▶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5)は、これからの企業経営に求められる思考法の変化について。日立製作所フェローの矢野さんは、今後は「アウトカム」つまり“何を高めたいか”を決める能力が求められるようになると語ります。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
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
本編
矢野 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。
会社組織への「ディープラーニング的手法」の応用
株式会社日立製作所 フェロー・理事 矢野 和男さん
矢野 ディープラーニングの方法論として、学習データを超えて未知の状況により強くするための手法に「ドロップアウト」というものがあります。
たとえば意思決定を行う社員が100万人いたとすると、わざと何割かランダムに休ませます。
そうすると、実は未知の状況に強くなります。
原理を大雑把にいうと、ある大事な会議があるとして「このイシューは森本さんに頼んである。森本さんが発言するんだから俺は黙っていればいいな」なんていう状況だったのが、そのキーパーソーンが時々休むとなれば、他の人たちはうかうかしていられなくなります。
全員が「俺が代わりに何かやらないと駄目だ」という状況を時々作ると、全体として、非常に不確実性に強くなるのです。
これも比喩ではなくて、全部リアルビジネスのデータが入っています。
山内 ドロップアウトはよく使う手法ですね。
矢野 はい。ディープラーニングでは、そういうビジネスのデータで、ビジネスのアウトカムを出すためにどのような複雑なディシジョンをやったらいいのかをやっているわけです。
AIというのは我々の方法論です。
コンピューターなど一切使わなくても、今日から使える方法論なのです。
ですから皆さんの会社で、明日から会議のたびにランダムに2割の人を必ず休ませるということをやり、もしディープラーニングやドロップアウトが正しければ、会社のロバストネス（※）が非常に高まるということを科学的に実証しているわけですよね。
▶編集注：ロバストネスとは、外的要因による変化に対応する力。頑健性とも。
会社のロバストネスが高まるというのは、プラスのことです。
先ほど申し上げた、ルールベースのAIがマイナスのことでいろいろな示唆を与えてくれているのと逆の話です。
実は、今はドロップアウトによるバックプロパゲーション(誤差逆伝播法)のことだけを取り上げましたが、これはほんの一例で、こんなことはいくらでもあるわけですね。
これからもっともっと発展していきます。
山内 そうですね、我々はモデルとデータを使ってお客さんにいろいろなソリューションを提供しているのですが、実際やっていると、かなり本質的なことを問われているような感覚になるときがあります。
非常に安定している環境であればルール通りやっているのが一番生産性が高いとは思うのですが、実際には「どう不確実性に対応するか」というのが非常に大きなテーマになっているということを、特に経営者の方と色々お話しさせていただいたり、相談する中で感じています。
最初に安宅さんからのお話にもあったように、同じインプットをしても、進化の過程で同じ生命は生まれないということも不確実性というものを理解する上で重要です。
また、不確実性という点で面白いなと思ったのは、森本さんのご経歴（本シリーズ「Part3」参照）がまさにIBMの変遷そのものだなと感じたことです。
メインフレームのところから出発して、IBMコンサルティングなどにも一時期行かれて、今はAIをはじめとしたR&Dのところの責任者をやられていますが、入社された時に、ご自身がそのようなキャリアを辿るとは多分想定していなかったと思います。
それが最先端の企業で起こるということですね。
矢野さんの問題意識もかなりそこを突いていて、AIの2次ブームの話は非常に面白いなと思います。
ルールベースでやったことは実は失敗ではなくて、むしろ正しい証明をしてくれたというような話は、コロンブスの卵的といいますか、そこの見方の逆転というのがとても興味深いと思っています。
これからのAI時代に「どのように経営を変えるか」という時に、いろいろな捉え方があると思います。
よく分からない時代に、我々のような企業経営者やビジネスリーダーは、何をどのように考えて生きていけばいいのでしょうか。
矢野さんの先ほどの話だと、ディープラーニングのモデルとは、実は社会の縮図のようなところがあるということでした。
非常に面白いですし、使えるだろうことはとてもよく分かります。
「アウトカム・ドリブン」思考にシフトせよ
矢野 先ほどのルールベース、ルールやプロセスを決めて守ることがいいことだという社会から、どのような社会に変わっていくのかということですよね。
それをひとことで言うと、私は「アウトカム・ドリブン」と表現できると考えています。
山内 アウトカム・ドリブン。
矢野 「結果として、何を高めたいのですか」という問いです。
これには人間としてビジョンが入ってきます。
未来にどのようなことを起こそうとしているのか、ということが入ってくるので、これはまさに未来のビジョンです。
アウトカム、つまり何を高めたいのかということをきちんと決めて一貫させる。
そしてその手段については、一度ルールを決めて皆で守るのではなく、状況が変わったり、様々なものが変化したら、柔軟に変えましょう、これが「アウトカム・ドリブン」という考え方です。
つまりアウトカムをきちんと決める能力というのが、ものすごく重要になってきます。
山内 日本人はその部分に結構弱いですよね。
左から順に、矢野さん、森本さん、安宅さん、山内さん
矢野 いえ、私はもともと弱いとは全然思いません。
まさにこの50年くらい、日本が高度成長期にルール・ドリブンとかプロセス・ドリブンの考え方に、ちょうどマッチしたために、そこをAIの言葉では「過学習」と言いますが、まさに過学習してしまい、オーバーラーニング、オーバーフィッティングしてしまったに過ぎません。
そこから今抜けられないために、AI時代に対しては非常にネガティブな状態を引きずっているわけですね。
山内 過学習というのは、ある特殊な状況ではピッタリ合うけれども、その状況が特殊であるがゆえに、違う状況になると全く通用しないというような、モデリングを失敗したような感じですね。
矢野 そうですね、過去の学習データでは上手く説明できるのだけれど、未知のデータが入ってくると上手くいかないということです。
これはまさに日本人全体に起こっていることだと思っています。
それが「アウトカム・ドリブン」になってきた時には、アウトカムの意味などがもう少しきっちり語られなければなりません。
プロフィットとは「目的」ではなく「原資」である
矢野 日本人のもう1つ弱いところは、プロフィット（利益）というものの捉え方です。
これは、もともとはそうではなかったと思うのですが、お金や、お金に絡むプロフィットというものを何やら汚いことのような印象で捉えている日本人が結構多いです。
しかし、AIの世界でやっていくには最終的なアウトカムを明確にしなくてはなりません。
その時に、たとえばプロフィットというのは私はアウトカムだと思っていません。
プロフィットというのは、これはドラッカーなどもよく言っていますが、我々の活動の「原資」なんですね。
我々がいろいろな経済活動を行うときには、とにかく人に頼むでも、物を買うでも、蛍光灯を1本取り換えるでも、何か原資が必要になります。
その原資というのは、地球から搾取するか、誰かが生み出したプロフィットを使うということ以外にはないわけです。
ですから、我々のあらゆる活動の経済的原資がプロフィットです。
一方、経済的原資だけがあればいいかというと、やはり人間なのでそれだけでは足りません。
人間が活発にチャレンジしたり、工夫したりする原資というのは、これはある種の活性度であり、我々は「ハピネス」と呼んでいます。
人間がいろいろなものに活発にチャレンジしようとするうえで必要な精神的なものですね。
▶参照：組織のハピネスは加速度センサーで測れる(日立 矢野)（ICC KYOTO 2016）
山内 論文で拝読しました。
矢野 経済的プロフィットとハピネスのようなものが、我々の活動の2本柱、すなわち原資です。
我々を取り巻くアウトカムと言いますか、原資のようなものを、もう一度きちんと捉え直す必要があります。
我々は単純に企業は儲かればいいというような、ある種のプロフィットを目的のように考えていますが、本来プロフィットというのは我々の活動の原資です。
ハピネスも目的ではなくて、我々のあらゆる活動の原資なのです。
山内 ありがとうございます。
「VUCA（※）」という言葉がありますが、AI時代というのは全く先が読めない、だからこそ、そこに対してやり方や考え方自体を変えないと駄目だという話でした。
▶編集注：VUCA（ブーカ）とは、Volatility（変動性・不安定さ）、Uncertainty（不確実性・不確定さ）、Complexity（複雑性）、Ambiguity（曖昧性・不明確さ）の頭文字を取った造語。
特に企業経営者はそうだと。僕もそれは全くその通りだと思っています。
ここまで、抽象度の高い話や専門用語なども出てきましたが、この辺りで会場からご質問などありますでしょうか？
(続)
次の記事を読みたい方はこちら
続きは 6. データ蓄積がもたらす新たなサイエンスは、社会の「暗黙知」を「形式知」に変える 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。
