AI導入やプロジェクトでよく見かける「失敗するパターン」 / patterns_of_failure

Slide 1

Slide 1 text

AI導入やプロジェクトでよく見かける「失敗するパターン」しんゆう@データ分析とインテリジェンス 2019/10/03 日本情報システムユーザー協会（JUAS）AI研究会

Slide 2

Slide 2 text

• 本日の資料は https://speakerdeck.com/shinu/patterns_of_failure に公開済みです。ブログ・Twitterからもリンクがあります • 〇 SNSで話題にすること • × 写真撮影資料・SNS・写真撮影などについて

Slide 3

Slide 3 text

• ここ数年流行しているAIはメディアには成功例があふれているように見えるが、一方では導入やプロジェクトが失敗したという話があちこちに転がっている • それらの失敗を眺めてみると、共通するパターンが見て取れる • 今回はその「失敗するパターン」をまとめてみた • 対処法にも軽く触れる前置き

Slide 4

Slide 4 text

• 自己紹介 • AI導入やプロジェクトでよく見かける「失敗するパターン」 • 成功するために次にやること • まとめの前に・・・ • まとめ目次

Slide 5

Slide 5 text

自己紹介

Slide 6

Slide 6 text

しんゆう（ @data_analyst_ ）仕事：データアナリストを名乗る何でも屋ブログ「データ分析とインテリジェンス」を書いてる人 https://analytics-and-intelligence.net/ • 分析に漠然と興味を持って20年ぐらい • 知識は座学中心で深さより広さ自己紹介

Slide 7

Slide 7 text

AI導入やプロジェクトでよく見かける「失敗するパターン」

Slide 8

Slide 8 text

• 失敗する要因は数多いが、その中でも多く見られるパターンは次の７つにまとめられるこれをやったら失敗確実

Slide 9

Slide 9 text

1. 目的が不明確 2. 導入が前提になっている 3. 極端に偏った期待感 4. 丸投げ 5. データの不適切な扱い 6. 人材の不適切な扱い 7. 実行できないこれをやったら失敗確実

Slide 10

Slide 10 text

• 何がしたいのかわからないけれども、とにかく導入したら何かがうまくいくことを期待する • どんなプロジェクトも目的が不明確だと成功することはまずない。世の中の失敗で一番多いのは多分これ１．目的が不明確

Slide 11

Slide 11 text

• 目的があっても「売上を上げたい」では大雑把すぎ • 「売上を上げたい」＝「スポーツがうまくなりたい」と言っているようなもの • どのスポーツでどのレベルにいつまでに到達したいのかも、使える時間や金もわからないのに目標も立てられない • 何をどのように解決したいのか具体的な目的が必要１．目的が不明確

Slide 12

Slide 12 text

• 目的があっても「売上を上げたい」では大雑把すぎ • 「売上を上げたい」＝「スポーツがうまくなりたい」と言っているようなもの • どのスポーツでどのレベルにいつまでに到達したいのかも、使える時間や金もわからないのに目標も立てられない • 何をどのように解決したいのか具体的な目的が必要 • 対処法：何がしたいのかを最初に良く考える１．目的が不明確

Slide 13

Slide 13 text

• メディアに紹介されている話を鵜呑みにして「よくわからないけどすごいらしい」「何のことだかさっぱりわからないけれども最先端のことをしていることをアピールしたい」が理由になってしまう • 導入することを前提にするのは、速く走るからとF1マシンを買ってからどう使おうか考えるのと同じ。引っ越し屋に必要なのはトラック 2．導入が前提になっている

Slide 14

Slide 14 text

Slide 15

Slide 15 text

• 「導入したらありとあらゆることが実現できる」という過度な期待感 • 一方で「何でもできるわけではないから意味がない」というのも極端 • 目的のために何が必要で、そのためにはどんな道具が必要かを考えるのがあるべき順番３．極端に偏った期待感

Slide 16

Slide 16 text

• 道具が何かをしてくれるわけではなく、うまく使うのが人の仕事 • 家の前まで迎えに来ないから飛行機は使えないという人はいないのと同じで全体で考えて有用なのかを考える３．極端に偏った期待感

Slide 17

Slide 17 text

• 道具が何かをしてくれるわけではなく、うまく使うのが人の仕事 • 家の前まで迎えに来ないから飛行機は使えないという人はいないのと同じで全体で考えて有用なのかを考える • 対処法：特別扱いではなく1つの道具と同じように扱う３．極端に偏った期待感

Slide 18

Slide 18 text

• 自分に知識がないからと部下に丸投げしても、部下にも知識がなければ他の誰かに丸投げするだけ • ベンダーやコンサルタントに丸投げはいいようにされる • 下請けに丸投げしても欲しいものが手に入らない • 技術者に丸投げしても高度だが必要ない技術にリソースを費やすリスク４．丸投げ

Slide 19

Slide 19 text

• 自分に知識がないからと部下に丸投げしても、部下にも知識がなければ他の誰かに丸投げするだけ • ベンダーやコンサルタントに丸投げはいいようにされる • 下請けに丸投げしても欲しいものが手に入らない • 技術者に丸投げしても高度だが必要ない技術にリソースを費やすリスク • 対処法：主体性を持ってコントロールする４．丸投げ

Slide 20

Slide 20 text

• システムは入れたがデータがない • 必要なデータが足りていないが、追加で収集する予算が出ないので今あるデータだけでやるしかない • データはあるが目的に合わないので役に立たない • データはあるが収集や整備に膨大な時間とリソースを費やしてしまう５．データの不適切な扱い

Slide 21

Slide 21 text

• システムは入れたがデータがない • 必要なデータが足りていないが、追加で収集する予算が出ないので今あるデータだけでやるしかない • データはあるが目的に合わないので役に立たない • データはあるが収集や整備に膨大な時間とリソースを費やしてしまう • 対処法：目的に合ったデータを適切に集めるようにする５．データの不適切な扱い

Slide 22

Slide 22 text

• とりあえずお試しなので、社内の人を適当に担当に充てても知識も経験も何もないからさらに部下や外部に丸投げするしかない • とりあえずお試しなので、若いか実務経験が少ない（あるいは両方）安い人を雇ってもスキルや経験が伴わないからうまくいかない • ごく一部に特化した専門スキルをもつ人を先に雇っても環境が悪すぎてすぐ逃げられる６．人材の不適切な扱い

Slide 23

Slide 23 text

• データ、環境、上司、文化のすべてを事前に用意できればいいがそれは現実的ではない６．人材の不適切な扱い

Slide 24

Slide 24 text

• データ、環境、上司、文化のすべてを事前に用意できればいいがそれは現実的ではない • 対処法：運任せでなく現状を隠さずに伝え、その上で覚悟と幅広いスキルがある人に適切な報酬を出してきてもらう６．人材の不適切な扱い

Slide 25

Slide 25 text

• 結果は出たけれども意思決定に使われない • 意思決定はしたけれども実行されない • 実行しているけれども徹底されない７．実行できない

Slide 26

Slide 26 text

• 結果は出たけれども意思決定に使われない • 意思決定はしたけれども実行されない • 実行しているけれども徹底されない • 対処法：やる（要リーダーシップ）７．実行できない

Slide 27

Slide 27 text

成功するために次に必要なこと

Slide 28

Slide 28 text

成功するために次に必要なこと • 「失敗するパターン」を挙げたが、これらの全部とは言わずとも多くがうまく行ったとしても成功するわけではない

Slide 29

Slide 29 text

成功するために次に必要なこと • 「失敗するパターン」を挙げたが、これらの全部とは言わずとも多くがうまく行ったとしても成功するわけではない • この後にさらに課題、データ、予算、環境、文化など個別の事情がありそれを乗り越えなければならない

Slide 30

Slide 30 text

成功するために次に必要なこと • 「失敗するパターン」を挙げたが、これらの全部とは言わずとも多くがうまく行ったとしても成功するわけではない • この後にさらに課題、データ、予算、環境、文化など個別の事情がありそれを乗り越えなければならない • ただ、今回挙げた内容の大半、特に「目的の明確化」がうまくいかないと必ずと言っていいほど失敗する

Slide 31

Slide 31 text

Slide 32

Slide 32 text

まとめの前にネタばらし

Slide 33

Slide 33 text

ネタばらし • 今回の話の「AI」は、次の言葉に変えても当てはまる

Slide 34

Slide 34 text

ネタばらし • 今回の話の「AI」は、次の言葉に変えても当てはまる • 人工知能・機械学習・ディープラーニング・深層学習

Slide 35

Slide 35 text

ネタばらし • 今回の話の「AI」は、次の言葉に変えても当てはまる • 人工知能・機械学習・ディープラーニング・深層学習・データ分析・データサイエンティスト・データサイエンス

Slide 36

Slide 36 text

ネタばらし • 今回の話の「AI」は、次の言葉に変えても当てはまる • 人工知能・機械学習・ディープラーニング・深層学習・データ分析・データサイエンティスト・データサイエンス・マーケティングオートメーション・ビックデータ

Slide 37

Slide 37 text

ネタばらし • 今回の話の「AI」は、次の言葉に変えても当てはまる • 人工知能・機械学習・ディープラーニング・深層学習・データ分析・データサイエンティスト・データサイエンス・マーケティングオートメーション・ビックデータ・ BI・CRM・SFA

Slide 38

Slide 38 text

ネタばらし • 今回の話の「AI」は、次の言葉に変えても当てはまる • 人工知能・機械学習・ディープラーニング・深層学習・データ分析・データサイエンティスト・データサイエンス・マーケティングオートメーション・ビックデータ・ BI・CRM・SFA • その他、過去の流行した言葉でも同じことが言える

Slide 39

Slide 39 text

ネタばらし • 今回の話の「AI」は、次の言葉に変えても当てはまる • 人工知能・機械学習・ディープラーニング・深層学習・データ分析・データサイエンティスト・データサイエンス・マーケティングオートメーション・ビックデータ・ BI・CRM・SFA • その他、過去の流行した言葉でも同じことが言える • 将来現れる別の言葉も同じだろうことは容易に想像がつく

Slide 40

Slide 40 text

ネタばらし • 実は自分はAIのプロジェクトにほとんど関わっていない

Slide 41

Slide 41 text

ネタばらし • 実は自分はAIのプロジェクトにほとんど関わっていない • 今回の資料はデータ分析のプロジェクトやツール導入、活用には関与してきており、その時の知見をまずまとめた

Slide 42

Slide 42 text

ネタばらし • 実は自分はAIのプロジェクトにほとんど関わっていない • 今回の資料はデータ分析のプロジェクトやツール導入、活用には関与してきており、その時の知見をまずまとめた • その上で「AI研究会」での講演なので話の主語を「AI」に変えただけ。実は本文中に「AI」という言葉を出来るだけ出さないように書いた

Slide 43

Slide 43 text

Slide 44

Slide 44 text

ネタばらし • 次の最有力はRPAか。来年か再来年あたり「RPAが失敗する」でも同じ話をしても違和感はほとんどないはず

Slide 45

Slide 45 text

ネタばらし • 次の最有力はRPAか。来年か再来年あたり「RPAが失敗する」でも同じ話をしても違和感はほとんどないはず • 流行りのツール、手法、そのほか幅広く使えるので、無茶な要求が来たら過去に起きた別のツールを例にして「同じことになりますよ」と説得するのにも使える

Slide 46

Slide 46 text

ネタばらし • 次の最有力はRPAか。来年か再来年あたり「RPAが失敗する」でも同じ話をしても違和感はほとんどないはず • 流行りのツール、手法、そのほか幅広く使えるので、無茶な要求が来たら過去に起きた別のツールを例にして「同じことになりますよ」と説得するのにも使える • おかしなことになる前に、過去の失敗から学ぼう

Slide 47

Slide 47 text

まとめ

Slide 48

Slide 48 text

まとめ • 「AIに任せれば何でもできるんでしょ、とにかくうまくやって」と知識ゼロの部下に丸投げ、データは足りないが追加で取る予算なし、部下はコンサルの言いなりになって外注にさらに丸投げ、出てきた結果はまともに使えないのでPoCで終わり」では失敗するのは当然 • 所詮道具なので、その道具が生きるかは使い方次第 • 言い尽くされているようにまずは「何がしたいのか」を考える。道具をどうするかははその後のこと

Slide 49

Slide 49 text

ご清聴ありがとうございましたしんゆう＠データ分析とインテリジェンス https://analytics-and-intelligence.net/ Twitter：@data_analyst_