振り返り 第1回 機械学習をビジネスに応用するための要素技術と事例紹介（書き起こし：その１）

ファーストアカウンティグ（以下FA)では、AIを利用したサービスの具体的な内容に興味のあるエンジニア向けTech Talkイベントを開催しています。

FAは深層学習技術を利用して独自のAIを開発しており、会計分野専用のSaaSを提供しています。これには高度なサービスを開発する総合的な技術力があり、AIモデルそのものの研究開発、AIの前後処理を行うシステム開発、導入支援を行う部分など違いがいろいろありますが、それぞれの役割を持ったエンジニアが専門性をもって活躍しています。そんなエンジニアの悩みや解決策、その取り組みについて紹介させていただくイベントとなっています。

2021年4月28日に第1回目のイベントを「機械学習をビジネスに応用するための要素技術と事例紹介」というタイトルで株式会社Ridge-iさんとFAの共催で行い、そこから現在（2022年5月）までに4回を数えています。

本来はオンサイトイベントを行いたいところなのですが、コロナ禍ということでオンライン開催となっています。特に大きく広報を行っていないのですが毎回50名〜100名程の方に参加していただき、ご好評をいただいてます。
（このストーリー記事をご覧になられて興味を持った方は、ぜひ次回ご参加いただればうれしいです。）

第1回目の内容振り返り

このTech Talkイベントはアーカイブ配信がありませんので今のところあとから動画を見ていただくことができないのですが、下記のような2部で構成しており、実際の導入活用事例について課題解決できた成果だけではなく苦労した点やトラブル対応などについても話していて（主催者がいうのも何ですが）それぞれにとても興味深い内容がありました。

• 第1部 事例紹介ピッチ
• • FA カスタマーサクセス部長 高塚：「AIで実現するエンタープライズ企業の経理DX」
  • Ridge-i エンジニア 畠山：「AIｘ衛星データの可能性とRidge-iの挑戦」
• 第2部 パネルディスカッション
• • 「AIソリューション導入のリアルって？」
  • 登壇者：Ridge-i CRO牛久、Ridge-i VPoE西野/、FA COO小嶋、FA CS部長 高塚

※以下敬称略、役職は当時のもの

パネルディスカッション テーマは「AIソリューション導入のリアルって？」

AIのソリューションを開発・提供に関わるエンジニア4人で、お客様へのデリバリー（導入）の実際の現場について4つの話題についてディスカッションしてみました。

その1：顧客の期待値調整はどのようにしてますか？
その2：実装までに超えるべきハードルは？
その3：トレーニングデータの収集やアノテーションはどうする？
その4：アカデミアとビジネスにおける違い

その1：顧客の期待値調整はどのようにしていますか？

小嶋：「AIを使った業務処理自動化サービスということで、ある程度しくみを理解をしているお客様もいらしゃいますが、当然みなさんが最初から理解されているわけではありません。初めて深層学習ベースでできているシステムを利用いただく際に、よくある誤解として『AIなんだから、何でも自動的に理解してこっちが思う以上に傾向と特徴を判断してうまいこと調整してやってくれるんでしょ』『もし間違ってても一回教えれば次から教えた通りにやってくれるんでしょ』といったような誤解がときどきあります。少し極端な表現になってしまいますが、『AIって人間より賢くできてるはずだから、御社のサービスに頼れば全部やってくれるんだよね』という感覚を持たれている場合があります。ある意味ではとても嬉しいことです。
これは誤解というよりも期待といったことなのかもしれませんが、具体的にできることはクリアに決まっていて、その場合の期待とは少し遠いのが現実のサービスになっています。教師あり深層学習のしくみの説明を簡単にしてご理解いただけるケースもありますが、『求めているのはそういうものじゃない』ということで期待に達していないという場合もあります。
我々FAのプロダクトは会計分野に特化したサービスで、業務を部分的に最大公約数的にくくることによって多くの企業に利用頂けるソリューションになっておりますが、個別の会社の特定業務に対応するにはカスタマイズが必要になり膨大なコストが必要になったり、現実的な対応が困難ということがありますので、その点について丁寧な説明をしています。しっかりご理解頂いて採用いただけるとよいのですが、もちろんそうならない場合もあり、下手をすると期待ギャップを含んだまま導入プロジェクトがスタートするということが起こってしまいます。
そこで、Ridge-iさんではいろんな分野の様々な課題に対してAIで解決したいという様々な相談があるかと思いますが、そういったニーズに対して期待ギャップを起こさないような説明というか進め方はどのようにされてますでしょうか。」

牛久：「いろいろな相談を受ける中で、お客様においてもどれぐらい達成できるか目標値が定まっておらず、何をやっていいかわからない中で『AIで何とか解決したい』または『AIでなんとかしろ』と言われて相談される場合がよくあります。なので、逆にそういった場合の方が期待値の調整がしやすいという段階ということができます。」

小嶋：「なるほど、依頼者側もどれぐらいの期待をしていいのか、そもそもやったことが無いことへのチャレンジなのでベンチマークがないということですね。確かに目標値を定める以前の段階から入っていくということで、プロダクトがあってソリューションの方向性がほぼ決まっているFAとの大きな違はありますね。」

牛久：「はい。何がどれぐらいできるという期待値が定まっていない、何をしたらどのような結果が得られるかが明らかになっていない状態で相談をいただく場合は、いっしょに実現に向かってお客様に寄り添って、どのように進めていくか、どのような成果が出せそうかというところから検討していきながら、こういうことをやったらこんな成果が出せるかもしれませんねという実現方法を我々の方から提案させていただきます。そのように理解が進む中で期待値を設定していきます。
逆に自分たちのところで、Googleなどでこんなやり方で、このぐらいデータがあって、どれぐらいの精度が出せそうだといった事をニュースや技術文書などで入手していて、できあがりのイメージを持っているお客様は期待値調整が必要になってくると思います。そういった場面では、より具体的な希望に沿ったことが叶うように”ファクト”を捉えることが重要になります。」

小嶋：「まずはその詳細をしっかり捉えて、それがどのようなbefore afterを期待しているのかクリアにゴールイメージの目線を合わせることが第一歩ということですね。しかし、お客様のAIへの期待値が大きく高まっているときはギャップが生じることがありそうですよね。」

牛久：「そこをどういうかたちで説明して納得いただけるかということですね。
ギャップがあった（高すぎる）ときの説明の方向性は大きく2通りありまして、
できるだけ近い取り組みにおいて権威のある研究成果を示して実績値としてこのぐらいという結果が出ているからそれよりも大きく上回る結果を求めることは難しいと説明するか、
お客様のより具体的な課題の内容をお聞きし、入手したニュースなどの情報と比較し、細かく詰めていくとタスクに違いがあることを説明し、局所的な部分をみてみると精度的にはこのぐらいになりますよ、こういう振る舞いになりますよということをお見せして、そのしくみをご理解いただくのがよいと思います。」

小嶋：「確かに自分たちが独自に判断した見解ということではなく、しっかりとした根拠のある研究結果・信頼できる情報ソースの具体例で示すこと、比較するとかなり異なる特徴があることを細かく説明いただくとよく理解できて納得感がありますね。FAへのリクエストでも同じようにな説明ができそうです。その方法はとても参考になります。」

その2へ続く