「AI活用パターン」で考えるDX成功のポイント

DX・AI活用の成功事例がほぼ毎日発表される昨今、
「自社でも取り入れたい」と感じる機会が増えてきたのではないでしょうか？

しかし２つの理由から、他社事例を取り入れるには難しさを伴います。

ーーーーー
■理由１：事例を単純に真似しても自社ビジネスにフィットしない
成功パターンの背景には数ヶ月〜数年の試行錯誤が隠れており、
他社事例を自社ビジネスにフィットさせる工夫が必要です。

■理由２：事例を読み解くための前提知識が不足している
単純にAI・データ活用と言っても様々なテクノロジーが存在しており、
事例から「どうやって導入したのか？」まで理解するのは知識量が必要です。

ーーーーー

そこで本記事では、DXコンサルタントの着眼点を「３つの軸」に分解して
AI成功事例の分析ノウハウを解説しようと思います。

まず結論からお伝えすると、
AI活用は「３つの軸」で分解すると良いです。

1. AIに学習させるデータの種類（CSVデータ、画像データ など）
2. AIに任せるタスク（数値予測、画像の識別 など）
3. AIシステムの運用フロー（人とAIの役割分担）

よく使うデータは「CSV, 画像, 自然言語」の３つ

まず１つ目の着眼点は「データの種類」です。
データの種類で開発できるAIが変わるので最重要な基礎です。

大きくは構造化データ・非構造化データに分ける事ができ、
その中でも頻繁に活用されるのが「CSV、画像、自然言語」です。

1. 構造化データ：エクセルのように縦横の表形式で整ったデータ
   ⇒ CSVデータ、データベース内のデータ
2. 非構造化データ：規則性がないデータ（=縦横の表形式ではない）
   ⇒ 画像データ、自然言語データ

構造化データの特徴（CSVなど）

CSVデータに代表される構造化データについては、
さらに細分化して「時系列データ・非時系列データ」に分ける事ができます。

1. 時系列データ：１秒毎/１時間毎など、連続して計測したデータ（センサー、売上など）
2. 非時系列データ：ある時点の情報を切り取ったデータ（顧客データなど）

それぞれAI活用する目的が異なります。

例えば時系列データは、センサーデータから機械の故障時期を予測したり、
数日後の売上金額を予測するなど、「将来を予測する」ために活用するケースが多いです。

また、非時系列データは「顧客はこの商品を欲しがっているか？」など、
「今時点の状態を予測する」ために活用するケースが多いです。

非構造化データの特長（画像、自然言語など）

続いて非構造化データについても扱っていきます。
まずは「構造化データ以外」のデータと覚えると良いです。

現在、AI活用されているデータの種類としては
大きく２種類（細かくは４種類）あります。

■画像データ：「人の目」を代替するAI活用

1. 静止画
2. 動画（動画は画像データの集まり）

■自然言語データ：「人の耳・口」を代替するAI活用

1. テキスト（文章）
2. 音声（人の声）

タスクは「予測、認識/識別、判断/生成」で切り分ける

続いて「AIに任せるタスク」を扱っていきます。
大きくは３つに分ける事ができます。

■予測：

1. 機械が壊れるタイミングは？
2. 数日後の売上は？

■認識/識別：

1. マスクの着用/身着用
2. 写真に映った人物は誰か？

■判断/生成：

1. 自動翻訳（英語 ⇄ 日本語　など）
2. 人と人の相性（マッチングアプリ）

他にも頻繁に目にする事例として、
「AIが芸術作品を作った」「AIが自動運転をアシスト」など報道されますが、
あくまで数年後の実用化を目指すテーマなのでビジネス活用には向きません。

ここまでの内容を総括すると、
AI成功事例からたった２つの情報を読み解くだけで全容が理解できます。

１）AIに学習させるデータの種類
２）AIに任せるタスク

予測AIによくある開発テーマ

予測AIに多いパターンとしては、
構造化データ（時系列データ、非時系列データ）を活用するケースが多いです。

背景として、予測AIは「人の行動（商品の購入, 退職の兆候 など）」を扱うので、
規則性が少ない非構造化データでは情報を分析し切れない事情です。

認識/識別AIによくある開発テーマ

認識/識別AIに関しては圧倒的に画像データの活用が多く、
特に医療・製造業など「人の目視が多い仕事」を効率化するケースが多いです。

判断/生成AIによくある開発テーマ

判断/生成AIに関しては自然言語に関するテーマが発展しており、
特に「テキスト情報（文章）」を扱ったAI活用が伸びています。

1. 自動翻訳
2. 書類チェック（契約書, 請求書）
3. 文章の要約
4. チャットボット　　など

ここまでの内容で、
「AI活用パターン = データの種類 × 任せるタスク」が理解できると
成功事例に使われているテクノロジーの詳細を把握できます。

最後のポイント３では、AIをどうやって自社導入するのか？
ここを考えるために「人とAIの分業パターン（運用フロー）」について解説します。

分業パターンによって「運用フロー」が決まる

AIを活用した運用フローの構築には大きく３種類あり、
選択するパターンによって導入プロセスが異なります。

1. AIが人をサポート：契約書レビューなど、人の仕事をAIで効率化する
2. AIが人の能力を拡張：人では不可能な作業（膨大なデータ収集など）を任せる
3. 人がAIをサポート：基本はAIに任せて、AIに自信がない部分を人にパスする

なお、現時点では「完全に自律したAI」は存在しないので、
AI活用の成功事例は上記３パターンですべて説明が可能です。

では、それぞれ事例を参照しながら
どういった運用フローが構築できるのか見ていきましょう。

分業パターン１：AIが人をサポート

まず「AIが人をサポート」するパターンのポイントは以下です。

人だけでも成立している業務のうち、
非効率かつ、時間のかかっているボトルネック作業をAIに任せる。

つまり、「単純でルールの決まった作業」を自動化する事になります。

1. 大量の入力作業がなくなる
2. 大量のデータに埋もれた異常パターンを発見　　　など

分業パターン２：AIが人の能力を拡張

続いて「AIが人の能力を拡張」するパターンのポイントは以下です。

そもそも「人では不可能だった作業」をAIに任せて、
新しい業務領域を拡張できる

代表例として２つのパターンがあります。

1. 膨大なデータの収集：駅などの通行量、来店者の行動データ
2. 物理的に難しい作業：危険な場所, 狭い場所, 遠い場所での作業

分業パターン３：人がAIをサポート

最後、「人がAIをサポート」するパターンのポイントは以下です。

基本はAIに任せて自動化して、
AIが判断に迷うイレギュラーな部分を人にパスする

これは「大部分が同じパターンだけど一部の例外が難しい仕事」で有効です。

1. 製品の不良判定：全て同じ形状をしており、キズに一定の法則がある
2. AIチャットボット：大部分の質問は「よくある質問」として事前に用意できる

つまり、大量の作業を「まずAIが一次対応」して、
パターンに当てはまらない「判断に迷うイレギュラー」を人にパスする運用フローです。

AI活用には多くの前提知識が必要となりますが、
ご紹介した３つの軸「データの種類、任せるタスク、分業パターン」で見ていくと
とても効率的にデジタル戦略を考える事が可能になってきます。

1. AIに学習させるデータの種類（CSVデータ、画像データ など）
2. AIに任せるタスク（数値予測、画像の識別 など）
3. AIシステムの運用フロー（人とAIの役割分担）

最後になりますが、DX推進では今までシステム開発に関わってこなかった
ビジネス現場のリーダなどが企画を担当するケースが多いです。

そのため「勘と経験」が不足して進め方がわからないのは仕方ない事だと思います。
この記事が、そういった方々のお役に立つことを願っています。

以上、最後までお読みいただき誠にありがとうございました。