あなたの会社のAI実装は完璧ではありません—そしてそれは大丈夫です

私は不完全なものが好きです。 ひじに穴の開いたセーター、猫が乾いている間に歩いた私の絵、博士号に使用しているソースコードが、思ったとおりに実行されないのが好きです。 でも、私はそれが好きです。 不完全さは物事をより面白くします。

しかし、あなたがビジネスについて話しているとき、儲かるお金があります—潜在的にたくさんのお金。 そして、人生の他の部分とは異なり、ビジネスの世界では、小さな欠陥が数百万ドルの損失をもたらす可能性があります。

それが怖いです。 さらに恐ろしいのは、エンジニアが新しく急速に進化するテクノロジーを実装しようとしているときにミスを犯したためにこれらの損失が発生した場合です。 リスク まだ誰も完全には理解しておらず、 規則 そのうち書かれているところです。 ビジネスリーダーがこの潜在的な地雷原について躊躇している場合、それは彼らが人間であることを証明するだけです。

私はAIについて話している。 どんなに恐ろしいことかもしれませんが、多くのビジネスリーダーを含む多くの人々は、AIに非常に熱心なままです。 AIは、これまで数時間から数秒かかっていたプロセスを完了することができるため、潜在的なメリットは非常に大きくなります。 その時間の節約は、数桁の改善です。 そのようなリターンを考えると、企業が注いでいるのも不思議ではありません 数十億 毎年AIにドルを投入します。

この巨額の投資にもかかわらず、AIの取り込みは依然として適切です。 困難は、リスクと規制に関する不確実性だけでなく、多くの企業が、少なくとも最初は、AIがもたらすことができる変化とできない変化の種類を現実的に評価できないという事実からも生じます。

オールオアナッシングの考え方

ラリークラークはで逸話を共有しました ハーバードビジネスレビュー それは問題を完全にカプセル化します。 彼は、クライアントが25％の確率で業界について正しい予測を行っているコンサルタントと話をしました。 コンサルタントは、AIソリューションでこの数値を最大50％にすることができるとアドバイスしました。 しかし、チームの幹部は、「半分の時間で間違った」ソリューションの実装を拒否しました。

ほとんどの場合、50％の故障率は非常に大きいことは間違いありません。 しかし、それでも既存のソリューションの2倍は良かったでしょう。

多くの幹部は、AIが一夜にして会社に革命を起こさないことに失望します。 しかし、ケビン・ケリーとして、 有線、 それを置く：「未来は非常にゆっくりと、そして一度に起こります。」

このルールは、テクノロジーの多くの分野、特にAIに適用されると思います。 確かに、素晴らしい新しい開発が間近に迫っていますが、それらが明日起こることを期待することはできません。 良いものは発展するのに時間が必要です。 ペースの速いテクノロジーの世界でも、忍耐は美徳です。

したがって、AIがビジネスを次のGoogleに突然変換しない場合でも、リーダーは不満を抱くべきではありません。 実際、新しいAIソリューションが時間の経過とともに多くの小さな改善をもたらす場合、それはとにかく長期的にはより価値があるかもしれません。 大きな混乱は、これまで標準であった他のビジネスプロセスを損なう傾向があり、この混乱は、大きな混乱の波の好転にもかかわらず、危険な動きになる可能性があります。

AIが常に最良のソリューションであるとは限りません。 著者による画像

以前にAIを使用したことがある場合は、精度、適合率、再現率、F1スコア、過適合、過剰適合、誤検知、誤検知などの概念について聞いたことがあるでしょう。 しかし、ほとんどのビジネスリーダーは、あなたがそのような専門用語で彼らのところに来ると、あなたがエイリアンであるようにあなたを見るでしょう。 経営幹部は、技術的な詳細よりも結果に関心を持っています。

保険業界向けのAIソリューションを構築する会社を設立したRonGlozmanは、 この正確なポイントを作りました。 本当に重要なのは、AIソリューションが人間の労働者にとって物事を容易にするか、コストを削減するか、マージンを増やすかどうかです。 ソリューションが会社の現状を改善する限り、技術レベルで素晴らしい結果が得られるかどうかはそれほど重要ではありません。

もちろん、データサイエンティストは、自分たちにとって役立つので、技術用語で目標を表現し続けます。 ただし、この専門用語をビジネス用語に変換するには、エグゼクティブはデータサイエンティストと緊密に連携し、データサイエンティストをビジネスオペレーションに関与させ、さまざまな技術指標のパフォーマンスがビジネス全体にどのように影響するかを尋ねるのをやめる必要はありません。

ただし、問題を複雑にしているのは、データサイエンティストの需要が高いという事実です。 したがって、多くの企業がこの分野で人員不足になっています。 結果として、あまりにも多くのプロジェクトを抱えている多くのデータサイエンティストは、ハード分析を優先する必要があり、仕事のビジネス部分についてあまり考える時間を見つけることができません。

この状況を回避するには、実際に必要になる前にデータサイエンティストを雇い、新しいチームメンバーに社内トレーニングを提供します。 もちろん、社内でトレーニングを追加するには、いくらかの先行投資が必要ですが、そうすることには2つの大きな利点があります。 まず、社内トレーニングにより、データサイエンティストは、初日から会社の詳細に精通します。 第二に、この種のトレーニングは、新鮮なアイデアを持ち込むことが多く、先輩の給与ほど高い給与を要求しない若い求職者にとって特に魅力的です。 厳格な社内トレーニングレジメンの設定には時間がかかる場合がありますが、長期的には効果があります。

正確さがすべてではありません

機械学習アルゴリズムは可能な限り正確である必要がありますよね？ 結局のところ、私たちは自分のマシンが間違った判断を下したり、たとえば、癌性腫瘍を良性腫瘍と誤分類したりすることを望んでいません。 この概念は正しいように聞こえますが、正確さが常に目標であるとは限りません。 説明させてください。

まず第一に、オーバートレーニングのリスクがあります。 AIモデルはデータセットを非常によく学習できるため、結果に実際には関係のない小さな詳細でも識別できます。 たとえば、多くの異なる動物種のデータセットを分類するAIソリューションについて考えてみます。 さらに、このデータセットに猫、犬、キリンがそれぞれ1種類しか含まれていないことを想像してみましょう。 ただし、黒とオレンジの2種類のサルも含まれています。

このモデルをうまくトレーニングして、サルのサルを認識するだけでなく、それが黒かオレンジかを認識できるようにするとどうなりますか？ それは甘いように聞こえるかもしれませんが、灰色の猿の写真でモデルをテストすると問題が発生します。 モデルはその動物をどのように分類しますか？ 猫？ 灰色の犬？

この例では、トレーニング中にモデルが正確になりすぎたため、新しいデータを誤分類するリスクが発生しました。 この問題を回避するために、データサイエンティストとビジネスエグゼクティブは、トレーニング中の精度については少し気を配る必要があり、テスト中のパフォーマンスについてはもっと気にする必要があります。 ここでの目標は完璧ではありません。

上記の腫瘍の例では、これは、アルゴリズムがトレーニング中に腫瘍を誤分類できるようにすることを意味します。 この再調整は、98ではなく90％の精度を目指すことを意味する可能性があります。その後、アルゴリズムを実際に展開すると、トレーニング段階で見た腫瘍とは異なる腫瘍を分類する準備が整います。 他のデータポイントとは異なり、データポイントに遭遇することが多いため、これが最も重要です。 さらに、すべての新しいデータポイントがシステムにフィードバックされ、再トレーニングに役立つため、アルゴリズムに実際の精度を向上させる機会が与えられます。

ステップバイステップでそれを取ります。 著者による画像

経営幹部が野心を和らげる必要があるのは、トレーニングステップだけではありません。 ジョン・ライリーが書いているように データバーシティ、企業はAIを大きな問題に投げかけ、意味のある結果を期待する傾向があります。

ただし、AIはまだそのようには機能していません。 代わりに、大量のデータを何らかの方法で処理する必要がある、より小さく、非常に特殊なタスクで最適に機能します。 人間にとって繰り返しが多すぎる仕事にAIを組み込み始め、そこから構築します。 これをボトムアップアプローチと考えてください。 トップダウンアプローチは、今日のAIで釘付けにするのは困難です。 あるドメインから別のドメインに知識を転送できるAI、さらには一般化されたインテリジェンスからはまだかなり遠いです。 現在、ワープ速度で退屈で反復的なタスクを実行する方法をマシンに教えることは、手元に十分な時間があったとしても、複雑なタスクを完了するよりもはるかに簡単です。 ただし、この状況が将来変わる可能性があることを排除するものではありません。

エグゼクティブが本当に可能な限りAIを実装したい場合は、古典的なものを覚えておく必要があります 80/20-ルール、これは、ツールとリソースの20％が出力の80％につながることを示しています。 最初にこれらのツールとリソースに焦点を合わせて、ソリューションが可能な限り最大の影響を与えるようにします。

ここでも、AIアルゴリズムとして会社全体を再設計するよりも、簡単な部分から始める方がよいでしょう。 複雑すぎて効果的に展開できない大きな全体的なソリューションではなく、実際に機能するパッチワークソリューションを組み込むことを優先する必要があります。

躊躇する企業は負ける

主流になるすべての新しいテクノロジーと同様に、アーリーアダプターはすべての現金を集めるものです。 良いニュースは、AIに入るのにまだ手遅れではないということです。

これは、AIモデルを細心の注意を払って完成させ、5年後にそれを使用して稼働させるための言い訳にはなりません。 私が言及したすべての障害にもかかわらず（そしてこれら以外にも他にもあります）、ますます多くの企業がAIの潜在的な利点を認識し、今それを始めていますが、小さなことやバグのあることが最初はあるかもしれません。

そして、それは正しいアプローチです。 このテクノロジーは十分に新しいため、すべてのニッチとエッジケースをまだテストしていません。 中途半端なソリューションをテストしてから、それらを繰り返す必要があります。 AIの更新を定期的にプッシュしてすべての利害関係者が利用できるようにしないと、重要なレッスンを見逃してしまうリスクがあります。

この正確な問題は、私の研究中に私に起こりました。 以前よりも効率的に大量のデータを処理する手順に取り組んでいました。 手順は私のプロジェクトの一部だったので、チームと共有する前に、できる限り一人で開発して完成させたいと思いました。

しかし、3か月後にようやく共有したとき、同僚のフィードバックから、いくつかの重要なアイデアを見逃していたことに気づきました。 私は自分でコードを古いバージョンの3倍効率的にすることに成功しました。 しかし、同僚のアイデアを実装した後、改善は3倍ではなく5倍でした。 私の仕事は公的な研究プロジェクトであり、ビジネスではありませんでしたが、実質的にお金がかかっていなかったとしても、以前に同僚と話をしなかったために数週間無駄になったという考えはまだ残っています。

完成を早すぎることを目指す企業や、AIの実装をまだ決定していない企業は取り残されます。 逆説的ですが、あなたがパックの前に行きたければ、あなたはあなたの野心を断り、不完全な解決策で座ることができる必要があります。

不完全なコードについてあまり心配しないでください。 著者による画像

不完全な解決策は、仕事から家に帰ることができず、仕事が完全に完了したふりをすることができないため、不快です。 見つけるべきバグ、作るための微調整、追加する機能が常にあります。

ビジネスにAIが必要な場合は、この現実を愛することを学ぶ必要があります。 もちろん、このルールはビジネスだけのものではありません。 多くの生活状況は、比喩的に言えば、バスが1分遅れるとすぐに失敗する完全に組織化されたプロセスではなく、大雑把で汚い実用主義でうまく機能します。

それは怠惰な言い訳ではなく、競争に追いつくために必要な最小限のことをするだけでもありません。 常に可能な限り最善を尽くしてください。 最高のものは完璧にはほど遠いことが多いことを覚えておいてください。

この記事はもともと ビルトイン。