DX(デジタルトランスフォーメーション)推進コンサルティング 株式会社アイ・ティ・イノベーション

セミナーレポート[2]

• セミナーレポート[1]
• セミナーレポート[2]
• セミナーレポート[3]

第3回AI / Analytics カンファレンス『間違いだらけのAI導入失敗から生まれる目からウロコのAI活用～AIの使い方次第で、DXの妄想スパイラルから抜け出せる～』

2022年2月15日(火)に、第3回 AI / Analytics カンファレンス『間違いだらけのAI導入　失敗から生まれる目からウロコのAI活用～AIの使い方次第で、DXの妄想スパイラルから抜け出せる～』をWEBセミナー形式で開催しました。

本カンファレンスについて、3回に分けてご報告いたします。2回目は主催者、共催者の講演ダイジェストをお届けします。

講演概要

セッション1

Human-AI Interaction～高度に進化したAIシステムは不気味の谷を越えられるのか？

エスディーテック株式会社取締役副社長CTO 鈴木 啓高氏

社会において本当に使えるAIとは、どういうものでしょうか。それを考える上で重要なのが、ユーザーのやりたいことを満足する形で実現できるかという「利用時品質」です。
本セッションでは、AIの利用時品質を高めるための課題と、開発で注意すべきポイントについて解説します。

ユーザーはAIシステムをどのように評価判断するか

自動運転システムを例に考えると、システムが安全な運転をしていても、乗っているユーザーは安心できていない場合があります。その理由は、ユーザーが自動運転を「自分の機能を拡張してくれるツール」として捉えているためです。ユーザーにとってツールは「自分のやりたいことを実現するもの」なので、ユーザーが思っている通りの動作と少しでも違うことをすれば「間違い」と判断され、拒絶されてしまいます。

システムによる自動運転が「自分だったらこうする」という運転と違っていると、ユーザーは安心して自動車に乗ることができないのです。この場合、システムの安全性という機能品質が十分であっても、ユーザーの信頼という利用時品質は実現できていないことになります。

インターフェースデザインからコミュニケーションデザインへ

自動運転のようなAIシステムが高度に発展していくと、ツールではなく、「それ自身が意思を持ち、自分とコミュニケーションをとる相手」として認識されるようになります。このようなシステムを「Otherware」と呼んでいます。しかし、人間に近ければ近いほどOtherwareとして優れているとは言い切れません。人間への類似度が上がっていくと、あるとき突然にネガティブな感情的反応が起こる「不気味の谷」という現象があるためです。

高度に発展したAIシステムがユーザーに受け入れられるためには、ツールではなく「他者」として見られていることを意識したインターフェースが必要になります。システムとユーザーとのインターフェースデザインにも、人間同士のコミュニケーションを円滑にするための、人対人のコミュニケーションデザインを取り入れていくべきだといえるでしょう。

コミュニケーションがうまくいったかどうかを決めるのは、受け手です。現在のAIシステムの開発における課題は、受け手であるユーザーからどう見られるかという視点が不十分なことだと考えています。システムとユーザーとのコミュニケーションを成功させるためには、ユーザー視点での評価を何度も繰り返すことが重要です。人・ユーザーを中心に据えて、何事においても判断の大事な基準とすることが重要です。

【鈴木 啓高氏 プロフィール】

株式会社エイチアイ取締役、HI Corporation America, Inc. CEO、株式会社U’eyes Design取締役を経て、2015年にエスディーテック株式会社の立ち上げに参画。現在は「世の中の全ての製品の利用時品質を向上する」ことを目指し、そのためのデザインと技術の研究開発に取り組んでいる。主に自動車の統合コックピットにおけるHMIを対象に、ヒトに対する理解とデザイン・技術を活用し、ヒトとクルマの様々な状況に応じたHMIをよりダイナミックに生成する仕組み作りが主なテーマ。

セッション2

開発者が語る！AIによる自然言語処理（NLP）5つのポイント

株式会社システム情報
DX開発統括部AIサービス開発リーダー 松島 弘毅氏

自然言語処理とは、人が日常的に話し、聞き、読み書きしている言語をコンピュータ上で扱う技術のことで、自動翻訳システムやチャットボットなどで利用されています。本セッションでは、AIによる自然言語処理の開発・導入で失敗しないためのポイントを解説します。

技術の選び方、データの収集・作成方法、データの前処理がポイント

自然言語処理の技術には、精度を求める「深層学習」と、解釈性を求める「統計的手法・機械学習」があり、それぞれに適するソリューションが異なります。また、自然言語処理には多数のタスクが存在します。まずは開発する目的を決めて、どのようなタスクに適用できるかを考え、どの技術を使うか検討することが重要です。

自然言語処理の開発においては、データを充実させることが非常に重要です。収集したデータにない単語や文章はAIが解析できないので、正しい解答を導き出せません。ターゲットや利用シーンを明確にして、漏れなくデータを準備する必要があります。

AIを開発した時点では精度が高くても、実際に利用してみると精度が低い場合があります。原因の一つとして考えられるのは、投入されたデータに対しての前処理に不備があることです。精度を高めるためには、正しく前処理を行う必要があります。

最終的に成否を決めるのは、興味を持って取り組める「人」がいるかどうか

利用シーンや利用者を想定していなかったり、「そんな質問はしない」といった思い込みでデータを作成したりすると、せっかく開発した自然言語処理を活用できない可能性があります。実例として、専門用語の多いチャットボットを作ったら、当初のターゲットだった顧客が使いこなせず、社内利用のみとなってしまったケースがありました。ターゲットをはっきりと定義し、ターゲットが満足できるモデルを目指すことが成功への近道です。

リリース後も、継続的にデータを投入しないとAIの精度は下がっていきます。活用し続けるためには、クライアント側にもAIに興味を持って取り組める担当者がいることが重要です。モデルを成長させていくのは「人」であることを意識しましょう。

【松島　弘毅氏 プロフィール】

名古屋のSI企業にて電力系サービスの保守に従事後、2018年にシステム情報入社。入社後、クラウドネイティブのWebアプリ開発やAIの開発案件を中心に参画。2020年より、自然言語処理系の研究開発案件に従事。kaggle（AIの国際コンペティション）でメダルを取得するなど、AI案件に関する知見を活かし、業務を遂行している。

セッション3

導入効果の高い時系列予測AIとは～当社が掲げる「時系列予測2.0」の紹介～

株式会社アイ・ティ・イノベーション
高度先端技術部 アシスタントコンサルタント 伊藤 成顕

「時系列予測」とは、時間的な連続性を持つ過去の実績データから、未来の数値や傾向を予測するもので、さまざまな手法やモデルが研究されています。本セッションでは、時系列予測AIの活用事例と、導入効果を高めるための検証方法を解説します。また、将来の時系列予測AIを考える上で重要な「時系列予測2.0」についてご紹介します。

時系列予測AIの活用事例

時系列予測AIは交通業界の自動運転、小売業界の製品需要予測、通信業界の通信トラフィック予測、金融業界の株価予測など、多様な業界で活用されています。

一例として、車両衝突を回避するための周囲車両軌道予測システムについて解説します。自動運転の車両は、周囲の車両の車線変更を正確に時系列予測しないと、衝突してしまう可能性があります。そこで、車両に取り付けた機器で計測した緯度・経度・ハンドル角・速度・加速度などのデータと、車載カメラの映像を分析・変換して、車線変更を予測するシステムが開発されました。高速道路と同様の環境で実験を行ったところ、約90%の予測精度が出たという報告があります。

時系列予測AIの導入効果を高めるための検証方法

時系列予測AIの活用が進む一方で、導入したのに想定よりも効果が低かったというケースも多いのが現状です。原因は、PoC（概念実証）段階での検証が不足していたためと推察されます。

時系列予測AIで代替する業務フローは、「①将来予測」、「②予測結果の分析」、「③分析結果やリソースなどに基づいた戦略的行動」の3つです。①〜③のどこまでをモデル化すれば十分な導入効果が得られるかは、場合によって異なります。まずは、AIで代替する業務フローを正確に把握することが重要です。

ここからは、①のみ対応する「時系列予測1.0」、①〜②に対応する「時系列予測1.5」、①〜③に対応する「時系列予測2.0」を定義し、それぞれのPoCで注意すべき点を解説します。

・時系列予測1.0のPoCでは、モデル更新日からの経過日数に関する検証も必要です。最初は精度が高くても、日数が経過すると精度が下がっていく可能性があるためです。
・時系列予測1.5のPoCでは予測結果の分析も行いますが、予測と実績の誤差だけを見ていると、期待した導入効果を得られない可能性もあります。最終的な目標値で分析することが重要です。
・時系列予測2.0のPoCでは多くの要素を考慮して戦略に組み込むため、単純な予測だけでは対応困難です。複雑な制御を行える「強化学習」への拡張性が必要になります。強化学習について、ゲームのような仮想空間だけでなく現実世界にも適用するために、最近の研究では「Sim2Real」と「オフライン強化学習」の2つのアプローチが提唱されています。しかし、どちらに優位性があるかはまだ解明されていません。そこで、どちらにも対応可能となるように、拡張性の高いシステム構築を見据えたPoCを行う必要があります。

このように、時系列予測1.0〜2.0の特徴と注意すべき点を念頭に置いてPoCを進めることで、効果的な時系列予測AIの実現につながります。

【伊藤 成顕 プロフィール】

大手製造業にて、電機・計装・計算機に関わるエンジニアとして新設工場の大規模システム構築に従事しながら、IoTやAIなどを含む高度なシステム開発などにも従事。現在、過去に蓄積したノウハウを活用し、DX戦略、DX実現の支援を行うアイ・ティ・イノベーションにて、お客様と共にプロジェクトの成功に奔走している。

セッション4

動画像認識AIの課題と実用化のポイント

Global Walkers株式会社
取締役CTO 樋口 未来氏

静止画像を処理して物体検出や姿勢推定を行うAIは、この5年ほどで飛躍的に進化したため、ビジネスとしての差別化が困難になっています。そこで本セッションでは、動画像を1フレームずつ処理するだけではなく、時系列データとして解析する動画像認識AIに注目し、実用化のためのポイントを解説します。

動画像認識AIの活用方法と課題

動画像認識の例として、トラッキングと動作認識があります。トラッキングは、異なるフレームに存在する同じ物体（人）に同一のIDを付与して追跡することです。店舗では来店者や店員の動線分析、工場では作業員の動線分析に活用できます。また、トラッキングで滞留を計測すれば、店舗では座席利用状況分析や会計時間分析、工場では作業員の作業時間分析に活用できます。

動作認識は、「立つ」「座る」など、人間の動作を分析します。

動画像認識AIを開発する際には、以下のような課題があることを理解し、解決方法を探していく必要があります。

・データサイズが膨大になること
・複数の対象が存在する場合には、それぞれをトラッキングしなくてはならないこと
・認識対象となる動作が曖昧かつ多種多様であるため、判定するのが困難であること

動画像認識AIの実用化に向けたポイント

公開されている動画像のデータセットもありますが、まだ十分ではありません。動画像認識AIをビジネスで活用したいのであれば、実際の利用シーンを考慮したデータセットを独自に構築する必要があります。データセット作成には多くの時間がかかるので、効率化を検討しましょう。例えば、同一物体に同一IDを付与するのはツールで自動化し、認識に失敗した箇所だけ手作業で修正すれば作業時間を短縮できます。

開発着手時に作成したデータセットのみで学習しても十分な精度に達しないことが多く、誤認識・未認識が発生します。実用化のためには、認識に失敗したデータを収集し、再学習・チューニングを行って、継続的に精度を向上させることが重要です。

【樋口 未来氏 プロフィール】

株式会社日立製作所日立研究所、カーネギーメロン大学客員研究員にて車載ステレオカメラの研究開発、製品化などに従事。その後、グローバルウォーカーズ株式会社（現Global Walkers株式会社）を創業。専門は、コンピュータビジョン、Deep Learning。