AIと量子コンピューティングの未来：進化の道を選ぶ

人工知能（AI）についての議論がますます盛んになっています。特に、生成型AIチャットボットに関しては、ビジネスや一般大衆から注目を集めています。機械学習（ML）、特にディープラーニングと生成MLが、これらの進展の大きなドライバーとなっています。 しかし、ビジネスコンテキストにおけるAIの冷静な分析は、最初に見える見出しとは異なるストーリーを明らかにしています。 McKinseyによると、企業のMLプロジェクトのうち、わずか15％が成功しています。Gartnerの別の調査によると、AIプロジェクトのわずか53％がプロトタイプから本番に移行します。それなら、なぜ企業がAIに数十億ドルを投資しているのでしょうか？ その乖離は、熱狂ではなく、アプローチに起因しています。MLソリューションを構築する組織の最も一般的な戦略は、データセットを見て、それらをモデル化する方法を示すことです（通常は予測的に）。この戦略は、提案されたソリューションが会社の運用現実を無視して独立して開発されるため、問題が生じます。 ソリューションから問題を逆算することで、組織がAIの取り組みで成功する可能性が高くなります。有効なソリューションをデプロイするために必要なものを把握し、実際の問題を特定し、提案されたソリューションを小さなステップに分解する必要があります。 適切な問題の選択 「解決する必要がある」問題と「解決したい」問題には違いがあります。AI /データサイエンス部門、マネージャー、またはチームメンバーが解決に興味を持っていることは、その周りのビジネス上の課題と比較してつまらないかもしれません。これらの目標が組織の目標とどのように整合するかについての適切なコミュニケーションが欠如していることで、意思決定者はMLが解決すべき誤った問題を選択する可能性があります。 より良い戦略は、ターゲットソリューションが最高のビジネス優先度を持っていることを確認することです。問題の適切な分類により、システムの維持、必要な変更の実施、および本番での継続的な採用を確保するためのリソースの割り当てを決定するのに役立ちます。 ROIの見積もり AIの二次または三次コストを見積もる際に、多くの企業が見落としているコストがあります。しかし、MLソリューションには、開発コストだけでなく、メンテナンスとインフラストラクチャ、トレーニング要件、コンプライアンス問題、エンジニアリングコストなどが含まれる場合があります。 真に信頼できる見積もりを得るには、意思決定者は財務、法務、カスタマーサービスチームを巻き込む必要があります。潜在的なリターンを評価する際、データサイエンティストが財務現実を見落とすことがあるため、進化する規制環境が問題を複雑化することがあります。 信頼を築く AIによる予測は、意思決定者にとって常に理解しやすいものではありません。たとえば、保守スケジュールを予測するために設計されたMLモデルが、システムのシャットダウンを推奨して修正を行うことを推奨した場合、マネージャーは、サービスを停止するか、ダウンタイムを引き起こす必要がある場合は、推奨に従うことにためらいを感じるかもしれません。そのためには、AIシステムへの信頼が必要です。 解明可能性と透明性を通じて信頼を獲得します。説明は、データサイエンスのバックグラウンドを持たないマネージャーにも理解できるようになる必要があり、結論を支持する説得力のある証拠を提供する必要があります。たとえば、説明には、システムの障害の前に発生したイベントの例が含まれることがあります。これは、AIシステムが人間のオペレーターよりも先に問題が発生することを認識している方法を示す例として役立ちます。