この記事は当初、McKinsey & Companyに掲載されたものです。Copyright (c) 2021 All rights reserved. Reprinted by permission.
マッキンジーによるAIの現状に関する最新調査は、ベストプラクティス、リスク管理、そして企業がその潜在能力を最大限に引き出す方法の重要性を浮き彫りにしています。
3人のAI専門家が調査結果を読み解き、主要な質問に答えます。
ここには、特筆すべき調査結果、ハイパフォーマー、そして変革の主要な推進要因が含まれます。
マッキンジーによるAIの現状に関する最新調査の結果が出そろいました。パンデミックの最中に実施された本調査では、世界中のさまざまな業界から約1,800人の回答者を対象としました。
当社の調査によると、AIの導入は引き続き拡大しており、ベストプラクティスの全面的な採用が高いパフォーマンスにとって不可欠であり、リスク管理は依然として複雑で困難です。今回は当社がこの調査を実施して4年目にあたりますが、初めてMLOps（machine-learning operations の略で、AIの商用利用に関するベストプラクティスを指します）およびクラウド技術が、重要な差別化要因として浮上しました。
以下では、当社の専門家3名が調査の内幕をご紹介します。Michael Chuiは最新のAIトレンドについて、Liz Grennanは複雑なAIとリスクの世界について案内し、Kia Javanmardianは業界で最も注目されているテーマの一つであるMLOpsについて掘り下げます。
Michael Chui
調査結果の中で、特に印象に残った点は何ですか？
AIから最も大きな恩恵を得ている企業は、その能力を専門化または産業化しています。こうしたハイパフォーマーは、利益のうち最も大きな割合をAIの活用によるものとしています。必ずしも多くの支出をしていたわけではありませんが、プロジェクトコストは予算内に収まる傾向がありました。実際、他の企業ではAIのコスト超過が発生する可能性がはるかに高くなっていました。
調査結果から、AIのハイパフォーマーは多くのベストプラクティスを実践していることがわかりました。これはすべてか無かのシナリオなのでしょうか？
いいえ、ただし効果は乗数的に高まります。ベストプラクティスは、その効果において相互に連動しています。
ハイパフォーマーはMLOpsを導入しています。MLOpsとは、ここ数年で登場した一連の実践手法およびコンポーネントツールのことです（ソフトウェア開発・デプロイにおけるDevOpsに相当するものです）。これらを組み合わせることで、AIを職人的な手作業で進める場合に比べて、モデルの訓練、デプロイ、テストを何倍もの速さで行うことが可能になります。こうしたプロセスを自動化し産業化すれば、AI投資から大きなリターンを繰り返し、かつ予測可能な形で得ることができます。
調査によると、クラウドはMLOpsの重要な推進要因です。なぜそう言えるのでしょうか？
第一に、クラウド環境にネイティブに備わっているのは、AIモデル開発のライフサイクルを加速できる既製のツール、ライブラリ、フレームワークです。また、クラウドは必要に応じてコンピューティングを増減できる柔軟性も提供しており、これは特にモデルの再訓練が必要な場合に有用です。
これらの調査結果を総合すると、MLOps、クラウド、その他のベストプラクティスの組み合わせが、AIの価値を大規模に獲得するための確かな基盤となることが示されています。
Liz Grennan、エキスパート・アソシエイト・パートナー
最新の調査結果において、リスクとAIはどのように関係していますか？
最も成果の高い企業は、AIにおけるリスク管理にも取り組んでいる企業でもあります。懸念される調査結果の一つは、サイバーセキュリティが懸念事項のリストで順位を下げ続けていることです。組織全体で統一されたサイバー基準は存在しません。私の見解では、すべての組織が独自のフレームワークを策定する必要があることを浮き彫りにしていますが、これは容易ではありません。リスクカテゴリーは3つあり、サイバー、データ、AIです。これらはすべて完全に相互依存しており、統合されたリスクモデルが必要です。
AIリスク管理が不十分な場合、どのような結果が生じますか？
最も深刻な問題の一つは、体系的な差別や不公平を永続させかねないことです。具体的には、偏った訓練データのために女性が採用されないという事態があり得ます。また、データに偏りがあるために、有色人種が雇用、融資の審査、住宅、その他の給付を拒否されることもあります。パンデミック期の一例では、歴史的に成績の振るわない高校の出身であるという理由だけで、試験を受けられなかった一部の学生が、個人の優れた成績記録にもかかわらず大学から除外されました。代理の試験スコアを生成するアルゴリズムが、本質的に偏っていたのです。
AIリスク管理がなければ、不公平さが組織内に蔓延しかねず、その複雑さによってさらに見えにくくなる可能性があります。
企業はどのようにしてAIリスク管理プログラムを始めればよいのでしょうか？
最も簡単であり、おそらく最も効果的な出発点は、自社が重視する倫理的価値観を定めることです。そのうえで、それらの価値観をどのように実務に落とし込み、フレームワークに組み込むかを検討し、リスク評価を開始するための視点を決定します。
テーマとしては、公平性とプライバシーが、セキュリティ、説明可能性と透明性、モデルの性能、安全性に加えて、特に重要な価値です。また、該当する業界や地域に適用されている規制を理解することも重要です。
AIリスクはサイバーリスクとどのように関係していますか？
複雑なAIシステムは格好の標的です。AIの規模が大きくなるほど、脅威も大きくなります。悪意のある者がモデルを解析し、不正、欠陥がある、または誤ったデータを挿入すれば、非常に個人的かつ深刻な形で、多数の人々に影響を及ぼす損害をもたらす可能性があります。
何があなたを楽観的にさせるのでしょうか？
私が関わっている組織は、人権問題における世界的リーダーを目指しています。その理念は「conscience first.」です。価値観に基づく目標を掲げたうえで、実現可能性、コスト、その他の関連するビジネス上の要因を検討しています。同社は自社の価値観を市場における差別化要因にしたいと考えており、そうした立場こそが私を楽観的にさせるのです。
Kia Javanmardian、シニア・パートナー
MLOpsがAIの導入において重要になりつつあるのはなぜですか？
私たちは「自動車工場」という比喩を使ってきましたが、これは十分に的を射ています。MLOpsとは、分析を拡大するために構築する工場のようなものです。大きな視点での概念がいくつかあります。
まず、R&Dやパイロットプロジェクトに費やしている支出の一部を、AIプロジェクトを大量生産し拡大できるインフラの構築へとシフトさせることが第一歩です。また、モデルが使用しているデータを監視する必要もあります。自動車の比喩に沿って言えば、ガソリンゲージやダッシュボードのようなものです。これにより、モデルに入出力されるデータの品質と、その性能レベルを追跡できます。
3つ目に、ドアハンドルに至るまですべての車をゼロから製作しているのであれば、一台一台の製作に膨大な時間とエネルギーを費やすことになります。
では、MLOpsはどこに当てはまるのでしょうか？
これは、標準的な部品やコードのライブラリを構築するという考え方に基づいています。データサイエンティストは、モデルを作成するだけでなく、かなりの時間をそれらを資産化する作業に費やすようになります。つまり、再利用可能なレゴのような部品へと変換するのです。
最後に、車を設計した人、つまり最高のエンジニアに、車の組み立てや保守を任せる必要はありません。代わりに、今日の時点で馬力を400から800へと引き上げるにはどうすればよいかに注力します。
MLOpsはどの程度普及していますか？
GoogleやAmazonのようなデジタルネイティブ企業は、製品開発のために何年も前からMLOpsを実践してきました。デジタルネイティブではない企業で、大規模に利用しているところはごくわずかです。
人々はこれを耳にしたとき、どのように感じるのでしょうか？
マネージャーは課題を理解していますが、解決策の多さに圧倒されることがあります。非常に技術的な内容であり、データ基盤、ガバナンス、リスク管理の実践、システムが関わります。また、組織変革、人材構成、役割の進化にも関わります。
圧倒されがちです。しかし、MLOpsを実践している企業は、同じ相対的なAI投資に対して桁違いに高いリターンを得ています。
