写真提供:マイナビニュース

写真拡大

●AIとビジネスの現状
UBICの行動情報科学研究所。2014年に設立した研究所では、同社のAI(人工知能)エンジン「KIBIT」をベースに数々のアプリケーションを生み出し、AI技術のビジネス活用を進めている。現在、研究とアプリケーション開発、クラウドインフラ、テクニカルサポート、戦略の5つのチームで構成しており、スタッフ数は65人だ。今回、AI技術に加え、同社における将来的なビジネスの方向性、研究所の戦略などについて、執行役員 CTO 行動情報科学研究所所長の武田秀樹氏に話を伺った。

--2014年に研究所を設立したメリットは?

武田氏:もちろん、研究のための人材は獲得しやすくなった。行動情報科学研究所の前身であるテクノロジー部は、元々アプリケーション製造を主目的として創設された部門だった。それが、技術的競争力の強化を追及した結果、クラウド構築、言語処理研究と、カバーする領域を増やしてきた。その成り立ちゆえに、アプリケーション製造と研究が近く、そこが我々の独自性となっている。これも結果的にはメリットになった。

--研究所で取り組んでいることは?

武田氏:機械学習と自然言語処理に関連する基礎研究および、各種ソフトウェア製品の開発を中心に取り組んでいる。実際に使えるAIの技術にこだわっているので、研究もアプリケーションとしての出口を意識しながら行っている。

○AIに過剰な期待を抱くのではなく、何を解決するのかを設計することが重要

--日本におけるAI技術は?

武田氏:これは日本のみの状況ではないが、実際のビジネスに役立つ所にまだまだ落としきれていないと感じている。昨年あたりから、AI技術をユーザー企業が積極的に活用していこうという動きが活発になっているが、データを機械学習で解析すれば、答えが自動的に導き出されると考えられているケースもあり、過剰な期待があるのではないか。実際の業務に適応するためには、何を課題として選ぶか、何を解決するのかを設計することが重要になる。

というのも、人工知能の研究を始めたという話はよく聞こえてくるが、具体的なビジネスの価値を生み出せたという話は、まだまだ耳にすることが少ない。Googleの「TensorFlow」をはじめ、ディープラーニングのフレームワークは増えてきている。また、AmazonやMicrosoftなど機会学習のさまざまなアルゴリズムをクラウド上でPaaSとして使える状況にはなってきている。つまりプラットフォームは選択肢が増えているが、これらは部品であり、オンプレミスにせよSaaSとして提供するにせよ、最終的にアプリケーションにしないと実務では使えない。

このような状況を見ていると、ビッグデータがバズワードだった2012年あたりのことを思い出さざるを得ない。ビッグデータの時は企業のビッグデータをビジネスに結び付け、バリューを出すのはデータサイエンティストの仕事とされていた。

しかし、実際にビッグデータを何らかのビジネスとして結果に結びつけられた企業は、一部の人材とデータに恵まれた企業のみであり、情報を蓄積、高速処理できるHadoopやSparkなどのIT技術の話題だけが先行してしまっていた。データサイエンティストがカバーする領域の一部が、現在はAIのタスクに置き変わっただけだとも感じられる。

同時に今日のAIがカバーしきれていない、そしてデータサイエンティストがカバーするはずだった領域、つまりAIを適応するビジネスドメインの業務知識やアントレプレナーシップといった要素の重要性はいささかも変わっていない。

--AIに対する過剰な期待とは?

武田氏:ビジネスとして成立させるためには費用対効果などを見極めていかなければならなく、われわれはAIの成長を可視化するサービスも提供している。また、経営者向けのセミナーで経営者はどのような観点からAIを見ればよいのか?と問われた際に、AIにすべてを任せて答えを求めるのではなく、活用法を考えるべきだと説いた。

われわれも過去に苦い経験があり、顧客の案件をPoC(Proof-of-Concept:概念実証)まで行い、分析したものをビジネスに役立てることを検討しようとした際、顧客はAI自体がビジネスに役立てることを提示してくれるのではないかと考えており、われわれの考え方と乖離があった。そのため、データを分析できたとしても結果をベースに判断・活用するのは人間であり、技術の限界を見極めつつ活用法をディレクションしていかなければならないと感じている。

●UBICの強みとビジネスの概況
--UBICとしての強みは?

武田氏:まず、アプリケーションとしての展開させる力を備えていることが挙げられる。行動情報科学研究所は「研究所」の位置付けだが、研究者に加え、アプリケーション開発、クラウド、運用を行う人材も意図的に配置しており、例えば研究開発の会議にエンジニアが参加するほか、その逆もあり、境界を無くした運営を行っている。中心メンバーは日常的に次のフェーズを理解し、考える人材を集めている。そのため、開発にはスピード感があり、平均的に半年間で研究から製品化までを行っている。

また、KIBITエンジンは少量のデータでも効率的な学習が可能だ。現在、機械学習のトレンドは大量のデータを使い、大きなモデルを作ることだが、裏を返せば大きなデータが必要となる。われわれは大量のデータを必須とせず、実用性が高い。また、抽象度が高く、やってみなければ分からないというAI技術の中でも、われわれは迅速に結果を出し、効率的だという評価を得られている。

--KIBITは暗黙知を活かすと聞くが?

武田氏:AIに、すべてを学ばせるよりも抽象化能力や特徴を識別する能力などは人間の方が高く、その中で経験やセンスがある人間の暗黙知、判断をAIが学んだ方が役に立つ場合もある。また、データ量が少ないと人間は高い判断力を維持できるが、100万件、1000万件のデータに対し、すべて同じ能力で判断することができないため、人間の暗黙知を学んだAIが判断を代替することが適している。

○BtoCとBtoBビジネスの状況

--2016年中に発売予定の「Kibiro」の登場により、今後はコンシューマにも注力していくようにも見られるがBtoCビジネスの状況は?

武田氏:Kibiroの布石として、レコメンデーションを提案してくれるデジタルキュレーション(情報やコンテンツを収集・整理し、新たな価値や意味を付与して提供すること)サービスがある。

現状では飲食店などを点数でおすすめしたり、探したりするレコメンデーションがあるが、同じ点数でも人によって、味であったり、店の雰囲気、値段といった評価基準にばらつきがあるため定量化はしやすいが、ズレを生じさせる側面がある。

また、協調フィルタリングのように、ある人の購買履歴でおすすめするタイプは、自分の購買傾向から次に欲しいものをレコメンデーションするため、人によっては欲しいものの傾向は当たるが、無難な選択で驚きは少ない。

しかし、レビューのコメントや店の情報など言葉の情報をダイレクトに解析するKIBITの方法は、人の価値観に合ったものを見つけられる。また、例えば普段は観ないようなジャンルの映画にも好きな要素を見つけ出すセレンディピティ(意外性があるものの発見)の可能性を備えており、人によって、より魅力的なおすすめが可能だ。。

Kibiroの場合、ロボットというインタフェースが持つ可能性、家庭や個人のコンテクストの中で、KIBITエンジンを使ってもらう演出方法として価値があると考えている。Kibiroの形やサイズ、容姿などがレコメンデーションそのものに価値をもたらすと考えている。

--BtoBビジネスは?

武田氏:従来から手がけている国際訴訟支援などのリーガル分野では、訴訟が起こってからではなく、予防的にAIを使って監査を行うことを勧めている。また、BI(ビジネスインテリジェンス)分野ではデータから何か有意な価値を引き出し、経営や営業に役立てるという使い方がある。例えばコールセンターなどに寄せられたVOC(Voice Of Customer:顧客の声)を分析し、商品企画に反映させる。

さらに営業記録を分析し、優秀なビジネスパーソンが持つ知見を営業チーム全体に広げ、どのような情報に価値があるのか、次回はどのようなアクションをすべきかなどを提示できれば営業力のボトムアップにつなげることも可能だ。CRMの活用は普及が進んでいるが、数字を追っているソリューションが多く、営業日報に記録されたものが分析されていないことが大半となっている。われわれのソリューションでは情報の見方た次のアクションも提案できる。

加えて、ヘルスケアの分野では現在、2つのプロジェクトに取り組んでおり、1つはNTT東日本関東病院との共同での転倒・転落防止プロジェクトで、製品化に向けて実験を進めている。次に、日本医療研究開発機構の採択を受け、慶応義塾大学などと共同でうつや認知症などの定量診断を行うソリューションを開発している。

BtoC、BtoBを含め、全体的にビジネスはよい感触を得ている。傾向として自社で保有しているデータやテクノロジーの活用を試行錯誤しているユーザーほど、われわれのAI技術を組み合わせた際に、ビジネスに使える仕組みまでたどり着くことが多い。

●これからのAIとは
--今後、AIをどのように活用していくべきなのか?

武田氏:実際に企業がAIを使おうと考えた時に各技術の特性を理解したうえで、目的に対し、技術の取捨選択と問題解決の落とし込みが必要となる。例えば、ディープラーニングは画像解析や音声認識に優れているが、ほかの分野ではどうなのだろうかということを考えなければいけない。

また、AIは具体的なマーケティングや医療業務などの知識や社会知、欲望、判断力をあらかじめ備えているわけではないため、どのようなデータを使い、何を解決したいのかということを明確化する必要がある。

○行動情報科学研究所の未来像

--今まで一番苦労したことは?

武田氏:自然言語処理と機械学習よる解決のアプローチに取り組んでいるが、アプローチの仕方にそれぞれ違いがあり、片方だけを用いるのは難しく、両方の要素をバランス良く使うことが大事だ。どのように、どこまで使うのかは日々トライ&エラーを繰り返しながら実践している。自然言語処理に頼りすぎた場合、実務では使えないということになることもあるが、そこに機械学習の要素を組み込むことで実用的になることもあるため、常にチャレンジしている。

また、顧客からの要望が多かったものを「Lit i View PATENT EXPLORER」や「Lit i View AI助太刀侍」として製品化してきたが、AIの使い方や要望が過程が定まらない時は、どのようにまとめるか、ビジネスとして成立するかという苦労があった。しかし、顧客の要望のパターンに気づき、取りまとめてビジネスにつなげていった。

--将来的な研究所の見通し、戦略は?

武田氏:BtoCの領域では、理由を提示できるエンジンを提供したいと考えている。基本的にAIは相関関係で答えを得るため、情報を発見・提示した時の理由が大事なのではないか。例えば「こういう観点でこれをおすすめしました!」ということが提示できれば、そこにコミュニケーションが発生する。

コミュニケーションが発生すれば、購入するかしないかの決断を醸成できるようになり、人は面白みを感じる。決断することに対し、よりピュアで人間として豊かな気持ちになるのではないかと考えている。理由を提示する機構をKIBITに備えることで、決断するプロセスを洗練させていきたい。

一方、BtoBの領域についてはプリスクリプティブ(処方箋)な解析を進め、何か分かったというだけではなく、そこからどうするのかというビジネスに役立つ解決策を提示できるシステムを詰めていきたい。例えば、転倒・転落防止システムの場合、転倒・転落のリスクが分かることだけでなく、防止しなければならない。防止する方法は何があるのかという落とし込みの部分が重要になる。そのため、ナレッジベースや実際の業務をモデリングしていくことが重要となり、ナレッジベースの充実と行動のモデリングに取り組んでいく。

そして、AIのベースを向上させるために教師なし学習の要素を増やしたい。自動的に新しい知見を増やしていく技術や、辞書を使わずに同義語を自動的に収集する機能を充実させたいと考えている。また、要約のテクノロジーや、機械学習の精度を向上させるため、自動的に適応する情報の範囲、例えば文章全体やセンテンスをコントロールできる技術などに取り組む。

--常にKIBITは進化していく?

武田氏:KIBITが備える能力を高めていくとともに、できることを増やしている。例えば文章をKIBITに与えると要約されたものを提示したり、文章の作成や話しかけた時に返答したりするなど、コミュニケーション自体ができるようにKIBITの技術の枠を広げていきたいと考えている。

(岩井 健太)