生成AIと従来型ML：分析成功のレシピ

Augmented Opsポッドキャストの最新回では、産業プロセス分析のためのソフトウェアツールを開発するSeeq CorporationのCEO、リサ・グラハム博士にお話を伺いました。Gen AI, Democratization, and the Future of Industrial Analytics（AI、民主化、産業分析の未来）」と題されたこのエピソードで、グラハム博士は自身の豊富な経験をもとに、データと分析の未来についての見解を語っています。プロセスエンジニアとして、またSeeqやその他のBIツールのエンドユーザーとしてキャリアをスタートさせた後、同社に入社し、CEOにまで上り詰めた彼女は、プロセス改善を推進する上でのデータの役割、従来の機械学習の継続的な重要性、そしてアナリティクスの領域にジェネレーティブAIがもたらすことを約束する価値について、微妙な洞察を提供しています。

彼女の洞察は、産業企業が直面する課題、特に、エンジニアが継続的にプロセスを改善できるよう、日常的に収集する大量の生データを実用的な洞察に変える必要性を明らかにしています。

グラハム博士は、最前線のオペレーションを推進する上でのデータの重要性を強調し、オペレーションの効率化とプロセス改善を推進する上で重要な役割を果たすことを強調しました。「つまり、オペレーションからプロセス、設備、モニタリングに至るまで。つまり、オペレーションからプロセス、機器、モニタリングに至るまでです。製品の品質を効果的に改善し、エネルギー消費量を削減し、収益性を確保するためには、データから実用的な洞察を引き出すことが極めて重要です。

産業界にデータが溢れているにもかかわらず、グラハム博士は、この豊富な生データを有用で実用的な洞察に変えるという共通の課題を指摘しました。グレアム博士は、「DRIP」と呼ばれる多くの企業に共通する落とし穴を指摘しました。この状況は、企業が豊富なデータを保有しているにもかかわらず、それを効果的に活用する能力を欠いているものであり、業務の進歩にとって大きな障壁となっています。

グレアム博士は、データを活用することで製造業がどのように業務を変革したのか、多くの事例を紹介しています。その一例として、何千もの資産を持ちながら、数百の資産しか可視化できていない企業について説明しています。そのため、比較的少数の資産を最適化することはできても、残りの資産を最適化するために必要な洞察が得られなかったのです。Seeqのような強力なツールを活用してデータソースを集約し、分析を行うことで、全資産を例外ベースのモニタリングに移行することができました。

収集される膨大なデータを価値ある洞察に変えるための最も重要なツールの1つが機械学習（ML）です。グラハム博士は、「従来の機械学習は、時系列や分析など、驚くべきビジネス価値を示し続けている」と指摘しています。

注目されているジェネレーティブAIについて、彼女はジェネレーティブAIの登場は従来のMLに取って代わるものではなく、MLを補完するものだと考えています。ジェネレーティブAIは、より直感的でユーザーフレンドリーな分析ツールを実現し、組織のさまざまな役割におけるデータアクセスの民主化を促進する可能性を秘めています。例えば、自然言語入力を受けて必要なSQLクエリやビジュアライゼーションを生成することで、この新たなテクノロジーは、訓練を受けたエンジニアやデータサイエンティストではない人々にも高度なアナリティクスの分野を開放することを約束します。これは、かつてはごく少数の人しか持っていなかった高度に専門化されたスキルを民主化する大きな前進です。

グラハム博士は、技術的なバックグラウンドに関係なく、高度なアナリティクスがすべての従業員のツールキットの不可欠な一部となる未来を描いています。産業界が膨大なデータを生み出し続ける中、オペレーショナル・エクセレンスの推進におけるアナリティクスの役割はより顕著になり、それを最も効果的に活用できる企業が繁栄することになるでしょう。彼女は、「今後数年、特に今後24カ月で、アナリティクスの役割はさらにミッションクリティカルになっていくでしょう。機械学習やジェネレーティブAIなど、今後登場するかもしれないあらゆるものについて考えるとき、データ主導の意思決定が生産性と持続可能性の向上を促進し続けるため、アナリティクスの役割に立ち戻ることになるのです。

グレアム博士は、このテクノロジーに強気である一方で、ジェネレーティブAIの機能には、企業が自社のプロセスに導入する前に考慮しなければならない重要な限界が数多くあることも強調しています。「組織は、データの課題、透明性の欠如、データ・プライバシーの懸念など、その限界と関連するリスクを認識する必要があります。特に、データが豊富であるだけでなく、機密性が高く、厳格な規制基準の対象となり得る時代においては、これらは取るに足らない懸念事項です。

グラハム博士はさらに、「ジェネレーティブAIの結果は検証される必要がある」と強調し、ジェネレーティブAIのアウトプットは、その基礎となるデータとモデルがあって初めて優れたものになると説明しています。また、アナリティクスに関しては、参入障壁が大幅に下がると考えていますが、「一般的な言説にもかかわらず、ジェネレーティブAIが効果的に機能するには人間の監視が必要です。

「AIは魔法ではありません」と彼女は断言し、この技術の本当の価値は、業務上の問題を解決するためのより大きなツールボックスにAIを統合することから生まれると主張します。このようなツールがより多くの製品に搭載され続けるにつれ、メーカーはこの技術をどのように自社のプロセスに統合するかを慎重に検討する必要があります。