AIの導入障壁：主要な課題と克服方法

Barriers to AI Adoption Major Challenges and Ways to Overcome Them

人工知能（AI）は近年、ビジネスのパフォーマンス向上に不可欠な存在となっています。

多様な産業の企業が、効率と生産性を向上させるためにAIを採用し始めています。

しかし、完全なAI採用にはいくつかの障壁があります。

この記事では、完全なAI採用に向けたいくつかの障壁について説明します。

• オッターに会いましょう：大規模データセット「MIMIC-IT」を活用した最先端のAIモデルであり、知覚と推論のベンチマークにおいて最新の性能を実現しています
• 巨大なデータベース内のデータ検索を加速する新しい手法
• 機械学習モデルを成長させる方法の学習

課題1：データの品質と可用性

AIを実装する際に、企業が直面する最も重要な課題の1つは、データの品質と可用性です。モデルをトレーニングするには大量のデータが必要ですが、データはクリーンで正確であり、問題に適したものでなければなりません。データの品質が低い場合や、利用できない場合は、AIモデルの効果を大きく損なう可能性があります。

例えば、当社の消費者クライアントの1つは、クライアントからの入力データの処理に多くの課題を抱えていました。すべてのクライアントが若干異なる方法で操作していました。データのステージング、データのマッピング、ETLの実行などの従来の手法は、大きな手間がかかります。新しいデータフィードをオンボードするには数週間かかることがよくあります。

そのため、従来の手法に加えて、この問題に対するAIベースのソリューションを作成することにしました。初期段階で正面から成功を収めましたが、すぐに直面した問題の1つは、AIモデルをトレーニングするための十分なデータがないことでした。また、データプライバシーやセキュリティの問題にも遭遇しました。これには複数の反復が必要で、貴重な時間を取りました。さらに、モデルが例外的なシナリオを適切に処理するための十分なデータがなかったため、他のより操作的なビジネスプロセス用の高品質なモックデータを生成してこのシナリオを処理することができましたが、最適なソリューションではなかった可能性があります。

AIが理想的なソリューションであることは明らかでしたが、なぜ影響力のあるAIイニシアチブが日の目を見ないのかも明らかでした。

この課題を軽減する方法のいくつかは以下の通りです。

• AIをトップオブマインドにすることで、必要性がなくてもデータを利用できるように意識すること。ただし、トレードオフを考慮する必要があります。
• 適切なデータ拡張技術を迅速にブレインストーミングできるようにする高レベルのエンタープライズデータモデルを維持すること。
• クリーンでマスクされたデータリポジトリを維持するためにパートナーと協力すること。この場合、業界協会が大いに役立つでしょう。

課題2：理解とアラインメントの欠如

企業が直面するもう1つの重要な課題は、ビジネスと技術チームの間に理解とアラインメントが欠如していることです。

例えば、Googleが6月にユニバーサルアナリティクスをサンセットし、GA4に移行するにあたり、最大の課題の1つは、歴史的なデータを新しいGA4ダッシュボードで利用可能にすることです。この課題の原因は、アクティビティのトラッキング方法に基本的な不一致があるためです。Googleやその他多くの企業は、セッションベースのトラッキングからイベントドリブンのトラッキングに移行しています。

早期採用者でなければ、企業はGA3とGA4のデータのために2つの異なるダッシュボードを維持する必要があります。しかし、私たちはマーケティングデータを詳しく理解していたため、GA3とGA4のデータを単一のダッシュボードで利用できるように効果的なソリューションを考案することができました。

また、クライアントのGoogleダッシュボードに予測分析やシナリオモデリングを統合することもできました。

ただし、技術とビジネスチームの間に十分なギャップが存在するため、ほとんどの企業は自然に提示されるこのようなソリューションを展開しません。

この課題に取り組む方法のいくつかは以下の通りです。

• ビジネスが使用する外部SaaSアプリケーションがある場合、テクノロジーチームにビジネスの機能をトレーニングし、教育すること。
• ビジネスに対して、AIやその他の技術が彼らにとって何を意味するのかをより簡単な用語で理解させること。
• プロジェクトのためにデザイン思考主導のブレインストーミングを行い、プロセスや要件をテクノロジーやビジネスの専門用語で混同することなく理解できるようにすること。

課題3：AIインサイトのオペレーショナル化（ラストマイル問題）

AIモデルは、企業にとって価値のあるインサイトを生成しますが、これらのインサイトをビジネスプロセスやテクノロジーアプリケーションにオペレーショナル化することは困難です。

この問題は、AIの最後のマイル問題としてよく知られています。そのため、AIの導入コストが大きい場合、ROIを生成する明確な道筋がないと、企業は投資を正当化するのに苦労する場合があります。

たとえば、顧客データプラットフォーム（CDP）の構築に関するソリューションをクライアントに提供する際には、しばしば課題に直面します。CDPの構築は簡単なことではありません。企業のデータリポジトリとの統合が必要で、さらに企業のリポジトリが不完全であるため、さらに多くの補足的なデータ統合が必要です。また、適切なビジネスレポーティングとダッシュボードを構築するには時間がかかります。これは独自の複雑なプログラムにすぐに膨らんでしまう可能性があります。

私たちが通常行う解決策は、技術と密接に関連するAIファーストアプローチです。従来のビジネスインテリジェンスダッシュボードに限定するのではなく、AIシナリオから始め、インサイトのAPI統合をクライアントのビジネスプロセスに直ちに組み込むことを始めます。たとえば、小売りのクライアントに対して、私たちは最近、価格分析をオンラインオファー管理システムに統合することを提案しました。それを最初にやることで、AIプログラムをやらないことによってテーブルに残す価値をみんなが見ることができます。

企業がこの課題に対処するために取ることができるアプローチのいくつかは次のとおりです：

• AIをデータイニシアチブだけとして見ないようにすること。インサイトがビジネスプロセスに到達するための道筋を提供するために、技術の実装と緊密に統合する必要があります。
• 開発されているAIモデルをAPIゲートウェイに統合すること。これにより、開発者がアプリケーションにインサイトを統合しやすくなります。
• テクノロジーギャップを埋めるためにロボティックプロセスオートメーションを使用することをためらわないこと。時には、テクノロジーが最適または実行可能な解決策ではないことがあります。
• AIをガバナンスプロセスの一部にすることで、すべての技術および運用プロジェクトの前提条件になるようにすること。
• クロスファンクショナルおよびクロスビジネスチームを結集し、ビジネスプロセス全体にわたる包括的な入力を得ること。

結論

要約すると、AIの採用はパフォーマンスを大幅に向上させることができますが、完全な採用にはいくつかの課題があります。これには、データ品質と可用性、理解とアライメントの欠如、そしてビジネスプロセスにAIインサイトを運用すること、つまり最後のマイル問題が含まれます。

これらの課題を緩和するために、企業は、クリーンなデータリポジトリの維持、技術とビジネスチームのアライメントとクロストレーニング、そしてAIプログラムを技術実装と密接に統合することなどのアプローチを考慮することができます。

これらの手順を踏むことで、一般的なAI採用の障壁を解決し、ROIへの明確な道筋を提供することができます。

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