このページをシェアする

  • twitter
  • facebook
  • line
  • line

昨今、ディープラーニング(深層学習)を始めとするAI技術が目覚ましい発展を見せており、あらゆる産業に変革をもたらす革新的なテクノロジーとして世界的な注目を集めています。博報堂DYホールディングスは、グループ内の情報や人材を集約し、AI技術を活用した新規ビジネス開発を推進する「AIビジネス・クリエイションセンター」を新設しました。当組織ではこれらの動きや情報を集約するとともに、マーケティング、メディア・コンテンツ領域において、AIを活用したビジネス開発を積極的に推進していきます。
今回の対談ではセンターに所属する松居と相澤が、AI技術をビジネス活用する際に重要となるAI技術の基本知識と留意しておきたいチェックポイントについて語ります。

「AIについて説明して」って言われたら

松居:
「AI」という言葉を目にしない日はないくらい、ブームというか、「AI技術」はビジネスの世界においても話題の中心になっています。でも、ふと「AIについて説明してみて」と言われると、「えっと、、、人の代わりをやってくれるんでしょ。」という風に答えに詰まる方も多いのではないでしょうか。僕もその一人でした。
今回の記事では、ビジネスにおいて「AI」について語るときに、エンジニアでなくてもこれぐらいは知っておいたほうがいいこと、気を付けたほうがいいポイントなどを整理できればと思います。

相澤:
AIビジネス・クリエイション・センター(※)の活動を通じて、「AI」について質問を受ける機会が増えています。その中で、「ここが引っかかるポイントだな」とか、「ここが分かれば話がスムーズになるな」という点を感じているので、その辺りをお話しできればと思います。

松居:
早速ですが、その「引っかかるポイント」を聞かせて貰っていいですか。

「AI」という言葉は広いので、その言葉だけでは何も説明していない

相澤:
そもそもですが、「AI」というのは概念の話なので、ビジネスの話の中でも「AIという言葉は何も説明していない」と思ったほうがいいです。現時点のAI技術で出来ることは思った以上に限られてくるので、なおさらです。

松居:
なるほど。「AI」という言葉は広いので、領域については示しているけれど、具体的な中身については何も示していないということですね。我々でいうと「広告」とかと同じ粒度だと考えれば、確かに、いきなり「広告やりたいです」とだけ言われても、何がやりたいのかはさっぱり分からないですよね。

相澤:
なるべく「AI」という言葉を使わずに、具体的な技術は何なのかを意識しながら考えたり話したりするようにすると、自然とビジネスの具体度も上がってくると思います。

松居:
でも、具体的な技術だと種類がたくさんありそうで、非エンジニアにはすぐお手上げになりそうです。

AI技術の歴史と「ルールベース」「機械学習」「深層学習」

相澤:
はい、そうですよね。細かな技術について理解するのは難しいと思うので、最低限このあたりを覚えておいたほうがいいかなというキーワードを、歴史とともに3つ上げてみます。それは、「ルールベース」「機械学習」「深層学習」の3つです。

AIブームの歴史

AIは今、60年を超える研究の歴史の中で3回目のブームを迎えているといわれています。第2次ブームまでは「ルールベース」と呼ばれる、人間が予めルールや知識を全て用意して、それらに基いて機械が判断をするシステムが中心でした。それに対して第3次ブームは「機械学習」と呼ばれる、機械が自らデータから知識を得る技術が中心となっています。特に、機械学習技術の先端研究領域である「深層学習」がAI技術の中で鍵となる技術となっていて、この深層学習の進歩により研究が一気に進んでいます。

松居:
「深層学習」で画像の猫が認識できるようになったり、囲碁でプロ棋士に勝ったりということが話題にもなりました。とすると、最新の「深層学習」が出てきたので、昔の技術である「ルールベース」などはもう廃れていくということなんでしょうか?

相澤:
そこが、ポイントの1つだと思います。新しい技術が出てくると、すべて新しいものに置き換わるイメージが湧くかもしれませんが、「ルールベース」「機械学習」「深層学習」といった技術は、使い方や、できること、使うために必要なものなどもそれぞれ異なります。なので、技術の古い新しいだけでなく、やりたいことに対してどのAI技術が適しているかをチョイスすることが大切になります。今回のAIブームの火付け役は深層学習で、深層学習の進化が今後のAI技術活用の可能性を広げていくことは間違いないと思いますが、実際のサービスの中に実装され使われているという点では、ルールベースのものも多いです。

松居:
古い新しいという軸だけでは考えるのではなく、「何ができるのか」、「何がしたいのか」で考えるということですね。言われると当たり前なことのような気がしますが、AI技術についてはそういう観点を持ててなかった気もするので、ここも確かにポイントになりますね。

では、「何ができるのか」、「何がしたいのか」を考えていくためには、何をポイントにしていけばいいのでしょうか?

「インプット」「解析方法」「アウトプット」の3分割で考える

相澤:
AI技術の活用について考える際には、具体の使い道である「用途」だけに着目するのではなく、「インプット」「解析方法」「アウトプット」という3つに分割して考えると自然と必要なものが見えてくるので、そのように整理することをおすすめしています。

下の図は、AIビジネス・クリエイション・センターで整理した図です。

AI技術を構成する要素

先ほど、これだけは覚えておきましょうといった「ルールベース」「機械学習」「深層学習」といったAI技術は「解析方法」に当たります。当たり前ですが、「解析方法」だけあっても何もできません。解析対象となるインプットするデータと、解析して何をアウトプットとするのかを明確にする必要があります。

松居:
AI技術が使われるものを理解するときには、「インプットが何か」、「解析方法が何か」、「アウトプットが何か」の3つそれぞれを把握することで理解できるようになるということですね。例えば、購買情報である「ID-POS」データをインプットデータとして活用して、解析方法として機械学習の「統計的学習」を用いて季節変動などを加味し、アウトプットとして売り上げ「予測」データを出力させて、販促計画立案を用途とするということですね。

このステップ図を見ていると、AI技術の活用について考える場合、この図の右側から考えるか、左側から考えるかの両方があることに気が付きます。
右側から考えると、実現したい用途がある場合は、そのために必要なインプットデータが何かと、最も有効な解析方法が何かを考える。逆に、左側から考えると、優良で大量のデータを持っている場合、何かしらの解析方法を用いることで、今までにないアウトプットを生み出せる可能性があるかを考えることになります。
発想する際にも、ディスカッションで意識合わせをする際にも、このステップ図を意識すると良さそうな気がしました。

相澤:
まさに、そのように使ってもらえればと思います。
今日の最後に、少し技術的な話題に触れて締めくくりたいと思います。

解決手法の分類

各解析方法の概要です。どの解析方法が何を行っていて、どういう使い方ができるかのイメージをつかんでいただければと思います。
まず、最も単純な「ルールベース」です。事前に人間が「◯◯なら☓☓(If〜then〜)」といったルールや知識を大量にプログラムに記述しておくことで、コンピュータがそれらの知識を組み合わせて推論出来るようにします。例えば、「熱が38度以上ある」「体中が痛む」「今は冬だ」といった条件を患者が入力すると、「インフルエンザである」と診断を下すようなシステムを指します。こうしたシステムは今でもカスタマーサポートのためのチャットボットなどに使われています。こういったルールベースのシステムは、皆さんもチャットボットを使ったことがあれば分かると思いますが、ちょっとでも想定外のことを問いかけると全然答えてくれません。このように、ルールベースのAI技術は、人間の持っている知識や、想定される状況を網羅的にプログラムに落とすのは不可能なため特定の限られた用途にしか使えない一方、事前に用意されたルールに従って判断するだけのため制御がしやすいという特徴があります。

次に機械学習です。機械学習はその名前の通り、機械(=コンピュータ)が自分でデータからルールや法則を学んで知的活動を出来るようにさせる技術のことです。この「知的活動」という部分が誤解する原因となると思うので正確に言うと、「物事を数式に表して、その数式が出力する値によってコンピュータに何かをさせる」ということです。
機械学習はその「何をどうやって数式化するか」によって「浅い機械学習」「深層学習」「深層強化学習」の3つに分けられるので順に説明します。

まず、浅い機械学習(統計的学習)ですが、身近な例でいうとAmazonや楽天市場での商品レコメンドが最もイメージしやすいでしょうか。「この商品を買った人は他にこんな商品も買っています」と関連商品がリストアップされる機能です。あれは、誰が何を買ったかのデータを沢山読み込ませて、あるユーザが次に買う可能性が高い商品を購買傾向が似ている他のユーザの購買履歴から計算する技術によって実装されています。こういった技術は後述する深層学習と比べると少ないデータでもある程度の精度が出る反面、複雑な事象を学習することが出来ないのが特徴です。

次に深層学習についてです。詳しい学習の仕組みは少し複雑になるのでここでは説明しませんが、とにかく大量のデータを入力すればそこから機械が自動的に特徴を発見して数式表現を獲得してくれるということが大きなポイントです。例えば、犬の犬種をラベル付けした画像を大量に読み込ませると、犬種ごとの特徴を人間が教えなくとも自動で犬種を識別出来るようになります。浅い機械学習の手法では、「尻尾の長さ」や「足の長さ」などの”犬種を見分けるポイント”を事前に人間が設定してあげる必要があります。
このように、人間が特徴を明示的に表現できない画像や音声のような複雑なものを学習させることが出来ることが特徴です。

そして最後は聞き馴染みのない方も多いと思いますが、深層強化学習についてです。深層強化学習の最も有名な実装例でいえば、世界最強と言われたプロ棋士に勝利したコンピュータ囲碁プログラムの「AlphaGo」でしょう。深層強化学習の特徴としては、人間が与える正解のデータを頼りにすることなく、コンピュータが自ら試行錯誤によって学習を進めることが出来るという点です。人間が正解データを与えないということは、人間を超える能力を獲得する可能性があるということです。こう言うと、深層強化学習が最強の学習手法のように聞こえてしまいますが、そういう訳ではありません。膨大な組み合わせを試していく必要があるのでかなりの時間と計算リソースが必要になる上、学習した結果を予想できない、そもそも最適解になっているのかどうか人間から見て判断出来ない、というように取扱いが非常に難しいのです。

以上のように、ひとえにAI技術といっても全く異なる技術となっており、それぞれ扱う問題の向き不向きがあるので、場面場面で使い分けたり、組み合わせたりしていくことが重要です。先程のAlphaGoの例でいえば、いきなり強化学習アルゴリズムで学習させるのではなく、まずはじめに人間の対局データからある程度の「定石」を学ばせてから、その次にAlphaGo同士を対局させて強化学習させていく、という組み合わせの手法をつかっています。

松居:
ビジネスで使っていくとなると制御がしやすいルールベースや浅い機械学習が使いやすいけれど、それだけで解決出来る問題も限られるから深層学習も上手く組み合わせて使っていかなければならない気がしますね。

相澤:
そうですね。
ポイントを振り返りたいと思います。
・「AI」について話すときは、AIの中の何の技術の話をしているのかを意識して話す。
・主な技術の塊としては、「ルールベース」「機械学習」「深層学習」。
・各技術で使い方、できること、使うために必要なものがそれぞれ違うことを意識する。
・「用途」を「インプット」「解析方法」「アウトプット」の3分割で考える。

以上です。

プロフィール

相澤 辰弥(あいざわ たつや)
博報堂DYホールディングス
マーケティング・テクノロジー・センター
開発1グループ 研究員

2012年博報堂入社。インターネット広告をはじめ企業のデジタルマーケティングにおけるソリューション開発に従事したのち、2017年7月より現職。AIビジネス・クリエイションセンターに所属し、AI技術の研究を行っている。

松居 達也(まつい たつや)
博報堂
デジタルビジネス推進局 デジタルプロデュースグループ

2007年博報堂入社。営業職として、飲料、化粧品メーカーのアカウントを主に担当。博報堂全社のデジタル・データマーケティング業務を推進・プロデュースする立場として、2015年より現職。AIビジネス・クリエイションセンター所属。

この記事に関する お問い合わせはこちら

このページをシェアする

  • twitter
  • facebook
  • line
  • line

関連記事

2018.11.15

記事・コラム

データ・クリエイティブ 対談 第3弾 【前編】 ゲスト:久保田晃弘先生

  • 多摩美術大学 教授
    久保田 晃弘
  • 博報堂DYメディア パートナーズ
    篠田 裕之

2018.10.29

記事・コラム

企業のイノベーションには 外部の視点が必要だ  アドテック東京レポート

  • 博報堂DYメディア パートナーズ
    三神 正樹
  • アメリカン・ エキスプレス
    友松 重之
  • Upfront  Ventures
    ウェス・ニコルス

2018.10.26

記事・コラム

メディア環境研究所 イノベーションサロン Vol.1 レポート

  • 博報堂DYメディア パートナーズ
    加藤 薫
  • DAC ホールディングス
    永松 範之
  • DAC ホールディングス
    原田 俊

閉じる