ガートナー、人工知能 (AI) に関する10の「よくある誤解」を発表

ガートナー、人工知能 (AI) に関する10の「よくある誤解」を発表
https://www.gartner.co.jp/press/html/pr20161222-01.html

この記事を読んでAIに関するよくある誤解というか前提として考えなくてはいけないこと今回は取り上げてみたいと思います。

1. アウトカムを明確にする
どんなにAI（のなかの機械学習）を駆使したとしても、分析結果がトップラインなりボトムラインに影響を与えないのならば、分析のための分析になってしまい、意味がないのではないでしょうか。

データが豊富にある場合「まずはなにができるかをも考えるために分析してみよう」というのはきっかけとしてはいいのかもしれませんが、その際も売上向上、コスト削減といった明確なゴールを設定した上で分析を開始するべきでしょう。

2. Garbage in, Garbage out
正しくないデータでどんな分析を行っても、出てくる分析結果は正しくなりえません。

データ分析について語るとき、分析のソースとなる「データの正しさ」や「正しさを保つための業務フロー」について議論されることが少ないかなと思います。例として、下記のようなことを考えなくはいけないかと。

1. データが取得/入力されるアプリケーションはそもそも正しくデータを保存しているか。郵便番号入力が頭0が桁落ちしてしまう等の問題が発生していないか。

2. 「正しくないデータ」が入力されてしまった場合に、それを検知するシステム/業務は構築されているか。正当性チェックのプログラムを組んだり、それをしかるべき人間（データオーナー等）が確認できるようになっているか。

3. マスターデータの整合性は保たれているか（グループ企業間でも商品とのマスターデータの持ち方が異なる場合がある）

4. データやその分析結果のオーナーシップやアカウンタビリティをもつ部署を明確にする

金融企業でデータ分析を専門に行う部署ができておりますが、分析がビジネスにおいて価値を発揮し続けるためには上記のようなことを考えておかないと、Garbage in, Gabage outになってしまうかと思います。

下記でもAIを活用したいと考える前に、解決しなければならない課題が説明されています。
金食い虫の「機械学習」と実用に堪えない「ディープラーニング」
http://itpro.nikkeibp.co.jp/atcl/column/16/122700311/011700003/