AIモデルとDX

数学とプログラミングの素養は必要か

　今回はAIとDXがどのように関わるか、総論的に解説していきます。まずは、今回の解説のベースとなる図を以下に提示します。

　本論に入る前に、まずは上図を基にAIについて概説します。

　DXの実務において、「AI」とはすなわちAIを活用したITシステム、言い換えれば「機械学習システム」を指すと考えて良いでしょう。機械学習システムとはすなわち、ITシステムの一種です。この点、追って詳述します。

　機械学習システムでデータを活用するためには、まず収集されたデータを「前処理」して、機械学習システムに組み込まれた「AIモデル」が学習・活用可能なデータへと変換します。

　ここで、本記事においてAIモデルとは、データを「学習」することで、特定のタスク処理における予測精度が向上する「予測モデル」を指す、と考えてください。

　予測モデルは、入力されたデータを基に「予測値」を算出する機能を果たします。また、この予測モデルによる「学習」というプロセスが、「データサイエンス」に包含されます。

　学習したAIモデルは機械学習システムに実装され、レコメンドや需要予測、異常検知など、さまざまなサービスを通じて価値を発揮します。そして、サービスが利用されると、利用結果がデータとしてフィードバックされ、新たなデータとして収集・蓄積されます。この新たに収集・蓄積されたデータが、AIモデルの精度を高める原動力となります。

　ここまで、概要をつかんでいただくために抽象的な説明が続きました。これから順を追って詳述していきたいのですが、その前に、AIに関する私の問題意識を述べたいと思います。

　図表1では、「データサイエンス」の部分をハイライトしていますが、これには理由があります。AIの活用でよく話題となるテーマとして、「AIを理解するために、数学やプログラミングの理解は必要か？」という“そもそも”の議論があります。読者の中には、昨今話題となりやすい「学び直し」のテーマとして、思い悩む方も少なくないのではないでしょうか。

　この件について結論から述べますと、数学とプログラミングの素養は「不可欠」であり、理解が深いほどDXのレベルもスピードも高まる、というのが私の立場です。拙著『DXの実務』（英治出版、2022年）では、AIについて数理的な考察を本編と付録の双方で提示していますが、その理由は、AIを活用した実務では数理的な理解が必須だからです。なお、拙著ではプログラミングに踏み込んだ解説は除いています。

　この点がよく表れている例として、詳細は伏せますが、私が過去に関与したプロジェクトを2つ紹介します。

　ある企業で、DXチームが、製造ラインにおける異常検知モデルを、画像認識を活用して実現しようとしていました。しかし、数カ月にわたる時間をPoCに費やしてもうまく画像処理がされず、取り組みが進みませんでした。そこに、フルスタックレベルのエンジニア1人が外部から参画し、問題点を検証しました。すると、画像処理の「ソースコード」に数理的観点から不整合が発見され、修正されました。画像処理は正常に作動し、1日もたたずに問題が解決されました。

　もう一つ、数理的な考察ではなく、プログラミング的な観点からの事例を挙げます。あるプロジェクトで、社内システムからデータを抽出しようとしても、APIの仕様に関するドキュメントに不備があり、データ取得が難航していました。そこに、学びに意欲的なコンサルタントが入り、ソースコードを読み込んで試行錯誤しました。その後、データ取得方法を理解し、自らの手でコードを書くなどして、データパイプラインの構築に成功しました。クライアント内では長期間、このデータ取得のステップで取り組みが進んでいなかったところが、わずか数日で上記が実現されました。

　上記2つの例は、経営としては当然看過できないことです。しかし、現在も至るところで類似した問題が頻発しているのが実態ではないでしょうか。

　部分的・局所的な対応だけでは目指す世界に届かないのがDXであり、その実現には、あらゆる知見を総動員して取り組むことが求められます。その知見の中には上記の例で示した通り、数理的・プログラミング的スキルが不可欠です。

　数学やプログラミングが分からなくても何とかならないものか、という意見や相談を受けることがしばしばあります。しかし、そのような甘い考えは通用しないどころか、競合企業やグローバル企業との差を広げるだけです。そのような“幻想”はすぐに捨て、組織への投資を直ちに実行すべきでしょう。

　一方、当然ながら数理的・プログラミング的考察だけではDXは実現できず、ビジネス的な考察も必須です。この様子をあえて数理的に言えば、DXでは解析的な「微分」のアプローチよりも、統合的な「積分」のアプローチが、一層重要ということになります。

　前置きが長くなりましたが、今回の本題へと進みます。

　冒頭の繰り返しですが、AIとは詰まるところ「ITシステムの一種」です。AIというと、何やらえたいの知れないもののようにみなされることがありますが、「取得したデータを基に、あらかじめ決められた実行パターンを出力して特定の要件を満たす」という一連の処理そのものは、ITシステムと何ら違いはありません。

　ただし、従来型のITシステムとAI（＝機械学習システム）では、決定的に異なる部分があります。それは、ITシステムが入力値として用いるデータの「生成方法」です。

　従来型のITシステムでは、既にデータベースに格納された情報や、新たに入力されたデータをそのまま、もしくは集計加工したデータを使って処理を行い、出力が決まるのが通常です。

　一方、機械学習システムでは、格納されたデータや新たに入力されたデータを用いてAIモデルが駆動し、「予測値」をデータとして生成します。この「予測値」を基に、何が出力されるかが決まります。

　さらに、このAIモデルは、継続的な学習によって予測値の精度が向上し続けるように駆動します。ITシステムでは、このようなプロセスは含まれません。

　誤解を恐れずあえて端的に言えば、この予測値の出し方をどのように科学するかが、「データサイエンス」の領域に包含されます。データサイエンスという領域そのものは、AIモデルを包含する「より広い領域」であることは言うまでもありません。

　機械学習システムはITシステムの一種であり、それは従来のITシステムの中にAIモデルが組み込まれたものだと、ここまでの解説で述べました。以上を踏まえて、再度、図表1を眺めてみましょう。

　ここまでの話を踏まえると、よく見かける「AIによって何ができるのか」という疑問に対して、考察の起点となる「糸口」が見えてくるのではないでしょうか。

　つまり、“人工知能”といっても、現状の技術で実現できるのは、あらかじめ「人間が」システムで定義した出力パターンの中から、算出された予測値に従って「ITシステムが」出力を出し分けているにすぎない、ということです。

　昨今では強化学習によってロボットの動きを最適化したり、深層学習モデル等を用いて画像そのものを生成したり、入力された文章の意図をくみ取ったソースコードを記述するといったAIが世間をにぎわせていますが、それらは膨大なデータを学習したAIが、あらかじめ定められた出力の枠組みに沿って処理を実行している点では共通しているのです。

　この点、AIそのものの分類として、「特化型AIと汎用型AI」、「弱いAIと強いAI」という観点が有名です。

　整理すると下図の通りですが、現在のAIは「特化型かつ弱いAI」が主流です。ただし、問題の定義の仕方にもよりますが、汎用型AIの萌芽とも呼べる技術動向が出てきていることは注視すべきでしょう。

　先ほど、「予測値」の算出がAIを特徴づけると解説しました。ここが、重要不可欠だと先述した、「数理的考察」が必須となるポイントです。詳細は専門書や拙著に譲るとして、ここでは要所に絞って解説します。