【NEW】ICC サミット FUKUOKA 2024 開催情報詳しくはこちら

4. 共通点は「複雑性」? ディープラーニングの原理は、企業経営そのもの

平日 毎朝7時に公式LINE@で新着記事を配信しています。友達申請はこちらから!
ICCの動画コンテンツも充実! Youtubeチャネルの登録はこちらから!

「AIやデータの活用が企業経営のあり方を大きく変える」8回シリーズ(その4)では、日立製作所フェローの矢野和男さんが、「ディープラーニングは、まさに企業経営そのもの」と語ります。その心とは? ぜひご覧ください!

▶ICCパートナーズではコンテンツ編集チームメンバー(インターン)の募集をすることになりました。もし興味がございましたら採用ページをご覧ください。

ICCサミットは「ともに学び、ともに産業を創る。」ための場です。毎回200名以上が登壇し、総勢900名以上が参加する。そして参加者同士が朝から晩まで真剣に議論し、学び合うエクストリーム・カンファレンスです。次回 ICCサミット KYOTO 2019は2019年9月3〜5日 京都開催を予定しております。

本セッションは、ICCサミット KYOTO 2017のプラチナ・スポンサーとして、IBM BlueHub様にサポート頂きました。


【登壇者情報】
2017年9月5〜7日開催
ICCサミット KYOTO 2017
Session 4B
AIやデータの活用が企業経営のあり方を大きく変える
Supported by IBM BlueHub

(スピーカー)

安宅 和人
慶應義塾大学 環境情報学部 教授
ヤフー株式会社 CSO(チーフストラテジーオフィサー)

森本 典繁
日本アイ・ビー・エム株式会社
執行役員 研究開発担当

矢野 和男
株式会社 日立製作所 フェロー、理事 / 博士(工学)
IEEE Fellow
東京工業大学大学院 情報理工学院 特定教授

(モデレーター)

山内 宏隆
株式会社HAiK
代表取締役社長

「AIやデータの活用が企業経営を大きく変える」の配信済み記事一覧


連載を最初から読みたい方はこちら

最初の記事
1. “産業のAI化は国策レベルの取り組みであり、その変化は不可逆である”――『AI白書』に見る世界のAI動向

1つ前の記事
3. AIの学習過程は“ブラックボックス”の中。そこから出た答えの正しさを、誰が担保するのか?

本編

山内 最後になってしまいましたが、矢野さん、AIとデータの最先端の活用事例について、いかがでしょうか。

矢野 和男さん(以下、矢野) 「AI」というと、ある種のマシンかターミネーターや鉄腕アトムの世界というイメージがありますが、私は実は全然違うように捉えています。


矢野 和男
株式会社 日立製作所 フェロー、理事 / 博士(工学)
IEEE Fellow
東京工業大学大学院 情報理工学院 特定教授

1984年 早稲田大学物理修士卒。日立製作所入社。1993年単一電子メモリの室温動作を世界で初めて成功し、 ナノデバイスの室温動作に道を拓く。さらに2004年から先行してビッグデータ収集・活用で世界を牽引。 ハピネスの定量化や多目的人工知能の開発で先導的な役割を果たす。論文被引用件数は2500件、特許出願350件を超える。 企業経営、心理学、人工知能からナノテクまでの専門性の広さと深さで知られる。2014年7月に上梓した著書『データの見えざる手』が、Book Vinegar 社の2014年ビジネス書ベスト10に選ばれる。

私は「AIというのは、我々の方法論だ」というふうにずっと思っています。

先ほど安宅さんから「未来は分からない」というお話がありましたが、未来は本当に分かりません。

その未知の状況にいかに的確に対応するか。AIはそのような方法論の1つだと思っています。

20世紀というのは、生産性が50倍くらい上がったと言われていますが、その非常に大きな原動力が、いわゆるオートメーション(自動化)です。

そのオートメーションをものすごくドライブしたのが、フレデリック・テイラーという人です。

20世紀の最初に、一見複雑に見える職人だとかベテランの仕事も決まったプロセスに標準化できて、分けられて、無駄なものを省けるいうことを提唱しました。

そうすると、素人でもそこそこの生産性で仕事ができます。

そういうことを徹底的にやっていって、標準化できるところをマシンに置き換えたり、その途中でコンピューターが出てきてコンピューターにも任せたりという、そのような形でオートメーションが進んできました。

ここで重要なのは、テイラーのこの科学的管理法という方法論が先に存在し、それを加速、具現化する1つの手段としてコンピューターやマシンが出てきたという順序です。

▶参照:『科学的管理法』(フレデリック W.テイラー)、ダイヤモンド社、2009

この、方法論と具現化する手段というのはセットでなければなりません。

今のAIの状況で非常にいびつなのは、マシンというか具現化する手段の方が先に出てきて、その方法論とか、そもそも何をやりたいんですか、ということがあまり語られていないことだと考えています。

山内 確かにそうですね。

矢野 それを今きちんとやらなくてはいけない、というのが私の考えとしてあります。

AIは、人間が“不確実性”と対峙する実験の場

矢野 そもそも、AIというのは何のためにあるのかと。

結局のところ先ほどのテイラーなどが20世紀にいろいろとやってきたことがルールで、現代のAIはそれに相対するものなんですね。

20世紀の主導原理というのは、広い意味でのルールをきちんと作って皆で従おう、そうすればいいことが起きるよというものだったわけです。

しかし一方で、ルールというのは杓子定規で硬直的だということも言えます。

そのため、現在「価値」を生み出せるのはそうしたルールではなく、多様性への向き合い方や、顧客の価値観や需要・供給の変化に対しどれだけ適応できるかということです。

そうした変化は未知なものであり、ロジックもパターンもしょっちゅう変化します。

したがって標準化したルールを皆で作って、皆で守ろう、というのでは全く駄目で、それに代わる方法論が必要なのです。

ではその方法論つまり、変化や多様性に耐えうる方法論、20世紀のオートメーションやルールに相対する方法論とは何か。

私は、変化や多様性、未知の状況、不確実性にどう対応したらいいかということを我々がシステマティックに実験する場こそが、AIという学問だと思っています。

たとえば、80年代、90年代にいわゆる第2次AIブームというのが起きました。

その当時はいろいろなルールをたくさん集めて、「こういうときにはこうやればいい」というルールを作りました。

山内 当時はルールベースだったと。

矢野 ルールベースで、「ルールとルールを組み合わせてより複雑なルールを作ってそれに従うというのはいいことなんだ」ということでした。

これは何をやっていたかというと、実は、20世紀以来のルールやプロセスを皆で作ってそれを守ろうということを極限まで進めてみたらどうなるかという実験をやっていたんです。

そして全然上手くいきませんでした。

上手くいかなかったのは、AIが駄目だったからだと受け取られたのですが、これは間違っています。

間違っていたのは、ルールやプロセスをちゃんと作って守るということがいいことなんだという我々の信念の方で、むしろ我々の信念が間違っていたということをAIが実証しました。

山内 ルールの組み合わせで何とかなるということ自体が間違っているということですね。

矢野 複雑な状況とか多様性、多様な状況では、ルールの組み合わせでは駄目なのだということを証明したという、大成功の活動だったんです。

それを我々はAIが駄目なんだというふうに、間違ってとらえてしまったんです。

山内 なるほど。

矢野 それと同じように、我々は人工知能を通していろいろな実験をしており、成功したこと、または上手くいかなかったことがたくさんあります。

それらは全部、不確実性に対していかに多様に、いかにシステマティックに対応するかという方法論の正否が問われているのです。

実験して上手くいけば、上手くいったという知見が得られるし、上手くいかなかったものも上手くいかなかったで、我々には学びがあるんですね。

ディープラーニングの原理は、企業経営そのもの

矢野 ディープラーニングは、まさに企業経営そのものです。

ディープラーニングというのは、私はその原理があまりきちんと語られていないのではないかなと思っています。

やっていることは非常に単純です。

要するに、入力があって出力を出す、ある意味足し算とか掛け算のようなものです。

結果のデータと条件のデータを入れて、予測式を作ります。

よく分からない現象なので、予測式のパラメーターは1,000個でも、10,000個でも、いろいろなパラメーターに掛け算とか足し算を入れて、でたらめな予測式を作ってみます。

当然でたらめなパラメーターで予測式を作ったら全く当たらないわけですよね。

でも1,000個パラメーターがあり、1つ1つ少しでもチューニングしたら、誤差が少し小さくなります。

これを1,000個パラメーターがあったとして、1,000個パラレルに、尺取り虫的に少し上げて、近づくかどうかという判断を行っているわけです。

それだけの単純な原理です。

これは、1940年代にチューリングが「こうすれば知能ができる」と言っていた原理そのものなんですね。

ああいう偉い人というのはきちんと分かっていたのです。

凡人は、そんな単純なことで知能なんかできるのか、と思っていたのですが、本当にできたということです。

実はこれを方法論として見ると、我々にとって学ぶべきところがたくさんあります。

それは、この方法論が企業経営にも非常に役立つということです。

ディープラーニングの中には、いろいろなディシジョンをするエージェントというか、要素がたくさんあります。

それはニューロンと呼んだりしますが、別にニューロンであることはそれほど重要でありません。

企業経営において、1個1個の要素があり、いろいろな階層があります。

組織とそれを構成するメンバーを考えても、いろいろな依存関係があり、結果に近いところにいる人もあれば、そうではない人もいます。

ところが、ディープラーニングでは先ほども言ったように結果の近いにいる人でも新入社員でも、そうしたことは一切気にせずに、結果の出力がどうなるかという予測だけで、要素としては全員パラレルに考えます。

だから周りとの調整は一切しないのです。

それぞれ全部パラレルに動くので、「私がこうやれば本当はちょっと誤差が小さくなるはずだったのに」という場合も、「周りが全然違う方に動いたから結局、上手くいかなかった」「何で周りは俺の言うことを聞いてくれないんだろう」などと不平不満を一切言いません。

自分が行動原理を少し変えてみると、誤差がより小さくなるかどうか、周りと調整せずに最終的なアウトカムだけを見るわけです。

ディープラーニングはこういうやり方をやっているわけですね。

要するに複雑な変化の中で、いろいろな人が協力しないといけない時に、そうした複雑性にどう対応するか、という壮大なモデルなのです。

ディープラーニングがコンピューターのアルゴリズムだと思ったら駄目です。

なぜかというと、そこに入っているのは全部リアルなデータ、例えば経営データなどの数字だからです。

社会問題を構成する複雑な要素があった時に、それぞれの要素がどのようなディシジョンをしたら、その複雑な問題が解けますかというと、それは会社の組織であっても全く同じです。

しかしそういうことに対して、我々は、普通の会社組織といのは、今申し上げたことと全く違うやり方をやっています。

それぞれが、周りのことや上司が納得するかどうかといったことを気にしていますよね。

しかしディープラーニングのように、そうしたことは一切気にしないほうがよいと思っています。

(続)

次の記事を読みたい方はこちら

続きは 5.「アウトカム・ドリブン」思考にシフトせよ――ルールを決めるのではなく、ビジョンを分かち合うこれからの社会 をご覧ください。

平日 毎朝7時に公式LINE@で新着記事を配信しています。友達申請はこちらから!
ICCの動画コンテンツも充実! ICCのYoutubeチャネルの登録はこちらから!

編集チーム:小林 雅/本田 隼輝/尾形 佳靖/戸田 秀成/鈴木ファストアーベント 理恵

他にも多く記事がございますので、TOPページからぜひご覧ください。

更新情報はFacebookページのフォローをお願い致します。

この記事が気に入ったら
いいね または フォローしてね!