津田 英隆
1977 年　名古屋大学大学院工学研究科応用物理学専攻修士課程修了、同年富士通 (株) 入社。
人工衛星追跡管制システム等の開発に従事。1983 年 ～ 1986 年、現在の国立研究開発法人情報通信研究機構に出向。その後、半導体設計用 CAD システムの開発、統計学を応用した歩留まり解析手法、システムの開発に従事。退職後は、国立研究開発法人科学技術振興機構で情報分析、情報通信研究機構で知財活用を担当。現在は、データ分析に関連した企業支援を行っている。博士 (情報科学)。

近藤洋司
1978 年　早稲田大学理工学部応用物理学科卒業、同年富士通 (株) 入社。
主に金融機関のシステムエンジニア、プロジェクトマネージャー、コンサルタントを担当。システム本部金融デリバリー統括部長、富士通総研金融コンサルティング事業部長に従事。
2010 年　ゆうちょ銀行へ転籍し、システム開発部長に従事。
2020 年　ゆうちょ銀行退職後、㈱シルバーウエア代表取締役

1. AI 予測キットの活用

1.1 AI 予測キットに求められるもの

　AI を活用して業務に有効な予測を行うことのできる中堅中小企業向け AI 予測プラットフォームである AI 予測キットには、低価格で短期間でシステムを構築可能なことが求められる。サーバやソフトウェア環境の構築に多くの費用や手間をかけることなく、多種大量のデータを処理できるクラウド環境が望ましい。これまで高い専門知識を有するデータサイエンティストが必要であった予測モデルの生成プロセスの多くを自動化 / 簡単化し、少ない手数で予測モデルが得られることが求められる。また、分析対象データを Excel 形式でアップロードして、実行できることも必要である。

1.2 対策

　(Ⅱ) の 2.4 のような大企業とは異なる課題がある環境下では、中堅中小企業が思い切って AI 予測モデルに投資しても、期待した費用対効果が得られるか否かは不透明であり、開発に着手するにはリスクが大きい。図 1(*1) は、ICT 導入による効果が得られた要因を、大企業と中堅中小企業に分けて行ったアンケート分析結果である。中堅中小企業では、経営者の陣頭指揮、段階的な投資、コンサルタントの活用が大企業に比べて高い比率となっていることから、大企業とは異なった対策が必要であることがわかる。以下に、(Ⅱ) の2.4でまとめた 3 課題に対する対策を記す。

1.2.1 AI 予測キットへのコンサルティングの導入

　AI 予測キットには、ハードウェア/ソフトウェア環境だけでなく、導入検討から運用に至る全ステップに関するコンサルティングを含むものもある。人材/経験不足を補うためには、コンサルティングを通じて AI ベンダーの持つ知識、経験をうまく活用することが重要である。

1.2.2 システム開発、AI 予測モデル作成業務の自動化

　機械学習を使用して高精度なモデルを得るには、人間が行うデータ入力とモデル評価の間で、特徴量エンジニアリング、モデルやアルゴリズムの選択、最適化といった作業に試行錯誤が必要となり、人手で行うと高度な知識を要する上に、多大なコスト、期間がかかる。そこで、AutoML を導入し、システム開発、機械学習のプロセスを自動化し、最適なモデルを短期間で作成する仕組みを構築する。

1.2.3 低価格なAI予測キットの採用、補助金制度の活用

①AI 予測キット

最近各社から販売されているので、適切なものを採用する。機能の他に、提供されるコンサルティングも判断材料にする。手軽にスモールスタートできることも重要である。

②補助金

国や自治体などが交付するもので、返済の義務を負わないものもある。試行錯誤を重ねざるを得ない AI 予測モデル作成にとっては、有用な制度である。補助金の活用によりコスト面での障壁が低くなることで、AI 活用のすそ野が広がるのを行政が支援している。中堅中小企業が AI 導入を目的としたとき、活用できる主な補助金を以下に示す。
・中小企業庁 「ものづくり・商業・サービス生産性向上促進補助金」(*2)
　ものづくりを行う企業が対象で、生産性の向上を目指す中堅中小企業を対象として、交付される。
・総務省「ICT イノベーション創出チャレンジプログラム」(*3)
　AIを含む ICT 分野全般が補助対象となる。AI を活用した製品やサービスの開発にあたり、事業化への段階で必要となる資金を支援する。
・経済産業省 「サービス等生産性向上IT導入支援事業」(*4)
　生産性の向上に貢献する IT ツールの導入を対象としている。ソフトウェア以外にサービスの利用でも適用可能である。

1.3 AI 予測キットの製品、サービス構成

　大企業向けシステムとは異なり、検討から導入、運用の全ステップで支援する仕組みを有し、ハードウェア / ソフトウェアの他に、自動化、導入支援サービス / コンサルティングを備え、ユーザーが AI 導入に注力できるようになっている。

①ビジネスコンサルティング

AI の知識、経験が少なくても、現実的な予測業務を顧客が主体的になって実現できるよう支援
・予測業務におけるビジネスゴールの決め方
・経験のデータ化の手法、学習データの作成方法
・予測精度の評価方法、精度向上の方法論

②クラウド上でのソフトウェア環境

・環境を意識せずに AI 予測モデル生成が可能
・AutoML を核とし、数回のクリックだけでAI予測モデル生成が可能

③データサイエンス、データ分析に関する教育

・AI 予測モデルのビジネス利用に特化した学習コースで、AI 予測モデル作成に必要なデータサイエンス、AI を集中的に学習する。

1.4 AI 予測モデルを作成・活用する業務ステップ

電力需要予測を例にして、AI 予測キットを使用した場合の各ステップを図2に示す。

ステップ 1　モデル作成の準備

①ビジネスゴールの決定

ビジネス上の解決したい課題、すなわち日々の電力需要を正確に見積もる。

②予測対象の決定

 ビジネスゴールを実現するためにコンピューターで実行すること、すなわち過去の日付、気象データと電力需要の関連を把握し、将来の気象データから電力需要を予測する。

③マスター学習データの作成

ビジネス状況の原因と結果を把握して、変数を目的変数と説明変数に分解する。本事例では、結果である電力需要を目的変数とし、電力需要に影響を与える日付、気象データを説明変数とする。

④マスター学習データの形式

例を表 1 に示す。

表 1　マスター学習データ

・Id
　全データに対して、ユニーク性を担保する
・目的変数 / Target
　ビジネス状況の結果　本事例では日々の電力需要量
・説明変数
　ビジネス状況の原因　本事例では日付データ (月、曜日、休日)、気象データ (最高気温、最低気温、降水量計、平均湿度、日照時間、天気概況)

ステップ 2　モデル作成

①マスター学習データの分割

マスター学習データを学習データと将来データに分割する。

後述の (Ⅳ) の 1 章の例では、実績としての過去 (2018.9.1～2019.8.31) の電力需要と気象データを学習データ、予測する期間 (2019.9.1～2019.11.30) の気象データを将来データとする。

②AutoML によるモデルを作成

学習データをさらに学習データとモデル内検証データに分割する。次に、ハイパーパラメータをチューニングしながら、システム的な特徴量の調整を行い最適化なモデルを作成する。ユーザーは学習データを用意するだけで、機械学習の知識や専用サーバを用意しなくてもクラウドで大量データの学習が可能となる。このことは、AI 予測キットの活用が可能になった要因の一つである。

AutoML は、以下の機械学習のプロセスを自動化する技術である。

・前処理(データクレンジング、特徴量エンジニアリング)
・モデルの訓練 (アルゴリズム選択、ハイパーパラメータチューニング)
・モデル最適化

ステップ3　 AI 予測モデルの精度評価

①将来データの入力

AI 予測モデルに将来データを入力し、予測結果を得る。

②予測結果のレポートの作成、評価

レポートを作成し、関係者から最大許容誤差、例外の許容等も含め、評価を受ける。

③AI 予測モデルの評価、精度向上

ステップ 2 にもどり、数学的、ビジネス的な観点からデータ、変数を変更しながら精度向上を図る。

ステップ4　複数回のAI予測モデル作成試行による精度向上

業務で使える AI 予測モデルを作成するには、ステップ 1 からステップ 3 を何度も繰り返すことで、徐々に AI 予測モデル精度を上げる必要がある。高精度な AI 予測モデル作成には、質の良い学習データが必要であり、質の良い学習データを作るためには実際にモデルを作成し、そこに将来データを投入し、人による評価を何回も繰り返して実施する必要がある。言い換えれば、AI 予測モデルを作ることは、数多くのパターンの学習データを作り、検証する試行を何回も繰り返すことである。

2. AI導入プロジェクトの開始

以上のように、AI 予測モデル作成業務は、従来の業務とは異なるアプローチが必要である。AI 導入の効果を出すには、大きなコストがかかっている大きな業務をターゲットにすれば、大きなコスト削減効果が望める。しかし、いきなり大きな業務をターゲットにすることは、AI 活用の実績がない中堅中小企業にはリスクが大きく、大きな業務への導入を視野に入れて小さな範囲から始めていくのが現実的である。

投資金額を下げるためには、難易度が低い業務、つまり人間と AI が協業する業務から開始することである。マスコミで華々しく取り上げられるものの多くは、大企業が推進し大きな投資効果が得られる注目度が高いものである。そのためには、高精度で対象範囲が広いものとなり、データ準備、AI のチューニング等の負荷が増大しがちである。広範囲でAI導入を図ると投資金額が増え、プロジェクトの肥大化、複雑化をもたらす。そのためには、環境も含め容易に扱えるAI予測キットを採用し、スモールスタートするのが望ましい。図 1 で記したように、ICT 導入効果が得られた要因として中堅中小企業が大企業に比べてあげている最大のものは、段階的な導入である。

参考文献

(*1) 足利銀行「ICT 利活用状況」に関するアンケート調査 2019 年 12 月 6 日
(*2) https://portal.monodukuri-hojo.jp/ (2021.9.8)
(*3) https://www.soumu.go.jp/menu_seisaku/ictseisaku/ictR-D/ichallenge/index.html (2021.9.8)
(*4) https://www.hkd.meti.go.jp/hokcm/20210407/index.htm (2021.9.8)

Excel は、米国 Microsoft Corporation 社の登録商標です。