メインコンテンツへジャンプ

人工知能(AI)は、企業が生産し、顧客が接するあらゆる製品やサービスに組み込まれるようになるでしょう。 生成AIによって、私たちは今、あらゆる企業の競争優位に貢献するデータ & AIイニシアチブへの期待が高まる時代に突入しています。 データガバナンスは、企業が競争上の優位性を生み出し、それを維持するために成功するためには、絶対に欠かせないものです。 今日のダイナミックな状況において、データガバナンスの重要性を見過ごすことはできません。 なぜかというと、優れたAIは優れたデータから生まれるからです。 適切なガバナンスがなければ、良いデータを確保することはできません。

しかし、データガバナンスには大きな問題があります。 「プリンセス・ブライド」で有名なハリウッドのキャラクター、イニゴ・モントーヤから引用します。「データガバナンス...。あなたはこの言葉を使い続けています。 私は、それはあなたが思っているような意味ではないと思います!」。これは、データガバナンスという用語があまりに不定形になりすぎて、それが何なのか、どのようにしてビジネスの価値を高める成果を生み出すことができるのか、コンプライアンスの取り組みとどのように区別されるのかを定義するのに組織が苦労しているという現実を、笑いを誘いつつも衝撃的かつ正確に表現しています。

データガバナンス

データガバナンスが組織のあらゆる側面にどのような影響を与えるか、そしてなぜそれが主要な利害関係者(特にAIアプリケーションを持つ利害関係者)にとって重要なのかを説明するために、製品、プロセス、そして強力なデータガバナンス戦略によって業務に影響を受ける人々のライフサイクルを追ってみましょう。

より良いデータでより良い顧客体験を提供

コネクテッドデバイスが、重要な健康状態やユーザーとのインタラクション情報を継続的に会社のデータプラットフォームにストリーミングしていることを想像してみてください。 カスタマーサポートチームは、サービスエージェントやフィールドエンジニアが適切な問題に優先順位を付け、適切なソリューションを提案できるようなLLMモデルとチャットボットを構築したいと考えています。 顧客対応チームがこの情報に基づいて行う意思決定のクオリティは、このデータの品質、特に完全性とリアルタイム性に非常に敏感です。

例えば、サービスチームは、フリート内のどの部分が最新の構成で稼動しているかを把握し、パフォーマンスが低下しているセグメントを特定し、可能な回復戦略の影響をシミュレートすることができます。 さらに、フィールドエンジニアはこの情報を利用して、信頼性の傾向を把握し、顧客に最高の経済的価値を提供できる最適なソリューションを検討します。 このようなシナリオでは、データ品質が低いために最適な意思決定ができず、顧客からの信頼が損なわれるだけでなく、1件あたり数百万ドルのコストが発生する可能性があります。

ガバナンスはデータ管理と緊密に統合されなければなりません。 顧客中心の組織としてより良い意思決定を行い、製品を最良の状態に保ち、最高の顧客体験を提供するためには、あらゆる段階でデータの整合性を厳しくチェックすることが最も重要です。

データバリューチェーンのすべての段階でデータ整合性チェックの可視性を確保することで、企業は同期の向上、より迅速な根本原因分析、エンドユーザーが消費する予測、レポート、ダッシュボード、生成AIアプリなどの下流データ製品のより正確な評価を実現できます。

シームレスなデータ連携による俊敏なサプライチェーンの編成

サプライチェーン・チームが、データサイエンス技術を使用して、製品の市場需要をより正確に予測し、在庫レベルを最適化し、より正確な補充計画や生産計画を策定したいと考えているとします。 ロジスティクスや倉庫業務の自動化を進めることで、ミスを減らし、納期遵守率を高め、資本配分の意思決定をよりスマートに行えるようになると考えています。 より正確で、完全で、タイムリーな予測は、サプライチェーン、調達、財務、オペレーション、ビジネスユニット、さらにはサプライヤー、ディストリビューター、ロジスティクスパートナーなどの外部機関など、さまざまな機能間のコラボレーションにかかっています。

優れたデータガバナンスの実践は、コラボレーションの妨げになるのではなく、それを促進します。 これにより、誰もがより良い意思決定を行うための適切なデータを入手できるようになります。 社内外の関係者間での強固で信頼性の高いデータ共有は、より正確で有意義な分析を実現します。 それがないと、各機能が自分なりの現実を作り上げることになり、より完全な作戦の全体像が描けなくなります。 堅牢で持続可能なサプライチェーンを構築するためには、企業は、ビジネス全体とエコシステムをシームレスに連動させるデータガバナンスに、より一層注力する必要があります。

製造企業は、組織内(異なる部門や事業ライン間)および外部(サプライヤー、取引先、ディーラー/販売店)の両方で、データを共有するための管理されたアプローチを必要とします。 これは、オペレーションとサプライチェーンのパフォーマンスに影響を与えうる要因を、より包括的かつリアルタイムに理解するために必要なことです。

管理されたAIによるスマートな製造

排ガス規制の強化や顧客の期待に伴い、業界のほぼすべての分野で品質に対する要求が高まっています。 貴重な製造資源を無駄にせず、さらに重要なことに、不良品が顧客の手に渡ることがないように、品質管理の専門家が製造工程の早い段階で潜在的な不良品を特定し、廃棄することを支援するコンピュータ・ビジョン・ベースの不良品検出モデルを想像してみてください。

意思決定のための産業用AIシステムは、主にセンサー、画像、ビデオ、テキスト、文書、複雑なシステムからの非構造化データを使って学習されます。 安全性、品質、生産性に影響を与えるミッション・クリティカルなユースケースでは、予測が甘いとそのコストは何百万ドルにもなります。 産業用AIの成功は非常に高く評価されているため、悪いデータは成功の秘訣ではありません。 AIの将来性は、ガバナンスの近道では実現できません。 業界は、データ管理から始まり、AIのエンドツーエンドの開発に至るまで、ガバナンスに対する包括的なアプローチを必要としています。

製造業におけるAIによって解決される問題の重要性に伴い、業界は、これらのデータとAI資産のライフサイクルにわたって説明可能性、トレーサビリティ、再現性を向上させるために、あらゆるデータタイプ、機能、モデルにわたってAIワークフロー全体を管理する、より包括的なアプローチを必要としています。

包括的なデータ検出とリネージでより良い製品を設計

業界の製品サイクルは指数関数的に短くなっています。 主力製品にソフトウェアとAIを導入するには、設計から製造、サービス、最適化まで、製品ライフサイクルのさまざまな部分にわたってデータセットを統合できる、これまでとは異なるアプローチが必要です。 しかし、このような貴重な情報を保持するデータ・プラットフォームと対話するためには、ドメイン・エキスパートに大きな技術的スキルの壁があります。

生成AIの最も直接的な用途は、企業独自の組織構造、特定の略語、製品用語に合わせてデータの構造を継続的に学習し、スキルレベルに関係なく、適切なデータセットを発見し、ビジネスに特化した洞察を提供するための自然言語インターフェースをユーザーに提供することです。 エンジニアリング・シミュレーションやワークフローでは、AIモデルを活用して実環境のデータを活用し、設計プロセスの反復作業を効率化し、分野を超えたチーム間のデータ連携を強化することができます。

データの発生から使用までのライフサイクル全体を網羅するデータ・リネージへの包括的なアプローチは、エンジニアリング生産性の次の波を解き放つために必要な信頼性、トレーサビリティ、監査能力をもたらします。 最終的には、より良い設計をより早く、より安く繰り返すことが可能になります。

今後の展望:より効果的なガバナンスによるデータとAIの民主化

結局のところ、企業のデータとAI戦略は、より良い意思決定を行うことを目的としています。 データとAIの効果的なガバナンスは、バリューチェーンの各段階や組織の隅々まで、より良い意思決定を行うための道筋であり、障害ではありません。 ガバナンスに対してより包括的なアプローチを取る企業は、データによって強力な競争優位性を生み出す上で最も優れた存在になると考えています。 このAIの黄金時代において、経営幹部がガバナンスの次のステップを知るために問うべき5つの質問があります。

  • データの品質:私たちの業界では、データが非構造化かつ多様化し続けています(アプリケーション、IoTデバイス、遠隔測定、画像/ビデオなど)。 このように複雑さが増す中、データキュレーションプロセスを拡張し、より幅広いユーザーに高品質のデータ製品を提供するにはどうすればよいのでしょうか。
  • AIのガバナンス:AIの仕事のほとんどは、非構造化データの領域で行われます。 その企業の戦略は、AIのエンドツーエンド開発における成果物(例:機能、モデル、非構造化データなど)のガバナンスに対応していますか?
  • コラボレーション:マーケティング、アフターセールス、オペレーション、製造、研究開発、さらには社外のビジネスパートナーやサプライチェーンパートナーなど、複数の部門に情報を民主化する必要性が常にあります。 このような社内外のステークホルダーとの協働を可能にするガバナンスのアプローチは何でしょうか?
  • セキュリティ:AIを取り巻く契約、法律、規制、業界慣行の状況は、ますます拡大しています。 社内でのデータ & AIの活用が、市場や業界の期待に沿ったものであることをより確実に示すために、どのような対策を講じればよいのでしょうか?
  • 再現性:AIは、安全性、信頼性、効率性、生産性において、実世界で具体的な成果をもたらす、一刻を争う意思決定を後押しします。 イノベーションのペースとモデルの複雑さが増す中、同社はどのようにしてエンドツーエンドのデータリネージをより包括的に把握し、AIシステムの説明可能性と再現性をどのように向上させているのでしょうか。

ガバナンス、生成AI、Databricks DIプラットフォームの詳細については、以下のリソースをご活用ください。

Databricks 無料トライアル

関連記事

グレート・アンロック: 製造業における大規模言語モデル

May 30, 2023 Sam Steinyシヴ・トリサル による投稿 in 業界
Original: The Great Unlock: Large Language Models in Manufacturing 翻訳: junichi.maruyama 製造業は、自動化を進め、オペレーションを可視化し、製品・技術開発を加速させるための新しい方法を常に模索しています。そのため、企業は常に深い技術的進歩の最前線にいることが求められます。製造業で最近見られる技術的進歩のひとつに、Generative AI、特にLarge Language Models(LLM)の利用があります。Generative AIは、既存のデータから認識したパターンに基づいて新しいユニークなデータを作成することができますが、LLMはさらに一歩進んで、複雑な情報を理解・整理し、人間のような対話を生成する能力を備えています。 製造業では、接続された車両、工場、建物、作業員によって生成される大量の複雑な非構造化データ(センサー、画像、ビデオ、テレメトリ、LiDARなど)が発生しますが、その多くは、データをリアルタイムでストリー

ソリューション・アクセラレーターのご紹介: 製造業のためのLLM

October 18, 2023 Will Block Ramdas MuraliNicole LuBala Amavasai による投稿 in 業界
翻訳:Saki Kitaoka. - Original Blog Link GoogleのVaswaniらによるトランスフォーマーに関する画期的な論文( seminal paper on transformers by Vaswani et. al. )が発表されて以来、大規模言語モデル(LLM)は生成AIの分野を支配するようになりました。間違いなく、OpenAIの ChatGPT の登場は、多くの必要な宣伝をもたらし、個人的な使用と企業のニーズを満たすものの両方で、LLMの使用に対する関心の高まりにつながりました。ここ数ヶ月の間に、Googleは Bard を、Metaは Llama 2 モデルをリリースし、大手テクノロジー企業による激しい競争を示しました。...
業界一覧へ