ マーケティング など Decision making 経験との照合 ・意味づけ Actuate 介⼊・制御 Sensing 画像・映像 ⾳声認識 output input AI モジュール AI化した 知⾒・業務 デジタル 事業開発 活 ⽤
11. D e e p L e a r n i n g を ⽤ い た A I と は 何 か 映像や⾳声、⾔語などの⾮構造データを取り扱うDeep Learningを武器に、 アルゴリズムを組み合わせて属⼈的な知⾒・業務をAI化する技術に強み 11 Decision making 経験との照合 ・意味づけ Actuate 介⼊・制御 Sensing 画像・映像 ⾳声認識 output input ⾮構造データ = Deep Learningの主戦場 テーブルデータと違って、既存の統計⼿法では直接取り扱うことが 難しく、 ヒトが情報処理することを前提にしていたデータ 映像 ⾳声 A/あ ⾔語 Ex: オンライン授業におけるヒトと機械のコミュニケーション 独⾃に研究開発したAIアルゴリズム モジュールの組み合わせ AI モジュール AIトランスフォーメーション
12. プロ野球球団 陸上⾃衛隊 導 ⼊ 実 績 リアル産業でのAI社会実装・DXをリード 12 保険 ⾃動⾞ 建設 製造 ⼩売 ヘルスケア エンタメ ⼈材 保育 報道 介護 スポーツ
13. 実 績 DX戦略策定からAIの実導⼊まで、⼀気通貫で事業開発を併⾛。 PoC *1で終わらせず、科学された⽅法論でDXを強⼒に推進 13 DXプロジェクト/顧客が 初回PoCから前進/AI導⼊へ*2 93% *2022/05時点 *1: Proof of Concept(概念検証)の略 *2: DXパートナー事業の開始(2019年1⽉)よりPoCから前進してDXプロジェクトが継続中またはAI導⼊済のものを集計
14. よくある現場の声 14 「とりあえず技術検証をしよう」 「PoCならコストが抑えられる」 P o C を 始 め る 前 に 考 慮 す べ き こ と
15. Po死に⾄る理由 15 「費⽤対効果が説明できなかった…」 「精度100%じゃないから導⼊できない…」 「導⼊・運⽤ノウハウがない…」 Po死とは、PoC（Proof of Concept＝概念検証）をやったものの、仮説や意志がない結果、実ビジネスにつなげるところまで進めず、そのまま終息してしまうもの => その結果、Po死へ P o C を 始 め る 前 に 考 慮 す べ き こ と
16. 16 PoCの失敗/継続断念の多くは、 実はPoCの前にすでに決まっている P o C を 始 め る 前 に 考 慮 す べ き こ と
17. 失敗/継続断念の多くは、実はPoCの前にに決まっている 17 「費⽤対効果が説明できなかった…」 =>事業計画/コスト設計はなぜない？ 「精度100%じゃないから導⼊できない…」 =>そもそもAIは100%精度は無理。⼈の精度は？ 「導⼊・運⽤ノウハウがない…」 => 本当に運⽤するならMLOpsの知⾒が必要 P o C を 始 め る 前 に 考 慮 す べ き こ と
18. 18 PoCの失敗/継続断念の多くは、 PoC⾃体に価値がなかった結果である P o C を 始 め る 前 に 考 慮 す べ き こ と
19. そもそもPoCとは 19 プロジェクト・事業をデザインした上で、 「仮説」となっている不確実性を検証する作業 PoC以前に事業変⾰を実現する 筋の良い仮説作りが必要
20. 本⽇の論点 20 では、業界・事業変⾰を実現するために、 どのような領域に着⽬して、 AI活⽤を検討すべきか
21. INDEX 1. ACESのご紹介 2. 事業変⾰を実現するためのAI活⽤領域の⾒定め⽅ 3. AI活⽤を始めるための3つのステップ 21
22. D e e p L e a r n i n g が も た ら す 業 界 変 化 の 可 能 性 Deep LearningというAIアルゴリズムの登場で、「機能を正しく分解すれば」 属⼈的で⾮定型の業務もソフトウェアで処理できるようになった 22 演繹的 処理能⼒ 帰納的 処理能⼒ ヒト・⼈類が 処理できる業務 Deep Learning Deep Learningが 拡張した処理能⼒ 既存のソフトウェア で処理できた業務 AIソフトウェアで 処理できるようになる業務 経験則(データ)＆ 脳(モデルの性能) ∝ 定型 処理能⼒ ヒトの 認知処理能⼒
23. D e e p L e a r n i n g が も た ら す 業 界 変 化 の 可 能 性 単価が⾼く、かつトランザクション数が多い熟練者・プロの知⾒をAI化。 コモディティ化せずかつ顕在化している価値が⾼い領域にこそAI化の価値あり 23 ⽬的レベル 技術レベル ⼈ができない もの・こと 創薬 市況 投資・投機 ⾃動運転 ⼈が⾝体活動を 通して⾏うもの ロボット操縦 熟練者・プロなら できる認知処理 ⼈ならできる 認知処理 営業 マーケティング 監督・評価 ⾳声認識 物体検知 まだできない そこそこできる ⼈を超えている 技術機能の実現可能性の戦い => 潜在的な価値、ACESは短中期的にはやらない 技術性能におけるTech企業との戦い => レッドオーシャン 属⼈的な事業/働き⽅との戦い =>顕在化するAI技術価値が存在。
24. D X プ ロ ジ ェ ク ト の 現 場 DXプロジェクトは、経営戦略視点と現場業務の両者をリンクさせて 推進することが重要 24 事 業 に つ い て DX推進プロジェクトの現状 ACESが提供する価値 = 確実性の⾼いDX 技術的なアプローチ⽅法がわからず PoC*1ばかりで前に進まない 経営戦略と結びついていないため 短期的で部分最適な解決策になりがち 事業インパクトにつながる 経営戦略に基づいた DX戦略をデザイン データの構造化から 業務フローへの組み込みまで 現場視点のDXを推進 AI・デジタルの専⾨性が少なく、 戦略と実⾏に⼤きな溝がある 実⾏・現場 戦略・経営企画 1 コンサルティング 2 AI事業価値デザイン 3 AIモジュール導⼊ 4 現場検証・運⽤ 5 デジタル事業実⾏ *1: Proof of Concept(概念検証)の略 93%のDXプロジェクト/顧客が 初回PoCから前進/AI導⼊へ*2 *2: DXパートナー事業の開始(2019年1⽉)よりPoCから前進して DXプロジェクトが継続中またはAI導⼊済のものを集計
25. S T E P.1 コ ン サ ル テ ィ ン グ 経営課題と現場のオペレーションを構造化した上で、DX戦略を策定。 イシューを特定し、本当に実⾏するべきデジタル事業開発を⾒定める 25 ビジネス価値を創出するDX戦略例 リアル店舗における売り上げ最⼤化のためのKPIツリー DX視点でのデジタルバリューチェーン構想
26. S T E P. 2 A I 事 業 価 値 デ ザ イ ン 事業課題と最先端技術の双⽅を正しく理解するからこそ、AIが得意とする タスクまで事業課題を分解し、AIの事業価値と実現性を最⼤化する 26 これまでの AI活⽤ ACESの AI活⽤ KPI 課題 タスク 事故件数 事故件数 不安全な状態 不安全な⾏動 不安全な⾏動認識 不安全な⾏動注意 不安全な⾏為 不安全な位置 ⾏為A ⾏為B ⾏為C 実現性が低い AIを最⼤限活⽤し 実現可能性を⾼める 事業の課題をAIが得意なタスクまで分解 なんとなく・とりあえずAI
27. S T E P. 3 A I モ ジ ュ ー ル 導 ⼊ 東京⼤学松尾研究室のメンバーを中⼼に研究開発したAIモジュールを導⼊。 柔軟な組み合わせを実現し多様なビジネスシーンに対応可能 27 AIアルゴリズムを独⾃で研究開発しモジュール化 ACESʼ AIモジュール: 柔軟に組み合わせられるAI 基礎認知処理 AIモジュール 機能・知⾒ AIモジュール 顧客・製品特化 AIモジュール Algo 1 Algo 2 Algo 3 Algo 4 業界・業務特化 AIモジュール Algo a Algo b Algo c Algo d Algo A Algo B Algo C Algo α Algo β Algo γ AI トランス フォーメーション ・・・ ・・・ Ex: 2D Pose Estimation Ex: Object Tracking Ex: マルチカメラ作業員トラッキング Ex: 作業⾏動定量化 Ex: 組み⽴て作業解析・⽐較 Ex: ⾃動⾞部品の組み⽴て作業改善 Ex: 3D Pose Estimation Ex: 製造のDX t アカデミアをバックグラウンドに持つ優秀な エンジニアがAIアルゴリズムを独⾃で研究開発 最先端技術 AIアルゴリズム 研究A 研究B 研究C 研究D 研究E 研究F Algo 1 Algo a AIモジュール化
28. S T E P. 4 現 場 検 証 ・ 運 ⽤ 現場のニーズに合わせ、アジャイルに検証。 最適な技術基盤やソフトウェアを通してAIアルゴリズムを現場に提供 28 実運⽤を考慮したアジャイルな検証・導⼊ 実現性をユースケース・条件などで詳細に分解して検討・検証し、 それぞれの改善⽅法などを整理し、より適切なシステム活⽤を実現 現場で働く⼈のUXを考慮したソフトウェア開発 （例）プレスリリースのデジタル管理ツール ⼈の転倒検知に関する検証結果まとめ（⼀例）
29. S T E P. 5 デ ジ タ ル 事 業 実 ⾏ ビジネス全体をデジタルで接続していき、データとAIアルゴリズムで 業務プロセスの改善や優れた顧客体験を実現するデジタル事業へ進化させる 29 リアル空間 デジタル空間 デジタル空間で、今まで離散的だったサプライ/ バリューチェーンを滑らかに接続した状態 = 価値が最⼤化された状態にする。 • 業務プロセスの再構築 • 業務の均質化 AIトランスフォーメーション • クロスセル、アップセル • 優れた顧客体験 • 属⼈的な現場の⼈の知⾒を AIアルゴリズム化
30. ⾃動⾞取引市場マーケットでは、⾃動⾞査定⼠による属⼈性が存在 30 ⾃動⾞ディーラー 中古⾞ディーラー 買取業者 整備⼯場 消 費 者 販 売 販売業者 中古⾞販売 消 費 者 購 ⼊ 消 費 者 利 ⽤ 解体業者 事 故 ⾞ 販 売 部品販売 部 品 購 ⼊ 国内外の需要の差 (⽇本に需要少ない) 中古⾞売買市場 レンタカー事業者 新⾞/中古⾞ 販売店から仕⼊れ 管理・提供 仕⼊れ部⾨ 在庫管理 サービス提供 カーシェア事業者 管理・提供 仕⼊れ部⾨ 在庫管理 サービス提供 ⾃動⾞取引マーケット ①市場の⾮対称性 (透明性のなさ,需要が不明, 寡占的,,,etc…) ②労働/地理集約的 新⾞/中古⾞ 販売店から仕⼊れ 事例：モビリティ領域 ⾃動⾞査定⼠
31. クルマの利⽤権の移転(トランザクション)数は、CASEの普及に伴い約20倍に拡⼤ ⾃動⾞が⽣み出す価値の⽐重は、ハードウェア(⾞両本体)からソフトウェアに転移 1 4 ⾃動⾞数 20 利⽤権の移転数 現在 カーシェアの普及 ⾃動運転の普及 カーシェア CAGR14.1％ ⾃動⾞稼働率5%が、 MaaSと⾃動運転技術で 最適(80%~)になる未来 +10年後 +10年後 31 事例：モビリティ領域
32. ⾃動⾞の損傷状態を、画像から⾃動で認識するAIを実現 ヒトの⽬視点検や熟練知が不可⽋だった⾞両のチェック業務を、AIで⾃動化/省⼒化 32 事例：モビリティ領域
33. 損傷認識AIを搭載したスマホアプリを構築 スマホで撮影するだけでクルマの状態を簡単にチェック、多様な領域での活⽤が期待 33 レンタカー/カーシェア事業者 (約90万台) 貸出/点検業務の効率化/無⼈化ニーズ あるレンタカー事業者では 保有3万台に対し年間900万件の 貸借トランザクションが発⽣ リース事業者 (約400万台) リースアップ時の状態確認/コスト改善 陸送事業者 (輸送⼤⼿:約300万台) 輸送前後の状態担保/陸送保険との連携 ⼈による⽬視点検が不可⽋だった⾞輌確認作業を スマホ搭載のAIアプリが代替 多様な領域での 点検業務を効率化できる ⁝ 事例：モビリティ領域
34. AI技術を⽤いながら、業務設計を⾒直し、現場実装を推進 最終的には、業界全体のDX/覇権獲得を⽬指す 34 ⾃動⾞ディーラー 中古⾞ディーラー 買取業者 整備⼯場 消 費 者 販 売 販売業者 中古⾞販売 消 費 者 購 ⼊ 消 費 者 利 ⽤ 解体業者 事 故 ⾞ 販 売 部品販売 部 品 購 ⼊ 国内外の需要の差 (⽇本に需要少ない) 中古⾞売買市場 レンタカー事業者 新⾞/中古⾞ 販売店から仕⼊れ 管理・提供 仕⼊れ部⾨ 在庫管理 サービス提供 カーシェア事業者 管理・提供 仕⼊れ部⾨ 在庫管理 サービス提供 ⾃動⾞取引マーケット 利 ⽤ 者 確 認 / 認 証 整 備 / ⾛ ⾏ 情 報 判 定 状 態 認 識 価 値 / リ ス ク 推 定 販 路 / 次 の 利 ⽤ 者 決 定 ①市場の⾮対称性 (透明性のなさ,需要が不明, 寡占的,,,etc…) ②労働/地理集約的 新⾞/中古⾞ 販売店から仕⼊れ 事例：モビリティ領域
35. コミュニケーションやナレッジが属⼈化していませんか？ 35 営業 • 商談の記録/まとめ作業は ⼿間と時間がかかり情報 が属⼈化 • 営業社員の教育コストは ⾼く、ノウハウが属⼈化 • 営業⼒がバラつき 個⼈に依存 • ⼀次情報の伝達は難しい • とりあえず出席する会議 時間が増え、 ⽣産性が上がらない • 情報が属⼈化し、検索性 も低く、ナレッジが資産 化しない • 候補者の雰囲気・⾯談内 容を共有して 引き継げない • ⾯接官のスキルアップが 実現できない • 採⽤のミスマッチが 発⽣ 事例：コミュニケーション領域 営業 採⽤ 社内会議
36. 属⼈的な業務の解消やノウハウの蓄積は⾃然には進まない。 AIソフトウェアの活⽤によって、会議や商談を⾃動蓄積することが肝要 36 課題とDX推進の壁 DXした理想の姿 残業 準備 会議 記録 確認 共有 ノウハウ・ベストプラクティス 余⽩ 準備 会議 記録 確認 共有 ノウハウ・ベストプラクティス 議論や顧客・採⽤候補者と向き合う 価値の⾼い時間が増える 議論や顧客・採⽤候補者 と向き合う時間が少ない +α DX推進の壁 ノウハウ蓄積 ノウハウが ⾃然に蓄積 データに基づく 科学的な改善 課題 属⼈的な業務 ⼿間がかかる 事例：コミュニケーション領域
37. AIアルゴリズムで「会議」をDXし、コミュニケーションの属⼈性を解消。 全員で情報共有・活⽤できるAI SaaS「ACES Meet」 37 事例：コミュニケーション領域
38. 会議の記録・書き起こし・要約・分析・共有をAIが⾃動で⾏い、 属⼈的なコミュニケーションと情報共有を解消 38 事例：コミュニケーション領域
39. ゼネコン・建設業界では4〜5層もの多重下請け構造の中で46万社がひしめき、 マンパワーに依存した業務が多く存在する 39 事例：建設業 橋梁の施⼯現場において、従来⼿法による配筋検査作業の様⼦ 出典：JFEエンジニアリング株式会社との協業事例
40. 建設業では、若い担い⼿が減少し⾼齢化が進⾏。2024年の法改正を⾒越して 早急にデジタル技術を活⽤した⽣産性向上の取り組みが急務 40 * 出典: ⽇刊建設⼯業新聞、国⼟交通省 ‒ 建設業における働き⽅改⾰ 建設業就業者数の推移 (55歳以上 / 29歳以下) 他産業と⽐較しても ⾼齢化・担い⼿不⾜が進⾏ 2024年法改正により 「⽉45時間、年360時間」の 残業時間上限が罰則付きで規定 事例：建設業
41. ACESが保有する ⾼精度な画像認識（物体検出）技術を⽤いて、 橋梁における検査業務の省⼒化に貢献 41 事例：建設業 配筋検査を⾼精度な画像認識(物体検出)技術を⽤いて省⼒化 国交省PRISMにて最⾼評価(A評価)を獲得 出典：JFEエンジニアリング株式会社との協業事例
42. 施⼯における「安全管理」「品質管理」などを中⼼にDXパートナー事業を実⾏中。 保有技術モジュールとプロジェクト経験を活⽤し他領域含め価値提供へ 42 Real Digital Twin (BIM) Sensing カメラ ビーコン … 画像出典: BIM JAPAN (https://bim-japan.com/bim.html) 企画・設計・積算 Application (Service) 敷地 情報 商圏 情報 労働 実態 ⼈員 配置 資機材 状況 ⼯程進捗 情報 施⼯ 管理・改修・解体 建物設備 経年劣化 敷地・事業 計画シミュ 積算 シミュ 最適⼈員配置 シミュレーション 資機材 モニタ 施⼯⼯程 ⾃動計算 建物健全性 モニタ 安全性 モニタ 安全 状況 品質 状況 ⾃動検査 (配筋 等) ⼈流・建物 利⽤状況 動線計画 利⽤安全担保 AI Data Process 事例：建設業
43. ACESが持つ技術モジュール (3D⾏動認識技術) 43 映像から3D空間での 姿勢及び⾏動を特定可能 画⾓に依存しない⾏動認識 Human Digital Twinの実現 事例：建設業
44. ACESが持つ技術モジュール (複数カメラ追跡技術) 44 複数カメラ間での追跡が可能 事例：建設業
45. 施⼯における「安全管理」「品質管理」などを中⼼にDXパートナー事業を実⾏中。 保有技術モジュールとプロジェクト経験を活⽤し他領域含め価値提供へ 45 Real Digital Twin (BIM) Sensing カメラ ビーコン … 画像出典: BIM JAPAN (https://bim-japan.com/bim.html) 企画・設計・積算 Application (Service) 敷地 情報 商圏 情報 労働 実態 ⼈員 配置 資機材 状況 ⼯程進捗 情報 施⼯ 管理・改修・解体 建物設備 経年劣化 敷地・事業 計画シミュ 積算 シミュ 最適⼈員配置 シミュレーション 資機材 モニタ 施⼯⼯程 ⾃動計算 建物健全性 モニタ 実⾏中 実⾏中 安全性 モニタ 安全 状況 品質 状況 ⾃動検査 (配筋 等) 実⾏中 ⼈流・建物 利⽤状況 動線計画 利⽤安全担保 AI Data Process 事例：建設業
46. 熟練販売員の知⾒をAIアルゴリズムで再現し、接客体験をデジタル上で再現 46 事例：接客業・⼩売業
47. 店舗経営における経営指標の中でどのKPIに寄与する取り組みかを定義 47 事例：接客業・⼩売業 営業利益 粗利 コスト - 販管費 ロス 1⼈あたりの粗利 客数 1つの商品の粗利 商品数 店舗前⼈数 ⼊店率 万引きロス 内部不正ロス 管理ミス レジ 品出し・陳列 発注・管理 × + × × + + 接客のソフトウェア化による ⼈件費削減 レコメンド・コンサルによる アップセル x クロスセル (購⼊意図が明確) (購⼊意図なし) +
48. エキスパート店員の商品提案スキルをAIで再現 48 事例：接客業・⼩売業
49. 将来的に顧客の⽣活からサプライチェーンまでをデジタル接続を⽬指す 49 デジタル空間で、今まで離散的だったサプライ/ バリューチェーンを滑らかに接続した状態 = 価値が最⼤化された状態にする。 顧客接点のデジタル化 サブスクリプション化 パーソナライズ 商品開発 仕⼊・輸送 販売 顧客の⽣活 接客の⾼度化・省⼈化 ロス削減 ⾼度な需要予測 リアルタイムな 在庫管理 顧客ニーズに合わせた 商品企画 店舗展開戦略 リアル空間 デジタル空間 事例：接客業・⼩売業
50. INDEX 1. ACESのご紹介 2. 事業変⾰を実現するためのAI活⽤領域の⾒定め⽅ 3. AI活⽤を始めるための3つのステップ 50
51. 御社内でのAI活⽤領域を検討するにあたり、 ３つのステップでAIプロジェクト推進を推奨 A I 活 ⽤ 領 域 を ⾒ 定 め る た め の 3 つ の ス テ ッ プ スピード感を持って プロジェクトを スタートする 3 51 中期経営計画と突合し ビジネスインパクトが 期待できる領域に 絞り込む 2 社内・業界内で 属⼈化している業務 を洗い出す 1
52. 今⽇、お伝えしたいこと 最 後 に 52 1. なんとなくAIは、今すぐやめるべし！ 2. 属⼈化しているポイントを⾒つけよ！ 3. 中期経営計画とリンクさせよ！ 4. 業務設計とAIデザインが重要！ 5. アジャイルで今すぐ始めよう！