AIや自動化が雇用を創出するのか、消滅させるのか、あるいは変化させるのか、そしてどの程度なのかは、終わりのない議論の中心的な問いである。2013年、オックスフォード大学の研究者であるカール・ベネディクト・フレイとマイケル・オズボーンは、「The Future of Employment: How Susceptible Are Jobs to Computerization?」と題する研究を発表し、2030年半ばまでに米国の雇用の47%が高リスクにさらされると推定した。
昨年、世界経済フォーラム（WEF）は、The Future of Jobs 2018 報告書を発表し、アルゴリズムやインテリジェントマシンが2022年までに世界で1億3,300万の新たな職務を創出する一方、約7,500万の職務を代替すると見込まれると述べました。差し引きの純増は5,800万の雇用となります。
具体的な数字や割合がどうであれ、上記のすべての報告書、ニュース、ソーシャルメディアに共通する根底的なメッセージは、自動化と人工知能によって低スキルの仕事は消え、専門性の高い知識を持つ労働者が優遇されるというものである。どうやら我々は、未熟練労働の衰退と、ソフトウェアエンジニア、データサイエンティスト、デジタルコミュニケーター、オンライン専門家の台頭に直面しているようだ。
本当にそうなのだろうか。自動化とAIが、反復的で予測可能な認知的・身体的タスクを正確に代替できる範囲（そしてその利点）を持っていることは確かに事実である。しかし、人工知能と機械学習には、ほとんど議論されず、大多数の人々がその存在にすら気づいていない隠れた側面がある。それが、データの新たな組立ラインである。
静かにAIを築く大軍
「データは新たな石油である」という言葉は、今や馴染み深い標語となっている。そして確かにデータは、特にAIにとって、ますます価値の高まる新たな商品である。ほとんどの機械学習アルゴリズムは、通常膨大なデータセットで学習させる必要がある。これは、今日のML技術の大半が「教師あり学習」と呼ばれるものの範疇に入るためである。コンピュータは最終的に「推論」や「判断」を行えるようになるが、それはそれぞれの「解答」を伴う十分な数の例を示された後にのみ可能となる。ニューラルネットワークに車の画像を何千枚も与え、そのたびにアルゴリズムに「ほら、これは車だ！」と指定することで、車の写真を認識するよう教えることができる。与える車の写真が多ければ多いほど、より正確に認識できるようになる。
さて、この学習データには、誰かによる注釈、つまり人間による作業が必要です。私は最近、特にコンピュータビジョン、LiDAR、画像アノテーションに関する記事を執筆しました。その中で、概念、プロセス、さまざまなラベリング手法を解説しています。要するに、その画像に実際に車があること、場合によってはその位置、何をしているか、ライトが点灯しているかどうかなどを指定する人がいるのです。
人間は、ニューラルネットワークに与えられるほぼすべての画像、すべてのテキストの行、すべてのデータを、確認・検証する形で関与している。規模感をつかんでいただくために、自動運転車だけを考えてみると、車両は運転8時間ごとに40テラバイトのデータを生成するとIntelは述べています（Intelによる）。Waymoは多くの自動運転車企業の一つにすぎませんが、最近米国の公道で1,600万キロメートルを走行したと主張しています。計算してみると、膨大な量のデータになることがわかります。
これらすべてが、何千、何万時間にも及ぶ人間の作業に換算されます。また、ラベリング作業は、自動運転車や自律ロボットだけの特権ではありません。機械学習はあらゆるところに存在し、それゆえアノテーションもあらゆるところにあります。医療分野でも同様です。パターン認識ソフトウェアは、放射線医学、病理学、循環器学、腫瘍学、さらには精神医学でも使用されています。画像ファイル、CT、MR、心電図などを含む大規模なデータセットにもまた、人間が関与して、腫瘍細胞に目印を付け、外れ値の周囲に多角形を描き、病理学的な信号を強調する必要があります。そして、リストはまだ続きます。複数の業界や用途にわたる、他の画像、テキスト、音声認識の例も含まれます。
組立ライン2.0
しかし、これはいつ、どのように、どこで行われるのでしょうか。人間がアノテーションの過程を進めるために利用するソフトウェアツールを開発する企業は様々に存在します。中には社内の従業員を抱える企業もあれば、実際の手作業によるラベリングを外部委託する企業もあります。いずれの場合も、これらのアノテーターのチームは、ほぼ常に人件費の安い国、すなわちインド、中国、またはアフリカの各地域に所在しています。非常に大規模なチームの話をしており、その規模は数千人単位です。一部の企業は、世界中で100万人を超えるアノテーターのプールから、昼夜交代制で作業する50,000人以上を抱えています。
基本的に、工場や製造施設がよりスマートになり、かつて人間の労働者が担っていた手作業をロボットが担うようになる一方で、データアノテーション工場は人工知能時代の新たな組立ライン2.0なのである。これらの新しい仕事は、この革命を支える機械学習アルゴリズムがなければ存在しなかっただろう。データのラベリングは、組立ラインの認知的な等価物と考えることができる。そこでは、労働者は消耗の激しい身体的負荷の大きい作業に苦しむことはなく、代わりに認知的な作業に従事する。確かに、依然としてかなり反復的な業務ではあるが、それは椅子に座って、潜在的に危険な機械から離れた場所で行われる。
データアノテーターは容易な仕事ではない。訓練と細部への細心の注意が求められる。画像内の物体の周りに非常に正確な多角形を描いたり、マウスとキーボードを使って目印を正確に指定したりする必要がある。そして極めて高い精度でそれを行わなければならない。注釈付きデータの品質は、機械学習アルゴリズムの成功にとって不可欠である。さらに、自動運転車などの多くの業界では、不適切な学習データが生死を分けることもある。データに注釈を付ける作業は時間がかかるが、機械に振る舞い方、意思決定の仕方、結果の予測方法を教えるために必要不可欠な作業である。
作業の量と特性を考えると、データアノテーションは、低スキル労働者、発展途上国に住む人々、あるいは仕事へのアクセスにより困難を抱える人々にとって、大きな機会を表している。
Deepen AIは、例えば、データアノテーション事業を営む組織であり、lifelong.aiという非営利組織を立ち上げました。これは、難民が仕事にアクセスし、経済的・社会的状況を改善する新たなスキルを学べるよう支援する組織です。Lifelongは、ヨルダンのシリア難民をデータアノテーターとして訓練し、AI市場におけるリモートの機会と結びつけています。また、無料の英語、ウェブ、モバイル開発のコースも提供しています。
さらに、Deepenは、ラベラーからチームリーダー、ソフトウェアQA、プログラムマネージャー、人事へとキャリアアップできる明確な道筋を用意するとともに、従業員に最低賃金を上回る給与を支払うことを約束しています。この取り組みのおかげで、インドにいるDeepenの従業員の多くが、結婚し、家族を持ち、成長し、コミュニティを豊かにする機会を得てきました。
AIが修士や博士号取得者だけに機会を生み出しているわけではないことは、もはや明らかであるはずです。この活況を呈する技術は、実際に予測しがたい形で低スキル労働者のための新たな職種を生み出しつつあります。
データアノテーションの暗部
企業には、そのようなビジネスを運営する責任があり、コミュニティに力を与え、従業員が低スキルの仕事に留め置かれることなく、知識と技能を伸ばせるようにしなければなりません。しかし、低スキル機会のこの状況の中には、暗い側面もあります。過度な価格競争で市場を攻略し、より高い利益率を得ようとして、一部のラベリング企業はアノテーターの給与を極端に低く抑えています。その額は時給1ドル程度、あるいはそれ以下にまで下がることもあり、これは最低賃金すら下回ります。この事業手法を採用する組織は、基本的にデジタル時代の新たな奴隷制を後押ししているのです。
注釈付きデータへの需要は非常に大きいため、短期的には、このアプローチは採用する企業にとって金銭的に非常に実入りの多いものになり得ます。しかし長期的には、そのような行為は従業員の高い離職率、成果物の質の低下、そしてコミュニティへの悪影響をもたらすでしょう。こうした企業は、労働者を搾取し、非倫理的に事業を行うことで社会規範を損なっているだけでなく、この不公正な行為は業界全体にとっても有害です。AIは、社会的、倫理的、道徳的な懸念を数多く抱える論争的な技術です。データアノテーターにばかげた給与を支払うという汚い行為は、確実にこの分野に暗い影を落とし、技術への信頼を損ない、最終的には、そこから生まれる多くの恩恵を社会が享受することを妨げたり、遅らせたりする可能性があります。
要するに、自動化とAIの出現は数百万の仕事を消滅させる一方で、数百万の仕事を生み出しています。AIによって生み出される仕事のすべてが高度なスキルと知識を持つ労働者向けであるとは限らず、低スキル者にとっての新たな機会も多く存在します。これらが生み出される速度は、他の低スキルの職種が消えていく速度と一致しないかもしれませんが、AIはまだ揺籃期にあります。おそらく、データの利用可能性と注釈付きデータセットへのアクセスの必要性は、今後数年で指数関数的に増加し、つまり、世界中でデータアノテーターへの急激な需要増加が見込まれることを意味します。
信頼できる予測を立てることは非常に困難です。おそらく、我々にできる最善のことは、アルゴリズムと同様に行動すること、すなわち今日の事実を見て、それに基づいて何らかの推論を行うことでしょう。自動運転車に限って言えば、今日我々が知っているのは、安全で完全な自律走行車からは、さらに何百万、いや何十億マイルもの走行距離が隔てられているということです……それは、かなりの数のデータアノテーターを当面忙しくさせておくのに十分です。
