「銀行を破産させずにビジネスでAIを導入するための5つのステップ」

「銀行の破綻を回避し、ビジネスにAIを導入するための5つの手順」

人工知能は急速に発展し、あらゆる産業に浸透し続けることで、私たちの生活様式を完全に変えるでしょう。

その結果、多くの起業家にとってAIを企業に統合することは最も重要な優先事項となっています。個人でもAIを活用して自分の生活を向上させる方法を探しています。

このような注目度の高さから、一流の言語権威であるコリンズ辞書は、AIを「今年のキーワード」と位置付けています。

とは言え、ほとんどの組織にとって、AIをプロセスに取り入れるというアイデアと実現のギャップは非常に大きく、見かけほど直線的ではなく、資本支出や時間の浪費という面で非常に高価です。開発は期待した結果をもたらさないかもしれません。これにより、数多くの企業が困難に直面しています。たとえば、CNETはAIによって書かれた記事を試みましたが、欠陥だらけでした。iTutor Groupなどの企業は、AIの実装の質の低さに加えて、巨額の罰金を課されることもあり、世間からの非難も浴びました。

• 「ゲイリー・ヒュースティス、パワーハウスフォレンジクスのオーナー兼ディレクター- インタビューシリーズ」
• 統計力の解読：マーケティング研究における精度の鍵
• 「AIスタートアップとしての成功確率を高める方法は？」

これらの事例から分かるように、企業はAIを活用する上で多くのミスを comitteします。そして、AmazonやGoogle、Microsoft、Metaのような財務的な余裕がない企業にとっては、これらの失敗実験は実質的に会社を破産させる可能性があります。

もし起業家やビジネスオーナーであるのなら、以下はAIをビジネスに導入するための5つのステップを示したガイドです。それによって、資源（お金や時間）を賢く使いながら、致命的なエラーの可能性を減らすことができます。

1. 解決しようとしている問題を明確にする

どんな会社でも、AIの失敗は免れません。Amazonは自動レジの店舗「Amazon Go」で痛感したように、すべてのビジネスケースにAIが必要というわけではありません。

したがって、AIを用いて解決しようとしている問題を明確に定義することが重要です。できるだけ明確に示す必要があります。

たとえば、AIの一般的な応用としては、顧客サポートが挙げられます。このようなケースでAIを導入する際には、具体的な成果を出すことが可能です。例えば、コールセンターのコストを1ヶ月あたりXドル削減する、または顧客の問い合わせの平均解決時間をX分短縮するなどの目標を立てることができます。こうしたアプローチでは、お金や時間といった形で計測可能な指標を持ち、それにAIの導入によってどのような影響があるのかを確認します。

この目標を達成するには、様々な方法が考えられます。たとえば、チャットボットの代わりに、カスタマーのクエリに対するFAQページから回答ができるかどうかを判断するサービスを開発または購入することができます。このモデルを適用すると、顧客がメッセージを書くと、そのモデルが実行され、会話をエージェントに引き継ぐ必要があるかどうか、または質問に対する関連ページを表示します。このモデルの開発は、複雑なチャットボットをゼロから作るよりも高速かつコスト効果が高くなります。もしもこの実装が成功すれば、チャットボットを開発するコストに比べて費用を削減しながら、AI関連の資本支出を最適化することができます。

このアプローチのパイオニアであるカリフォルニア州の法律事務所Matten Lawは、AIを活用して多くの業務を自動化するAIパワーのアシスタントを導入し、弁護士たちが顧客の話をより多く聞く時間を確保し、ケースにおける重要な側面を研究する時間を増やすことができました。これにより、最も重要な部分に人間の触れる部分が強調され、ユーザーエクスペリエンスが強化されます。この事例は、最も堅牢なセクターでさえ、最も必要な部分で人間の手を増幅することでAIによって破壊される可能性があることを示しています。

AIの助けを借りて解決できる他の一般的な問題には、データ分析やカスタマイズオファーの作成があります。Spotifyは音楽推薦のためのインテリジェントシステムを開発するためにAIを成功裏に活用しており、リスナーが特定のジャンルを聴く時間帯を考慮に入れています。

上記のシナリオの両方で、AIは顧客により良い体験を提供するのに役立っています。ただし、これらの企業がAIを成功裏に活用した理由は、AIに委任する必要のある側面を非常に明確にしていたためです。

2. 分析に必要なデータを決定する

主要な問題が明確に定義されている場合、システムに提供する必要のあるデータを考慮する必要があります。 AIは、私たちが提供するデータを分析し調整するアルゴリズムであることを忘れないことが重要です。データ収集の基本シナリオは次のとおりです：

1. AIを実装するために必要なデータを理解する。

2. 企業がそのデータを持っているかを確認する。

   1. 持っている場合は素晴らしいです。

   2. 持っていない場合は、社内で適切なデータ収集プロセスを開始できるか検討する必要があります。もうデータを保存していない場合は、開発者に必要なデータを保存するよう依頼することも可能です。

例を挙げましょう。私たちがコーヒーショップを経営しており、そこに訪れる顧客の数のデータが必要です。ユーザーが購入する際に提示する個別の特典カードを導入することで、これを実現することができます。この方法では、来店した顧客、来店日時、購入商品、数量など、必要なデータを取得することができます。それを得たら、このデータを活用してAIを実装することができます。ただし、このデータの収集には非常に高額な場合もあります。そんな時にAIが助けになることがあります。たとえば、セキュリティの目的で少なくともカメラが店舗に設置されている場合、訪問客からデータを収集するためにそれを活用することができます。なお、このような実装に先立って、GDPRなどの個人データの法的な制約をよく確認することが重要です。すべての国でこのアプローチが機能するわけではないかもしれません。ただし、許可されている管轄区域では、必要な情報を収集し、AIの支援を借りてそれを分析および処理するシームレスな方法となることがあります。

おそらく疑問に思うかもしれませんが、この個別化された特典プログラムはStarbucksが実施したものであり、大成功を収めました。Starbucksのリワードプログラムは、顧客が好みの場所を訪れるたびに個別のインセンティブを提供するまで達しました。

3. 仮説を定義する

AIによって最適化されるべきプロセスがどれかわからない場合があります。その場合、まずは自分のプロセス全体を段階的に分解し、ビジネスがパフォーマンスが低いと感じるフェーズを特定してください。どの分野で多くのお金を使っていますか？通常より時間がかかっているものは何ですか？これらの質問に答えることで、改善のための重要な分野を特定し、AIが助けになるかどうかを決定できます。

実際、従来の解決策の方が効果的な場合もあります。顧客に強調すべき製品の提案に悩んでいる場合は、市場の推奨システムにおいて、人気のある製品に基づく提案の方がユーザーの行動を予測しようとするよりも遥かに効果的です。したがって、まずはそれを試してみましょう。結果が出たら（肯定的であろうと否定的であろうと）、AIテストのための仮説が得られます。そうでない場合、行動範囲があいまいすぎるため、時間とお金を浪費することになるかもしれません。

4. 既存のソリューションを活用する

多くの企業が、すぐに独自の機械学習アルゴリズムを設計しようとします。ただしそれを長期間にわたり大規模なデータセットでトレーニングする予定がない場合は、行わないほうが良いです。非常に高価で時間のかかる作業になります。

代わりに、既に利用可能なソリューションに焦点を当てることをおすすめします。AmazonやGoogle、Microsoftなどの企業には、多くの目標を達成するのに役立つAIパワードツールがあります。そして、徐々にそれらの企業と契約を結び、内部の開発者を雇って必要なAPIリクエストを熟練して構成してもらうことができます。

基本的な考え方は、これらのツールをビジネスの開発者（ML専門家ではない）が統合することができるということです。これにより、AIが期待どおりの効果をもたらすかどうかの仮説を迅速にテストすることができます。もし効果がない場合は、これらのツールを簡単に無効にすることができます。仮説のテストにかかる費用は、サービスとの統合にかかった開発者の時間とツールの利用料のみです。もしモデルを開発している場合、モデルの開発に費やされるML専門家の給与と時間に加え、インフラストラクチャのコストもかかります。そして、最終的に期待される効果がない場合、開発者やモデルの取り扱いについては明確ではありません。

もし私たちの仮説が証明され、AIパワードツールが期待通りの効果をもたらすのであれば、私たちは喜び、新しい仮説を立てます。将来的に、もしツールの費用が著しく増加すると予測されるのであれば、私たちはこのモデルを自社で開発することを考えることができ、それによって費用をさらに削減できます。しかし、まず、我々がこれらのツールを開発するために他の会社からツールを使用するために支払う費用よりも、開発費用が実際に低いかどうかを評価する必要があります。

私のアドバイスは、前述のツールを使用してAIを使用した結果が良好であると確信した後に、独自の機械学習製品を開発することを検討してください。また、AIが長期的に問題を解決するための適切な方法であると確信した場合に限ります。さもないと、あなたの機械学習プロジェクトはあなたが求めている価値を提供することができず、Harvard Business Reviewの最近の素晴らしい記事が述べたように、AIの話題はあなたの使命からあなたの注意を逸らすだけです。AIは必要ありません。

5. AIスペシャリストと相談する

同様に、創業者や企業オーナーがよくする共通の間違いは、全てを社内でやろうとすることです。彼らはAIの主任エンジニアまたは研究者を雇い、最先端の製品を作成できるチームを組織しようとします。しかし、適切に定義されたAIの実装戦略がない場合、その技術は企業の目的にとって無価値になります。また、経験のない人を採用した場合もあります。これは、より経験豊富な専門家を雇うことに比べて費用を節約できるという理由で行われる場合もあります。しかし、経験のない人物は、機械学習システム開発と設計の微妙な点を知らないため、「初心者のミス」を犯す可能性があり、会社は一人の経験豊富な専門家を雇う費用を超える高い代価を支払わなければなりません。

したがって、私のお勧めは、まずAIの専門家としてコンサルタントのように一人のAI専門家を雇うことです。彼らの専門知識を活用して、自社で取り組んでいる問題がAIを必要とするものであり、その技術が仮説を証明するために効果的にスケーリングできることを確認してください。

初期段階のスタートアップ企業で資金が心配な場合、LinkedInでAIエンジニアに具体的な質問をすることがハックです。信じるか信じないか、多くの機械学習とAIの専門家は手助けするのが好きです。それは彼らが本当にそのテーマに興味があるからでもあり、あなたを助けることに成功すれば、それを彼らのコンサルティングポートフォリオの良い事例として活用することができるからです。

最後の考え

AIについての話題がありふれていることから、あなたのビジネスにAIを取り入れて次のレベルに進むことに関心があるのは当然です。しかし、皆がAIについて話しているという事実は、あなたのビジネスがAIを必要とすることを意味するわけではありません。多くのビジネスが悲しいかな、明確な目的がないままAIを統合し、莫大な金額と時間を無駄にしています。特にスタートアップ企業の場合、これはその終焉を意味する可能性もあります。問題を明確に定義し、関連するデータを収集し、仮説をテストし、専門家の助けを借りて既に利用可能なツールを使用することで、会社の財務リソースを消耗せずにAIを統合することができます。そして、ソリューションが機能する場合、徐々にスケールアップし、効率または利益率が向上する領域にAIを組み込むことができます。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!