AIの導入を成功させるには: Step 1 スコーピング

スコーピングにおいては、解決しなければならない問題を正確に定義することから始めることが重要です。さて、本書の推奨事項に従っていれば、解決すべき問題が何であるかははっきりしているはずです。しかし、多くの組織では、どんな問題を解決するのか、達成すべき具体的な目標は何かを誰も明示しないまま、プロジェクトが開発され、承認されているのを目撃しています。

具体的な目的がなければ、最適化すべき具体的な指標を定義することはできません。その場合、最適化するメトリックの選択は開発者に任されることが多いです。そして、実装に多くの時間を費やした後、チームはこれが組織の望んでいたものではないことを発見します。

そうならないためにも、問題点を明確にしておきましょう。最終的にどのような製品になるのか？何ができるのか？どのように振る舞うのか？そのアウトプットは何か？共感を得れるのか？またこの製品は、私たちの組織のメンバーにどのような影響を与えるのか？サードパーティは？

そこで、まずモックアップを作成します。そうすることで、起こりうる副作用を予測できます。何をすべきかを指定するのと同様に、何をすべきでないかを定義することも重要です。何がゴールではないか。どのような機能は、今後のイタレーションのために残しておくことができるのか。80−20ルールを考えてみてください。

トレンドばかりを気にしないこと。目の前の問題に最適なソリューションを選択するために最先端の技術を調査することは重要ですが、流行に流されるのではなく、問題を解決するための最もコスト効率の高い方法は何かを考えてください。私たちは、多くの問題が20年前の統計技術で解決できることを発見しました。また、堅牢なデータ収集・処理プラットフォームの上に非常にシンプルな機械学習レイヤーを置くだけで済む場合もあります。

目標と評価ポイントを決めること。プロジェクトが正しい方向に進んでいるかどうかを評価するために、3ヶ月または6ヶ月の目標を明確に定義し、そうでない場合は中止するかピボットする必要があります。これは、問題が具体的に定義されていて、定量的に評価できる場合のみ可能です。同時に、⻑期的な研究を必要とするプロジェクトの場合は、実験の余地があるような抽象的な目標を設定してください(例えば、完成したプロトタイプを要求するのではなく、特定の仮説が検証または反証されたかどうかを確認するのが有効な研究マイルストーンです)。

予算多めに確保すること。エンジニアが見積もっていた以上の計算機資源が必要になることは必ずあります。そうでなくても、初期のプロトタイプをさらに改良するために、そのリソースを使うことができます。

悪魔は細部に宿るということを認識してください。多くの場合、オリジナルのプロトタイプの研究開発よりも、完成したプロトタイプを製品に適合させることに多くの時間が費やされます。本番のデータは、私たちが収集したデータセットとは異なるかもしれません。

あるいは、生産用のハードウェアは、より限られた計算資源しか持っておらず、モデルが正しく、より低い消費電力で動作するように最適化する必要があります。この展開ステップのために十分なリソースを予算化しておかないと、外部の関係者から「この技術は思っていたほど有望ではない」と思われてしまうリスクがあるからです。