キャディ株式会社 Tech Lead
河合 俊典（ばんくし）さん（@vaaaaanquish）

Sansan、ヤフー、エムスリーを経て、2021年にキャディにジョイン。機械学習を扱うソフトウエアエンジニアとして、『CADDi AI Lab』の立ち上げ、マネジメントに従事。XGBoostやLightGBMなど機械学習関連のOSSのRust wrapperメンタ―を務めるなどの活動を行っている。21年12月よりエムスリーエンジニアリングフェロー

こんにちは、「ばんくし」ことキャディの河合です。

前回はご挨拶のみとなってしまいましたが、大きく良い反響を頂きありがたい限りです。

本連載では、話題のAI議論やAI業界を取り巻く最新の技術についても触れていきたいところですが、今回は一歩手前、日本のAIビジネスの歴史と課題について振り返ってみます。

より長い目線でAIというツールを見ることで、また一つ違った見方を皆さまに提供し、今後の新しい議論への足掛かりとできればと思います。

AIビジネスの今昔

AIビジネスの歴史というと、非常に長く、どこから始めるべきか迷ってしまいます。研究なども含め、今のAIブームは、しばしば第三次ブームとも呼ばれています。

非常に長い歴史の話はまたの機会にするとして、実体験ベースでも、私が高校生の頃には当時AIと呼ばれていた技術の社会応用がなされていました。私は、高等専門学校で研究室に所属し、遺伝的アルゴリズムの研究活動に明け暮れていました。

そんな中、新幹線N700系の車体の最適化に遺伝的アルゴリズムが使われているニュースを見て衝撃を受けたことを覚えています。このニュースは後に「自分もよりAIの技術知識を深め社会に生かしたい！」と強く考え、大学に進むきっかけにもなりました。

この頃のAI技術というのは、今のソフトウェアエンジニアの視点から見ればまさに「職人芸」でした。

複雑な数式を、知識をもとにソースコードに落とし込み、自ら作成した実験環境を使って現実の問題を解く。長い時間と工数を掛けて、一つのシンプルな問題を解くことが当時のAIの限界でもありました。

一方近年では、OSS（オープンソースソフトウェア）の拡大、エンジニアリング技術の安定化、計算機の発展と共に、インターネットにも簡易に知識を得られる情報があふれ、非常に手軽にAI技術に触れられるようになっています。

PyTorchを使い、最新の論文に書かれたDeep Learningのモデルを実装してほしいとあれば、理系の大学生を連れてくれば実現できてしまうでしょう。

より汎用的な「よく使われるAI」であれば、数行のコードやWebサイト上での数クリックでAIモデルを作ることができる「AutoML」と呼ばれるツールも出てきています。

皆さんもニュースで見聞きしたことがあるかもしれませんが、こういったツールを活用すれば、高校生、果ては小中学生でも簡単にAIモデルを作ることができてしまいます。非常に素晴らしく、喜ばしいことです。

そういった状況に伴って、日本の「AIビジネス」も大きく変化しています。データを持っていれば、技術の障壁なくAIビジネス、AI活用に参加できるのです。

AI業界を引っ張る著名な企業はもちろんのこと、中小企業から役所、農家、果ては私たち個人の身の回りにもAI技術が導入されています。

小さな機械学習、統計のモデルまで含めてAIと定義すると、私たちはほぼ必ずと言っていいくらい、何らかのかたちでAIによる判断結果を享受し、その活用の一部になっていると言えるでしょう。

AIビジネスの課題

AIビジネスに多いと言われているのが「幻滅」です。企業の中で使われるAIにおいても、私たち個人に提供されるAIにおいても、この「幻滅」とは離れられません。

もちろん幻滅というのは、需要と供給が噛み合わなかったという話でもあり、ビジネスシーンではよくあることです。

しかし、これらの中身をよくよく見ると「良い幻滅」と「残念な幻滅」があることが見えてきます。

良い幻滅は、AI技術に対する過度な期待が薄れるといった類のもので、これらは技術が適切に評価されより良い活用につながる可能性のあるものです。

一方、AIビジネスにおいては「残念な幻滅」の方が明らかに多く発生します。

AI活用のプロダクトマネージメントの問題、適切なAI技術を選定できない技術力、改善のPDCAが続かない継続力、柔軟性のないプラットフォームなどあらゆる条件から発生し、PoCで終わるAIプロジェクトやクローズしていくサービス、生かされない技術が数多く存在しています。

これからのAI活用に向けて

私は、しばしば「プロダクトアウトではなくマーケットインでAI技術を使おう」という旨の発言をしています。

現段階のAI技術は、すべからく100点満点を取れるような技術ではありません。大量のデータから学習した、80点90点をバランス良く出せる技術であり、正解を毎回確実に出すのは苦手です。

この曖昧さによって、学習データのターゲットと少し意図が違ってしまうだけで、50点にも30点にもなり得てしまいます。

ビジネスターゲットの抱える課題を理解し、AI活用が適切かどうか、どのようなAI技術やアーキテクチャを使うのか、プロダクトとしてどうマネージするのか、どうPDCAを回すのか、判断し決断する事がAI活用における需要な所作になるでしょう。

そして、広くAIエンジニアにもこの力が求められるようになると考えています。

Deep Learningネイティブな若者や、コンピュータサイエンス以外の専攻からもAIエンジニアという職が人気である昨今、AIに関する深い造詣だけでなく、ソリューションをかたちにする技術、そして課題解決力をあわせ持つことが求められるようになるでしょう。