AIプラットフォームとは

AIプラットフォームとは、機械学習（ML）およびディープラーニング（深層学習） モデルをよりスケーラブルな方法で構築、評価、実装、更新することができる基盤のことです。AIプラットフォーム・ツールを使用すると、ナレッジ・ワーカーは、データ分析、予測、タスクを手動よりも高速度かつ高精度で行うことができます。

AIは、技術進歩の新時代の触媒として極めて重要な役割を果たしています。 PwC は、「AIは2030年に世界経済に最大15.7兆米ドル貢献する可能性がある」と計算しており、これは現在の中国とインドの生産量の合計額を超えています。このうち、PwCは「6兆6,000億ドルは生産性の向上によるもので、9.1兆ドルは消費による副作用によるものとみられる」と推定しています。McKinsey Global Instituteは、AIが産業界に与える潜在的な影響を観察すると、製造業だけでも、AIを活用した新興技術が2025年までに3兆7,000億米ドルもの価値を生み出すと推定しています。AIテクノロジーは、さまざまな業界の組織におけるBusiness Intelligenceの重要なコンポーネントであることが急速に証明されています。 IBM、Amazon AWS、Microsoft Azure、Google Cloudなどの主要なクラウド・インフラストラクチャ・プロバイダーは、AIプラットフォームを提供することで市場を拡大しています。

AIプラットフォームは、組織が業務を合理化し、データ駆動型の意思決定を行い、AIアプリケーションを効果的に導入し、そしてその結果、競争上の優位性を獲得するために役立つ、幅広い機能を提供します。このような開発プラットフォームを使用することで、データ・サイエンス・チームとエンジニアリング・チームが連携できるようになります。これにより、冗長な作業が減り、データの複製や抽出といった日常的なタスクが自動化されることで、コストが削減されます。また、一部のAIプラットフォームでは、自然言語処理（NLP）や音声認識などの高度なAI機能も提供されます。

とはいえ、間違ったシステムを使用するとコストの増加につながるだけでなく、他の貴重なツールやテクノロジーの使用が制限される可能性もあるため、プラットフォームの選択は難しいプロセスといえます。ビジネスに最適なAIプラットフォームを評価する際、料金体系以外にも検討すべき要素は数多くあります。利用可能なAIツールとその機能を理解することにより、ビジネス目標に合ったプラットフォームを選択する際、情報に基づいた意思決定を行うことができます。

AIプラットフォームは、データ・ガバナンスの実施から、ワークロード分散の推進や機械学習モデルの構築の加速化に至るまで、さまざまなタスクを支援します。AIで成功を収められるかどうかは、通常、組織がモデルを迅速かつ大規模に導入できるかどうかにかかっているため、組織の目標をサポートするにあたって、AIプラットフォームに適切な機能があるかどうかを調べることが不可欠です。その例として次のようなものがあります。

MLOpsの機能

• オーケストレーション・パイプライン：単一の統合プラットフォームにより、チームはデータ分析、データサイエンス、MLを横断する共通のツール・セットを利用できるだけでなく、複雑な予測分析を行うためのニューラル・ネットワークなど、広範な機械学習アルゴリズムに対応することができる。この統合されたエクスペリエンスにより、ワークフローが合理化されて効率が向上し、MLモデルの開発と導入のプロセスが最適化される。
• AutoMLツール：自動機械学習（autoML）は、ローコードおよびノーコード機能により、より迅速なモデル構築をサポートします。
• 意思決定の最適化：最適化モデルの選択と導入を合理化できるだけでなく、ダッシュボードを作成することで、結果を共有し、連携を強化し、さらに最適なアクション・プランを推奨できる。ビジネス目標間のトレードオフを最適化し、各状況において最善の行動方針を決定することができる。
• ビジュアル・モデリング：データとAIの統合スタジオ上で、ビジュアル・データ・サイエンスをオープンソース・ライブラリーやノートブック・ベースのインターフェースと組み合わせることができる。さまざまな視点からデータを可視的に探索することで、そのデータ内のパターン、つながり、洞察、関係性を特定し、大量の情報を迅速に理解することができる。
• 自動開発：AutoAIを使用すると、初心者はすぐに開発を始めることが可能で、また経験豊富なデータ・サイエンティストはAI開発の実験を加速できる。AutoAIは、データの準備、モデル開発、フィーチャー・エンジニアリング、ハイパーパラメーターの最適化を自動化する。
• 合成データ・ジェネレーター：合成データは、現実のデータがすぐに入手できない場合に、現実のデータの代替または補足として使用することができ、特に実験に役立つ。プラットフォーム機能を使用すると、既存のデータまたはカスタム・データ・スキーマを活用する合成表形式データ・セットを生成することができる。既存のデータベースへの接続や、データ・ファイルのアップロード、列の匿名化、さらには、データのギャップを埋めたり、従来のAIモデルをトレーニングしたりするのに必要な分のデータの生成が可能。

生成AI機能

• コンテンツ・ジェネレーター：生成AIとは、トレーニングに使用したデータに基づき、テキストや画像などのコンテンツを生成できるディープラーニング・モデルを指す。AIプラットフォームは、コンテンツを生成し、マーケティングEメールの作成や顧客ペルソナの作成など、さまざまなタスクをサポートできる。
• 自動分類：AIプラットフォームは、顧客の苦情を評価して分類したり、顧客のフィードバックの裏にある感情をレビューしたりするなど、文字情報を読み取って分類することができます。
• 要約ジェネレーター：AIプラットフォームは、高密度テキストを高品質の要約に変換し、財務報告書や会議の記録などから重要なポイントを得ることもできます。
• データ抽出：プラットフォーム機能により、複雑な詳細を分類し、大規模な文書から必要な情報をすばやく引き出すことができる。固有表現の特定や利用規約の解析などに適している。

AIプラットフォームは、AIテクノロジーの力を活用するのに役立ち、オートメーション、規模、セキュリティーの強化など、ビジネスにさまざまなメリットをもたらす。このようなプラットフォームにより、企業は膨大な量のデータを分析し、貴重な洞察を導き出し、変化する市場動向に迅速に適応し、最終的にイノベーションと競争上の優位性を促進することができます。

• オートメーションの強化
• 拡張性の向上
• 優れた統合
• セキュリティーの強化
• ガバナンスの向上
• テクニカル・サポート

オートメーションの強化

オートメーションは、データ・ライフサイクル全体にわたるアクティビティーの規模とペースの両方を向上させるうえで、極めて重要な役割を果たします。チームが、一貫性のあるデータ・ラベリングなど、繰り返し可能なプロセスが成功しているものを特定したら、機械学習を使用してそれを自動化する方法を検討できます。この場合、AIプラットフォームの機能を使ってデータ・ラベリングを自動化することで、予測の精度が向上すると同時に、データ変数の使いやすさも向上します。

拡張性の向上

ノートPCなどのローカル・マシンでモデルを構築、トレーニングするには限界があるため、機械学習モデルのトレーニング段階と本番段階の両方において、拡張性は極めて重要です。小規模なデータ・セットの場合はこれで十分かもしれませんが、データ・サイエンティストは、より堅牢なモデルに対し、このアプローチは採用できません。拡張するには、一元化されたワークフローが必要となります。これにより、透明化および共同作業社との連携が促進され、その結果、データが標準化され、GPUとTPUの使用状況とともに、演算処理の可用性が監視されます。

優れた統合

AIプラットフォームは、オープンソースのソフトウェアとライブラリーを使いやすくするユーザーフレンドリーな統合機能も提供する必要があります。ほとんどのプラットフォームは、PyTorch、TensorFlow、Scikit-learnなどの一般的なオープンソース・フレームワークとすでに互換性がありますが、包括的なAIエコシステムの場合は、MongoDB、Redis、PostgreSQLなどのオープンソース・プラットフォームにシームレスかつ便利にアクセスできるAIプラットフォームが必要です。

さらに、最高のAIプラットフォームは、オープンソース・コミュニティーに深く関わっている組織やチームによって開発、維持されています。彼らが研究に貢献し、リソースを割り当て、専門知識を提供することで、多様なスキルと研究にさらに貢献しつつ、データサイエンスや機械学習の専門家が利用できる幅広い革新的なテクノロジーを拡張しています。

IBMはオープンソースを黎明期から支持してきた企業の1社であり、Linux、Apache、Eclipseなどの影響力のあるコミュニティーを支援し、オープン・ライセンス、オープン・ガバナンス、オープン・スタンダードを推進してきました。IBMとオープンソースとの関係は、 Red Hat社を買収した後、さらに際立つものになりました。

さらに、AIプラットフォームの導入および利用ストラテジーを検討することも極めて重要です。オンプレミスでの実装か、それともクラウド・プラットフォームを使用してホストするのが良いでしょうか。社内チームでの使用をお考えですか、それとも社外の顧客がアクセスできるようにすることを目的としていますか。これらの要素は、ビジネス目標に合わせて最も効果的に統合できるAIプラットフォームを特定するうえでも重要です。

セキュリティーの強化

オープンソース・パッケージは、データ・サイエンティスト、アプリケーション開発者、データ・エンジニアによって頻繁に使用されていますが、企業にセキュリティー・リスクをもたらす可能性があります。急速に進化する脅威を特定し、それに対する保護を行うために、セキュリティー管理が不可欠です。最高のAIプラットフォームは通常、データ、アプリケーション・エンドポイント、身元情報が確実に保護されるよう、さまざまな対策を講じています。

主なセキュリティー対策は次のとおりです。

• ネットワーク・セキュリティー：ネットワーク・セキュリティーの主な目的は、ネットワーク・リソースへの不正アクセスを防止すること、サイバー攻撃やセキュリティー侵害を検知して阻止すること、そして、許可されたユーザーが必要なときに必要なネットワーク・リソースに安全にアクセスできるようにすること。

• データ・セキュリティー：データ・セキュリティー、ライフサイクル全体を通じて、不正アクセス、破損、盗難からデジタル情報を保護する。
• 共同作業者のセキュリティー：共同作業者のセキュリティーとは、共同作業者によるアクセスを役割ベースで制御することで、ワークスペースを保護すること。

ガバナンスの向上

AIガバナンスは、組織のAIモデルおよびMLモデルに対し、倫理的で責任のある、コンプライアンスに準拠した開発と実装を保証します。思考力の高いガバナンス機能を備えたAIプラットフォームにより、モデルの承認、監視、コンプライアンス・ガバナンスにおける連携と調整を向上させることが可能であり、データ駆動型の意思決定に信頼と信用を持たせることができます。この信頼は、社内のコンプライアンス義務と社外規制の両方への対応にまで及びます。

AIガバナンスの欠如は、非効率性、罰金、ブランドの評判への深刻な影響といった結果をもたらす可能性があります。また、MLプロセスのスケーリングを妨げ、結果の再現を困難にし、さらには不正確または不完全なデータによるエラーのリスクを高める可能性もあります。罰則はかなり重くなるおそれがあり、銀行経営者による偏った融資適格性モデルに対しては100万ドル以上の罰金が、EUの一般データ保護規則（GDPR）違反に対しては最高2,000万ユーロまたは年間売上高の4％に相当する罰金が、それぞれ科される可能性があります。

さらに、適切なユーザー・アクセスを確保することは、特定の役割がシステム全体に影響を与えるエラーを意図せず起こしてしまう事態を予防できるため、AIプラットフォーム内のガバナンスの重要な要素といえます。IT管理者は、職務に基づいてアカウントを割り当てたり、ユーザーのアクティビティーを監視したり、実務者間のシームレスな共有と連携を促進したりできなければなりません。

堅牢なガバナンスを実践して、データの標準化、バイアスの軽減、そして業界規制の遵守を確実に実現できるプラットフォームが必要です。

テクニカル・サポート

トレーニングや教育、信頼性の高いバグの報告と追跡、問題の解決、緊急事態への対応などのサポートが必要な場合は、必要なサポートを提供できるAIプラットフォームを選択することが賢明です。

強力なユーザー・コミュニティーとサポート・リソース（フォーラム、ドキュメント、カスタマー・サポートなど）も、問題のトラブルシューティングや知識の共有に非常に役立ちます。

組織が競争力を維持し、後れを取るリスクを回避するためには、AIの導入が不可欠です。以下のユースケースは、組織が各業界でAIをどのように統合したかを示しています。

医療

AIの強みは、今も増加の一途をたどる、医療の提供に関わる無数の課題を解決する上で役立ちます。

放射線科における課題への取り組み

患者データの量と複雑さが増すにつれて、効率を上げると同時に、より多くの患者に対処するという、放射線科医へのプレッシャーが高まっています。価値に基づく医療への移行により、診療報酬の処理はさらに難しくなってきており、組織は財務目標を達成するために効率と生産性を高める方法を模索するようになりました。ご想像のとおり、このような変化と需要の高まりに伴って、プロバイダーの不満や極度の疲労が深刻化しています。

AIは、強力な画像およびデータ分析機能により、放射線科医を次の分野で支援します。

• 画像撮影
• 最初の所見と解釈
• 研修の優先順位付けとトリアージ
• 電子カルテ（EHR）内の患者記録から得られた関連知見に基づく対応の推奨
• 文献または臨床ガイドラインから得られた関連知見に基づく対応の推奨

金融サービス

現在、銀行業界は、AIの活用により変革を遂げています。消費者と取引する銀行員の場合、AI搭載のリサーチ・システムにより、銀行が入手できるさまざまな商品に関する重要な情報（特徴、メリット、契約条件、料金体系、その他の重要な情報に関するデータなど）へのアクセスが大幅に強化され、銀行員はより良いサービスを提供できるようになっています。

このように、AIによる情報へのアクセス向上により、銀行員は優れたサービスを提供するための強力なツールキットを手に入れることができます。銀行の商品提供に関する深い知識を得ると同時に、個々の顧客のプロファイルを明確に理解することで、各顧客固有の財務目標や状況に合わせて、推奨事項やソリューションをより正確にカスタマイズできます。

ある銀行では、IBM Watsonによって管理されているチャットボットが、顧客からの質問、リクエスト、メッセージの 55％に適切に回答しつつ、残りの45％についても、より迅速に銀行員に引き継げることが判明しました。AIを効果的に導入する一環として、AIがバトンを渡すタイミングを見極めることも重要です。

金融業界では、次のような分野の支援にも、AIを効果的に活用しています。

• 信用審査の自動化
• リアルタイムの不正アクセス検知
• マネー・ロンダリング防止
• 請求処理

小売

過去2年にわたって、私たちは皆、仕事、育児、交流、そして買い物に新しいハイブリッド・アプローチを採用する必要がありました。店内のデジタルおよび物理的なタッチポイントを融合する「ハイブリッド・ショッピング」が登場し、主流になりました。ハイブリッド・ショッピングは、全消費者の27％、Z世代の36％にとって第一の購入方法となっています。すべての年齢層において、全体のほぼ4人に3人（72％）の消費者が、第一の購入方法の一部として店舗を利用しています。

これは課題と機会の両方を生み出します。小売業者はどのようにして、オンライン、店舗、モバイル、仮想の各チャネルで構成されるハイブリッドなショッピング体験を、単一のカスタマー・ジャーニーの中でシームレスに組み立てることができるのでしょうか。

小売業界はデジタル変革を進め、AIを中核として、次の5つの主要な分野で重要な機能を実現しています。

• パーソナライズされたショッピング体験：AIが、高度にローカライズされた洞察とリアルタイムの推奨事項を提供する。
• 従業員への強力なサポート：AIのサポートを受けた店員が、あらゆるタッチポイントで消費者と関わる。
• インテリジェントなワークフロー：AIが店内のプロセス、在庫管理、配送を最適化。
• オペレーション・センター：AIテクノロジーが店舗のインシデントを監視し、効率的に解決。
• 店舗運営プラットフォーム：スケーラブルで安全な基盤が、エッジのAIとデータ統合をサポートする。

製造業

メーカーは、予期せぬ機械の故障や製品の納品に関する問題など、さまざまな課題に直面することがよくあります。AIを活用することで、業務効率の向上、新製品の市場投入、製品設計のカスタマイズ、将来にわたる財務上の意思決定の戦略化を実現できるため、デジタル・トランスフォーメーションへの取り組みを推進できます。

このような課題に直接対処する主なAIソリューションには、次のようなものがあります。

• 予知保全：AIは、メーカーがセンサー・データを通じて設備の問題を検知できるようにサポートし、事前対策的なメンテナンスとコスト削減を実現する。

• 品質保証 ：データ駆動型の組立ラインにおけるAI駆動型のマシン・ビジョンが製品の欠陥を特定し、警告を発して是正措置を促すことで品質を維持。
• 在庫管理 ：AI搭載の需要予測アプリとツールにより、従来の手法に比べて在庫管理が改善され、過剰在庫や在庫切れが削減される。

IBM watsonxは、ビジネス全体で信頼できるデータを使用して、AIの影響を拡大および加速できるように設計された、一連のAIアシスタントを備えたAI製品のポートフォリオです。

中核となるコンポーネントは、新しい基盤モデル、生成AI、機械学習のためのスタジオ、目的に合わせてオープン・データ・レイクハウス・アーキテクチャー上に構築されたデータ・ストア、さらに責任、透明性、説明可能性を備えたAIワークフローを加速するためのツールキットで構成されます。

watsonxのAI支援機能は、カスタマー・サービスの自動化、コードの生成、人事部門などの主要なワークフローの自動化を含む、さまざまなビジネス・プロセスやアプリケーションで、専門知識がなくても個々の業務を遂行できるようにします。