危機への対応には、数週間や数カ月ではなく数日で解決策が求められ、AIモデルと技術に対する新たなアプローチが必要となった。
アジャイルな手法と動的で回復力のあるモデルにより、今後の危機や課題に取り組むための新たなソリューションを確保できる。
COVID-19がAIに与えた影響は報道で広く取り上げられてきたが、AIがCOVID-19から受けた影響はあまり注目されてこなかった。過去5カ月間、AIの活用の在り方を形作ってきた主要な影響領域は3つあり、今後数カ月から数年にわたって、アドバンスト・アナリティクスとAIを引き続き変革していくだろう。
世界経済フォーラムは、新型コロナウイルスの流行に対して何を行っているのか。
意思決定の速さがアジャイルなデータサイエンスを促す
パンデミックの広がりは、まず中国と韓国で、次いで欧州と米国で起こったが、その速さは、ほとんどの政府、企業、市民の不意を突くものだった。この世界的な保健危機は経済危機へと発展し、数週間のうちにサプライチェーンの危機ともなった（トイレットペーパーとペーパータオルの需要だけでも、米国では3月8日週に600～750%増加した）。3月初めには世界の確認症例数が10万人未満だったが、7月には1,300万人以上に膨れ上がり、58万人以上が死亡している。
ビジネスリーダーには迅速な行動が求められており、この危機はアドバンスト・アナリティクスとAIに基づく手法が意思決定を強化する機会をもたらした。機械学習モデルは自然な支援手段となったが、機械学習モデルや高度な分析モデルの開発には通常4～8週間かかる。しかもこれはユースケースの範囲や、モデルの学習・検証・試験に必要なデータが明確になった後の期間である。モデル開発の前にユースケース評価を加え、モデル学習後に本番導入を行う場合、最初の構想から本番導入までに3～4カ月を要することになる。
「ビジネスリーダーには迅速な行動が求められており、この危機はアドバンスト・アナリティクスとAIに基づく手法が意思決定を強化する機会をもたらした。」
数週間や数カ月ではなく数日で解決策を出すためには、最小限の実用的なAIモデル（MVAIM）を、はるかに短い期間で開発しなければならなかった。アジャイルなデータサイエンスの手法を用いることで、PwCはこれらの期間を大幅に短縮することができた。1週間で、COVID-19の進行を示す、米国の50州すべてを対象としたSEIRD（感受性・曝露・感染・回復・死亡）モデルを構築した。その後、さらに1週間でこれを検証・試験し、導入した。この初期モデルの導入後は、米国のすべての郡へと対象を拡大し、モデルをより高度なものにした。
将来の不確実性がマルチエージェント・シミュレーションを促す
不確実性は、COVID-19下の生活のあらゆる側面、すなわち健康、行動、経済的影響にまで及び、アドバンスト・アナリティクスとAI技術の導入を加速させた。不確実性は恐怖、怒り、苛立ちといった感情的な反応を生み、そのような感情に駆られた行動が、特にパンデミックの初期において、合理的な意思決定や行動よりも優先された。
さまざまな次元にわたる不確実性により、計画や意思決定を評価する際の支配的な枠組みとしてシナリオ・プランニングが採用された。シナリオ分析は、疾病の進行、景気後退と回復（V字型、U字型、L字型、W字型の経済回復など）の評価や、拠点の開設、不測の事態への計画、需要の感知、サプライチェーンの混乱、人員計画に関する経営上の意思決定を行うための、主流となる枠組みとなった。定性的なシナリオ分析は企業activity においてかなり一般的であるが、さまざまな要因の因果関係を定量的に把握し、条件付きの行動計画を策定するためのAIに基づくシミュレーションの活用は、パンデミックによって表舞台に立つこととなった。
人間の行動（合理的・感情的の両方）のモデル化は、シナリオ分析の重要な側面となった。例えば、外出自粛命令の遵守は、感染拡大と経済活動の両方を抑制するための主要な行動要因の一つだった。その結果、エージェントベースのモデル化とシミュレーションが、シナリオ分析を実施するために用いられた主要なアドバンスト・アナリティクスおよびAI技術の一つとなった。米国内の各郵便番号地域で運転された走行マイル数を示す日次のモビリティデータは、外出自粛命令の効果を測る指標となった。同じデータを用い、パンデミックの進行に伴う米国の各地域における人々の移動行動をモデル化した。エージェントベースモデルは、パンデミック中の人間の行動における時間的・地理的に依存した変動を捉えるうえで、最良の手法の一つであった。
もう一つのよく知られたモデリング手法であるシステム・ダイナミクス・モデリングは、複数の意思決定領域（例：COVID-19の疾病進行、政府の介入、人々の行動、需要の感知、供給の混乱など）を統合するうえで極めて重要であった。エージェントベースのシミュレーションは、伝統的に、米国疾病対策センター（CDC）やその他の保健当局が疾病の進行や健康行動をモデル化するために用いてきた。両手法は、戦略的・業務的な経営上の意思決定を支援するため、多くの不確実なシナリオにおいて成功裏に用いられてきた。最近の例としては、次のようなものがある。
米国における、合成行動データを用いた、地域の人口集団ごとのCOVID-19のリスク傾向を推定するためのSEIRD（感受性・曝露・感染・回復・死亡）疾病進行モデル。PwCが構築したこのモデルは、パンデミックの初期において、入院数、ICUベースの需要、人工呼吸器の必要数を推定するうえで極めて有用であった。当初のMVAIM（最小限の実用的なAIモデル）は、その後、各郵便番号地域における人口の移動を考慮するように拡張された。米国の一部の州が入院のピークを過ぎると、我々は病院における非COVID-19の医療処置の需要を判断するため、病院向けのエージェントベースの需要シミュレーションモデルを構築した。需要モデルには、恐怖や不安を含む患者の潜在的な感情的行動と、既存の健康状態の緊急性・重症度を組み込んだ。需要を推定するためにこのような高度な行動モデリングが必要となった主な要因は、パンデミック中の人間の行動に関する不確実性であった。
統合された需要の感知、サプライチェーンの混乱、人員計画のシミュレーションモデル。我々のチームは、複数に分断された経営上の意思決定を単一システムの動的モデルにまとめた。これは、刻々と変化するパンデミックの速さと不確実性を考えると、極めて重要な要件であった。この初期のMVAIMは、その後、V字型、U字型、L字型、W字型といった複数のマクロ経済的回復シナリオを組み込むように拡張された。通常の非パンデミック時のシナリオでは、需要、生産（人員と機械設備を使用）、サプライチェーンは、局所的な意思決定のために独立した分断された領域として扱われる。しかし、パンデミック中は、これら3つすべてを一緒に、かつ毎日分析して、企業が需要、供給、人員に関する意思決定を全体的に行えるようにする必要があり、そのためシステム・ダイナミクス・モデルはこのような分析に理想的であった。
過去データの不足がモデルベースAIの台頭を促す
パンデミックという事象は稀であったため、世界規模で当該疾病に関する過去データはごくわずかしかなかった。その結果、近年普及しているディープラーニングのような、データを多用するモデルフリーのAI手法を支えるデータはほとんどなかった。
必然的に、（利用可能なデータを活用する）モデルベースのAIが再び注目を集めた。パンデミックが進行し、より多くのデータが利用可能になるにつれ、データを多用する手法とモデルフリーの手法を組み合わせることが可能となり、いくつかの主要なハイブリッド・ソリューションが生まれた。
疫学モデルには、過去の感染拡大から得られた疾病の進行に関する知識と経験が組み込まれていた。疾病に関するデータが日々新たに得られるにつれ、機械学習の手法が疫学モデルと組み合わされた。疫学モデルの過去データに基づく部分は実際のデータに合わせて較正され、その結果得られたモデルは将来のシナリオを予測するために用いられた。米国の州や郡レベルといった細かい単位での疾病データの日次更新により、シミュレーション結果と実際の結果を比較し、これらのモデルを改善する仕組みが提供された。
製造拠点の開設を検討している顧客のために、作業員の欠勤に関するデータがほとんどない中で、ハイブリッドの人員モデルを構築したところ、他のデータソース（例：業界内の欠勤傾向）や他のモデルからのデータ（例：SEIRDモデルを用いた、製造拠点が所在する郡の感染率と致死率）を用いて複数のシナリオを実行するモデルを構築することができた。
パンデミックは、多くの点で、我々のシステム、プロセス、ガバナンス、行動の不十分さを浮き彫りにした。一方で、データサイエンティストやAIサイエンティストにとっては、スピード、不確実性、データ不足が支配する厳しい環境の中で、ビジネスリーダーの意思決定を支援することにより、高度な技術やツールを活用する機会ももたらした。
要約すると、組織がこのパンデミックを乗り越え、パンデミック後に自らを変革していく中で、心に留めておく価値のある3つの重要な教訓がある。第一に、意思決定のスピード、緊急性、不確実性に対応するアジャイルなデータサイエンスの手法に注力すること。第二に、複数の領域（例：需要、生産、供給、財務）および人間の行動の相互関係を捉える、動的で回復力のあるモデル（例：システム・ダイナミクスやエージェントベースモデルを用いたシナリオベースのシミュレーション）を用いてビジネスを構築・管理すること。第三に、AIシステムを構築する際には、モデル中心のアプローチとデータ中心のアプローチを組み合わせ、両方の長所を活かすこと。これらのアプローチにより、既存の技術やプロセスを最大限に活用しながら、迅速に解決策を探し出すことができる。
