投資対効果を最大化する AI導入7つのルール

石川聡彦

• KADOKAWA (2020年2月29日発売)

作品紹介・あらすじ

「DX時代のビジネスパーソンの新しい教養はこれだ。」
経団連会長　中西宏明 氏 推薦！

50,000人の人材育成と、
120法人以上へのサービス提供から導かれた、
AI導入の鉄則とは？　

本書は、AI（機械学習）の導入を始めたり、検討したりしているが、
うまくいかない企業および担当者の方々に、
最初の“ボタンの掛け違い”を理解していただき、
AI導入を成功させる“ルール”を伝授するものです。

「AIのビジネス活用における考え方」を、
「7つのルール」にまとめています。

難しい理論や複雑な数式は登場しません。
機械学習の理論を易しく解説した上で、
ビジネスで活用するうえでの、
押さえておくべきポイントを解説していきます

2020年現在、「機械学習を学ぶことはコスパが良い」といえます。
機械学習のプロフェッショナルはまだ少なく、
学ぶハードルも下がってきました。

機械学習の技術の素養を身に着ければ、仕事の幅が大きく広がるでしょう。
本書は、AIなどのデジタルテクノロジーを使いこなすための、必読書です。


【こちらの方々に最適】
・AIのビジネスへの応用を考えているビジネスプランナー
・企業や応用領域で機械学習の活用を考えているエンジニア
・AIを使ってビジネスを革新したい経営者

【本書で扱うルール】
ルール1. 機械学習の投資対効果を明確にすべし
ルール2. 「使えないデータ」と「使えるデータ」を把握すべし
ルール3. 機械学習で狙うべき領域を同定すべし
ルール4. インプットとアウトプットの解像度を高めるべし
ルール5. 機械学習の性能を正しく評価すべし
ルール6. 実運用のイメージを高めるべし
ルール7. ステークホルダーとのエコシステムをつくるべし

感想・レビュー・書評

[2158409番目の読書家さんの感想 · 2024年8月24日]

非常に読みやすので、AIなどを販売or検討するかたの初版によい。ある触っている人からすると当たり前のことではある内容。
ハイライととしてはPoC死をしないために、
1.費用対効果を検討はじめるまえ考えようね
2.企業としてデータをとる覚悟があるか

をきちんと握ってからやるべしと。
再度いい学びができた。

[hirokajiさんの感想 · 2024年6月29日]

非常に易しく記述されている。 AIに限らず、様々な技術導入を検討する事業会社が陥るであろう失敗が述べられているので、そういう立場の人は一読されると良いと思った。

[takehiko102982さんの感想 · 2023年9月8日]

タイトル通りAIを導入するときのルールを7つ定義して、それぞれについて解説している。
特にPoC死（PoCだけやって後続に繋がらない）に対して、なぜそうなるのか・回避するためにはどうするのか、を解説している印象。
結構前の書籍なので、情報は若干古いし、述べられている事項は大体知っているが、改めて読んで、そうだよね、と思うだけでも十分意味はあるかな。
薄いのですぐ読めるし、エッセンスがコンパクトにまとまっているので、割とおすすめ。
認証するときに「車が映っている画像を選べ」が教育データの収集に使われている、はちょっと盲点。確かにデータ集めできるね。

[oursoursさんの感想 · 2020年7月18日]

・機械学習の性能を正しく評価する　
　4つの象限に分けて分析する
・実運用のイメージを高める
・機械学習モデルは、再学習で性能が保たれる

[hmsk0331さんの感想 · 2020年4月10日]

◆概要
　その名の通り、AI導入にあたっての注意点を記載している。対象読者は、データサイエンティストよりも、これからAIプロジェクトを始める営業やプロマネ、プリセールスSEが相応しい。

◆イントロ
　・AI　＞　ML　＞　DL、　AI　＞　ルールベース
　・ML BUSINESS CANVAS
　　　プランニング：課題概要と投資対効果
　　　モデリング：IN→OUT
　　　デプロイ：実運用
　・制約条件の把握
　　　例：毎秒100個のラインの不良検知は、10ms/個

◆7つのルール
　①投資対効果を明確に
　　・95.0%の正解率で、コスト500万の検査員を
　　　20人→10人に削減したら、
　　　5000万/年　のコスト削減
　　　99.9%の正解率なら1億/年　のコスト削減
　　・モデル開発だけでなく、データ収集、
　　　データ加工含めたコストを試算する

　②使えるデータ/使えないデータを意識
　　・フォーマットが統一されているか
　　・目的とデータの関連性は明瞭か
　　・教師フラグの有無

　　・競争優位になるデータを収集
　　　２年蓄積すれば他企業よりも２年の差

　③機械学習のミートゾーンを把握
　　・人間がルールを記述できない
　　・データがある。INとOUT定義可能
　　・100%精度は不要

　　・PJポートフォリオを意識。以下、軸の例
　　　　ボラ⇄イノベーション
　　　　社内調整⇄技術開発
　　　　実利重視⇄PR重視

　④IN/OUTの解像度高める
　　・例:完成ラインに並ぶペットボトルの画像を正常/不良のニ値分類
　　・例:今月の時間別売上データで来月の月次売上
　　・例:年齢、性別、顧客の購買履歴から
　　・例:過去の時間帯別演習回数、過去2時間のWebアクセス数、会員登録ユーザー数　から2時間後に予想される演習回数　

　⑤性能を評価
　　・正解率だけで判断しない
　　・検知率、不良率も使い判断
　　・ケースによっては過検知の方がマシなことも

　⑥デプロイを意識
　　・エッジ？クラウド？どこにデプロイ？
　　・デプロイ後のモデル運用は？
　　
　⑦ステークホルダーとのエコシステム
　　・Biz,DS,ENG
　　・内製箇所、外注箇所

著者プロフィール

株式会社アイデミー代表取締役社長。東京大学工学部卒。同大学院中退。研究・実務でデータ解析に従事した経験を活かし、法人向けAIシステムの内製支援クラウドソリューション「Aidemy Business」を開発・運営している。著書に『人工知能プログラミングのための数学がわかる本』（KADOKAWA/2018年）など。「Forbes 30 UNDER 30 JAPAN 2019」選出。

「2020年 『投資対効果を最大化する　AI導入７つのルール』 で使われていた紹介文から引用しています。」