ＡＩ事例を分析してみました！！

［このテーマの目的・ねらい］
目的：
　今話題のＡＩの活用状況がどうなっているのか
　　　　　　　　　　　を知っていただきます。
ねらい：
　詳細をお知りになりたければ、
　　　　　　　　　　　私にお問い合わせください。
ーーーーーーーーーーーーーーーーーーーーーーーーーー
最近は、ＡＩがずいぶん話題になっています。
日経新聞では，ＡＩのネタがない日はほとんどない状態です。


そこでシステム企画研修社では、
ＡＩ事例を解析した「ＡＩ解析事例集」を作成しています。


この事例集は、ＡＩ以外のデジタル化の事例を集めた
デジタル化事例集（現在２３０件）のサブセットです。


これがその事例集の一部です（クリックすると全体が表示されます）。
1件ごとにその出典情報が付いています。
左端をクリックすると表示されます。

ＡＩの事例が１００件になりましたので、
その内容を分析してみました。


この事例情報の基は、以下の５種類です。
　日経新聞
　日経コンピュータ誌
　野村総研編集「ＩＴロードマップ」2019年版他
　経済産業省「攻めのＩＴ経営銘柄」2018年版他
　他出版物


事例収集方針は、特に絞り込むことはせずに、
新しい動向であると考えられるものを対象としています。
特別な偏りはないと考えます。


この事例集収録の事例は次の4つの切り口で分類しています。
１）ＡＩ適用のねらいーーどういう効果を期待するのか
２）ＡＩの適用目的ーーＡＩに基本的に何をさせるのか
３）ＡＩの適用機能ーーＡＩが何の機能を担うのか
４）ＡＩの実施手法ーーどういうＡＩ手法を使うのか


以下、この切り口で
100件の事例がどうなっているかを見ていただきます。

　　　　　表１　ＡＩ適用のねらい

＃	項目	件数
1	納期・時間短縮	40
2	成果増大	46
3	精度向上	19
4	信頼性・安全性強化	15
5	利便性向上	38
6	苦痛削減、楽しさ・満足度向上	22
7	健康維持・強化	13
8	環境改善	5
9	最適・正解の導出	15
10	工数・コスト削減	62

この表の数値は、重複選択です。
最大は10番の「工数・コスト削減」です。
ということは現在人手でやっていることをＡＩで代替するということです。
非常にベーシックなねらいです。


次は，ＡＩを活用することで、
売上の増大を期待するなどの「成果増大」です。
ターゲットマーケティングなどがその例です。
これも基本的ニーズでしょう。


その次に、迅速に自動応答するなどの「納期・時間短縮」です。
11/15の日経新聞にも、多くの自治体で市民からの問い合わせに
自動応答を使っているという報道がありました。
市民からは「たらい回し」されないと評価は高いようでした。


ほしいものがすぐに得られるとか、言わないでも分かってくれる、
などの「利便性向上」も上位です。


クイズや囲碁将棋に勝つなどの「最適・正解の導出」も
人間を上回るようになってきています。


「精度向上」「信頼性・安全性強化」
「苦痛削減、楽しさ・満足度向上」などもＡＩは得意です。
「健康維持・強化」や「環境改善」なども挙がっています。
そのニーズを持っている法人が取り組んでいます。

表２ ＡＩの適用目的

＃	項目	件数
1	検索	6
2	判断	93
3	処理	27
4	発見	6
5	創造	1

次は，ＡＩに基本的に何をさせるかです。
この数値も重複選択です。


93％の事例が，ＡＩに「判断」させています。
ＡＩ＝人工知能ですから当然でしょうね。
「処理」は，ＡＩが翻訳をする、回答をする、などです。

「検索」は得意技ですが、
膨大な事実を解析してほしい解を「発見」する、や
絵画や音楽を「創造」する試みも始まっています。
人間も負けそうです。
       表３　ＡＩの適用機能

＃	項目	件数
1	画像解析	31
2	音声解析・生成	10
3	センサー／GPS情報解析	24
4	事例解析	53
5	行動解析	16
6	情報検索	8
7	関係解析	2
8	最適解探求	7

「ＡＩでは何をするか」です。
1位の「事例解析」は、
大量の文献情報あるいは蓄積データの事例を解析して、

望む答えを得ようとするものです。


それに対して「行動解析」は、当人の過去の選択や行動を分析して
その人に合った提示を行うものです。
「あなた、これお望みでしょう？」のスタイルです。


2位の「画像解析」の技術は、後掲の深層学習の手法等を活用して
日進月歩の状態です。
中国の顔認証の進展は恐ろしいほどです。


「センサー／ＧＰＳ情報解析」は、
センサーで集めた情報から、水道管の摩耗の状態を
推定する、などです。


「関係解析」は膨大なゲノム情報と疾病の関係を解析して
原因となるゲノムの状態を突き止めるものなどです。


「最適解探求」は、碁将棋に勝つとか、
物流の最適解を求める、などです。
検討している人たちは楽しいでしょうね。 
         表４　ＡＩの適用手法

＃	手法	件数
1	機械学習一般	77
2	深層学習	11
3	強化学習	1
4	深層強化学習	1
5	転移学習	1
6	GAN（敵対的生成ネットワーク	1
7	好奇心持つＡＩ	1
8	少量データ分析	1
9	スパースモデリング	2
10	エッジＡｉ	3
11	蒸留技術	1

ＡＩの手法と言うと、前面に登場するものがこれです。
ＡＩでは、基本的にはすべて「機械学習」をしています。

1位の「機械学習一般」は、それ以外の特殊な手法は使っていない、
少なくとも使っていると報道されていないものです。
77％はそうなのです。


それ以外の特殊な手法は、その後出てきたものです。
ＡＩ（機械）が自分でデータから学んでいく手法が深層学習
（ディープ・ラーニング）です。


Youtubeの画像をＡＩに1週間見せ続けたら
猫の画像に反応するようになったというのが有名な事例です。
ＡＩに何も教えていないというのです。
ＡＩは、どうして猫に関心持つようになったのでしょう？


「強化学習」は、崩れやすい食品のピッキングをロボットにさせたら
試行錯誤して次第にできるようになったというような事例です。
自分の行動で自己学習するものです。


「転移学習」は、汎用的な能力を持ったＡＩに、
専門的なデータを少し付け加えるだけで、
専門能力のあるＡＩを作る手法です。
転移=移植です。


ＡＩ=大量データの分析というイメージがありますが、
「少量データ分析」「スパースモデリング」は少量のデータから
ほしい結論を得る方法です。
事例としては、新材料開発があります。
データは少なくても、新材料の条件とかを詳しく教え込むのです。


6番目の「ＧＡＮ」は､ＡＩの中でＡＩ同士に対戦させて
「勝つ」案を作らせるのです。
写真からそれをイラスト化する例などが紹介されています。


「エッジＡＩ」や「蒸留技術」は高性能マシンで開発したＡＩを
能力の小さなＰＣ屋ウェアラブル端末にインストールして
動かすシステムです。
これらは、ＡＩ自体の手法ではなく、ＡＩの活用の手法です。


というような数値的なＡＩ活用の状況が分かりました。
こういうデータは他にはありません。
ご覧になったことはないでしょう？
ご参考までにご紹介いたしました。