AI活用に必要なチーム作り

AI活用を進めたい企業の方向けに、「どうすればAI活用が進むのか」をビジネスの視点から書いています。
DataStrategy株式会社
http://datastrategy.jp

Transcript

1. AI活⽤はじめの⼀歩 - AI活⽤に必要なチーム作り DataStrategy Inc. http://datastrategy.jp June 29th, 2017
2. Data Strategy Inc. | 1 このテキストは、AI活⽤に関して関⼼があるが何から始めて良いか わからない、主にエンジニアリングの経験がないビジネスサイドの ⽅向けに作成しました。初⼼者の⽅向けに分かりやすく書いている ため、厳密性を書いている部分がありますがご容赦ください。 このテキストは転送を歓迎します。取引先や社内へ⾃由に再配布し ていただいて構いません。少しでもAI活⽤に向けた取り組みが進み、 様々なシーンでの社会課題解決が進むことを願っております。
3. テーマはAI活⽤を進めるための組織づくりです Data Strategy Inc. | 2
4. どんな⼈材・組織があればAI活⽤は 進むのでしょうか。 まずは理想と現実から⾒たいと思います Data Strategy Inc. | 3
5. AI活⽤の理想と現実 Data Strategy Inc. | 4
6. “データサイエンティスト”⼈材はいるのか • 以下のスキルを揃っているのが理想ですが、そんなひとは なかなかいません Data Strategy Inc. | 5 AIモデル 構築技術 モデルを実装するため 大量データの 処理技術 大量データを管理し データベースから 効率よく取得するため ビジネス理解・ 課題解決技術 実ビジネス上の課題を特定し 活用方針を決めて 成果につなげるため 必要なスキル なぜ必要か
7. ⾼給⼈材となりつつあるデータ分析エンジニア • ⾼給であることだけでなく、分析エンジニアにとって魅⼒的な データ蓄積やタスクがあることが採⽤の条件でもあります Data Strategy Inc. | 6 出典：Paysa https://www.paysa.com/salaries/machine-learning-/-nlp-engineer--t
8. では、現実はどうでしょうか。 弊社のこれまでの経験から ⼀部の企業で起こっていることを ⾒たいと思います Data Strategy Inc. | 7
9. 現実的に起こっていること • 以下のようなケースをよく⾒聞きします。 Data Strategy Inc. | 8 データ分析サイド （エンジニアなど） ビジネスサイド （経営者や 経営企画など） • データ分析で何ができて、何ができないのか 良く分かっていない • ビッグデータとAIがあればいろんなすごいこと(?) ができると思っている • ビジネスサイドの課題を理解しきれていない • 技術を理解できていない人からの無茶振りに 精神的に疲弊している 両者が歩み寄れない場合も非常に多い
10. 事例: 「データを触っていないひとによる指⽰」が 上⼿くいかない • 例えば、以下のようなケースが⽣じていることもあります。 Data Strategy Inc. | 9 経営企画 XXという仮説を検証したいので、 集計表を作って欲しい。 集計項目を20個作りました。 急ぎ、4営業日でお願いします。 分析担当者 （この集計表、これまでの経験的に良い結果が 出ないと思うけど、依頼だから仕方ない・・） わかりました。 経営企画 （全部見たけど、思うような結果が出ていない・・） ・・・追加で、XXとXXという軸でも集計して もらえませんか？社長報告に間に合わないので、 明日までにできませんか？ 分析担当者 できました。納品します。
11. 従来のITシステム開発はAI活⽤に馴染まない • データ分析やAI活⽤では、既存のIT開発と同じフローでは 上⼿くいかないことが多いように思います。 Data Strategy Inc. | 10 一般的なIT開発の流れ ビジネス部門 Biz 開発部門 Dev 運用部門 Ops 要件定義・仕様作成 開発チームへ指示・依頼 要件・仕様に沿って開発 定義された要求水準に 従い運用 AI活用が馴染まないポイント 1. AI開発は「ふたを開けてみないと分からない」 要素が強く、要件定義・仕様作成がそもそも困難 （事前の精度の見積もりはほぼ困難） 2. 仮に仕様を作成したとしても、 優秀な分析エンジニアにとって 「定義された仕事」は魅力的ではない 3. 分析エンジニアは自由に分析や モデル開発を実施したいが、運用部門は 余計なことはしてほしくない
12. では、どのような⼈材や組織を作れば AI活⽤は進むのでしょうか。 こちらも、これまでの経験から 弊社なりの⾒解を説明したいと思います Data Strategy Inc. | 11
13. AI活⽤を進めるための組織づくり Data Strategy Inc. | 12
14. 集計⼈材ではなく分析⼈材を集める • 「集計ができる」ことと「分析ができる」ことは異なります。 集計ではなく分析が出来る⼈材を採⽤・育成する必要があります Data Strategy Inc. | 13 課題設定 仮説構築 データ蓄積 分析・モデリング 結果の理解 打ち手の検討 実行 効果検証 データ 分析 プロセス
15. 翻訳家を置く • ⾼度な分析エンジニア、も重要ですが、あらゆる分野と会話で きる⼈材を1名でも育成・採⽤できると効果的です Data Strategy Inc. | 14 経営者 経営企画 分析 エンジニア 情報システム 担当 • AI活用できないの？ • データ活用、どうしたら良い？ • 今後の技術トレンドは？経営計画にどう反映？ • AI開発、どうやって設計？ROIは？ • 経営者にどう説明？ • どこに何を発注したら効果的？ • 分析方針は？このデータが必要では？ • XXXができる環境が欲しいんだけど？ • GPUは？分散処理は？ • 社内他システムは触りたくないんだけど？ レイヤー 会話内容イメージ ü 各レイヤーでの 会話が成り立つよう 内容を翻訳できる 人材を育成・採用 すると効果的
16. データ分析やAI活⽤の全てを担当するチームを作る • 経営に近いレイヤーに、経営と会話できるAIチームを置くのが 理想的です Data Strategy Inc. | 15 各事業部 (製品や サービス 所管部) 事業部A 事業部B 事業部C ・・・ データ分析・AI活用チーム 経営層 データ データ データ 分析Team データ管理, 分析, レポーティング を担当 外部専門家(研究機関や 技術アドバイザー等）と 膝詰めで長期的に 議論できる体制を作る 各事業部から データ分析に必要な データを収取し アクセス可能にする （データベース化） 実現場への フィードバックは 各事業部と連携して 実施する プロパーメンバ データ
17. AI活⽤チームがやること Data Strategy Inc. | 16
18. データ取得〜モデル構築のサイクルを回す Data Strategy Inc. | 17 データ取得 分析インフラへの データ蓄積 モデル構築 必要なデータを 整形して蓄積する 必要な形で 取り出す 必要なデータを 追加で取得する アイディア コーディング 計算 (テスト) タスク設定 • タスク設定を⾏った上で、データ蓄積とモデル構築の試⾏錯誤を 何回も⾏うことが重要です
19. AI活⽤におけるタスク設定 • AI活⽤ニーズがあり、技術的にも可能なタスクを設定することが 重要です（タスク設定については、弊社スライド「AI活⽤はじめ の⼀歩- 取組を始めるために必要なこと」もご覧ください） Data Strategy Inc. | 18 業務タスク AI活用タスク （タスクリスト） 活用スコープ タスク タスクの判断材料 となるデータ 自動車の 自動運転 高速道路での 自動運転 オートクルーズ （車線維持） GPS カメラ画像 レーダー （例） 判断A, 判断B, …
20. データ蓄積:ログとマートを分けて設計をする • データログはそのままでは分析に活⽤できず、扱える形に加⼯ （前処理）する必要があります Data Strategy Inc. | 19 <処理・加工の例> • 文字化け・特殊文字処理 • サンプリング • 異常値・外れ値の確認 • 平均値など基本統計量の確認 • データ間の相関関係の確認 • ユーザーIDとの紐付け • サイズ調整、ベクトル化（画像） • ・・・ データログ 必要なデータ
21. データ蓄積:ログとマートを分けて設計をする データを触る⼈数が多ければシステマティックな運⽤が必要に なる傾向があります Data Strategy Inc. | 20 DB DB DB 基幹システム データ蓄積環境 (Storage) TABLE_X001_201701.csv TABLE_X001_201702.csv TABLE_X001_201703.csv ・・・ USER_ID_201701.csv USER_ID_201702.csv ・・・ 計算環境 (Computing) バッチ処理 DEFINITION_201701.csv DEFINITION_201702.csv ・・・
22. まとめ Data Strategy Inc. | 21
23. AI活⽤に必要なチーム作り • 現実に起こっていること • ビジネスサイドとデータ分析サイドの分断 • 従来のITシステム開発はAI活⽤に馴染まない • 必要な組織作り • 集計⼈材ではなく分析⼈材を集める • 各分野との翻訳家を置く • データ分析やAI活⽤を担当する専⾨チームを、経営に近い レイヤーに設置する • AI活⽤チームがやること • データ取得〜モデル構築のサイクルを回す • 分析に効率的なデータ蓄積を⾏い、タスク設定〜実⾏までを 全て⾏う Data Strategy Inc. | 22
24. 最後に（すこしだけ宣伝） Data Strategy Inc. | 23
25. AIやデータを活用した 業務サポート可能性診断や 見直し検討、IoTなど 技術トレンドを踏まえた PoCを一緒に行います。 分析の進め方や分析方法、 モデル構築の再検討、 採用のみきわめや AIチーム立ち上げなどを 貴社メンバーの一員として 包括的にサポートします。 調査の進め方や発注方法、 広告や商品コンセプトの 開発方法、マーケティング 施策づくりについて サポートします。 サービスメニュー: 以下のようなお悩みを解決します ü AI, IoTと言われているが、自社の場合は どんな活用が可能か見て欲しい ü まずは自社でどんな活用可能性がありそうか 自社データを含めて診てほしい AI(人工知能) 活用方法診断 ü 既に技術活用の取組を始めているが、 効果が出ておらず外部の経験者に見て欲しい。 ü データ分析を効果的に進める方法や、 採用・組織設計も含めて全部教えて欲しい。 AI(人工知能) 活用アドバイザリー ü マーケティングリサーチを実施したが、 実際の打ち手や売上につながっていない ü お客さまが何を考えているのか把握して、 売上につながる商品コンセプトや広告を 考えたい マーケティング アドバイザリー Data Strategy Inc. | 24
26. お客さまの実際の声(頂いた声をそのまま掲載しております） Data Strategy Inc. | 25 ・調⼦のいい話をして、ࢿྉͷݟͤํͳͲͰͳΜͱͳ͘ޡຐԽ͢ͷͰ͸ͳ͘ɺग़དྷΔͱ͜Ζ͸΋ͪΖΜͰ͕͢ɺ ग़དྷͳ͍͜ͱ͸ग़དྷͳ͍ͱݴͬͯ௖͍ͨ͜ͱ、また、ग़དྷͳ͍ࣄʹؔ͠·ͯ͠΋Կނग़དྷͳ͍ͷ͔ͷཧ༝ͷઆ໌ɺ Կ͕͋Ε͹ग़དྷΔͷ͔ͷચ͍ग़͠ɺ୅ସҊͷ͝ఏࣔまで頂き⼤変助かりました。 ・泥臭いところから、ఘΊͣʹਐΊɺ͜͜·Ͱͷࣄ͸Ͱ͖Δという姿を⽰して頂き、分析とはこうあるべきだと いう姿勢を学ばせて頂きました。 ・クライアントのデータ、ビジネス、サービスに対するキャッチアップが⼤変早く、また把握されている内容も 正確なため、෼ੳ݁Ռʹର͢Δղऍ΋ɺҧ࿨ײͳ͘ɺ৽ͨͳൃݟ͕͋Δものでした。 （IT企業・ マネージャーさま） ・分析能⼒だけではなく、コミュニケーション、課題解決、およびわかりやすい説明、報告⽤の資料含めて⼤変助 かりました。 ・データを把握するスキルも⾼いのと、⼀⼈ではなくνʔϜͰͷۀ຿ͷ਱ߦも進んで実施いただき感謝しています。 （⼤⼿企業・ 管理職さま） ・データ分析やマーケティングに関して、説明してくださる内容が素⼈でも分かりやすく良かった。それ以外の部 分の知識も幅広くアドバイスをもらえて良かった。また、例えばWEBマーケティングの取組みなど、୯ʹΞυό ΠεΛ΋Β͑Δ͚ͩͰ͸ͳ͘ɺ࣮ࡍʹखΛಈ͔ͯ͠ɺࣄۀΛಈ͔ͯ͘͠Εͯྑ͔ͬͨ。 （公的機関・部⻑さま） ・客観的な⽬線でWEBサイトを改善していただき、⽬次の作り⽅、情報の検索性、۩ମతʹͳʹΛͲ͏͢Ε͹Α ͍ͷ͔ͱ͍ͬͨఏҊը໘まで頂きました。その通りに作成したら離脱率が8割から5割にさがり、成約件数も平均 で2倍、最⼤で3倍まで上がりました。情報が論理的に整理されたので、これまで獲れていなかった論理的な考え を好む男性が新たにお客様として来るようになりました。 （⾃営業・コーチさま）
27. ご相談はお気軽にご連絡ください Data Strategy Inc. | 26 ॳճ͝૬ஊ΍අ༻ݟੵ΋Γ͸ ແྉʹͯঝ͓ͬͯΓ·͢ （対⾯・オンラインも可能です）。 お気軽に info@datastrategy.jp までご連絡ください。