日経 xTECH Special 日経 xTECH 日経 xTECH Special

xTECH EXPO 2019レビュー

AI導入でつまずく3つの共通課題

日立産業制御ソリューションズ

AI運用の現場に共通する
つまずき防止の改善ポイント

AI活用がうまくいかないと悩む企業には、「イメージのずれ」「データ品質」「人材」という3つの課題が多く見られる。日立産業制御ソリューションズは、企業のAI運用の現場で培った改善ノウハウを基にデータを磨く「AiValueUp」(アイバリューアップ)という手法を提案。分析結果をビジネスに適切に生かす支援をしている。
北村 慎吾 氏
株式会社 日立産業制御ソリューションズ
情報システム本部 AI&ビッグデータソリューション部
部長
北村 慎吾

 これまで数多くのAI導入プロジェクトを支援してきた日立産業制御ソリューションズの北村慎吾氏は、AI導入でつまずくケースに見られる3つの共通点を指摘した。

 1点目が、AI導入の目的や期待に対する関係者間のイメージのずれ。2点目が、AIに学習させるために投入するデータ品質の問題。そして3点目が、業務の内容やニーズが分かるデータエンジニアの不足という、人材育成の課題である。

 1点目については、「AI導入のイメージが、経営層と情報システム部・業務部門の間で異なっているケースが目立ちます。そうならないように企画・要件定義の段階で、3つの型(パターン)に分けて、AI導入でやりたいこと、目的をはっきりさせておきましょう」(北村氏)

 3つの型とは、(1)認識型(2)分析判断型(3)コミュニケーション型だ。

 留意してほしいのは、認識型と分析判断型だと北村氏は言う。

 「製造工場を例にすると、認識型は検査工程の画像データをAIに学習させて不良品をはじき出す際に用いられます。しかし、不良品を除外できても、経営層の期待が不良品の原因究明による工程改善であれば、より上流の製造工程の各種データを入手し、原因を分析判断する必要があります」(北村氏)

業務の視点でデータを磨く

 つまずきの2点目がデータ品質だ。

 社内で管理されたITデータと比較すると、生産現場などの設備やIoTセンサーデータなどから得られたフィールドデータは、異常値が取り除かれておらず精度が低いケースが多い。

 「異常値の原因を現場担当者にグラフを見せて探り、不要なデータを取り除く、粒度を調整するといった前処理が不可欠です。これらを適切に行えば、学習効果を高める特徴的なデータ項目の抽出が可能です」(北村氏)

 つまずきの3点目が、社内における人材育成だ。

 「大事なのは、業務が分かるデータエンジニアを育てること。つまずきの1点目で指摘した3つの『型』をまずは覚える。そして、2点目で述べた業務に照らし合わせてデータを読み取れるスキルが重要です」(北村氏)

 これらの課題を解決するのが、様々な観点や経験、論理的な根拠に基づくデータの把握と加工を支援する日立産業制御ソリューションズの手法『AiValueUp』だ。

 「社内のニーズに応え、課題解決につながるAIを実現するには、業務の視点でデータを磨くこと。『AIを利用したが、思ったような結果が出ない』『データをどのように分析すればよいか分からない』『社内に人材を育てたい』といったデータ分析・活用に関する悩みを、AiValueUpで解決します」と北村氏は強調した。

AiValueUpによるAI導入トータルサービス
AiValueUpは、IoT時代のデータ活用に必要なデータ前処理や人材育成を支援する
AiValueUpによるAI導入トータルサービス
[画像のクリックで拡大表示]
お問い合わせ