Recursiveは、Sansanが主催するスタートアップ系イベントである『Climbers Startup JAPAN2023 -スタートアップ産業を加速する「出会いの場」』へ参加し、ブースの出展を行いました。本イベントは東京ビックサイトで2023年11月14日、15日の2日間にかけて開催され、のべ10,000人が来場して賑わいを見せる中、RecursiveのBusiness Development Managerである長谷川裕樹がピッチイベントに登壇し、サステナビリティ領域でのAI活用について紹介しました。

Sansan主催の「Climbers Startup JAPAN2023」へ参加、出展しました

2023年11月14日に東京日本橋にて開催された日産化学様主催の研究交流会で、当社COOの山田がゲストスピーカーとして登壇しました。当日は、世界を取り巻くのAIの現状やAI活用領域、そして導入ケースなどを紹介しました。

日産化学様主催の研究交流会でCOOの山田が登壇し、AI活用について紹介しました

Recursiveは、11月4日にタイのバンコクで行われる、日本の革新的なスタートアップとタイ財閥企業等の戦略的パートナーシップを生み出すピッチイベント『Rock Thailand#5 Co-Creation of Japan-Thailand : Empowering Growth in ASEAN』の日本のスタートアップ10社に選出されました。Rock Thailandは在タイ日本国大使館、JETROバンコク事務所、タイ最大手の財閥の1つCP Groupが共同主催するピッチイベントです。オンサイトで100名、オンラインで500名の参加を見込んでおり、ピッチを通じて日タイ双方の企業にとって、持続可能な経済発展を目指す新たなビジネスチャンスをもたらす契機とされています。詳細は下記リンクをご覧ください。<a href=https://mediator.co.th/rock-thailand-5/>https://mediator.co.th/rock-thailand-5/</a>引き続きRecursiveでは、日本だけにとどまらず海外でもSustainable Innovationの実現に向け、さまざまな機会を探ってまいります。

Recursiveは、タイで行われるピッチイベント『Rock Thailand』に選出されました

首題の通り、11月3日にタイのバンコクにあるチュラロンコーン大学にて、弊社CEOのティアゴ・ラマルとCOOの山田勝俊が講演を行うことになりました。チュラロンコーン大学はタイ王国で最も歴史が深い大学であり、国内で一番受験の難易度が高いことでも知られている、権威がある国立大学です。今回、ティアゴと山田は”How to Develop AI Applications for Sustainable Business Transformation”というタイトルで、AIとサステナビリティに関する、事例、テクノロジーの活用例などを紹介する予定です。チュランロンコーン大学の講師約20名に対し、講義を行い、ディスカッションを行います。引き続きRecursiveでは、日本だけにとどまらず海外でもSustainable Innovationの実現に向け、さまざまな機会を探ってまいります。

タイのチュラロンコーン大学にて弊社CEOティアゴ、COO山田がAI × Sustainabilityのテーマで講演いたします

UAE・ドバイにて開催される中東・アフリカ（MENA）地域最大のIT展示会「GITEX」のスタートアップ専用イベント「Expand North Star 2023」へのRecursiveの参加が決定いたしました。イベントのなかにはジャパンパビリオンが設置され、日本貿易振興機構（JETRO）の出展支援のもと、日本からは18社が参加いたします。「Expand North Star」は、UAEをはじめ中東各地から各国政府高官、グローバル企業の地域責任者、域内財閥企業等が多数来場するスタートアップ向けのイベントです。今年は、出展者や来場者間のネットワーキング機会の提供にも力を入れており、会場も新たにDubai Harbourで行われます。公式webサイトは下記をご覧ください。<a href=https://www.expandnorthstar.com/>https://www.expandnorthstar.com/</a>当日の様子は後日、またwebサイトにてご報告させていただく予定ですので、ご興味ある方はそちらも楽しみにお待ちになってください。Recursiveとして、UAEの訪問は2回目となりますが、今回の機会と様々な機関からのサポートを活かし、中東でのビジネス機会を拡大して参ります。

Recursiveは中東最大級のスタートアップイベント「GITEX Expand North Star 2023」に参加いたします

映像メディアPIVOTにて、弊社CEOのティアゴ・ラマルが出演いたしました。PIVOTは新時代のマインドセットとスキルセットを高める映像・活字コンテンツを毎日無料で配信、令和を代表する起業家、ビジネスパーソン、クリエイターなどのコンテンツを深く早く届けている映像メディアです。Youtubeチャンネルの登録者数は、チャンネル開設からわずか1年少しで100万人をを超え、日本の多くのビジネスマンの注目を集めています。そんなPIVOTにて『【美容整形もAIで変わる】GoogleのAI集団 Google DeepMindエンジニアが語る未来予想／ホワイトカラーの仕事を奪う／アジャイル開発の重要性【PIVOT TALK】』というタイトルで、ティアゴ・ラマルを取り上げていただきました。AIの未来や、Recursiveが考えているAIの勝ち筋4つ、AI人材の今後のありかた、AI開発の方法論、そしてRecursiveの今後について、幅広く語っています。下記URLから視聴できますので、ぜひご覧ください。<a href=https://www.youtube.com/watch?v=uqTgyvm-cIw&t=9s>https://www.youtube.com/watch?v=uqTgyvm-cIw&t=9s</a>

ビジネス映像メディア「PIVOT」に弊社CEOのティアゴ・ラマルが出演いたしました

10/17(Tue)開催 FindFlow Webinar

シリコンバレーのスタートアップ支援組織として有名なPlug and Play。今月日本で開催される「Plug and Play Japan Summit2023」において、弊社CEOのティアゴ・ラマルがセミナーへ登壇します。本イベントはSummer/Fall 2023 Batchのスタートアップを中心に、国内外70社以上のスタートアップエコシステムの様々なプレイヤーが集結する。9月14日（木）～15日（金）の二日間、東京の虎ノ門ヒルズにて開催されます。ティアゴが登壇するセミナーは「生成AIはどう社会に変化をもたらすのか」と題され、Stability AI株式会社の代表・Jerry Chi氏と共にセッションを行います。
AIの進化がもたらす影響について、人間とAIの共存、新たなビジネスモデル、そして今後の可能性について最先端で活躍する2社をお迎えしての対談セッションです。AIが創造性、産業、社会構造へどのような影響をもたらすのか、未来の社会におけるテクノロジーの役割についてディスカッションします。英語開催、日本語逐次通訳付きとなっています。Plug and Play Japan Summit2023へお越しの方は、是非本セミナーもチェックしてみてください。Plug and Play Japan Summit2023概要会期：2023年9月14日（木）～15日（金）場所：虎ノ門ヒルズフォーラム5階(Toranomon Hills 5F) WEB： <a href=https://japan.plugandplaytechcenter.com/summit/summit-2023-sf/>https://japan.plugandplaytechcenter.com/summit/summit-2023-sf/</a>セミナー「生成AIはどう社会に変化をもたらすのか」概要日時：2023年9月15日（金）15:00～ 登壇者：Stability AI株式会社　Jerry Chi氏／株式会社Recursive 　Tiago Ramalho氏WEB： <a href=https://japan.plugandplaytechcenter.com/summit/summit-2023-sf/#info-03>https://japan.plugandplaytechcenter.com/summit/summit-2023-sf/#info-03</a>

「Plug and Play Japan Summit2023」において、弊社CEOのティアゴ・ラマルがセミナーへ登壇します。

株式会社Recursive（本社：東京都渋谷区　代表取締役：ティアゴ・ラマル、以下「リカーシブ」）は、社内のDX人材をAIのプロへ育てるためのオンザジョブトレーニング（On the Job training、以下「OJT」）サービスの提供を開始します。急速な進展を続けるAIのスピードに対応するためには社外のリソースが必要であるが、結果として自社内でAI事業を牽引できる人材が育っていないという課題が浮き彫りになり、社内でAIに関係する事業を企画、統率できる人材を育成することを目的としたプログラムです。リカーシブの設立者であるCEOのティアゴ・ラマルは、かつて英国のグーグル・ディープマインド社でシニアリサーチャーを務めた経験がある人物です。現在も同社出身の起業家が欧米を中心とした各地でAI企業を起こし、AI業界を牽引しています*1。またリカーシブ社の従業員は世界１８か国(２０２３年８月現在)から構成されており、AIエンジニア（マシーンラーニングエンジニア）やアプリケーションエンジニアなど、グローバルで活躍した経験と日本のマーケットへの理解を共に持ち合わせているものが多数在籍しています。AIを業務効率化のために活用するだけではなく、企業がビジネス変革を起こしその価値を向上させるためには、企業内でのデジタル人材確保が急務とされています。AIに関係する事業を内製化していくための有効な人材育成方法の一つとして、エンジニアやプロジェクトマネージャー等と協働するためのさまざまな知識や技術、視点を養うことが挙げられます。そこで、リカーシブはAI企業の中で実際の仕事を通じ、知識や技術などを身に付けるOJTを提供し、AI事業を統率できる人材を育成していきます。本育成プログラムは、取引先企業の要望を受けて創設されたプログラムで、また弊社が企業向けの独自AIシステムの開発を請け負う企業のため、AIシステムを発注いただいているクライアントに対してのみ提供できる付帯サービスです。クライアントの従業員一人に対し、リカーシブのエンジニア等をOJTとして一人以上選出し、クライアント企業の人材育成をサポートします。１年間以上の期間に及ぶAIプロジェクト開発の契約を締結することが条件となります（単独プロジェクト、複数プロジェクトどちらの契約も可能です）。本育成プログラムのサービス開始にあたり、CEOのティアゴ・ラマルは
「多くの日本企業が事業部門ごとに構築されていることにより、DX人材の必要性を理解しているものの、全社横断的なDX戦略の立案が難しい状況であり、これがDX部門を経営の中心に置く欧米とスピード感に差が出る原因の一つです。また生成AIを含むAIの進化は非常に速いため、人材の育成にもスピード感とクオリティの両方が必要です。本育成プログラムが、多くの日本企業においてビジネスの変革の機会になることをサポートしたいと思います」と語ります。また、共同創設者の山田勝俊は
「社会が変化していく中で、それぞれの従業員が個の力を発揮し、経営をより強くすることが求められています。これまで多くのクライアントから、AIやDXに関する事業をベンダーに依頼し、自社内にノウハウが蓄積されないという話を聞いており、本育成プログラムはその人的資本の活用にも役立つと考えています」と述べています。■育成プログラム概要<ul><li>リカーシブが企業から発注を受けたAIシステムをもとに、発注元の企業の従業員を受け入れ、業界などの適性によって選ばれたリカーシブ社員がOJTとして教育する</li><li>OJTを行う社員の選出については、エンジニア、プロジェクトマネージャー、AIコンサルタントなどの職種から、プロジェクトの性質と発注元企業の業種などを鑑み、双方合意の上で決定する</li><li>OJTは原則リカーシブのオフィス（東京都渋谷区）とオンラインのハイブリッドにて実施する</li><li>OJTプログラム参加は、期間が１年間以上のAIプロジェクト開発の契約を締結することが条件となる</li></ul>リカーシブでは、今後も社会におけるサステナビリティとビジネスの両立をより普及すべく、事業を推進していきます。お問い合わせは下記フォームからお願いします。

DX人材育成のためのオンザジョブトレーニングサービスを提供開始〜AIの世界的リーディングカンパニー・ディープマインド出身者のもとで学ぶ〜

エキサイト株式会社が主催する「AIと共創するBtoBマーケの未来 〜ChatGPT / 生成系AIが作る「自動化」の先へ〜」と題したAI×Marketingカンファレンスにて、COOの山田勝俊が登壇します。本カンファレンスは2023年8月29日（火）、30日（水）の2日間、オンラインにて開催され、AIの活用によるコンテンツ生成の最新トレンドと、各社が実践しているAIを用いたコンテンツ生成の成功事例を基にその具体的な活用法をご紹介予定です。山田は株式会社サーキュレーションのプロコンサルタントとして、8月30日（水）の10:00よりセミナー「AIを活用したマーケ起点の新規事業の考え方」に登壇します。AIと共創するBtoBマーケの未来　AI×Marketing 〜ChatGPT / 生成系AIが作る「自動化」の先へ〜概要開催日程：2023年8月29日（火）〜 8月30日（水）10:00〜16:30開催方法：オンライン開催、参加無料詳細・申込フォーム<a href=https://www.fangrowth.biz/20230829_30>https://www.fangrowth.biz/20230829_30</a>「AIを活用したマーケ起点の新規事業の考え方」概要開催日程：2023年 8月30日（水）10:00〜10:50是非ご参加ください。

エキサイト株式会社が主催するAI×Marketingカンファレンス「AIと共創するBtoBマーケの未来 〜ChatGPT / 生成系AIが作る「自動化」の先へ〜」にて、COOの山田勝俊が登壇します

タイのバンコクで開催される同国最大級のスタートアップ展示会「Techsauce Global Summit2023」の中で行われるセミナーに、弊社CEOのティアゴ・ラマルが登壇します。展示会は、現地時刻の8月16日（水）～17日（木）に開催され、約150社の出展、世界30か国以上からの来場が見込まれている東南アジア最大級の展示会・サミットです。ティアゴが登壇するセミナーは「Generative AI for Sustainability: Shaping a Greener and Smarter World」と題され、現地時刻の8月16日（水）、17:25にスタートします。セミナーでは、持続可能な社会を形成するために、どのようにAIを活用できるか、お話をする予定です。展示会へお越しの方は、是非本セミナーもチェックしてみてください。また、Recursiveの社員も現場におりますので、打ち合わせ等をご希望される場合は<a href=https://recursiveai.co.jp/ja/contact/>コンタクトフォーム</a>からお問い合わせください。Techsauce Global Summit2023概要会期：2023年8月16日（水）～17日（木）（現地時刻）場所：Queen Sirikit National Convention Center(QSNCC)WEB： <a href=https://summit.techsauce.co/>https://summit.techsauce.co/</a>セミナー「Generative AI for Sustainability: Shaping a Greener and Smarter World」概要日時：2023年8月16日（水）17:25～17:40 （現地時刻）場所：メインステージWEB： <a href=https://summit.techsauce.co/agenda/talk?id=64ae4bc2b27bcf61877364f7>https://summit.techsauce.co/agenda/talk?id=64ae4bc2b27bcf61877364f7</a>

バンコクで開催されるスタートアップ展示会Techsauce Global Summit2023のトークセッションに、CEOのティアゴ・ラマルが登壇します

株式会社Recursive（本社：東京都渋谷区　代表取締役：ティアゴ・ラマル、以下「リカーシブ」）は、東急不動産ホールディングス株式会社（本社：東京都渋谷区、以下「東急不動産HD」）に協力し、共同創業者兼取締役COOの山田勝俊が東急不動産HDグループの社員向けに「生成系AIとカスタムAIから見る不動産業界におけるAIの脅威と活用可能性」という題目でのセミナーに登壇しました。今回はその概要をご紹介します。<img src=/content/images/image_e981e76ee7663165f45826c77cbc535a.png>写真左から、東急不動産HD青木氏、リカーシブ山田氏、オルツ國安氏登壇者は、1994年に東急不動産に入社し、都市事業ユニットでアセットの開発企画したのち東急不動産HD　グループDX推進部の統括部長として、 DXの全体戦略の策定などを行なっている青木貴弘氏（以下「青木氏」）、AIクローン技術でつくり出すパーソナルAIの開発および実用化を行う株式会社オルツ（本社：東京都港区　以下、オルツ）のAI DX コンサルタント 兼 事業開発マネージャー國安雄氏（以下、國安氏）、2020年にティアゴ・ラマル氏と共にリカーシブを設立した山田勝俊氏（以下、山田氏）の3人。トークセッションがスタートしました。<h3>Q1.生成AIを社内で使うときの課題と不動産業界で展開できるアイデアについて</h3>オルツの國安氏より、AIという道具を使うことは大切な観点ですが、そのAIを使ってどのような価値を生み出すかが、さらに重要だという話が挙げられました。企業内でChatGPTを導入したものの、ほとんどの社員が活用できていないという相談を多く受けますが、これは考え方としては逆にすべきで、まず自然言語モデルを使ってどんな価値を生み出すか考える必要がある、と説明されました。続けて、不動産業界における過去の経験から感じた3つの観点について話されました。國安氏によると、不動産業界ではデジタル化が進んでいない部分があり、例えばテンプレート化が困難な営業のノウハウを人に伝えられていない場合、それをデータという形として蓄積し、自然言語モデルを学習させて自動化する仕組みを考えることが重要だと説きます。次に、不動産業界に存在する位置情報や価格情報などの多くの情報を集め、AIに学習させることで有益だと続けます。最後に、メールの自動化など、効率化が必要な点も考慮すべきで、これらの3つの改善に目を向けることで、不動産業界のデジタル活用を進めることができるでしょう、と説明されました。<h3>Q2. 東急不動産の再生可能エネルギー事業（太陽光、風力）における活用の可能性について</h3>リカーシブの山田氏が、リカーシブ社のプロダクトであるBorealis（以下、ボレアリス）を使い、再生可能エネルギーの発電量シミュレーションについて話を始めました。再生可能エネルギーは日本だけでなく、世界的にも興味を持たれているテーマで、ボレアリスでは、太陽光や風力など気象のデータをもとに、AIを使って発電量のシミュレーションが可能であり、そこに自然災害を考慮してハザードマップなども組み込むことで、より精密なシミュレーションができる、と説明します。そして、ボレアリスでは100メートル単位でのシミュレーションができる精度を持つため、小規模用地での再生可能エネルギー事業をサポートできる、と付け加えました。またボリアリスは、発電量のシミュレーションだけでなく、気候の影響による人間の行動の変化を考慮し、需要予測など気候に影響される課題を解決するためにも活用可能だと述べます。今後は、気候に関連するさまざまな課題の解決に向けて、ボリアリスを活用していくことを目指しているとのことでした。<h3>Q3.渋谷の街でAIを活用するアイデア</h3>東急不動産HDの青木氏より、渋谷のような都市部では多くの情報が蓄積されていて、それを活用する方法について意見が求められました。國安氏は、人の声に含まれる豊富な情報に加え転送情報を取り入れることで、場所の価値がより多次元的に評価できるかもしれない、と話し始めました。例えば、ポジティブなイメージの場所にはマーケティング効果を高める施策を、ネガティブな場所には集客策を考えるなど、マーケティングや都市計画に応用できる可能性があると説明しました。また山田氏は、2026年に日本初の本格的な木造商業施設として開業する予定の渋谷マルイについて触れ、サステナビリティを考慮しつつ、洗練された外観デザインを提案することで、渋谷の街に新たな価値を創出できるかもしれないと話しました。具体的には、複数デザインの提案、CO2排出を考慮した設備や建築素材の選定などをAIが考え、洗練された魅力的なデザインに仕上げることを目指せると述べました。こうしたアイデアについては、AIの能力をベースに、人間がブラッシュアップすることで、渋谷の街における新しい魅力的なスポットが生まれ、世界中から注目される可能性を感じている、と解説を付け加えました。<h3>Q4.東急不動産HDグループで展開している事業で実践的にAIを取り入れていく方法について</h3>昨今、インバウンド需要が高まり、海外からの観光客が増えているが、十分なおもてなしをするためには宿泊施設の人材不足という課題があり、AIを活用したシフト作成、リソース最適化などで解決を図ったり、不動産の仲介事業においてもAIを使ってお客様サービスを向上させることはできるかなど、いくつかの取組事例が社内でも出てきているが、AIのプロフェッショナルである二人がAI活用についてどう考えるのかを知りたいと、青木氏より質問がありました。國安氏は、東急不動産HDの顧客が重視しているのは、一般的な質問に対する早急かつ適切な回答なので、これに関しては全体の8割の対応がAIによって代替できる可能性があると考えていると述べられました。早急で正確な回答ができる部分をカバーすることで、残りの2割に対しては人間がホスピタリティを発揮できるような共存が実現できると説明されました。また、お客様サービス向上という点では、ただのチャットボットではなくアバターやクローンなどを活用して返答するという選択肢も考えられると付け加えました。山田氏も、インバウンドの価値は日本の経済にとって非常に重要だから、多言語対応を得意とするAIを活用すべきだと力説しました。テクノロジーを駆使して人間にしかできないおもてなしや創造的なことなどへ集中することで、日本の観光産業に付加価値がつく、と國安氏の意見に同意しました。また自らも多国籍の同僚に囲まれている環境を例にとり、言葉の壁が生成AIによって極端に低くなる時代が訪れると考えられる、と述べました。<h3>Q5.社内でAI導入・運用をする際に、社員が心がけることとは</h3>青木氏から新たな相談が挙げられました。不動産業の場合、建築や関連法、税務、会計など様々な専門知識が必要ですが、同時にデジタルやAIの知識も新しく身につけることで、各分野の専門家と協力しながら、実務を進めていくことが大切だと考えている、という。では実際に、デジタルやAIの知識を身につけるために、重要なポイントや考えていることがあれば教えてください、と述べられました。山田氏はお勧めできる3つの試してほしいことを提言しました。まずは、自分自身をアップデートする習慣を作ること。例えば、SNSを活用して興味あるメディアをフォローすることで、常に新しい情報を取得し、疑問や興味があるものはすぐに検索して調べてみると1年間で多くの知識が身につき、新しいアイデアが生まれることがあると実体験をもとに述べられました。次に、AIプロジェクトを試してみること。課題に対して目的を設定し、専門的なプロジェクトを回すことで、新たな知見や成果を得ることができます。ただし、無謀なことをするのではなく、AIプロジェクトの目的を明確にして、取り組むことで実践的なスキルが身につくと解説します。そして最近では、大企業とスタートアップが連携してプロジェクトを行うケースも増えており、大企業がスタートアップへ人材を派遣し、共同プロジェクトに参加する、というような連携は現場に入り込むことができ、相互の進め方や意見交換が可能となり、非常に有益な経験となるでしょう、と付け加えました。これを受けて國安氏は、AIを使って、どのようにAIを活用すれば良いかを学んでいただくことを考えることは重要だと指南されました。具体的には、現在取り組んでいる業務の中で、自動化できる部分やAIに代替できる仕事を見つけ、AIを活用することで、皆さんにより創造的で豊かな仕事をできるような環境になると考えています、と説明されました。<h3>Q6. 参加者からの質問</h3>最初の質問は、社内においてさまざまな紙のデータが大量にあり、これをAIに活用できればと考えることがあるが、データ入力するために時間を割くのが難しい。これに対して何かアドバイスをいただけますか？という質問でした。山田氏曰く、日本は紙の使用が多い文化で、過去には紙の使用量が減ると予測されていたが実際には減っていないというデータもあると述べました。紙をデジタル化することが依然として重要で、現在はAI-OCRが進化して、簡単にデジタル化できるツールが多く存在するので、小規模な導入でも試してみることが大切だと思います、と回答しました。そして最後の質問は、生成系AIとカスタムAIが不動産業界において脅威になるのではないかと思っている参加者もいるかと思いますが、どのように考えているかという内容でした。國安氏は、大切なことはAIを使うのではなく、AIが代用できるかと常に考えることが重要です、と述べました。AIの分野で「ヒューマン・イン・ザ・ループ」という言葉があり、これは、AIが出した結果に対して人がチェックして修正を行い、それをAIが学習するというプロセスを指すのですが、特に不動産業界などでは、AIが判断した結果に対して人間が本来の判断力を失わないように気をつけることが重要だと力説されました。AIは決して脅威ではなく、今後は人とAIが共存する世界がますます広がっていくと考えられます。AIが人の代用できる部分を考えることが、社会や業界をリードする要素になると思われますので、ぜひ心に留めておいてください、とアドバイスを送り、セミナーは終了しました。<h3>■セミナー参加者の声</h3>また、セミナー後の感想として、次のような感想をいただきました。「ニュース等で報じられる生成AIについて、当事者の方々の生の声を聞けて興味深かった。」「質疑応答にも出ていましたが、タイトルと異なりAIに未来というか可能性を今まで以上に感じる内容でした。」「aiの概要を理解できました。早速実務に活かせるか、部内のDX担当者に相談してみます。」リカーシブでは、よりAIでサステナブルな社会を作るべく、これからも事業を推進していきます。

【プレスリリース】弊社COO山田勝俊が登壇
東急不動産ホールディングス主催「不動産業界におけるAIの脅威と活用可能性」セミナーレポート
〜渋谷における活用や、社員に必要な心がけなど、AIの可能性を多面的に解説〜

弊社CEOのティアゴ・ラマルがGoogle Cloud Platform Podcastに出演し、"Tapping onto AI to build more sustainable future with Recursive AI "というタイトルで弊社とその活動について語りました。 番組は <a href=https://googlecloudpodcast.libsyn.com/tapping-onto-ai-to-build-a-more-sustainable-future-with-recursive-ai>こちら</a> からお聞きいただけます。
この番組は英語音声のみの配信です。

Google Cloud Platform ポッドキャストインタビュー

大好評につき、2023年5月25日（木）に開催したセミナーの再配信が決定しました。株式会社サーキュレーションの村田拓紀氏と、事業家であり、AIのプロフェッショナルであるCOOの山田が、経営者、新規事業責任者、DX推進責任者などへ向け、生成AI（ジェネレイティブAI）をビジネスで活用するために必要となる４つのステップを解説します。ChatGPTなどで世界各国で話題の生成AIですが、ビジネス導入に必要なリスクや導入に関する注意点などを含み、AIの導入をわかりやすくする内容となっています。ご興味のある方は<a href=https://circu.co.jp/pro-sharing/seminar/20230718-bizdev-ai-utilize-webinar/>Webページ</a>より、ご登録ください。参加無料です。【“AIファースト”で競争力を勝ち取る】AIのプロが語る、日本企業が生成AI活用で返り咲くための4ステップ日時：2023年7月18日（火）12:00-13:00
スピーカー：
●株式会社Recursive 山田勝俊
●株式会社サーキュレーション 村田拓紀氏

【好評につき再配信】7/18(火)開催 オンラインセミナー「”AIファースト”で競争力を勝ち取る」に株式会社RecurisveのCOO山田勝俊がスピーカーとして登壇

株式会社Recursive（本社：東京都渋谷区　代表取締役：ティアゴ・ラマル、以下「リカーシブ」）は、オープンイノベーションプラットフォーム「AUBA（アウバ）」を運営する株式会社eiicon（本社：東京都港区　代表取締役社長：中村 亜由子、以下「エイコン」）と共に、「AI×サステナビリティ×オープンイノベーション　業界最前線プレイヤーが語る未来」と題し、2023年6月29日（木）にセミナーを開催しました。このセミナーの内容を抜粋し、ダイジェストでお届けします。<img src=/content/images/image_ccc10ef0c42561334f4ecc6283473074.png>左からモデレーターの若林 峻氏、ティアゴ・ラマル氏、村田 宗一郎氏。北川 拓也氏はオンライン参加登壇者は、公益社団法人Well-being for Planet Earth共同創業者兼理事である北川 拓也氏(以下、北川氏)、2020年に日本でリカーシブを設立したティアゴ・ラマル（以下、ラマル氏）、及びオープンイノベーションのプロフェッショナルであるエイコンの村田 宗一郎氏（以下、村田氏）の3人。最近のマイクロソフト社によるOpenAI社への投資に触れ、自社でリソースを持たない分野を取り入れて活用することにより、より強力なビジネスを生み出す、このような世界のトレンドでもあるAIとオープンイノベーションの活用についてトークセッションがスタートしました。<h3>Q1.すでに生成AIの活用が進んでいる分野は？</h3>最初に北川氏よりAIが人間の代わりにエージェントとして機能について紹介されました。アメリカのAIスタートアップ企業Adept社が提供している自律的AIのサービスは、人間の自然言語を理解して答えを導き出す機能を有しています。不動産物件の検索を例にとり話は続きます。探している不動産の要件をAIに対して具体的に話しをすると、AIがウェブサイトを検索し、地図上から物件場所が示され、そこに現れる詳細リンクをクリックすると、希望要件に合った物件を表示されました。自然言語での問いに対し、自然言語で回答するのではなく、ウェブサイトの遷移やクリックなどで結果を導くサポートAIが始まっている、と解説されました。一方、ラマル氏からは、単に文章を作成するだけでなく、文章を生成して返すという点では、企業や政府が情報開示しているが一般の市民が見つけにくい情報に対して、チャットボットが回答することで、情報へのアクセスがより便利になり、透明性の高い社会を実現できるだろうと解説しました。また、AIがエージェントとして機能する例として教育分野を取り上げ、生成AIがそれぞれの生徒に対して適切な問題をカスタマイズして生成、提供することで、学習効果を一層高められるので、この分野における生成AIの活躍が期待できると付け加えました。北川氏が教育という観点でさらに紹介をしたのは、AIが勝率を分析する将棋番組で、一手打つごとに勝率が変化していくものでした。将棋を詳しくなかった人にとっても、戦況や文脈がわかるようになることにより、将棋観戦が面白く感じることで再び将棋ブームが起きている、と分析されていました。どのようなことでも文脈がわかることで面白いと感じることが増えることから「教育×エンターテイメント」という分野ではAIが大きな役割を果たせるのではないかと提言されました。<h3>Q2. 生成AIの課題</h3>ラマル氏より回答（アウトプット）のクオリティがまだ大きな課題の一つであると述べ、北川氏は実際にAIから明らかな虚偽回答をされたことがあるとのことで、2人からAIアウトプットのリファレンスチェックとファクトチェックは非常に重要だと解説されました。また北川氏は、アメリカでは倫理的な意思決定をAIができるのか、クリティカルな質問に回答できるのか、これらが課題とされ研究されていると続け、AIの決断によっては人の行動変異を起こすことができ、それが場合によっては良い結果へ導くこともあるが逆のこともあり得るので、AIのアウトプットについては非常に大きな影響を及ぼす重要な課題であると付け加えられました。<h3>Q3.オープンイノベーションにおける日本企業側の課題/ Q4.この課題をどのように解決していくべきか</h3>村田氏から、日本企業側の課題として３点あると説明されました。まず他社と一緒に進めるという意思決定ができていないこと、次にオープンイノベーションを手段としていながらも、何を実現するために他社と何をやるのかが明確になっておらず、例えば「DXに取り組む」といった成果や目的が曖昧なままであること、そして新しい技術分野に対する知見がないため、スタートアップ企業側へプロジェクトを任せる形になっていることが多いと説明されました。日本企業とアメリカ企業の違いについて、アメリカではデジタルをビジネスの中心、資産と捉え専門家をおいて戦略を立てているが、日本企業はそのような考え方をしていないケースが多く見受けられることがラマル氏から説明されました。北川氏は、アメリカの雇用は流動的ゆえ、新しいことを学ばないと生き残れない背景があり、従業員の責任のコミットも明確だと述べました。また日本の調和を重んじる文化から、一つの課題に対して多くのステークスホルダーのコンセンサスを得ることだけに時間を費やしているケースも多いと付け加えました。ラマル氏、北川氏の説明を受け村田氏は解決方法として、日本企業側はスタートアップ企業と一緒に新しいものを作るために、自分たちの強みなどを見直し、さらに業界や製品などのノウハウをスタートアップ企業側へ積極的に伝授していくことを提言しました。<h3>Q5.テクノロジーを持っている企業側ができること</h3>ラマル氏はデータを所持していない企業にはデータの集め方、データのクリーンアップ方法、そしてそのデータを生成AIのようなソリューションにどのように重ね合わせ、価値のあるものにしていくのか、このようなことを教育することができるだろうと述べました。続けて、データはキャッシュと同じくらい大切な資産だが、その認識を持っていない企業が多いことにも触れ、データの重要性の理解が深まるようにサポートしたいと意思を示しました。北川氏からは日本企業側がオープンイノベーションによって何を期待しているのか、例えばそれがROI（投資収益率）なのか、経営ビジョンに基づいた話なのか、ニーズを把握し、スタートアップ企業側が日本企業側にどのような納得感を提供できるか、確認することが重要と説かれました。Q6.持続可能な社会に向けて生成AIをどのように活用していくべきか
村田氏はわからないことを聞く、学んでいくという基本的なことが重要だと説きました。ラマル氏はAIソリューションへのアクセスを民主化することで、一人一人がエンパワーメントされていくことが重要だと語り、公正なアクセスをできる社会の実現を語りました。そして北川氏からはサスティナビリティというと環境の問題が想起され、それは非常に重要な問題であることに間違いないが、人口減の問題へも対応可能だと考えていると発言されました。誰でもアクセスができるシステムがあれば、結婚、出産に関して考えているパーソナルな問題、例えばお金が心配で結婚へ踏み切れない人へはファイナンシャルアドバイザーのシステムが相談相手となって解決の手伝いをし、不妊治療などの相談もAI相談員が対応する。こういった個々の問題を解決するという利用方法もあるのではないのかと提言されました。セミナーの内容を受け、参加者からはAI活用に関する新しい視点や知識を得た事や、オープンイノベーション実現に向けて助言となるような話が聞けたことなどに対して好意的な感想が述べられ、またAIの活用や共存する未来を明るく考えられるという声が聞かれました。リカーシブでは、17か国の従業員が働く多国籍企業として、世界のAIトレンドなどを今後も不定期的にお伝えしてまいります。

【プレスリリース】「AI×サステナビリティ×オープンイノベーション」セミナーレポート 〜自律的AIによる不動産、教育分野のエージェント機能の事例紹介から、人口減少問題における生成AI使用法の提言まで〜

8/3(木)開催 FindFlow Webinar

Recursiveの事例がGoogle Cloud Blogに「住友林業 / IHI: 熱帯泥炭地植林事業のための AI 開発基盤に Compute Engine を採用し、知見を活かした汎用モデルを構築」というタイトルで掲載されました。記事は<a href=https://cloud.google.com/blog/ja/topics/customers/sfc-ihi-adopted-compute-engine-as-ai-development-platform?hl=ja>こちら</a>からご覧いただけます。是非チェックしてみてください。

【メディア掲載】Google Cloud Blogによる事例紹介

<h3>地下水位予測で世界のCO２排出抑制に貢献</h3>住友林業株式会社（社長：光吉　敏郎　本社：東京都千代田区／以下、住友林業）と株式会社IHI（社長：井手 博　本社：東京都江東区／以下、IHI）の合弁会社、株式会社NeXT FOREST（ネクストフォレスト、本社：東京都千代田区／以下、NeXT FOREST社）※1はAIスタートアップの株式会社Recursive（代表：ティアゴ・ラマル　本社：東京都渋谷区　以下、リカーシブ）と協業し熱帯泥炭地管理※2の初期AIモデル（AI水理モデル）を構築しました。
この技術の導入で住友林業の経験豊富な技術者のみができた地下水位予測をAIで行うことが可能となります。NeXT FOREST社はこのAIを活用しインドネシアなど世界の熱帯泥炭地でCO2排出や森林火災の抑制に貢献していきます。<img src=/content/images/image_e7178b0fc13805a5cbcebed73b697c4f.png><h2>■開発の経緯</h2>住友林業とIHIは熱帯泥炭地管理に不可欠な地下水位をコントロールするため降水量、植物の蒸散量、標高や傾斜、天候などのデータをもとにシミュレーションする水理モデル※3の開発を進めています。水理モデルは様々なデータを取得し、その都度解析するため多くの時間を要します。一方、気候変動対策、生物多様性の保全は喫緊の課題で、水理モデルの開発に加え地下水位管理技術の早期展開を目指しAIの活用に取り組んでいます。
開発はGoogleの持ち株会社Alphabet傘下のAI開発会社DeepMindでシニアリサーチャーだったティアゴ・ラマル氏が2020年に日本で設立したリカーシブと協業しています。このAIモデルは住友林業が管理するインドネシアの熱帯泥炭地で10年以上かけて計測を続けてきた地下水位データを教師データ※4としてAIによる機械学習と物理モデル※5を複合したオリジナルモデルです。
具体的には地形図と観測地点の地下水位実測値、降水量実績値を用いて対象エリア全体の地下水位を7日後まで予測することができるようになりました。
この地下水位予測から今後、植林企業などが管理する泥炭地にどのような水路運用やダムの配置をすれば適正な地下水位を保てるのかシミュレーションできるようにアップデートしていく予定です。※1 熱帯泥炭地を適切に管理するコンサルティングサービスの提供を目的に2023年2月に設立。
※2 植物の遺骸が水中で分解されずにできる泥炭が堆積した土地。地下水位が下がり乾燥すると、炭素を多く含む泥炭が分解・消失するだけでなく非常に燃えやすくなるため、地下水位管理が極めて重要。
※3 水理学の原理を用いた物理モデル。水の流れなど自然界の水の循環を再現するために使用される。
※4 機械学習のモデルを訓練させる際に用いるデータ。
※5 ある対象をその実体に近い詳細な表現で記した図など。仕様の表現や設計図。
＜AI水理モデル構築の流れと地下水位予測イメージ＞<img src=/content/images/image_aca0df6501add0ec2656cc231fb35e73.png>住友林業がインドネシア・西カリマンタン州の森林事業で10年以上にわたり蓄積したデータを活用↓<img src=/content/images/image_981da3b566edd6b32d087304c9c62afe.png>土地の標高や傾斜などの地形データ、降水量、水路などの情報をAIモデルにインプット↓<img src=/content/images/image_33e628da4f905a720949cea5a47ef865.png>地下水位データを教師データとして、AIによる機械学習と物理モデルを複合したAI水理モデルが数日後の地下水位を予測↓<img src=/content/images/image_36847a53ed8370a4f8a7f33da2ead179.png>AIが予測した数日後の地下水位が火災の危険性がある地下水位に達した時、アラートが出る仕組み<h2>■プロジェクトの背景</h2>熱帯泥炭地は枯れた植物が土壌微生物の分解を受けずに有機物のかたまりとして堆積した土地で大量の水と炭素を含んでいます。インドネシアやコンゴ盆地、アマゾンに分布している熱帯泥炭地の面積は全世界で82百万ha（日本の国土面積の約2倍）以上、貯蔵する炭素量は少なくとも890億トン（2017年の世界の炭素排出量の約10倍）と言われています。
熱帯泥炭地が伐採や焼畑で無秩序に破壊されれば、地中に含まれる有機物が分解し大量の二酸化炭素が大気中に放出されます。また雨水を地中に貯めて蒸発散を通じて大気中に返す水の大きな流れが失われ、干ばつや洪水などの異常気象が生じると考えられています。
熱帯泥炭地は地下水位が重要で水位が下がると乾燥し非常に燃えやすく森林火災の原因になります。一方で地下水位が高くなりすぎると樹木の生育を妨げるため地下水位は適切に調整し続けなくてはなりません。
住友林業とIHIは熱帯泥炭地の保全と適切な管理がカーボンニュートラルの実現、生物多様性や水循環の保全といった人類の生存基盤の安定化のために危急の課題と考えています。住友林業が構築した熱帯泥炭地の高精度な地上観測システムとＩＨＩが航空・宇宙分野で培ったドローンや人工衛星データの利用技術、気象観測・予測技術を掛け合わせて熱帯泥炭地の管理技術を世界に普及するコンサルティングサービスを展開しています。住友林業グループは森林経営から木材建材の製造・流通、戸建住宅・中大規模木造建築の請負や不動産開発、木質バイオマス発電まで「木」を軸とした事業をグローバルに展開しています。2030年までの長期ビジョン「Mission TREEING 2030」では住友林業のバリューチェーン「ウッドサイクル」を回すことで、森林のCO2吸収量を増やし、木造建築の普及で炭素を長期にわたり固定し、自社のみならず社会全体の脱炭素に貢献することを目指しています。
長期ビジョンで掲げた「循環型森林ビジネスの加速」に向け、グローバル規模の森林ファンド組成や森林面積拡大を進めます。IHIは本事業を自然と共存する持続性の高い事業へ成長させるとともに、「美しい地球」を守るため、地球規模の課題解決として、脱CO2・循環型社会と防災・減災の実現に向けて取り組んでいきます。また、多様なソリューションを組み合わせるエンジニアリングサービスの提供によって，2050年カーボンニュートラルの実現に貢献してまいります。リカーシブは持続可能な未来を構築するためのAIソリューションを提供するサービスプロバイダーです。環境、エネルギー、医療、製薬、食品、小売など多岐にわたる業界の知見と高度な技術力、サスティナビリティ事業に関する専門知識を組み合わせ、AIのシステム開発やコンサルテーションサービスを提供しています。より良い地球環境や社会を未来の世代に残すために、比類なきプロフェッショナルが世界標準のテクノロジーで新しい社会つくりをリードします。<h2>■プロジェクトロゴ</h2><img src=/content/images/image_3cca8335fbe4cfed6843b13d60cacd7e.png>＜関連プレスリリース＞
　　■住友林業とIHI、「熱帯泥炭地コンサルティング」と「質の高い炭素クレジット」の事業化に向けて提携
　　住友林業　<a href=https://sfc.jp/information/news/2021/2021-06-18-01.html>https://sfc.jp/information/news/2021/2021-06-18-01.html</a>
　　IHI　<a href=https://www.ihi.co.jp/ihi/all_news/2021/aeroengine_space_defense/1197434_3351.html>https://www.ihi.co.jp/ihi/all_news/2021/aeroengine_space_defense/1197434_3351.html</a>■住友林業とIHI、熱帯泥炭地コンサルティングの合弁会社設立
住友林業　<a href=https://sfc.jp/information/news/2023/2023-02-14-01.html>https://sfc.jp/information/news/2023/2023-02-14-01.html</a>
　 IHI　<a href=https://www.ihi.co.jp/ihi/all_news/2022/aeroengine_space_defense/1198192_3479.html>https://www.ihi.co.jp/ihi/all_news/2022/aeroengine_space_defense/1198192_3479.html</a>

【プレスリリース】NeXT FOREST 熱帯泥炭地管理のAIモデルを構築

<h2>【セミナー】「AI×サステナビリティ×オープンイノベーション　業界最前線プレイヤーが語る未来」</h2>株式会社Recursive（本社：東京都渋谷区　代表取締役：ティアゴ・ラマル、以下「リカーシブ」）は、オープンイノベーションプラットフォーム「AUBA（アウバ）」を運営する株式会社eiicon（本社：東京都港区　代表取締役社長：中村 亜由子、以下「エイコン」）と共に、「AI×サステナビリティ×オープンイノベーション　業界最前線プレイヤーが語る未来」と題し、2023年6月29日（木）にセミナーを開催いたします。AI／データ戦略を専門とし、公益社団法人Well-being for Planet Earth共同創業者兼理事である北川 拓也氏とAI企業のグローバルリーダーであるDeepMind（ディープマインド）社を経て、AIソリューションを提供するリカーシブを設立したティアゴ・ラマルが、AIがどのように持続可能な社会を作る貢献するのか、ビジネスに役立つのかなど世界の事例を挙げて解説。またオープンイノベーションのプロフェッショナルであるエイコンの村田 宗一郎氏が、AIテクノロジーを事業に取り入れることによって、付加価値向上のための新たな事業の可能性をわかりやすく説明します。本セミナーは、シティラボ東京（東京都中央区京橋）にて開催され、また同時にオンラインでも参加可能です。事前登録制で参加費は無料、会場参加に関しては定員に達し次第、募集を締め切ります。セミナー概要<ul><li>タイトル：AI×サステナビリティ×オープンイノベーション　業界最前線プレイヤーが語る未来（※一部英語から日本語への通訳を含みます）</li><li>日時：2023年6月29日（木）18:00開場、18:30〜20:00</li><li>交流会：会場参加のご希望者が対象　20:00〜20:40</li><li>会場：シティラボ東京 (東京都中央区京橋３丁目１−１ 東京スクエアガーデン6F) 及び オンライン</li><li>参加ご登録：<a href=https://techplay.jp/event/903842>https://techplay.jp/event/903842</a></li></ul>プログラム内容 （予告なく変更になる場合がございます）<ol type=1><li>登壇者紹介</li><li>生成AIの概要とオープンイノベーション</li><li>トークセッション</li></ol>ⅰ）生成AIをどうビジネスに生かしていくのか？ⅱ）生成AIの普及や産業活用へ向けたマーケット課題は？<ol type=1><li>Q&A</li><li>交流会(希望者のみ)</li></ol>

【セミナー】「AI × サステナビリティ × オープンイノベーション　業界最前線プレイヤーが語る未来」6/29(木)ハイブリッド開催

多くの方からお問い合わせいただいているエンタープライズ向けAIプラットフォーム「FindFlow」の説明会（ウェビナー）を2023年6月8日（木）13時から開催します。当日はFindFlowの特徴や使い方のデモなどを行い、また皆さまからの質疑応答の時間を設けております。事前登録いただいた方に、ウェビナーへの参加ができるURLをお送りします。ご登録は<a href=https://share.hsforms.com/1UjjFr1yZSZW9hFiHZgdfgAccrhn>こちら</a>から＜開催日時＞2023年6月8日（木）　13：00～14：15＜当日の流れ＞12：55　ご入場開始13：00　ウェビナー開始13：45　質疑応答14：15　アンケート配布、終了＜事前にお願いしたいこと＞Zoomを使用しますので、必要に応じてアプリのダウンロードをお願いいたします＜資料＞ウェビナー後に送信します＜注意事項＞・受講する際、Wi-Fi環境の整った場所でご視聴ください・マイクはオフでご参加をお願いいたします・最後に質疑応答時間を設けています。ご質問は最後にお願いいたします＜参加URL＞ご登録いただいたメールアドレス宛に当日までにお送りします
＜スピーカー＞
株式会社Recursive 
執行役員　若林 峻＜ウェビナーに関するご質問＞<a href=https://recursiveai.co.jp/ja/contact/>お問い合わせフォームまで</a>

6/8(木)開催 FindFlow Webinar

株式会社サーキュレーションの村田拓紀氏と、事業家であり、AIのプロフェッショナルであるCOOの山田が、経営者、新規事業責任者、DX推進責任者などへ向け、生成AI（ジェネレイティブAI）をビジネスで活用するために必要となる４つのステップを解説します。ChatGPTなどで世界各国で話題の生成AIですが、ビジネス導入に必要なリスクや導入に関する注意点などを含み、AIの導入をわかりやすくする内容となっています。ご興味のある方は<a href=https://circu.co.jp/pro-sharing/seminar/20230718-bizdev-ai-utilize-webinar/>Webページ</a>より、ご登録ください。参加無料です。【“AIファースト”で競争力を勝ち取る】AIのプロが語る、日本企業が生成AI活用で返り咲くための4ステップ日時：2023年5月25日（木）12:00-13:00
スピーカー：
●株式会社Recursive 山田勝俊
●株式会社サーキュレーション 村田拓紀氏

5/25(木)開催 オンラインセミナー「”AIファースト”で競争力を勝ち取る」に株式会社RecurisveのCOO山田勝俊がスピーカーとして登壇

2023年5月10日(水)から12日（木）までマカオで開催されるBEYOND Expo 2023のThe ORIGIN Conference ”How is AI shaping Southeast Asia's Next Generation(仮題)”に、弊社代表取締役のティアゴ・ラマルがセミナーのモデレーターとして参加します。BEYOND Expo 2023は、アジア最大級のITやその他テクノロジー関連の企業800社以上が出展する展示会で、アジア太平洋地域および全世界のテクノロジーを推進することを目的としています。”How is AI shaping Southeast Asia's Next Generation(仮題)”は、人工知能の分野のグローバルプレーヤーであるPantheon Lab社とSenseTime社を迎え、トークを進めていきます。本セミナーの詳細は以下よりご確認ください。Stage O “The ORIGIN Conference”
テーマ：How is AI shaping Southeast Asia's Next Generation
日時： 2023年5月11日（水）15:00～15:40
登壇者：
●Pantheon Lab
●SenseTimeモデレーター：
●株式会社Recursive 代表取締役 ティアゴ・ラマルBEYOND Expoの詳細は、こちらの<a href=https://beyondexpo.com/>WEBページ</a>にてご確認ください。

マカオで開催されるBEYOND Expo 2023のセミナーに弊社CEOティアゴ・ラマルがモデレーターとして登場

2023年4月11日（水）、大阪国際会議場で開催された「MARKETING・X -23 Osaka-」にて、弊社のソリューションアーキテクト・金 祐廷（キム・ウジョン）が登壇、マーケティングにおいてのAIの活用方法と、最近話題のChatGPTに関してお話しいたしました。このセミナーには、積極的にAIを活用している企業の方もいらっしゃれば、AI初心者の方も多くいらっしゃいました。本レポートでは、セミナーの中でお話しした「マーケティングでのAI活用事例」と「マーケティングでAI活用する上での課題と解決策」について、ダイジェストで紹介します。<h3>マーケティングでのAI活用事例</h3>セミナーにご参加いただいていたマーケティングの関係者の方のAI活用例を実際にお伺いしました。1.「誰に」　マーケット探索及び定義
市場の規模やセグメントが未だにマーケターの経験やアイデアを元に定義されることが多い一方で、AIモデルの活用が進む企業では、顧客及びユーザーデータを解析し、潜在しているマーケットセグメントとそのトレンドをより効率的且つ正確に可視化及び分析してます。AIモデルにより、需要を予測し、不要なコストを削減や知らなかった顧客セグメントを特定など、更なる利益向上につなげているのです。2.「どう」　マーケターから顧客・ユーザーへのコミュニケーション
マーケット定義と同様に重要視されるのが、自社のブランディングです。どう自社をターゲットセグメントに見せたいのか、思って欲しいのかを定義し、適切なコミュニケーションを取ることがマーケターには求められます。AIを活用すると、過去の広告やメールの観覧データを元により効果的なコミュニケーション方法（チャンネル、時間帯、頻度、等）を特定することが可能です。3.「何を」　コンテンツ制作
どういう潜在マーケットの中で、どう会社をブランディングしたいかを決めたのち、マーケターは何を届けるのかを決める必要があります。主に広告バナーや動画、ポスター、コピーライティング、メール、キャンペーン等がありますが、全ては、AIモデルで制作可能です。AIを活用すると、顧客データの分析と細部化された顧客セグメントを元に、ターゲットに合わせて最適な制作物を制作することができます。＊＊＊
登壇中に参加者の方から挙げられた課題は、マーケティングに限らず多くの領域でのAI活用に見られる課題です。解決策はそれぞれの状況によって異なる側面もある一方で、共通する側面も多いので、ご参考までに一部の事例を説明します。<h3>マーケティングでAI活用する上での課題と解決策</h3>1. データの整備
データ活用したくてもそもそもデータがない、または、データはあるけど使える状態ではない、という課題を抱えている企業も多いです。こればかりは、「やるしかない」としか言えません。「Garbage In, Garbage Out」という言葉もありますが、ビジネス的に意味のあるデータを集め、入力データの質を改善していかなければ、アウトプットの質も低くなってしまいます。（つまり、Garbage in = ゴミデータをインプットしても、Garbage Out = ゴミアウトプットしか出てこない）。AI導入には必要不可欠なステップなのです。2. データの精度
一番多く挙げられたのが、「AIを導入してみたけど、出力データの精度が低い」という課題でした。この課題の解決には、導入したAIモデルそのものの見直しや、運用の環境（社内体制など）の見直しなどいくつか検討すべきものがありますが、特に重要なのは、導入後のAIメンテナンスです。導入後の入力データ、モデルのチューニング等、メンテナンスが行われていない場合、ばらつき（出力データの分散）はそれほどないものの精度（出力データと真の値との近さ）が落ちたり、またはアウトプットの平均的な精度は高い一方でばらつきが大きくなるなど、さまざまな問題が起こり得ます。3. AI活用文化の浸透
AIモデルは導入したものの、そもそも現場で使われない、という話もよくあります。主な理由は「使い方が分からない」、「データを信用できない」の二つ。両方とも、根本的には社内文化の醸成が鍵となりますが、今すぐ取り組める具体的な改善策は、BI（Business Inteligence）の応用です。BIとは、UXが加味された技術及びデータであって、誰もが使いやすく作られたものです。よって、BIを用いて、AIモデル・データヘのオンボーディングをよりスムーズに改善したり、AIモデルの出力データを用いた施策の効果を見える化することによって、AIへの信頼性を改善して、現場での利用を促進することが可能です。いかがでしたでしょうか？みなさまの参考になれば幸いです。

「マーケターがAIを使いこなす為に」 ｜Marketing X Osaka 2023 イベントレポート

<h3>セキュリティレベルをコントロールし社員の業務効率化をAIがサポート</h3>株式会社Recursive（本社：東京都渋谷区　代表取締役：ティアゴ・ラマル、以下「リカーシブ」）は、社内ネットワーク内にあるファイルを巡回して情報を収集し、社内ユーザーからの問い合わせや文章作成などの依頼に対応するFindFlow（以下、ファインドフロー）を開発しました。ファインドフローは、内部文書、画像、音声、およびその他のデータ型を使用して大規模言語モデル*1を応用したテクノロジーです。チャットボットやビジネスインテリジェンスツール、R&D アシスタントなどのファインドフローベースの AI ソリューションは、これらの多様なデータを分析することにより、内部データと外部データを組み合わせて最大の効率を実現できます。自然言語に基づいて、質問を投げかけると回答を得るというシンプルな機能に加え、文書の要約などを短時間で行います。一つのファイルで回答が得られないような質問には、複数ファイルを横断して調査し、そこから適切な回答を生成して自然な言語で返答します。また、カスタマイズで自社モデルを構築できるように開発されており、社内においてもユーザーレベルによるアクセスコントロールが可能です。データの非公開化、安全性、コンプライアンスを保ち、社内のユーザーがファインドフローを使用して得た情報は、社外のインターネットなどに反映されることはありません。さらに、大規模言語モデルに基づく推論エンジンは、プライベートモデル（GPT-4など）とオープンソースモデルの両方をサポートしており、データのプライバシーを最大限に守るためにオンプレミス*2で実行することが可能です。*1：大規模言語モデル
インターネットから収集された大量のテキストデータに対して学習させたコンピュータプログラム。自然言語データのパターンや関係を分析し、その理解に基づいて新しいテキストを生成したり、その他の言語関連タスクを実行したりすることができる、高度な機械学習技術が使われています。*2：オンプレミス
自社でサーバーやネットワーク機器、ソフトウェアなど情報システムを保有し、自社で運用・管理すること。■技術的特徴<ul><li>ユーザーレベルでのアクセスコントロールが可能</li><li>Microsoft Word、Microsoft PowerPoint、PDFなどの文書やMicrosoft Teams、Slackなどのチャット、EメールやNotion文書、Salesforceなど幅広いフォーマットをサポート</li><li>GPT-4のような大規模言語モデルや、オープンソースモデル（自己完結型データ処理用）のプライベートモデルをサポート</li><li>構造化データ（データベース）と非構造化データ（文書、メッセージ、電子メール）の接続</li></ul>■社内ユーザーに提供される機能<ul><li>質問を入力すると、AIが社内の情報を検索、解析して回答する</li><li>複雑な質問に対しても、異なる文書を横断して調査し、回答を生成する</li><li>長い文書等を要約する</li><li>英語・日本語などの多言語利用可能</li></ul><img src=/content/images/image_ed023aa3d4ff79e6a35e2fb68112fddf.png><img src=/content/images/image_ceeca820b4987c9c23ff889ff5a2f017.png>■価格/システム導入について
システムの仕様によって異なります。■FindFlow (ファインドフロー)概要サイト
<a href=https://www.findflow.ai/>https://www.findflow.ai/</a> よりご覧いただけます。

【プレスリリース】エンタープライズ向けAIプラットフォームを開発

2023年4月12日（水）、13日（木）に大阪国際会議場で実施する「MARKETING・X -23 Osaka-」にて、弊社のソリューションアーキテクト・金 祐廷（キム・ウジョン）が登壇、マーケティングにおいてのAIの活用方法と、最近話題のChatGPTに関してお話しいたします。B-1 マーケターがAIを使いこなすために
日時： 2023年4月12日（水）13:00～13:50
登壇者：
●渋谷 直正
東日本旅客鉄道株式会社 マーケティング本部 戦略・プラットフォーム部門 データマーケティングユニット 担当部長
●田原 春江
株式会社SUBARU 国内営業本部 ビジネスイノベーション部 将来ビジネス企画開発グループ 主任
●金 祐廷
株式会社リカーシブ ソリューションアーキテクト
モデレーター：
●西田 悟史
株式会社電通 ソリューション・デザイン局 コネクションプランニング部長詳細は「MARKETING・X -23 Osaka-」の<a href=https://marketingx.jp/osaka/>WEB</a>ページにてご確認ください。

「MARKETING・X -23 Osaka-」にて、弊社のソリューションアーキテクト・金 祐廷が登壇します

<h3>既定の気象観測地点から離れた場所でも
100mメッシュ以上の高精度でシミュレーションが可能なAIモデルを開発</h3>株式会社Recursive（本社：東京都渋谷区　代表取締役：ティアゴ・ラマル、以下「リカーシブ」）は、過去の気象データを分析し、日本国内の任意の地点において降水量や気温、日射量などの気象情報を生成するBorealis（以下、ボレアリス）を開発し、企業や自治体などへの提供を開始しました。ボレアリスは、各種衛星データ、アメダスなどの気象データとトポグラフィをベースとして開発され、過去20年分の気象観測地点の情報分析から日本国内における任意の場所の気象情報をシミュレーションするシステムです。日本国内の気象観測地点は限られた場所に設定されていることから、気象観測地点から離れた場所において細密な気象データを得るために、マンパワーや時間、コストをかけて調査することが一般的な手法として用いられてきました。ボレアリスは高精度*のデータをAIが生成することにより、工数などの問題を迅速に解決し、企業や自治体などの迅速な意思決定をサポートします。活用事例として、特定地点の日照量や風向き、降雨量が年間を通じて高精度でシミュレーションできることから、大規模な太陽光発電や風力発電だけでなく、規模が小さい再生エネルギーの用地選定においても簡便に発電量の算出が可能となります。その他、自然災害に対するハザードマップ作成や農地計画、地方都市の開発など気象が関係する用地選定に幅広く応用が可能です。リカーシブでは持続可能な社会のためにAIモデルの開発を手がけておりますが、今回開発したボレアリスを通じ、クリーンエネルギーの促進や災害対策、地方創生など多義にわたって社会に対してより大きな貢献していきます。*精度について：ボレアリスの誤差について
2019年からの気象庁のデータを元に生産エネルギー量を算出し、これをボレアリス（AI）から算出したデータとAIを使用せずに算出したデータを比較。実際のデータと誤差を比較したところ、AIを使用しなかった場合と比較してボレアリスは59%の誤差を減少させる結果となりました。■技術構造<img src=/content/images/image_41d5a96e75a88a27a2ce39283d117a3b.png>■価格/システム導入について
システムの仕様によって異なります。

【プレスリリース】気象データを生成するAIを開発

RecursiveのCOO、山田勝俊がTokyo FMの「DIGITAL VORN Future Pix」に出演しました。Recursiveの取り組みや、なぜ日本はAI導入率が低いのか、そして今後はどのような未来になるのか、などを語っております。こちらの<a href=https://www.tfm.co.jp/podcasts/futurepix/>podcast</a>やradikoでもお聞きいただけます。また、番組の内容が<a href=https://news.yahoo.co.jp/articles/c246f3cd7467bcd46e95d1c3aeab194499466b09>Yahoo!ニュース</a>で取り上げられました。どうぞご覧ください。

Tokyo FMの「DIGITAL VORN Future Pix」がYahoo!ニュースで取り上げられました

Google Cloud主催のグローバルカンファレンス『Google Cloud Next '22』にExecutive Director / VP of Businessの若林峻の登壇が決定いたしました。本イベントは、VUCAと呼ばれ先行きが不透明な世の中で、デジタルトランスメーションの次はどうなるか？　そのときに求められるチャレンジやチャンスなどについて、グローバルのビジネスリーダーたちが議論をするイベントです。今回は『今、日本の企業が取り組むべき SDGs とは｜クラウド テクノロジーを活用した SDGs への貢献』というテーマで、林野庁　保坂 太郎 様
東京電力ホールディングス株式会社　ジェンキンズ 真佐美 様
Recursive若林がそれぞれの視点から語ります。ぜひ下記URLからご登録・ご視聴ください。>>> <a href=https://cloud.google.com/blog/ja/topics/google-cloud-next/next-22-japan-original-contents>詳細はこちら</a>

Google Cloud Next '22にVP of Businessの若林峻が登壇いたします

Recursiveは、Google Cloud Partner Advantage プログラムにおいて、Google Cloud のBuildパートナー認定を取得したことをお知らせいたします。Google Cloud Build パートナーは、Google Cloud と統合されたソリューションもしくは、Google Cloud 上で実行されるソリューション開発に十分な実績を持つパートナーを対象としています。本認定により、Recursiveは Google Cloud 技術を活用し、より多くのクライアントにサステナブル・イノベーションを促進するAIソリューションを提供していくことを目指します。Google Cloud パートナープログラムに関する詳細はこちらをご覧ください。
<a href=https://cloud.google.com/partners>https://cloud.google.com/partners</a>詳細リリースは下記をご覧ください。
>> <a href=https://prtimes.jp/main/html/rd/p/000000008.000078033.html>https://prtimes.jp/main/html/rd/p/000000008.000078033.html</a>

RecursiveがGoogle Cloud のBuildパートナー認定を取得しました

この度Recursiveは、マイクロソフト コーポレーションが提供する、スタートアップ支援プログラム「Microsoft for Startups」に採択されました。「Microsoft for Startups」に採択されたことにより、マイクロソフト社のAzureをはじめとするテクノロジーのサポートを活用し、AIの開発を促進してまいります。■Microsoft for Startupsとは
世界140カ国以上で展開されているマイクロソフト社が提供する新しい顧客やチャネルパートナーとスタートアップを結び付け、グローバルなエコシステムを作り上げることを目的としたスタートアップ支援プログラムです。当プログラムに採択されたスタートアップ企業は、Azureをはじめとするテクノロジーのサポートに加え、同社のパートナーネットワークを活用した、事業拡大に適した専用のリソースが提供されます。
Microsoft for Startups概要
<a href=https://www.microsoft.com/ja-jp/biz/startups/default.aspx>https://www.microsoft.com/ja-jp/biz/startups/default.aspx</a>詳細はこちらのリリースをご覧ください。
<a href=https://prtimes.jp/main/html/rd/p/000000007.000078033.html>https://prtimes.jp/main/html/rd/p/000000007.000078033.html</a>

Recursiveが「Microsoft for Startups」に採択されました

COOの山田がAERAの連載「はたらく夫婦カンケイ」に取り上げられました。この連載は、ある共働き夫婦の出会いから結婚までの道のり、結婚後の家計や家事分担など、それぞれの視点から見た夫婦の関係を紹介しています。夫妻ともに起業家であるがゆえのライフスタイル、馴れ初めなどが語られています。詳細は下記からご覧ください。
>> <a href=https://dot.asahi.com/aera/2022072200026.html>https://dot.asahi.com/aera/2022072200026.html</a>

COOの山田がAERAの連載「はたらく夫婦カンケイ」に取り上げられました

「クラウドテクノロジーを活用した SDGs への貢献」をテーマにしたGoogle Cloud主催の『Sustainability Summit』にExecutive Director / VP of Businessの若林峻が登壇いたしました。本イベントは、SDGs の課題に対しどの様なクラウド テクノロジーを適用できるかを、さまざまな事例なとともにソリューションを語るイベントです。Recursiveは、『生きたデータと AI 活用による持続可能な森づくり』というテーマで住友林業株式会社 加藤 剛 氏、株式会社IHI 並木 文春 氏とともに、3社共同でおこなっているプロジェクトを紹介しました。アーカイブも見られるようになっていますので、ぜひ下記URLからご登録・ご視聴ください。>>> <a href=https://cloudonair.withgoogle.com/events/summit-sustainability-2022-jp?talk=d1-04>詳細はこちら</a>

Google Cloud主催の『Sustainability Summit』にVP of Businessの若林峻が登壇いたしました

2022年2月15日にCOO山田が登壇した、株式会社サーキュレーションが主催をする『ソノプロONLINE Seminar』のYoutube動画と、レポートが公開されました。山田は、SDGsと紐付けたビジネスの現場におけるAI活用のプロという立場で参加をし、サステナビリティ/SDGsを新規事業の機会に変えた先進事例についてご紹介しています。ぜひ閲覧いただければ幸いです。詳細は下記からご確認ください。
<a href=https://circu.co.jp/pro-sharing/mag/article/9089/>https://circu.co.jp/pro-sharing/mag/article/9089/</a>

COOの山田が登壇した「そのプロONLINE Seminar」のセミナーレポートが公開されました

サーキュレーションとRecursiveの『Dataseed』との連携が日経電子版に掲載されました。詳細は下記をご覧ください。
<a href=https://www.nikkei.com/article/DGXZQOUC309O60Q2A530C2000000/>https://www.nikkei.com/article/DGXZQOUC309O60Q2A530C2000000/</a>

サーキュレーションとの協業が日経新聞電子版に取り上げられました

株式会社Recursiveは、自社サービスであるESG経営オールインワンプラットフォーム『Dataseed』において、株式会社サーキュレーションと業務提携を発表いたしました。詳細は下記をご覧ください。
<a href=https://circu.co.jp/news/20220531-3146/>https://circu.co.jp/news/20220531-3146/</a>

サーキュレーションとの業務提携を開始いたしました

INSIDERの『Meet the DeepMind mafia: These 18 alumni from Google's AI research lab are raising millions for their own startups, from climate to crypto』という記事にCEOのティアゴが紹介されました。Recursiveの紹介もされておりますので、ぜひご覧ください。<a href=https://www.businessinsider.com/former-deepmind-employees-who-founded-own-AI-startups-2022-3>https://www.businessinsider.com/former-deepmind-employees-who-founded-own-AI-startups-2022-3</a>

INSIDERにCEOのティアゴが『DeepMind mafia』として紹介されました

株式会社スコープ様の社内セミナーにおいて弊社COOの山田勝俊が行ったセミナーの内容をダイジェストでお届けします。講義を２回に分けて実施の予定で、今回は初回基礎編になります。<h3>現状：日本はプラスチック排出量世界2位</h3>日本はプラスチック製品の消費が非常に高く、1人当たりプラスチック容器包装の廃棄量を国別で比較した場合、日本はアメリカに次いで2番目に多く廃棄しています。
プラスチック廃棄物が適切に処理されないで海洋に流出する場合(以下「海洋プラスチックゴミ)とする)、海洋生物の生態系に悪影響を及ぼすだけでなく、海岸や海洋環境を汚染する原因となりますが、ペットボトルが海で分解されるのは400年かかるというデータもあり、海洋プラスチックゴミが増え続け、このままでは2050年の未来は魚よりも海洋ゴミが多くなると言われています。日本では、スーパーや飲食店で提供される使い捨てプラスチック容器や包装材などが大きなプラスチック廃棄物の原因とされています。これらのプラスチック削減には取り組みが必要です。これらのプラスチック廃棄問題を解決するために、日本ではプラスチック袋の有料化や、再使用可能なプラスチック容器の普及を促進する取り組みが行われていますが、さらなる環境保護と持続可能性を目指し、この課題に取り組みながらも、事業として成立させている企業も世界的に増えてきました。<h3>サステナビリティと経済性を両立した世界のビジネス事例</h3>まず一般消費財では、アメリカで2016年に創業されたAllbirds（オールバーズ）というフットウエアとアパレルのブランドは、できるだけ環境に優しい素材を利用して製品化しています。すでに株式上場もしていて、企業価値1800億円以上とされており、環境負荷を考慮しながらも収益という柱を築いた代表的な例です。他にもエコアルフというスペイン発祥のファッションブランドや、KAPOK KNOTという木の実を由来にした素材を使用している日本のアパレルブランドがあり、サステナビリティに意識を向けた企業やブランドが増えてきています。
また、最近注目されている手法として、アップサイクルというものがあります。これは、副産物や廃棄物などの役に立たない製品を再利用し、より価値のある新しい材料や製品にアップグレードする手法です。例えば、ビールの製造過程で出るビール粕を、クラノーラにアップサイクルするといった具体的な取り組みがあります。「エシカルス・ピリッツ」という日本のスタートアップ企業は、アップサイクルを活用して日本酒の粕などからスピリッツを製造しています。エシカル生産及び消費に特化した世界初の再生型蒸留所として話題になり、またパッケージのデザイン性の高さから贈り物としても流通しています。
また、アップサイクルでは、ヴィーガンレザーを使用した製品も世界中で増えてきています。例えば、アップルレーザーやパイナップルレーザーの他に、サボテンレザーのスニーカーなども世界で話題になりました。さらに、ディープテックと呼ばれる特定の自然科学分野での研究を通じて得られた科学的な発見に基づく技術を持った企業も増えています。ヨーロッパを中心に浸透しているこの概念が日本でも注目され、ディープテック分野で世界的なネットワークを有するHello Tomorrowは、世界中の企業や起業家、リサーチャーなどとディープテックを推進し、多くののディープテック企業が活躍しています。<h3>世界の消費者トレンド</h3>ヨーロッパでは、環境や社会に悪い影響を与える商品は80パーセント以上の人が買わないという意識が広まっています。特に牛肉は温室効果ガスを多く排出する食品として認識されており、ヨーロッパの大学でも牛肉を提供しないところも増えています。
また、世界的にも環境に悪いことをしている企業の商品を避ける意識が高まっており、80パーセント以上の人がそうした商品を選ばない傾向があるようです。特に持続可能な商品やサービスに興味を持つ人が増えています。例えば、大学や企業でもESG（環境・社会・ガバナンス）を重視した投資や経営が進んでいます。ESGに対する投資額は年々増加しており、2025年には更なる増加が予想されています。
日本でも、ヨーロッパのトレンドに追いつくためにはESGを重視した取り組みが必要とされています。ただし、現段階ではESGだけによって経営することは難しい場合もありますが、ESGに対応しないとお金が集まらなくなる可能性もあるため、対応が必要です。<h3>日本と世界の政府動向</h3>日本政府は、2050年までにカーボンニュートラルを達成する方針を発表しています。世界全体でも2050年までにカーボンニュートラルを目指す国や地域が増えており、例えばイギリスやEUは中間地点で異なる数字を設定しています。このように世界全体が持続可能な方向に向かっていると感じられるので、この流れは止まらないだろうと思われます。
現在は政府の発表により、企業やコンサルティング会社などが一斉に動き出しており、特にサステナビリティ関連の買収が相次いでいます。大手企業はサステナビリティ部門を新たに作ることが増えており、チーフサスナビリティオフィサーと呼ばれる専門家の登用も増えています。サステナビリティに対する需要が高まっているため、その分野の専門家は注目されており、企業側もサステナビリティの情報発信が重要だと認識しています。<h3>ESG経営の始まり</h3>2020年頃からESG（Environmental, Social, and Governance）投資の動きは非常に活発になったように思います。2020年12月に運用大手の30社が企業連合「ネット・ゼロ・アセット・マネージャー・イニシアティブ」の共同設立を発表しました。そして、2021年には87兆ドルに相当する資産がこのイニシアティブに参加し、運用資産が増加しています。
代表的な機関投資家であるブラックロックは、2020年1月にブラックロックは顧客が将来に向けてサステナブルに投資できるよう一連の行動計画を発表しました。また、日本国内外全体でESGの投資額全体も驚異的な伸びを見せており、2018年から2020年までの2年間で、世界全体のESG投資額は15.1パーセント増加して、35兆ドルとなりました。そして、2025年までには更なる増加が予測されており、運用資産の約3分の1に当たる53兆ドルに達成すると予想されています。広告業界の動きが更なる起爆剤に
最近の広告業界の動向を簡単にまとめます。現在、広告の制作や展開においてCO2排出量の測定と削減が求められ始めています。広告業界誌「アドウィーク」は、スーパーボール期間中に展開された広告のCO2排出量を概算しています。また、アド・ネット・ゼロという組織が立ち上がり、広告業界をネットゼロに導くための取り組みを進めています。例えば、アセンブリーが広告業界のCO2排出量を監査できるツールを立ち上げる計画を発表しています。また、カンヌラインズ広告祭が今年から作品の応募条件を変更し、応募者には作品に伴うCO2排出量やサステナビリティ関連のインパクトについての情報提出を推奨しています。今年は初めての試みであり、審査基準には含まれませんが、これらの動向を把握し、サステナビリティを取り入れたビジネス戦略を展開していくことが広告業界においても、重要になっています。今後のサステナビリティビジネスに関する意識の動向
一見CO2の問題とは遠いと思われていた広告・クリエイティブ業界での動きもあり、人々の意識も変わってきています。世界的なデータによれば、マーケターたちに大きな意識変革が起きていて、90％の人がサステナビリティ計画は人々から共感される、魅力的なものでなければならないと考えており、94％が変化をより促進するために、有効な行動と新しい試みを行う必要があると考えております。また、企業はサステナビリティの取り組みをより効果的に発信する必要があります。企業がサステナビリティのストーリーを誇りに思っている割合は約40％とあまり高くはありませんが、順調に伸びてきてこの数字となっています。
一方でESG投資も堅調に増えてきていて、企業はよりサステナビリティに対して意識を高めています。投資家や消費者に後押しされています。現在は自社内にサステナビリティに関する人材を持たず、外部のコンサルタント会社に依頼している企業が多いですが、これからはサステナビリティ人材をビジネスに組み込む形の流れになっていくのではないでしょうか。サステナビリティに関する意識は若年層の間で特に高いので、彼らが成長して社会人になる頃には、さらに大きな変動となる可能性があります。<h3>■セミナー参加者の声</h3>また、セミナー後の感想として、次のような感想をいただきました。
「日本と世界との考え方の取り組み方の違いを感じました。世界ではより厳しい取り組み方をしており、遅れを感じました。」
「サステナビリティが、こんなにもビジネスチャンスがあるのかと驚きました。地球環境の問題だという意識から、ビジネスマインドに意識が切り替わったのでとても勉強になりました。」
「サステナビリティ活動がどうビジネスに繋がるのかという部分が聴講前はクリアではなかったが、どこからお金が発生してどうビジネスになっていくかの流れが良く理解できました。」Recursiveでは、社会におけるサステナビリティとビジネスの両立をより普及すべく、事業を推進していきます。

COOの山田勝俊が株式会社スコープ様の社内セミナーに講師として登壇しました。このブログは、セミナーの内容をダイジェストでお届けします。

「未来志向のサステナビリティ×ビジネス視点」サステナビリティと収益性の両立のために知っておくべき世界のトレンド

2023年5月28日から6月2日までの1週間、人生初めてサウジアラビア、アブダビ、ドバイと中東の3都市に出張に行ってきました。
結論から言うと、とても興奮した状態で帰国しました。中東で我々はビジネスを展開すべきだ、と強く思っています。そして、日本の他のスタートアップにとっても一考の価値があると思い、少しまとめます。後半には、参考までに私の活動内容を記載しますが、まずは魅力的であると感じた3つの理由がこちらです。<h3>1. 圧倒的な成長マーケット</h3>中東は、10年で現在の経済規模を2倍にするという野心的なゴールを掲げています。その成長のエンジンとなっているのが、石油以外のビジネス領域で、その割合は経済全体の73%を占めています。様々な分野での投資が加速しており、新しいビジネスチャンスが広がっているのです。<h3>2. 高い日本企業への関心</h3>中東の政府、プライベートセクター共に、日本企業に対する関心は高いと感じました。ビジネスを迅速に進めていきたいというニーズがあります。しかも、日本企業のプレゼンスがまだそれほど高くないため、新規参入企業にとってはマーケットで目立つ機会があります。特にAI領域においては、競争がまだ少なくブルーオーシャンの状態とも言えます。<h3>3. 充実した支援体制</h3>日本の政府機関やJETROのサポートも充実しています。彼らは企業や省庁への繋ぎ込み、イベントへの紹介、様々な情報提供など、進出企業を強力にサポートしています。
これらの要素をふまえ、中東マーケットは日本のスタートアップにとって大きな魅力を持つと言えるでしょう。今後の中東進出を考える企業にとって、経済産業省やJETROが提供する支援策を活用し、またUAE政府が展開しているスタートアップ向けのプログラムをリサーチすることをお勧めします。それにより、中東マーケットにおけるビジネスの可能性をより深く理解できると思います。<h3>追加の視察詳細</h3>それぞれの都市での経験も少しご紹介します。
まず、最初に訪れたのはサウジアラビアでした。空港に着陸してまず気づいたのは、自分が半ズボンのまま来てしまったことでした。肌を見せてはいけないという文化の違いに初めから焦りを感じました。多くのスーツを来ている西洋人と私の服装とでは大きなギャップがありました。また、サウジアラビアの異常な暑さと砂の感触は驚きでした。私が滞在したホテルはHoliday Innで、その快適さはサンフランシスコの有名ホテルよりも上回るものでした。ホテルの浴室も想像よりクオリティが高く、朝食も素晴らしかったのが印象的です。ビジネスにおいては名刺交換という文化がなく、我々というか日本も名刺でなくQRコードが利用されるべきだと考えるようになりました。
2日目に私たちが開発したBorealisをサウジアラビアのエネルギー庁（写真）に披露し、多大な関心を寄せていただきました。この件については、今後進んでから改めて書きたいと思います。<img src=/content/images/image_3b90f505689ccceaed9445db56b93a42.png>同日にサウジアラビア皇太子が推進するNEOMプロジェクトの一つ、「THE LINE」の展示会にも足を運びました。思想のスケールが大きすぎて、その感想を語るのは簡単ではありません。<img src=/content/images/image_98c3aff4180771450c33279489d72ff1.png>次に訪れたのがアブダビです。シンガポールを彷彿とさせるその雰囲気、綺麗なビルと町並みは印象的でした。サウジアラビアと比較すると、熱気も多少穏やかになったのが感じられました。WeWorkとアブダビ政府が共同で展開しているHub71を訪れ、ここでビジネスを展開している日本のスタートアップの1社から様々な話を伺いました。彼らがどのように多様なセクターや人々と仕事をしているのか、ダイレクトにその楽しさが伝わってきました。<img src=/content/images/image_05955786bab564e33a8d2dc07d058390.png>アブダビ2日目は「MAKE IT IN THE EMIRATES」というイベントに参加しました。このイベントはEnergy Centerで開催されており、様々なブースで話を聞いたり、世界から集まっているスタートアップのプレゼンを拝聴しました。さらに2日目にはラウンドテーブル形式で政府関係者、エネルギー庁、そして現地の大企業幹部との意見交換の場を持ち、次につながる貴重な機会となりました。<img src=/content/images/image_1f61990158ffcd226871d31b054b0872.png><img src=/content/images/image_7a794b78bce8ec2c66c2619372949ec2.png>最後に訪れたのがドバイです。その雰囲気はどこかラスベガスに似ているように感じました。そこでSobha Limitedという不動産開発会社のVPと面談しました。彼らが開発しているタウンの規模とクオリティには驚きました。それらのプロジェクトの竣工は想像とは違って予定通りに進行しており、飛ぶように売れているとのことです。<img src=/content/images/image_5ad5011259d800b7bf4b119da8c9d3bd.png><h3>おわりに</h3>中東という魅力的なマーケットに触れ、今とても興奮しています。そして、スタートアップという選択を取った以上、ここでしかチャレンジできないことをやりたいという欲があり、そしてやるべきだと思っています。一筋縄ではいかないことも承知の上ですが、いろいろな助けを借りて前進できればと考えています。日本のスタートアップの皆さんにも、なにかの参考になれば嬉しいです。

2023年5月末のサウジアラビア、アブダビ、ドバイへの出張報告です。中東でのビジネスのヒントになればと思い、本レポートを公開します。

中東視察レポート／AIビジネスの可能性

こんにちは、ウジョンです。
前回の初投稿の後、多くの方から良いフィードバックをいただき、ありがとうございました！今回、Beyond EXPO 2023 in Macauのイベントレポート第2弾を書きましたので、引き続きフィードバックいただけると嬉しいです。
5/10-5/12に開催されたBeyond EXPO 2023 in Macau。ヘルスケアやサステナビリティ領域にて最先端の技術を開発する多くの東・東南アジア企業が展示するこのイベントにて、弊社CEOのTiago Ramalho（ティアゴ・ラマル）が「How is AI Shaping the Southeast Asia's Next Gen? [AIは東南アジアの次世代にどのような影響を与えているのか?]」というトピックにてモデレーターとして登壇しました。Large Language Model (大規模言語モデル、以下LLM）の革新的成長が日々メディアを賑やかす反面、社会的実装には多くの課題もあります。「AIが効果的に社会課題を解決している」、そんなビジョンを近い未来に実現するには、各国・地域がそれぞれの事情に合った実装を進める必要があります。例えば、東南アジアは東アジアに比べるとDXが遅れています。しかし、だからこそ最初からAIを導入することによって、地域のDXを革新的に加速させる可能性が大いにあり、Recursiveとしても注目しています。登壇内容を元に東南アジアの特徴と東南アジアでのAIの可能性についてまとめました。<h2>東南アジアの言語的特徴とAI開発への影響</h2>AI開発、特にLLM開発における東南アジアの一番の特徴は「多言語」ということです。東南アジア人口の大半は日常的に英語で会話できる能力を持っている一方で、英語以外にも、各国、各民族にて独自の言語を使っています。
　従来、Google等の既存のテック企業はソフトウェアやAIを英語で開発する為、他言語の国でプロダクトをローンチする際に、ローカライゼーションに手こずっていました。AIについても同じような開発上の課題が残るのか、という論点がありますが、結論から言うと大きな問題にはならないはずです。
　東南アジアのスタートアップやテック企業の「言語」に対する理解度は既にハイレベルであり、ローカリゼーションの壁は低いでしょう。Natural Language Processing（自然言語処理）や音声認識技術等に加えて、ニュアンスやイントネーション等の各単語の意味以外でコミュニケーションを左右する言語要素への理解も高く、LLMを開発する上で大事な土台は整っていると言えるでしょう。
　更に、企業戦略の観点からしても、カスタマーエンゲージメント等にLLMは大きく活用できる為、技術の普及速度は他地域と引けを取らないでしょう。<h2>東南アジアでAIを導入する上での社会的課題</h2>上記の通り、東南アジアのAI開発・実装は大きな成長ポテンシャルを秘める一方で、AIの普及を遅らせかねない社会的課題もいくつかあります。<h3>1. 政府や自治体などからの支援制度が整っていない</h3>東南アジアのマーケットポテンシャルは東南アジア10カ国が合わさった時に最大限発揮されます。しかし、まだ東南アジア10カ国の内の半分以下が国としてのAI戦略を発表しておらず、共同的に動けていません。発表している国は、シンガポール、タイ、マレーシア、インドネシア、と10カ国の中でも経済成長が先発している国々だけで、それ以外の国々が追いつくには時間が掛かると思われます。また、シンガポールを除く国では、政府、企業、国民の間の信頼度が低い国もあり、AI導入に必要なインフラやデータ制度が整っていない国も多く見られ、AI導入のハードルを上げかねません。<h3>2. データの提供に関する不信が根強い</h3>繰り返しにはなりますが、データ利用に関する法制度が整っていない為、データ提供に関して企業や国民の不信感が高い傾向にあります。その為、AI開発に必要なデータが蓄積されにくいことがAI普及の課題となっています。<h3>3. AIに関する教育が普及していない</h3>AIが普及する為には、AIとは何なのか、その活用方法やリスクに関してある程度のことを国民が理解する必要があります。そして東南アジアでは、まだAIへの認識が他地域に比べて低いため、エンジニアやプロダクト人材を探すことが課題になり得ます。東南アジア発のスタートアップは、海外（主に中国）から人材を見つけてくることで現状はやりくりしていることが多く、国全体のAIリテラシーが低いことは今後の成長において大きな課題となるでしょう。技術的な知識だけではなく、自分の周りでどうAIが活用されて、自分のデータがどこにどう利用されているのか等を早い時期から学び、関心を持てるかは、東南アジアのAI人材開発に大きく影響するでしょう。テクノロジーの発展と共に労働者に要求されるリスキリングへの制度的支援も必要になるでしょう。<h2>公平的なAIとは</h2>東南アジアの課題をピックアップしてきましたが、東南アジアから日本が学べることもあります。現状、日本ではメディアでAIについても騒いても、まだ自分とは遠い話と感じる人が多いです。AIコンサルタントの仕事をしていても「弊社でAIが使えるとは思っていなかった」との話も伺います。AIの社会実装が発展途上にある日本の一つの指標となり得る事例がシンガポールでです。シンガポールのAIの社会実装の事例から、「良いAI」は大きく4点の特徴を持っていると言えます。①社会の為になる、②透明性がある、③全ての人に平等に提供される、④そのAIが何なのか、何をしているのか、どう作られているのか説明が可能、という4点です。無論、550万人という比較的少ない人口でAIを実装することの難易度と、1億人の人口の国で実装することの難易度は異なります。しかし、良いAIの条件となる点は変わらないないでしょう。AI導入する上では、社会的変化、インフラ整備、制度的保障及び支援等、日本もまだ多くの取り組みが必要ですが、シンガポールのような先進事例から学びながら、方向性を間違えなければ、誰もが幸せに暮らせる社会とAI実装にたどり着けるのではないでしょうか。後書き去年に引き続き、国内でのAIユースケースが蓄積してきていることから、今年からRecursiveでは海外進出に向けて動いており、国内外の様々な場での登壇したり、ブース出したり等イベントに力を入れています。もし何か良い機会があれば是非誘っていただけると嬉しいです。注釈）この記事はイベントの内容をもとに構成されています。

5月10日から12日までマカオで開催されたBeyond EXPO 2023は、ヘルスケアやサステナビリティの分野で最先端技術を開発する東・東南アジアの企業が多数出展する大きな展示会です。今回はこの展示会内で行われたセミナーのレポートをお届けします。

Beyond EXPO 2023 in Macauイベントレポート

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。最終回となるPart.4では、Part.2、Part.3で言及した「大規模言語をビジネスで使うには？」の続きとなり「6.カスタムAIシステムの実現」そして全体の「まとめ」についてです。

<a href=https://recursiveai.co.jp/ja/blog/the-value-of-Large-Language-Models-for-enterprise-01/>Part.1</a>はこちら<a href=https://recursiveai.co.jp/ja/blog/the-value-of-Large-Language-Models-for-enterprise-02/>Part.2</a>はこちら<a href=https://recursiveai.co.jp/ja/blog/the-value-of-Large-Language-Models-for-enterprise-03/>Part.3</a>はこちら<h1>大規模言語をビジネスで使うには？</h1>Part.2に続き、企業におけるLLMのさまざまな応用例をまとめてみました。この記事では、LLMが解決に役立つ問題の種類や、既存のワークフローに統合する方法についてお伝えします。<h2>6.カスタムAIシステム</h2>大規模言語モデル（LLM）は、非構造化データから洞察を抽出し、科学ベースのシステムに供給することを可能にすることで、カスタマイズされたAIモデルの開発をより効率的かつ費用対効果の高いものにすることができます。これにより、産業プロセスの最適化、科学的シミュレーションの改善、需要予測の改善などを実現できます。また、データ抽出や処理作業の一部を自動化することで、手作業にかかるコストを削減し、生産性を向上します。科学的シミュレーションに関しては、LLMを使用して、公共および民間のデータリポジトリからデータを抽出・クロールし、シミュレーターに投入することで、シミュレーションの精度を向上させ、計算コストを削減することができます。これにより、複雑な物理現象をより正確に予測し、より深く理解することができるようになります。電子カルテやその他の患者データを分析することで、治療計画や薬の量などに関するパーソナライズされた推奨事項を作成するモデルを開発することができます。このようなレコメンドは、慢性疾患や精神疾患など、特定のヘルスケアに関する悩みに合わせて行うことができ、医療費を削減しながら患者の予後を改善するのに役立ちます。インフラストラクチャーでは、これらのモデルを使用して、交通パターン、エネルギー消費、環境への影響など、さまざまなデータソースから洞察を得ることができます。このデータは、新しい高速道路や風力発電所など、特定のインフラを開発する際のコストと利益を最適化するモデルに反映できます。<h1>まとめ</h1>結論として、LLMは、ナレッジマネジメントやビジネスインテリジェンスから顧客サービスや垂直特化型AIモデルまで、ビジネスのあり方を大きく変える可能性を秘めています。言語の力を活用することで、企業は非構造化データから洞察を引き出し、成長と効率化を促進する情報に基づいた意思決定を行うことができます。言語の複雑なパターンや依存関係を理解する能力を持つLLMは、ビッグデータの可能性を引き出し、AI機能を進化させる強力なツールです。これらのモデルが進化し改善され続けることで、今後数年間でビジネスへの影響がさらに大きくなることが期待されます。

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。最終回となるPart.4では、Part.2、Part.3で言及した「大規模言語をビジネスで使うには？」の続きとなり「6.カスタムAIシステムの実現」そして全体の「まとめ」について紹介します。

企業における大規模言語モデルの価値 Part.4

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。Part.3は、Part.2で言及した「大規模言語をビジネスで使うには？」の続きとなり、「3.全ての人にオートメーションを」「4.ナレッジマネジメントとビジネスインテリジェンス」「5.カスタマーサポート」についてです。

<a href=https://recursiveai.co.jp/ja/blog/the-value-of-Large-Language-Models-for-enterprise-01/>Part.1</a>はこちら<a href=https://recursiveai.co.jp/ja/blog/the-value-of-Large-Language-Models-for-enterprise-01/>Part.2</a>はこちら<h1>大規模言語をビジネスで使うには？</h1>Part.2に続き、企業におけるLLMのさまざまな応用例をまとめてみました。この記事では、LLMが解決に役立つ問題の種類や、既存のワークフローに統合する方法についてお伝えします。<h2>3. 全ての人にオートメーションを</h2>大規模言語モデル（LLM）は、コードの知識がない人でも、コードを書かずに一般的な作業を自動化したり、異なるソフトウェアツールを接続できるようにすることで、一部のAPIを時代遅れにする可能性があります。API（アプリケーション・プログラミング・インターフェース）とは、ソフトウェア・アプリケーションを構築するためのプロトコルやツールの集合体です。APIは、異なるソフトウェアツールが相互に作用することを可能にし、開発者が新しいアプリケーションやサービスを容易に作成できるようにします。しかし、APIは複雑で、開発者がソフトウェアのコードやルールについて深く理解している必要があります。そのため、一般的な作業を自動化したり、異なるソフトウェアツールを接続したい場合でも、そのための技術的なスキルがない人にとっては、使いこなすのが難しい場合があります。LLMは、作業の自動化やソフトウェアツールの接続に、より直感的なインターフェイスを提供することで、ユーザーが簡単にAPIを使える機会を創出します。自然言語を使用して、ユーザーは、電子メールの送信、会議のスケジュール設定、データベースの更新など、特定のアクションの実行をモデルに指示することができます。そして、APIとのやり取りなど、技術的な詳細についてはモデルが対応するため、ユーザーは基本的なコードについて心配する必要はありません。例えば、マーケティングチームがソーシャルメディアへの投稿を自動化したいと考えたとします。さまざまなソーシャルメディアAPIとやりとりするコードを書く代わりに、LLMを使用してプロセスを自動化することができます。また、「明日の午後2時に、この画像とキャプションを使ったツイートを予約する」というような命令を自然言語を使ってLLMに与えることができます。Twitter APIとのやり取りなど、ツイート予約のための技術的な詳細はモデルが引き受けてくれます。非技術的なユーザーが作業を自動化したり、ソフトウェアツールを接続したりすることを容易にすることで、LLMは自動化プロセスを民主化する可能性を持っています。高度な技術力を必要とせず、より多くの人が自動化ツールを活用できるようになるため、より効率的で生産性の高い労働力の確保につながる可能性があります。<h2>4. ナレッジマネジメントとビジネスインテリジェンス</h2>ナレッジマネジメントとビジネスインテリジェンスは、LLMが企業経営に大きな影響を与えることができる2つの分野です。LLMを使用して大量のデータやコンテンツを分析し要約することで、企業は意思決定の改善、ワークフローの合理化、ビジネスの成長を促進できます。文書やその他のコンテンツの要約を自動的に生成することで、従業員が必要な情報に素早くアクセスすることができるようになると、例えば、法律事務所では、LLMを使用して、法律概要や判例を要約し、弁護士が訴訟のサポートに必要な情報を素早く取得できるようになります。LLMを利用した検索・合成システムは、企業にとって、社内業務を加速させるための画期的な手段となり得ます。社内文書に簡単かつ効率的にアクセスできるこのシステムは、あらゆる従業員が効率的に仕事をするために必要な情報を素早く見つけられるようになります。例えば、マーケティング担当者が、ある製品の新しいキャンペーンを企画するシーンを考えてみましょう。過去のキャンペーンやマーケティング資料を手作業で何時間もかけて探す代わりに、LLMを搭載した検索・合成システムを使って、関連する情報を素早く見つけ、新しいコンテンツを生成することもできます。検索・合成システムが特に有用であることが証明されている業界のひとつに、医療があります。医療従事者は、患者のカルテや病歴、研究調査や臨床試験に至るまで、膨大な量のデータや文書を扱っています。LLMを搭載した検索・合成システムを使用することで、医療従事者はこれらの情報に素早くアクセスし、患者のケアや研究活動に役立てることができます。例えば、希少疾患の診断が必要な医師は、このシステムを使って類似症例や関連する医学文献を検索し、貴重な時間を節約して患者の病状を改善できる可能性があります。その他にも、産業向け製造業は検索・合成システムが有用であることが証明されています。製造業では、回路図、組み立て説明書、安全ガイドラインなど、大量の技術文書が扱われます。LLMを搭載した検索・合成システムを使用することで、作業者は製品の製造や保守、問題のトラブルシューティング、安全遵守に必要な情報を素早く見つけることができます。例えば、機械を修理する必要がある作業員は、システムを使用して、関連する回路図やトラブルシューティングガイドを素早く見つけることができます。また最後に、小売業も大規模言語モデルによる検索・合成システムの恩恵を受けることができる業界です。小売業では、大量の顧客からのフィードバック、販売データ、商品情報などを扱っています。検索・合成システムを利用すれば、商品開発、販売戦略、顧客サービスに関する意思決定に必要な情報を素早く見つけることができます。例えば、カスタマーサービス担当者は、このシステムを利用して、お客様の声や苦情に素早くアクセスし、より良い顧客体験を提供することができます。<h2>5. カスタマーサポート</h2>LLMは、カスタマーサービス業務の改善を目指す企業にとって、貴重なツールとなり得ます。LLMを搭載したチャットボットやバーチャルアシスタントは、顧客に即座にサポートができるので、日常的な問い合わせに人間が対応する必要性を減らすことができます。これらのチャットボットは、一般的な問い合わせを認識し、適切な回答を迅速かつ効率的に提供するようにトレーニングすることができ、その結果、顧客満足度の向上と企業のサポートコストが削減できます。例えば、小売業者はチャットボットを使って、顧客が注文を追跡し、商品の在庫を確認し、返品や交換を処理するのを支援できます。一般的な問い合わせを認識し、正確な情報を提供できるようにチャットボットをトレーニングすることで、小売業者は人間のサポート担当者の作業負荷を軽減し、より複雑な問題の処理に専念できるようになります。LLMの利点の一つは、企業の内部文書へアクセスできることで、顧客からの問い合わせに最新かつ正確な情報を提供することができることです。適切なアクセススコープがあれば、チャットボットやバーチャルアシスタントは、企業内のナレッジベースを素早く検索し、顧客が必要とする情報を提供できます。これにより、顧客からの問い合わせに対応するための手作業が大幅に削減され、人間のサポート担当者はより複雑な問題の処理に専念できるようになります。チャットボットやバーチャルアシスタントは、顧客サービスの向上だけでなく、社内のコミュニケーションやコラボレーションにも活用できます。例えば、企業がバーチャルアシスタントを利用して、会議のスケジュールやリマインダーの設定、チームメンバーへの通知などを行うことができます。このようなルーチンワークを自動化することで、バーチャルアシスタントは生産性を向上させ、従業員をより重要な仕事に集中できるようになります。Part.4へ続く

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。Part.3は、Part.2で言及した「大規模言語をビジネスで使うには？」の続きとなり、「3.全ての人にオートメーションを」「4.ナレッジマネジメントとビジネスインテリジェンス」「5.カスタマーサポート」について紹介します。

企業における大規模言語モデルの価値 Part.3

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。Part.2は、「大規模言語をビジネスで使うには？」「1.ナレッジワークを加速させる」「2.非構造化データの処理」についてです。

<a href=https://recursiveai.co.jp/ja/blog/the-value-of-Large-Language-Models-for-enterprise-01/>Part.1</a>はこちら<h1>大規模言語をビジネスで使うには？</h1>前回の記事では、大規模言語モデル（LLM）の可能性と、ビジネスの世界でユビキタスになる可能性について述べましたが、実際にこれらの技術をどのように使って自社の業務を改善できるのか気になるところでしょう。そこで、企業におけるLLMのさまざまな応用例をまとめてみました。この記事では、LLMが解決に役立つ問題の種類や、既存のワークフローに統合する方法についてお伝えします。<h2>1. ナレッジワークを加速させる</h2>LLMは、「文章作成システム」として使用することで、典型的なオフィスワーカーのワークフローを加速できます。これは、ユーザーから提供されたプロンプトに基づいてテキストを素早く生成するLLMの能力のことを指します。例えば、典型的なオフィスワーカーが、複雑なトピックに関するレポートを書く必要があるとします。何時間もかけて調査し、レポートを作成する代わりに、LLMを使用して最初のドラフトを生成できます。例えば、「ビジネスにおける人工知能の活用の利点についてレポートを書いてください」というような指示をモデルに与えるだけで、モデルが完全なレポートを生成し、それを編集して改良できるのです。また、オフィスワーカーの時間を大幅に短縮し、生産性を向上させることができます。調査や執筆に何時間も費やす代わりに、作業者は注意を要する他の仕事に集中することができます。また、LLMを使用することで、よく練られた首尾一貫したテキストを生成できるため、文章の質を向上させることも可能です。ここで重要なのは、LLMを「文章作成システム」として使用することは、人間の入力や編集の必要性を代替するものではないということです。モデルは最初の原稿を生成することができますが、そのテキストが特定のニーズや要件を満たすように編集し、洗練させるのはユーザー次第なのです。LLMにプロンプトを提供するだけでなく、ユーザーは別のプログラムから構造化データを提供し、モデルがその言語をレポートに取り込むこともできます。これは、構造化データと自然言語の組み合わせを必要とするレポートの作成に特に有効です。例えば、販売チームが製品の性能に関するレポートを作成する必要があるとします。このケースでは、ユーザーが表計算ソフトでデータを作成し、そのデータをLLMに提供します。このモデルは、そのデータを使って、自然言語フォーマットでデータを組み込んだレポートを作成できます。レポートには、どの製品のパフォーマンスが高いか、どの製品のパフォーマンスが低いか、パフォーマンスを向上させるためにチームが取るべき行動についての洞察が含まれているかもしれません。構造化データをLLMと組み合わせて使用することで、ユーザーは正確で読みやすいレポートを作成できます。構造化データは必要な情報を提供し、言語モデルはそのデータの周りのストーリー生成に役立ちます。<h2>2. 非構造化データの処理</h2>非構造化データとは、特定の方法で整理されていない情報のことです。例えば、長い段落のテキストは、特定のフォーマットや組織を持っていないため、非構造化データです。一方、構造化データとは、特定の方法で組織化された情報のことです。例えば、列と行を持つ表は特定の形式と組織を持っているので、構造化データです。LLMは、非構造化データを「読み」、構造化されたフォーマットで関連情報を抽出するために使用できます。例えば、売上に関する情報が記載された長い文書がある場合、LLMを学習させれば、関連する売上データを特定し、表などの構造化されたフォーマットに抽出することができます。これにより、データの分析や作業をより簡単に行えます。特にサプライチェーン業務では、電子メールや請求書などの文書形式の非構造化データが大量に存在することが多いので、このようなケースは有効です。このような非構造化データを分析することで、LLMは、従来のデータ分析手法では明らかにならなかったパターンやインサイトの特定に役立ちます。例えば、LLMは、サプライヤーとバイヤー間の電子メールやその他のコミュニケーションを分析し、サプライチェーンにおける潜在的なボトルネックや遅延を特定することができます。また、顧客からのフィードバックやソーシャルメディアデータを分析し、消費者の需要の傾向やパターンを特定するために使用することも可能です。さらに、LLMは、追加のデータソースを取り込むことで、需要予測モデルの精度を向上させるために使用できます。例えば、LLMを用いてニュース記事やソーシャルメディアデータを分析し、消費者需要に影響を与える可能性のあるトレンドやイベントを特定することもできるのです。Part.3へ続く

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。Part.2は、「大規模言語をビジネスで使うには？」「1.ナレッジワークを加速させる」「2.非構造化データの処理」について紹介します。

企業における大規模言語モデルの価値 Part.2

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。Part.1は、「序章」「大規模言語モデルとは？」「なぜ今、大規模言語モデルと生成AIに注目するのか？」についてです。<h1>序章</h1>近年、自然言語処理分野において、人間が書いたものとほとんど見分けがつかないテキストを生成する大規模言語モデルの人気が高まっています。これらのモデルは当初、言語翻訳や感情分析などの自然言語処理タスクに使用するために開発されましたが、その後、その機能は幅広いアプリケーションに拡張されています。大規模言語モデルは、生成AIのサブフィールドであり、人間が生成したものと同様のアウトプットを生成することができるシステムの作成に焦点を当てたものです。これは、言語だけでなく、画像や音楽などの創造的なアウトプットも含みます。大規模言語モデルが、企業の業務改善やサービス向上に貢献する可能性があることは、まだ認識され始めたばかりです。これらのモデルは、金融、ヘルスケア、マーケティング、カスタマーサービスなど、事実上あらゆる業界のナレッジワークに影響を与えることができます。ナレッジワークの加速からビジネスプロセスの最適化まで、大規模言語モデルは価値あるインサイトと自動化を提供し、ビジネスの効率的かつ持続的な運営を支援する可能性を持っています。このブログでは、大規模言語モデルの企業向け主要アプリケーションをいくつか紹介します。ワークフローの高速化、一般的なタスクの自動化、サプライチェーン・オペレーションの最適化、持続可能性の向上に、これらのモデルがどのように活用されるかを説明します。また、これらのアプリケーションで大規模言語モデルがどのように使用されているか、その価値と潜在的な影響力を示す具体例を紹介します。<h2>大規模言語モデルとは？</h2>大規模言語モデルとは、一般的にインターネットから収集された大量のテキストデータに対して学習させたコンピュータプログラムです。自然言語データのパターンや関係を分析し、その理解に基づいて新しいテキストを生成したり、その他の言語関連タスクを実行したりすることができる、高度な機械学習技術が使われています。大規模な言語モデルを学習させるプロセスにはサーバーリソースが必要であり、多くの場合、膨大な量のテキストデータに対して数週間から数か月にわたってモデルを学習させるために、何千ものグラフィック処理ユニット（GPU）が必要となります。この過程で、モデルは何兆もの単語に触れ、言語のパターンと構造に関する深い理解を得ることができます。大規模言語モデルの基本原理は、文や一連のテキストに含まれる次の単語を予測するように学習させるというものです。この単純な損失関数は、学習プロセスを導くために使用されますが、長い範囲にわたってテキストの依存関係をモデル化することを学習するため、モデルの特性を出現させることにつながります。つまり、現在位置から数センテンス離れた場所にある単語でも、次に来るべき単語を正確に予測することができるようになるのです。その結果、新しいテキストの生成や質問への回答など、言語関連のタスクを高い精度で実行できる強力なツールとなります。大規模言語モデルは、機械翻訳や自然言語理解の改善、さらには詩や物語などの創作文の生成にも使用されています。<h2>なぜ今、大規模言語モデルと生成AIに注目するのか？</h2>企業における大規模言語モデル（LLM）のポテンシャルはとても高く、これまで人間にしかできなかったような方法で言語を処理し理解する能力を持つLLMは、事実上あらゆる業界の知識労働に影響を与えることができます。生成AIの能力が向上し続ける中、今後数年のうちに、あらゆる企業が、現在の電子メールやスプレッドシートの使い方と同じような方法で、これらの技術を利用するようになると予想されます。その主な理由のひとつは、大規模言語モデル（LLM）を含む生成AIが、業務のさまざまな側面を変革する可能性を秘めていることです。反復作業の自動化、新たな洞察や推奨事項の提供、ワークフローの効率化などにより、LLMは企業の効率化、コスト削減、競争力強化に貢献します。また、生成AIの導入は、クラウドコンピューティングと機械学習技術の進歩によって推進されています。これらの技術がより強力で利用しやすくなるにつれ、中小企業でもLLMの力を活用して複雑な問題を解決し、新しい洞察を得ることができるようになっています。さらに、生成AIに基づくソリューションを開発する新興企業やテクノロジー企業の数が増えており、企業がこれらの技術を業務に取り入れることがこれまで以上に容易になってきています。このため、企業がLLMの力を活用するために特別に設計されたツールやアプリケーションの普及進んでいます。

「企業における大規模言語モデルの価値」についてPart.1〜Part.4の全4回に分けて特集します。Part.1は、「序章」「大規模言語モデルとは？」「なぜ今、大規模言語モデルと生成AIに注目するのか？」について紹介します。

企業における大規模言語モデルの価値 Part.1

イノベーションとは、簡単に言えば問題を解決する行為です。この点が、何かの仕組みやあるいはなぜ機能するのかを解明する研究とイノベーションが異なる点です。イノベーションを起こす時は、これまでにない新しいツールや方法論を使って問題を解決し、以前よりも速く、安く、効率的に問題を解決することを目指します。持続可能な社会（サステナビリティ）に向けたスピードがますます速まる中、イノベーションを重要な目標に据える理由はたくさんあります。まず、サステナビリティの実現は正しいことであり、イノベーションはその実現を加速する存在です。しかし、それを「正しいこと」であると表明することは、無形で曖昧な概念です。ではどうすれば、人々（及び企業）にそれを納得させることができるでしょうか？株主や消費者からのプレッシャーのおかげで、企業は省エネや環境汚染対策、ジェンダー、人種や民族などへあらゆる差別問題に抗じるために、ビジネスモデルやオペレーションを変革しています。長期的に見て、持続可能な実践は、コスト削減、効率向上など、世界全体にとってより良い社会を実現に貢献します。より多くの企業が持続可能なイノベーションを取り入れるにつれ、サステナビリティはもはや単なるトレンドではなく、ビジネスをする上で不可欠であることがますます明らかになっています。その変化のプロセスの鍵を握るのがイノベーションです。イノベーションとは、具体的な現実の問題（世界）を解決することであり、おそらく一般的に信じられているのとは逆に、イノベーションには先行研究の知識が自動的に必要となるわけではありません。イノベーターとして成功するために、優れた研究者や科学者である必要はなく、例えば、蒸気エンジンの登場では、蒸気サイクルの理解（研究）に先立ってイノベーションが行われましたが、蒸気エンジンの基礎となる熱力学のサイクルはずっと後になってから発見されました。この場合、イノベーターと呼ばれる人たちは、あるパラメータで機械を作れば、それが機能するということに気づいただけなのです。しかし、研究はさらなるイノベーションに繋げることが多いことを認識することは重要です；蒸気サイクルの仕組みが分かれば、それを利用したより効率的な機械を作れるようになります。イノベーションと研究は密接な関係にあるが、どちらか一方が欠けてもダメなわけではありません。では、イノベーション（研究に先行するものや進めるものであれ）は、どうサステナビリティの実現に貢献できるだろうか。例えば、実験室で作られた肉について考えてみます。アップサイド・フーズなどのスタートアップは、細胞や植物の飼料から直接食用肉を培養ことに成功し、食肉の養殖過程で発生する汚染や廃棄物、工業的農業がもたらす動物の苦痛を軽減させています。イノベーションとは、あるトピックやコンセプトを理解し、それが役に立つ問題に応用することです。従って、テクノロジーが変わっても、イノベーションの定義は変わらないのですが、そのペースや性質は確実に変わっています。100年、200年前、イノベーションを起こすのは社会のエリート層が中心でした。なぜなら、知識にアクセスすることはいわゆる特権で、本や図書館にアクセスするには自由な時間（経済資本を有していること）が必要であり、多くの場合、自分の住む町、国や自分が使用している言語に利用できるものなどの局所的な知識に限定されていました。これは、異なる国や社会や経済階層の間に、イノベーションを起こす能力に大きな格差があったことを意味しています。今日、情報技術やインターネットの普及により、知識にアクセスできる人の数は飛躍的に増え、そのため、競争条件が平準化され、イノベーションがより身近なものになってきました。言語、社会経済や地理的な条件による制限はまだありますが、これらは大幅に緩和されました。そしてこの情報アクセスへの変化は、小さなコミュニティでも、大企業のサービスが提供する領域とほぼ同じく、より早くイノベーションを起こせる可能性があることを意味します。しかし、企業や会社は短期的な利益成長の原則に導かれることが多く、時にはそれが、サステナビリティという目標と相反することがあります。コーポレート・サステナビリティは、この2つの目標をアラインさせることが原則です。企業は、長期的に事業を継続させるように、財務的健全と利益を還元することに努めていますが、同時に、ビジネスの成果が社会に良い影響を与えるように確保することも重要なのです。持続可能性に欠ける企業は、多くの理由から、長期的にうまくいかない傾向があります。単に世論的、社会的認識からだけでなく、法的、財務的リスクの面からも同様です。持続可能性のない企業は、イノベーションに欠き、特定の市場にとどまる傾向があるため、イノベーターによるディスラプションに対して脆弱になります（最初は市場において独占的な企業であった場合も）。少なくともある程度の収入が保証されている時、人々はイノベーションの重要性に気づかない傾向があります。イノベーションは、企業のリーダーシップによる長期的な思考が必要であり、多くの場合、ある程度の金銭的な投資も必要です。「イノベーション投資」の成果は、直接的には収益の増加に繋がり、間接的には、従業員が持続可能な組織で働きたい、貢献したいと強く思うようになり、熱心な従業員を獲得することや育てることに繋がるのです。イノベーションは、サステナビリティを向上させ、地球が直面する課題に取り組むために不可欠です。新しい技術、実践、ソリューションを開発することで、より持続可能な未来を創造し、次世代のために地球を守ることが可能になります。Recursiveのような企業は、この取り組みの最前線にいます。森林の地下水位予測、高解像度の天気図作成、医療成果の改善などのプロジェクトで、弊社は持続可能性のための戦いに真の変化を起こしています。私たちはみな、持続可能なイノベーションを支援し、促進する役割を果たせるのです。

企業は、持続可能な開発目標を達成するための創造的な方法を探しています。AIは多くの解決策を提供します。

イノベーションはビジネスサステナビリティの解決策となるのか？

AIは新しいテクノロジーの発展を可能にし、またAIをサステナビリティに応用することで、革命的なことになる可能性があります。多くの企業は彼らの環境、社会、ガバナンス（またはESG）の目標を達成するために、創造的な方法を探り出しています。そして、AIの活用は目標に対し、達成するための多くのソリューションを提供できます。組織のサステナビリティ・インパクトの向上は、コスト削減や売り上げ増加をもたらすことで、組織の最終収益の押し上げにも繋げられます。消費者が益々環境や社会課題を意識するにつれ、サステナビリティは組織の成功と持続性に対し、とても重要になってきています。<h3>AIは持続可能な開発目標の達成にどのように貢献できるのでしょうか？</h3>AIが組織のESG目標の達成に貢献する方法はいくつもあります。AIがより迅速な研究と開発戦略の策定を実現し、イノベーションをより加速させます。研究者は、自然言語処理（NLPとして知られている）とテキストマイニングの技術を使って、簡単に情報にアクセスでき、結果的に、企業の進歩や持続可能な開発目標の達成を促進します。また、AIは世界中の組織の生産性を向上させています。彼らは、人々を貧困から救い、汚染、原材料の使用、さらには土地の使用を削減できる、より高い経済的生産高の恩恵を受けています。従って、産業の生産性向上は、全面的な持続可能性の改善に大きなインパクトを与えられます。その他、予防と緩和も重要な側面です。気候変動や森林破壊、生態系汚染などによる災害が日々増加している中、潜在的な問題を適切に予測し、軽減することがより重要になっています。AIシステムは、従業員の教育の加速や労働状況の改善にも役立ちますが、目標を設定し、創造性を実現することはできません。どのような問題を解決しなければならないかを考える際には、やはり人間の意見が重要であるので、組織はアルゴリズムの作成の指示を出すことで、特定の領域の最適化を図ります。<h3>なぜ組織にAIを活用しないといけないのでしょうか？</h3>AIは組織の持続可能な発展目標の達成に貢献できます。科学ジャーナル「Nature Communications」に掲載された研究により、AI技術は持続可能な発展目標（SDGs）の17項目に強い影響を与えられます。どんな新しい技術でもマイナスの影響を及ぼす可能性はありますが、これらの技術のプラスの影響は、引き起こす可能性のある被害を大幅に上回ります。AIは、持続可能な解決策に必要不可欠であり、組織の持続可能な開発目標の達成及び経済的利益の獲得の両立も実現できます。<h3>AIはどのように組織のサステナビリティ目標の達成に貢献してきましたか？</h3>AIは、世界中の組織にとって、何兆円もの資金を引き出す可能性を持っています。AIを念入りに実装、展開すれば、以下のようなESG目標を達成できます：1.データセンターの冷却
世界中の組織は時間とお金の節約、サステナビリティ目標の達成の為に、AIを活用しています。例えば、グーグルはデータセンターにAIを導入することで、電力効率を数パーセント改善し、毎年数百万ドルのコスト削減につながりました。さらに、ハイパースケールデータセンターをより効率的に運用できたことで、ローカルワークステーションよりはるかに高い出力を実現しました。同社は、DeepMindチームに、データ上のディープニューラルネットワークをトレーニングし、エネルギー効率のより高い冷却システムを開発したことでこれらを達成し、エネルギー効率の大幅な向上、二酸化炭素排出量と運用コストの削減を実現しました。2.家畜の飼育
農業において、畜産の農場は多くの二酸化炭素を排出しています。代替肉を作ろうとする努力は沢山ありますが、まだ大量生産は現実的ではありません。今、注目されているのは、二酸化炭素の排出量をいかに効率的に減らし、より手頃な価格で栄養獲得を目指すことです。畜産場の動物は常に人間による世話を必要とし、それらは多くの手作業となります。北京Unitrace Techは、AIで各動物の行動や習慣を監視する顔認識ソフトウェアを開発しました。この技術は、ディープラーニングシステムを通して病気や異常な行動を検出できます。今のところ、豚は顔認識で検出するのが難しいため、牛向けにのみ開発されています。人の介入を必要としない為、作業員が物理的に家畜を監視する時間を大幅に短縮できます。3.有害なスピーチの検出
AI技術は自然言語処理を使って、ソーシャルメディアプラットフォーム上の発言を監視し、ヘイトスピーチなどの有害なスピーチパターンを検出できます。例えば、Facebookは自然言語処理を利用して、いじめや人種差別、暴力的な内容を含む投稿などの有害な言論を規制しています。もう一つFacebookが抱えている大きな課題は、誰でもニュースを投稿できるプラットフォーム機能を悪用したフェイクニュースの拡散です。Facebookは公開された内容を人間の手で管理できないので、自然言語処理はとても重要な役割を果たせます。さらに、このシステムは学習したことを蓄積していく機能を備えており、訓練データ以外の学習した情報も検出できます。持続可能な開発目標を人の手のみで達成することは、不可能だと感じられます。何を測定すべきか、それが社会の関心を寄せている問題とどう関連するのかが明確ではないことも多いです。AIを活用することは、ESG目標の達成に大きく貢献し、時間の節約になるだけでなく、全体のコスト削減にもつながります。

AIがどのように持続可能な社会へ貢献できるか、その一部を紹介します。

AIとサステナビリティをどのように両立させますか？

最近、ある機械学習モデルを学習させて導入したところ、導入後に特定のマイノリティグループに偏った予測や、常識を覆すような予測をしていることにユーザーが気づいたというケースが相次いでいます。このような予測は、対処しなければ明らかに有害な結果をもたらす可能性があり、このようなミスがもたらすダメージは、せっかく成功したAI技術導入プログラムを頓挫させる可能性があります。このような失敗を防ぐためには、最初から公平性を重視する必要があります。そのためには、企画・開発段階で、この技術の影響を受ける可能性のあるすべてのステークホルダーを特定し、最初から開発、品質保証の段階まで、そのプロセスに参加してもらうことから始めます。データに関しては、データ・プライバシーが最も重要であることは誰もが認識しています。しかし、未だに多くの企業がデータ管理ポリシーを持たず、データの取り扱い方法について透明性に欠けていることがわかっています。ある企業のデータポリシーは、インフラの実態を反映していない⻑い法的文書に埋もれているため、ユーザーが理解するのは困難な場合が多いのです。私たちは、シンプルで透明性の高いデータポリシーを策定することが重要だと公平性と倫理性への配慮考えています。それによって、お客様が自分のデータについて十分な情報を得た上で判断できるようになると同時に、システムへの信頼性を高めることができるのです。また、品質管理や検査に十分な時間をかけることも見落とされがちです。自動回帰テストや、モデル開発時には見られなかった別のデータを使ったテストだけでなく、エッジケースをテストするための人間による検査も必要です。また、モデルが行う特定の判断を説明できることも、ある種の不安を解消するのに役立ちます。モデルの説明可能性の分野はまだ非常に若く、モデルの出力をどのように説明するかについて十分な答えがない場合もありますが、ある種の可視化技術や数学的な保証は、広範なテストと相まって、モデルが壊滅的なミスを起こす可能性が低いことを裏付けます。また、機械学習モデルと論理ベースのシステムを組み合わせることで、予測不可能なシナリオに対する安全策を講じることができます。肝心なのは、これらのテストに十分な時間を割くことです。これらのテストは、導入を急ぐあまり見過ごされがちです。Recursiveでは、このようなシンプルな原則に基づいてAIを開発することで、AIの開発が社会に良い影響を与えることができると考えています。AI研究の第一人者たちが最近発表した「AI for social good」では、特定の提言に従ったAI開発が、SDGs達成のための重要な実現技術となることが示唆されています。"<a href=https://www.nature.com/articles/s41467-020-15871-z>AI for social good</a>"では、倫理的なAI開発のための重要な原則を紹介しています。<ol type=1><li>AIで何ができるのかという期待には、十分な根拠が必要です。</li><li>シンプルなソリューションには価値があります。</li><li>AIのアプリケーションは、包括的で利用しやすく、倫理と人権の遵守のためにすべての段階で審査される必要があります。</li><li>目標とユースケースは、明確に定義されていなければなりません。</li><li>大きな問題を解決するためには、深くて⻑いパートナーシップが必要です。</li><li>計画では、インセンティブを調整し、双方のコミュニティの限界を考慮する必要があります。</li><li>組織の壁を乗り越えるには、信頼関係の確立と維持が重要です。</li><li>AIソリューションの開発コストを削減するためのオプションを検討する必要があります。</li><li>データレディネスの向上が鍵となります。</li><li>データは、人権とプライバシーを最大限に尊重し、安全に処理されなければなりません。</li></ol>私たちは、これらのガイドラインが必要最低限の要件を満たしていると考えています。また、今後より多くのことがわかってくれば、このリストに追加していきます。この取り組みにとって、AI開発者の多様性を高め、より多くのコミュニティをAI開発に参加させることは、重要です。大きな問題を解決するために必要な⻑期にわたる深いパートナーシップは、すべての関係者がお互いに信頼関係を築くことができなければ達成できません。

公平性や倫理性への配慮という観点から、AI開発に重要な原則について紹介します。

公平性と倫理性への配慮

機械学習エンジニアは、モデルを学習する際に、収集した学習データに対する誤差が最小になるように、モデルのパラメータを最適化します。しかし、この作業が成功したからといって、そのモデルが目にしたことのないデータでうまく機能するとは限りません。そのため、モデルがまだ見たことのないデータを含むテストデータセットでモデルをテストするのが一般的です。さて、テストデータセットで良い結果が得られたとしても、そのモデルが本番でもうまくいくとは限りません。本番環境のデータは、モデルが学習したデータと様々な点で異なる可能性があります。前処理技術の違い、時間的なズレ、データソースの違いによるデータの微妙なズレなど、収集したデータが本番データと完全に一致しない理由はいくつかあります。展開を成功させるためには、堅牢なシステムを現場に展開していることを確認するために、さらに多くのチェックやテストを行う必要があります。いくつかの例として、以下のようなことが考えられます。<ul><li>誤差やモデルの不確実性が高いデータをログに残し、モデルの性能劣化をリアルタイムに検出するシステム。</li><li>本番データの特徴と予想されるデータの特徴を比較して、環境が変化しているかどうかを検知し、誤った予測をする危険性を防ぐシステム。</li><li>ラベリングしてトレーニングデータセットに追加するのに興味深いと思われる新しいデータポイントをキャプチャするシステム。</li><li>目の前の問題に対して大きく外れた可能性のある出力を防ぎ、致命的な失敗を防ぐことができる従来のルールベースのシステム</li></ul>これらのシステムを導入することで、より多くのデータを取得した際にモデルを継続的に更新する、継続的なモニタリングと再トレーニングのシステムを実現できます。この場合、各モデルがどのデータで学習されたかを把握するために、データのバージョン管理を行うことが重要です。これにより、モデルが正しいデータで学習されたかどうかを確認することで、モデル性能の問題を解決できます。人間によるラベリングが必要な場合は、新しいデータを効率的にラベリングできるプロセスが必要になります。例えば、高速ラベリング・プラットフォームと、どのデータがラベリングされたか、されていないかを追跡する方法、ラベルが曖昧な場合にどうすべきか、曖昧な定義を明確にするための人間ラベラーのガイドライン、人間自身がミスをしていないことを確認するための検証手順、さらに、研究者がそのデータセットレベルの統計が意味をなしていることを確認できるデータ分析などです。現実的なシナリオでは、特定のラベルは他のラベルよりも頻度が低いため、データセットのバランスを取る必要があります。そして、ラベラーにデータを提示したときに、我々がより関心を持っているインスタンスをラベリングできるようにしなければならないのです。例えば、犬が99%、狼が1%しかいないデータセットがあった場合、狼1匹に対して犬99匹の画像をラベル付けするのは好ましくありません。狼1匹に対して犬を10匹だけラベル付けした方が、ラベル付け作業の費用対効果を最大化できるでしょう。最後に、AIシステムを導入する際には、ミスのリスクプロファイルを考慮する必要があります。ミスは避けられませんし、人間でもミスをします。実際、よく訓練されたAIモデルは、一般的に人間よりも平均してミスが少ないことがわかっています。しかし、AIモデルがミスをした場合、人間よりもはるかに多くのミスをしてしまう可能性があり、これはリスク軽減の観点から問題となります。そのため、このシステムがどの程度の自律性を持ち、どの程度の保護機能を備えているか、また導入前にどの程度のテストを行う必要があるかを判断することが重要です。例えば、動画サイトのレコメンデーションは、致命的なエラーで物理的な故障が発生する可能性のある産業用制御システムよりも、より迅速に展開でき、繰り返し行うことができます。最近では、「説明可能なAI」システムが注目されています。なぜなら、最新のAIモデルは、高次元の空間で計算を行うことで正確に機能しており、それを低次元の空間に投影して人間が視覚化しても、モデルの動作を単純化しすぎてしまい、非常に見慣れないデータに遭遇した場合にモデルが正しく一般化するかどうかを理解するには不十分だからです。デバッグやモデルの動作を把握するための可視化技術には価値がありますが、壊滅的な失敗を防ぎたいのであれば、それ以上のことをしなければなりません。そのためには、慣れない状況でモデルを徹底的にテストしたり、「エッジケース」と呼ばれる、モデルが誤作動を起こすように人工的に作られたデータポイントを提示したりする必要があります。例えば、画像分類の場合、研究者は視覚的に曖昧な画像のデータセットを作成し、分類モデルが潔く失敗するか、あるいはランダムな予測をするかを調べました。このようなテストにより、新世代のより堅牢なアルゴリズムが形成されました。

AIの導入を成功させる3つ目のステップとして、デプロイメントについて紹介します。テストデータセットで良い結果が得られたとしても、そのモデルが本番でもうまくいくとは限りません。そこで、チェックやテストの例を交えて紹介します。

AIの導入を成功させるには: Step 3 デプロイメント

見落とされがちですが、AIモデル開発の最初のステップは、求めている目的を満たすモデルとデータの組み合わせを決めることです。そのためには、AIモデルが何を出力するのか、どのような目的に最適化するのかを明確にする必要があります。モデルのインプットとアウトプットを念頭に置くことで、モデルのトレーニングを成功させるために必要なデータセットの見通しが立ちます。最初のステップは、現在どのくらいのデータがあるのか、さらにどのくらいのデータを収集する必要があるのかを把握することです。データを追加で収集する必要がある場合、さまざまなトレードオフを考慮する必要があります。すなわち、追加のデータポイントを取得するためにどれだけのコストがかかるか、ラベル付けにどれだけのコストがかかるかということです(人間のラベラーに必要な専門知識のレベルに応じて変化します)。これらの変数に応じて、初期トレーニングデータセットのサイズを見積もることができ、これは、より多くまたはより少ないデータを必要とするさまざまなトレーニング技術の開発コストと比較できます。例えば、データ増強、正規化、転移学習は、より小さなデータセットでの学習を可能にする技術であり、自己教師付き学習などの技術は、ラベルのないデータでの学習を可能にします。しかし、これらの技術はすべて、モデルの開発に必要な時間を増加させます。データの状況を検討し、それを扱うためのモデリング手法を決定した後、エンジニアはモデルアーキテクチャの実装に着手します。つまり、データを取り込み、予測や判断などの出力を行うことができるアルゴリズムのことです。アルゴリズムを学習させるには、コンピューター上で反復学習プロセスを実行します。アルゴリズムに学習データを与え、その予測値と目的の出力値を比較し、エラー信号を算出します。この誤差信号から、誤差が最小になるまでモデルのパラメータを更新していきます。モデルの学習が完了したら、モデルがデータを記憶していないか、役に立つ方法で一般化しているかを確認することが非常に重要です。そのためには、分析ステップが必要で、モデルが初めて見るデータのテストセットでの結果を計算します。また、副産物に対するモデルの頑健性も計算しなければなりません。そして、パラメータを調整したり、別のアーキテクチャで再度トレーニングしたりして、モデルを最適化する必要があります。このようなプロセスを繰り返しているうちに、事前に想定していたことが間違っていたことに気づくことがあります。そのときは、学習データかアルゴリズムのどちらかを変更して、再度学習する必要があると判断します。つまり、人間の段階では、もうひとつ上のレベルの学習ループがあるということです。これは、テストを作ってコードを書き、その書いたコードが正しいかどうかをすぐに確認できる従来のソフトウェア開発プロセスとは大きく異なります。これは、この種のモデルが以前に作られたことがあり、他のチームから学んだことを取り入れることができるのか、それともゼロから開発するのかによって異なります。場合によっては、モデルと環境とのインターフェースが人間によって制御されていたり、何らかのフィードバックループを含んでいたりする場合は、精度を多少犠牲にしても、開発期間を短縮することができるかもしれません。計算機の観点からすると、この反復プロセスには⻑い時間がかかり、異なるアーキテクチャ、ハイパーパラメータなどでモデルを何度もトレーニングすると、非常に大きな計算能力が必要になります。さらに、機械学習エンジニアは、実験の結果を待ってから学習ループを進める必要がある場合が多いです。そのため、開発プロセスの予算を組む際には、研究開発にかかる⻑い時間と、モデルを何度もトレーニングするための計算コストの両方を考慮する必要があります。

AIの導入を成功させる2つ目のステップとして、モデル開発について紹介します。見落とされがちですが、AIモデル開発の最初のステップは、求めている目的を満たすモデルとデータの組み合わせを決めることです。

AIの導入を成功させるには: Step 2 モデル開発

スコーピングにおいては、解決しなければならない問題を正確に定義することから始めることが重要です。さて、本書の推奨事項に従っていれば、解決すべき問題が何であるかははっきりしているはずです。しかし、多くの組織では、どんな問題を解決するのか、達成すべき具体的な目標は何かを誰も明示しないまま、プロジェクトが開発され、承認されているのを目撃しています。具体的な目的がなければ、最適化すべき具体的な指標を定義することはできません。その場合、最適化するメトリックの選択は開発者に任されることが多いです。そして、実装に多くの時間を費やした後、チームはこれが組織の望んでいたものではないことを発見します。そうならないためにも、問題点を明確にしておきましょう。最終的にどのような製品になるのか？何ができるのか？どのように振る舞うのか？そのアウトプットは何か？共感を得れるのか？またこの製品は、私たちの組織のメンバーにどのような影響を与えるのか？サードパーティは？そこで、まずモックアップを作成します。そうすることで、起こりうる副作用を予測できます。何をすべきかを指定するのと同様に、何をすべきでないかを定義することも重要です。何がゴールではないか。どのような機能は、今後のイタレーションのために残しておくことができるのか。80−20ルールを考えてみてください。トレンドばかりを気にしないこと。目の前の問題に最適なソリューションを選択するために最先端の技術を調査することは重要ですが、流行に流されるのではなく、問題を解決するための最もコスト効率の高い方法は何かを考えてください。私たちは、多くの問題が20年前の統計技術で解決できることを発見しました。また、堅牢なデータ収集・処理プラットフォームの上に非常にシンプルな機械学習レイヤーを置くだけで済む場合もあります。目標と評価ポイントを決めること。プロジェクトが正しい方向に進んでいるかどうかを評価するために、3ヶ月または6ヶ月の目標を明確に定義し、そうでない場合は中止するかピボットする必要があります。これは、問題が具体的に定義されていて、定量的に評価できる場合のみ可能です。同時に、⻑期的な研究を必要とするプロジェクトの場合は、実験の余地があるような抽象的な目標を設定してください(例えば、完成したプロトタイプを要求するのではなく、特定の仮説が検証または反証されたかどうかを確認するのが有効な研究マイルストーンです)。予算多めに確保すること。エンジニアが見積もっていた以上の計算機資源が必要になることは必ずあります。そうでなくても、初期のプロトタイプをさらに改良するために、そのリソースを使うことができます。悪魔は細部に宿るということを認識してください。多くの場合、オリジナルのプロトタイプの研究開発よりも、完成したプロトタイプを製品に適合させることに多くの時間が費やされます。本番のデータは、私たちが収集したデータセットとは異なるかもしれません。あるいは、生産用のハードウェアは、より限られた計算資源しか持っておらず、モデルが正しく、より低い消費電力で動作するように最適化する必要があります。この展開ステップのために十分なリソースを予算化しておかないと、外部の関係者から「この技術は思っていたほど有望ではない」と思われてしまうリスクがあるからです。

スコーピングにおいては、解決しなければならない問題を正確に定義することから始めることが重要です。この記事では、AIの導入を成功させる最初のステップとしてスコーピングについて解説します。

AIの導入を成功させるには: Step 1 スコーピング

2020年に日本で行われた意識調査では、8割近くの個人投資家が企業のESGへの取り組みを投資の判断材料にすると答えています。ESG投資は拡大を続けており、その世界規模は2018年時点で約30兆米ドル、<a href=https://www.bloomberg.com/professional/blog/esg-assets-may-hit-53-trillion-by-2025-a-third-of-global-aum/>ブルームバーグ</a>の試算では2025年までに53兆米ドルにも達すると予想されています。フィナンシャル・タイムズによれば、過去10年間で、多数のESGファンドが非ESGファンドの投資成績を上回りました。<h1>ESGとは</h1>ESGとは、環境（Environment）・社会（Social）・ガバナンス（Governance）の頭文字をとったもので、持続可能な社会の実現に向けて民間企業が取り組むべき課題を定めたものです。<a href=https://www.unpri.org/sustainability-issues/environmental-social-and-governance-issues>国連</a>の定義によれば、「環境」はメタンガスやプラスチック、「社会」は人権や労働基準、「ガバナンス」は取締役の任命や汚職といった問題と関連しています。ESGの達成度は民間の評価機関によりスコアリングされ、そのスコアに基づく投資は「ESG投資」と呼ばれます。SDGsが国や社会全体の目標である一方、ESGは民間企業が影響を及ぼしうる問題に焦点が当てられており、課題設定は限定的ではあるものの、その社会への影響力は大きく、SDGsの実現には企業のESGへの取り組みが必要不可欠です。<h1>ESGの成り立ち</h1>ESGの概念が世界的に認知され始めたのは、2006年のことです。国連が、機関投資家に向けたイニシアチブ「責任投資原則（PRI）」を発表し、持続可能な社会の実現にはESGに基づく「責任投資」が必要であり、責任投資には経済的リターンが伴うことを論じました。奇しくも1年後の2007年に起きたリーマンショックをきっかけに、企業のガバナンスが重要視されるようになり、連動する形でESG投資への関心が高まりました。日本でESG投資が広まるきっかけとなったのは、2015年、GPIF（年金積立金管理運用独立行政法人）がPRIに署名したことです。日本最大の機関投資家であるGPIFがESG投資への参加を表明したことで、日本におけるESG投資の機運が一気に高まることになります。2021年には、菅首相が2030年までの46%の温室効果ガス削減を誓約したことも社会の流れを反映していると言えるでしょう。<h1>ESG投資の価値</h1>2020年、世界中でコロナウイルスが流行するなか、<a href=https://www.spglobal.com/marketintelligence/en/news-insights/latest-news-headlines/esg-funds-beat-out-s-p-500-in-1st-year-of-covid-19-how-1-fund-shot-to-the-top-63224550>19のESGファンドがS&P500を投資成績で上回りました</a>。これはESG投資がいかにリスクマネジメントとして機能するか、また変動する市場で有効かを示す事例です。<a href=https://www.morningstar.com/articles/991535/esg-investing-is-about-long-term-risk-management>モーニングスター</a>は、長期的なESGリスクとして以下の例を挙げています。<ul><li>ガバナンス：長期的な投資家の利益よりも短期的な収益を優先したことによる粉飾決算。</li><li>環境：二酸化炭素排出量に伴う課税といった規制リスク。</li><li>社会：従業員を適切に扱わなかったことによる機会損失。</li></ul>ESG投資家のなかには、経済的リターンよりも社会的影響を優先する考えもあります。これは若い世代の投資家に多くみられる傾向であり、自分たちの老後や子どもたちの世代のために、より良い労働環境や持続可能な社会を築きたい、という純粋な理念によるものです。2017年の<a href=https://www.morganstanley.com/content/dam/msdotcom/ideas/sustainable-signals/pdf/Sustainable_Signals_Whitepaper.pdf>モルガン・スタンレー</a>の調査では、ミレニアル世代の86%がサステナブル投資に関心があると答えています。さらに、最近ではこうした社会や環境への貢献と経済的リターンを両立させた「インパクト投資」という概念も注目されています。インパクト投資とは、より良い社会や環境の実現を目指す事業への投資ですが、チャリティや寄付とは違い、経済的リターンにも妥協しません。社会や環境への影響（インパクト）と経済的リターンの両方をKPI（目標値）として設定し、厳密に投資パフォーマンスの計測を行います。たとえば農業を例に挙げると、環境型農業への投資により環境負荷を減らし、雇用を創出し、食料自給率を高めつつ、生産性向上により利益を高める、といったものです。こうした動きが大きくなるにつれ、ESGを軸とした市場価値はますます高まっていくことになり、ESGに取り組む企業や投資家、そして社会や環境にとっての好循環を生み出す力になるでしょう。<h1>ESG投資の課題</h1>まず、ESGを評価するための統一された基準が存在しないことです。ESGのスコアリングは民間の評価機関により行われますが、GISR（グローバルサステナビリティ評価イニシアチブ）によれば、2018年時点で、ESGの評価方法は253種類、評価機関は132機関にのぼっています。たとえば、MSCIは企業のESGスコア算定にあたり10のテーマと37のファクターを検討します。FTSEラッセルは14のテーマ、S&Pは23の基準といった具合です。こうした評価方法の違いから『ある評価機関によるESGスコアは高いが、別の評価機関からのスコアは低いということも起こりえる』と、<a href=https://www.ft.com/content/df328c34-6d9b-4fe6-9074-74091ce23ac7>フィナンシャル・タイムズ</a>は指摘します。このように評価機関が乱立している状況が、企業のESGへの取り組みの障害になっている側面もあります。複数の評価機関のために異なるフレームワークに基づくデータを用意し、スコア改善のために多額のコンサルタント料を支払うなど、「<a href=https://www.ft.com/content/9692adda-5d73-11ea-ac5e-df00963c20e6>ESG疲れ</a>」とも呼ぶべき事態に陥りかねません。<h1>ESG投資の今後</h1>米国証券取引委員会（SEC）は、2020年、ESGの情報開示に関する標準フレームワークの策定に乗り出しました。日本でも、2021年5月、金融庁がESG評価機関に対して、手法や根拠の説明を求める報告書を発表しました。また、ESG評価におけるAIの活用も見られます。たとえば、自然言語処理（NLP）によってインターネット上から企業のESGに関連するであろう情報を収集し、分類アルゴリズムにより関連分野の紐づけを行い、機械学習を活用してスコアの算出を行うというものです。このようなAIシステムが機能すれば、企業は評価機関のためにデータの収集や開示作業に奔走する必要はなくなり、評価機関にとってもアナリストにかかる膨大な人件費を抑えることができます。ESG投資の潮流に乗り遅れまいと、ESGへの取り組みを強める企業が増えることは、ESG投資の価値向上という観点では望ましいことです。一方で、ESGの本質を理解せず、目先の利益を追求した取り組みに終始すれば、長期的な投資家の支持を得ることは難しく、場合によっては「<a href=https://www.cnbc.com/2021/04/23/what-to-know-about-greenwashing-in-sustainable-investments.html>グリーンウォッシング</a>」、あるいはそれに類する状態に陥るおそれもあります。国連貿易開発会議（UNCTAD）の推計と現在の投資状況から、SDGsの達成には年間2.5兆ドルの投資が不足していると見られます。これは、冒頭で述べたESG投資の世界規模（30兆ドル～）からすれば、十分に現実的な数字です。真の意味での企業価値の向上のためには、企業がそれぞれ抱える社会的・環境的リスクに真摯に向き合い、その取り組みをESGの枠組みを通じて投資家や社会に積極的に発信していくことが重要です。それにより市場全体、さらには社会全体に正の連鎖が生まれ、SDGs、持続可能な社会の実現に向かう大きな原動力となるでしょう。

2020年に日本で行われた意識調査では、8割近くの個人投資家が企業のESGへの取り組みを投資の判断材料にすると答えています。 そこで、拡大を続けるESG投資の価値や課題、今後についてまとめました。

ESGが企業や投資家にもたらす価値と、SDGsへの影響

AI開発のプロジェクトを進める際、どのように進行するかを正確に予測することは不可能です。例えば、モデルの性能が十分に発揮されないなどの予期せぬ問題が発生する可能性があります。その原因としては、データセットに十分なデータが含まれていないことや、モデルのアーキテクチャが適切ではなく、十分に一般化できないことなどが考えられます。また、テストの結果、99%の精度があるにもかかわらず、残りの1%のケースでは予測が大失敗することが判明するかもしれません。このように予測不可能な状況で、AI開発プロジェクトを最も効果的に管理するにはどうすればよいのでしょうか。業界標準のベストプラクティスはありませんが、⻑年の経験や多くの業界関係者との議論を通じて得られた見解をいくつか紹介します。プロジェクトライフサイクルにおけるすべての段階を最初から定義すること。これには、スコーピング、データ取得、モデリング、デプロイメントが含まれます。これにより、最終的な実装に至るまでのプロジェクト全体に十分な時間をかけることができます。多くのプロジェクトでは、有望な結果が得られる迅速なPOCを開始したものの、本番に耐えうる堅牢性を実現するために必要な作業の規模が明らかになると、リソース不足のためにキャンセルされてしまうことがあります。データラベリングには思った以上に予算が必要であること。手軽なプロトタイプは、インターネットで入手できる既製のデータセットを使って開発できますし、エンジニアがすぐに作成することもできます。しかし、現場でしっかりとしたROIを実現するためには、何桁ものデータでモデルを学習させる必要があります。そのためには、人力でデータを収集し、ラベル付けする必要があるでしょう。最初からテスト用のパイプラインを用意すること。これはどちらかというとエンジニアリング上のヒントですが、計画を立てる際にも考慮すべきです。機械学習モデルは脆く、バグが発生して微妙に状況が変わることがあります(モデルはまだ学習しますが、精度は低くなります)。継続的なテストパイプラインは、コードと学習レベルの両方で、不具合をより早くキャッチするのに役立ちます。作業の90%はデプロイ後に起こります。デプロイ後もモデルが活動していることを忘れないでください。常に監視し、データを取得し、再分類し、再トレーニングする必要があるでしょう。プロトタイプから積み上げていくこと。最初からすべての問題に取り組むのではなく、最小実行可能な目標に分解します。一番下にぶら下がっている果実のモデルを開発し、そこから積み上げていきます。経営陣に結果を示すのがより簡単で早くなるだけでなく、誤った仮定を早期に発見して修正するのに役立ちます。

予測不可能な状況で、AI開発プロジェクトを最も効果的に管理するにはどうすればよいのでしょうか。業界標準のベストプラクティスはありませんが、⻑年の経験や多くの業界関係者との議論を通じて得られた見解をいくつか紹介します。

AIプロジェクトのマネジメントを成功させるための5つのポイント

人口増加と大量消費が環境に与える影響への認識の高まりから、サステナビリティは世界中の企業にとって重要な関心事となっていますが、多くの企業は、サステナブルな取り組みがコスト削減や、環境や社会問題に対する消費者の意識の高まりによる売上の増加など、収益にも貢献することを認識しています。しかし、多くの企業は、過去の取り組みがうまくいかなかったり、ROI（投資収益率）のビジョンがはっきりしなかったりして、技術革新の推進に苦労しています。私たちは、これまでの経験をもとに、組織の意思決定者が技術革新プログラムを実施し、組織のサステナビリティフットプリントに測定可能なプラスの影響を与えるために必要な6つのチェックリストを作成しました。<h1>ステップ1: インパクトのある主要分野の調査</h1>1つ目のポイントは、「インパクトのある主要分野を調査する」ことです。SDGsの議論でも触れましたが、大きな問題の一つは、明確な定量的目標がある一方で、特定の組織や部門が実行できる具体的な貢献に結びつけるのが非常に難しいことです。そこで、まず最初のステップとして、インパクトのある分野を調べることから始めます。ビジネスによって、インパクトのある分野は異なります。例えば、農業を営んでいる企業であれば、土地利用や環境保全が優先されるかもしれません。一方、伝統的なプロフェッショナルサービスを提供する企業であれば、労働生産性や男女共同参画が最優先課題となるでしょう。持続可能な開発目標のリストに目を通すことで、自社が影響を与えている分野が浮き彫りになり、どの分野が自社に関連しているかを知ることができます。持続可能な開発目標とは直接関係ありませんが、ESGタスクフォースや基準委員会も関連する情報源であり、そこからどの指標が自社に最も関連するかを判断することができます。どの目標が組織に最も関連するかを決定した後、どの測定基準に最も影響を与えることができるかを決定することは価値があるかもしれません。 考慮すべき要因としては、組織の規模、この指標に対する組織の影響力、既存のソリューションを活用してこの指標に意味のある改善をもたらすことがどれだけ容易であるか、などが挙げられます。これを体系的に行うためには、以下に提案する6つのポイントについての提案をスケッチし、対象となる測定基準をマッピングします。また、どのような解決策が考えられるかだけでなく、これらの対策を講じた場合の推定投資収益率と組織への推定影響度をスコープに入れます。そして、このリストを使って、どの分野に最初に注力するかについて、組織内のさまざまなステークホルダーからのフィードバックや賛同を集めることができます。これまでにサステナビリティに関する取り組みを行ったことがない組織であれば、プログラムの範囲を最もコンセンサスが得られている1つの分野に限定して、試験的に実施することも考えられます。実施後は、この取り組みのROIを利用して、組織のメンバーをさらなる変革プログラムに参加させることができます。<h1>ステップ2: キーメトリクスの定義</h1>関連性のあるものとそうでないものを定義したら、各目標のターゲットと指標を見てみましょう。これらは、目標達成に向けた進捗状況を示す、実際の定量的な指標です。ステップ2では、重要な指標を定義します。多くの場合、SDGsの指標はあなたの会社には直接適用できないので、その指標に直接かつポジティブな影響を与えると思われる指標を定義する必要があります。例えば、目標番号3の「すべての年齢層の人々に健康な生活を保証し、幸福を促進する」に焦点を当てることにしましょう。例えば、特定のコミュニティに工場を持っている場合、指標3.9.1「環境大気汚染世帯に起因する死亡率」が当社の行動によって影響を受ける可能性があると判断できます。そこで重要な指標として、当社の工場に起因する具体的なPM2.5や有害ガスの排出量を定義することができます。その数値を理想的にはゼロにすることを約束し、その影響を測定することで、関心のある指標の改善に直結させることができるのです。指標を定義したら、それをどのように測定するかを決める必要があります。指標の種類によっては、文書やスプレッドシートに記録された既存の企業データの形でデータを入手できるかもしれません。また、物理的な設備に設置されたセンサーによって測定されるかもしれませんし、標準的な会計手続きに従って推定する必要があるかもしれません。すでにデータを持っている指標は、測定しやすい対象であるように思えるかもしれません。しかし、組織には情報のサイロ化があり、組織内に散在するさまざまな文書からすべてのデータを収集するのは非効率かもしれません。そんなときに役立つのが自然言語処理ツールです。最近では、企業内の情報サイロを統一し、すべての情報をデータレイク（知識ベース）に集約しようとするAIベースの検索ツールがいくつか開発されています。このようなナレッジベースには、企業の情報が集約されており、このデータを測定することが非常に容易になるかもしれません。もし、あなたの会社でそのようなデジタルトランスフォーメーションの取り組みがすでに進行中であれば、これらの指標は、そうでない場合よりもはるかに簡単に測定できるかもしれません。同様に、物理的な場所にすでにセンサーを設置している場合は、データの集約、統計、要約のためのプロトコルがすでに組織に備わっていることを考えると、データの集約が容易になるかもしれません。そうでない場合は、物理的な場所にセンサーのネットワークを展開するためのコストと、このデータを集約して処理するために必要なソフトウェアの開発コストを、このような持続可能性プロジェクトのコストを計上する際に考慮しなければなりません。ターゲットの中には、実際には直接測定できないものもあり、科学的根拠に基づいた会計方法で推定する必要があります。例えば、企業のカーボンフットプリントを推定するには、一貫した基準を持つGHGプロトコルが適しています。これらの目標は間接的な方法で算出されているため、結果に間接的に影響を与える多くの要因がある可能性があり、改善にはより詳細な計画が必要となります。そのため、どこにアクションを起こすべきかがすぐにはわからないかもしれません。会計プロトコルを徹底的に評価し、そこに影響を与えるすべてのインプットを決定することで、それらの貢献を具体的な測定可能なビジネス指標にマッピングすることができます。<h1>ステップ3: ソリューションの選択</h1>本書では、持続可能性の目標を達成するための技術的なソリューションに焦点を当てています。しかし、多くの場合、技術的な解決策ではない方法でも、サステナビリティを大きく向上させることができるということをお伝えしたいと思います。例えば、ジェンダー平等、給与改善、エネルギー効率などの目標を達成するためには、企業文化やビジネス慣行を変えるだけでよい場合があります。このような場合でも、定量的な測定と追跡が進捗を促進します。技術的なソリューションが持続可能性への取り組みの重要な要素であると判断した場合、目標達成のために適切な技術を選択する必要があります。十分な情報を得た上で判断するためには、問題についてより多くの情報を収集する必要があります。今回のケースでは、主にAIファーストの技術的ソリューションを検討しています。このようなソリューションを開発する場合、プロジェクトを開始する前に深く理解しておく必要があるテーマがいくつかあります。
1. データ。ステップ2で定義した指標を測定するのに十分なデータを収集しているか？もしそうでなければ、どのようにしてそれを測定することができるか？
2. 技術状況。専門家に相談した上で、既存の技術で今すぐできることは何か？5年後、10年後には何ができるようになるのか？利用可能なさまざまなソリューションの生産性とコストのトレードオフは何か？
3. マイルストーン。現在利用可能な技術と、将来開発可能な技術を考慮した上で、当社の測定基準の具体的な年間または四半期ごとの目標マイルストーンは何か？
4. 副作用。その技術を導入することで、意図しない結果を招く可能性はないか。この変化によって影響を受けるすべての利害関係者を考慮したか。このプロジェクトは、経済的にも政治的にも、長期的に持続可能か？完全な技術的ソリューションを実現するためには、物理的なツールの配備、ソフトウェアやAIモデルの開発、あるいはレガシーシステムを置き換えるための全く新しいプロセスの開発を組み合わせて行う必要があります。ハードウェアの開発・展開の場合は、製造コストや品質、現場での信頼性やメンテナンスなどを考慮する必要があります。ソフトウェア開発の場合は、データの取り込みと出力、展開条件（クラウドとオンデバイスの違いなど）、既存システムとの統合などを考慮する必要があります。意図しない副作用を防ぐためには、すべての利害関係者から情報を収集するだけでなく、この計画の目的は何か、なぜそれが重要なのか、どのようなステップを踏むのかを詳細に説明することが重要です。これにより、影響を受ける可能性のあるすべての関係者が、当初のプランナーが見落としていた可能性のある懸念事項を提起することができます。また、このステップを踏むことで、後々の移行プロセスが非常に容易になります。というのも、全員が次の変化を認識し、それに対して発言権を持っているからです。多くの組織では、技術的な採用や革新の主な障害は政治的なものであり、決定プロセスに関与していなかったために疎外された個人や部門が変更を阻止するという形で、これは重要なポイントである。また、導入後の段階を考慮することも重要です。システムを運用するための総コストを計算しただろうか？経済的にも、人材的にも、システムの維持・継続は可能なのか？システムを最適な状態で稼働させるためには、環境や政治、ビジネスの状況の変化に対応したアップデートが必要になるかもしれません。<h1>ステップ4: 開発</h1>さて、技術的なソリューションを選ぶことは、それだけでは終わりません。メディアではAIソリューションの宣伝が盛んに行われていますが、AIシステムの開発を成功させるのは簡単なことではありません。AIや機械学習モデルの開発は、従来のソフトウェア開発とは全く異なるパラダイムであり、まだ初期の分野であり、業界で確立されたプラクティスもそれほど多くありません。AIプロジェクトの開発、具体的にはプロジェクトのライフサイクル全体を考える上で、まず念頭に置かなければならないのがデータです。これは、私たちが提案するタスクリストに従っていれば、測定する指標を定義するところから始まります。測定基準が定義されたら、モデルのトレーニングのためだけでなく、展開時の推論や性能評価のために、データをどのように収集、処理、保存するかを理解する必要があります。モデルの開発自体が反復的かつ実験的なプロセスであるため、十分な時間と計算資源を予算として確保する必要があります。異なるソリューション間のトレードオフを考慮する。確立された技術を我々のユースケースに適応させるのが良いのか？それとも、新しい技術を研究するのか？それらの異なる戦略に必要なプロジェクト管理は全く異なります。プロジェクトを成功させるために必要な技術については、後の章で説明します。<h1>ステップ5: 展開</h1>次に必要なのは、新しいソリューションを展開することです。レガシーシステムとの統合や本番環境での予期せぬバグなどの技術的な課題もありますが、展開する上で最も厳しい障壁は社会的・政治的なものであることがわかりました。人間は変化を嫌うので、その変化が有益であるだけでなく、よく理解されるものでなければなりません。そのため、AIシステムを開発する際には、公平性を優先すべきだと考えています。そうなると、初期に取るべき重要なアクションは、社内の他の人たちからの賛同を得ることです。プロジェクトに対する熱意の欠如は、多くのイノベーションの取り組みにおいて、第一の障害となる傾向があります。早めに計画を提示し、できるだけ多くの関係者に伝えましょう。彼らのアイデアを集め、可能な限り計画に組み込むことで、オーナーシップを高めることができます。人々の懸念や反対意見に耳を傾けることで、他の人の足を引っ張らないような計画を立てることができるかもしれません。また、事前に意見を聞いておくことで、自分では気づかなかった問題点の緩和策を講じやすくなります。特に持続可能性を追求する場合、正義感に満ちた提案は、人によっては攻撃されているように感じて敬遠されてしまうことがあります。その代わりに、この計画がもたらすポジティブな変化と、詳細なROI分析に焦点を当て、このプロジェクトの実施が組織にもたらす価値を強調することを提案します。もう一つの反対意見は、システムの堅牢性に関するものです。当然のことながら、市場で実績のない斬新な技術的ソリューションを導入することや、導入が失敗した場合のリスクが大きい場合には、反対するステークホルダーもいるでしょう。このような状況を緩和するためには、本書で紹介している安全でロバストなモデル開発のための手法を実践し、それをチームに伝えることが重要です。要約すると、モデルの展開に関する懸念を軽減するためには、ステークホルダーとの早期のコミュニケーションに重点を置き、懸念事項に耳を傾け、緩和策を計画に組み込むとともに、広く展開する前に広範なテストを実施することです。また、「公正さと倫理」の章では、モデルの特性を広範囲に視覚化することや、説明可能なAIを組み込むために時間をかけることが、懸念を事前に和らげるのに役立つことを説明します。<h1>ステップ6: メンテナンス</h1>最後に、導入後もソリューションを忘れることはできません。機械学習システムの場合、データセットや環境のドリフトという問題がよく発生します。これは、モデルを学習させるデータや前提条件が変化することを意味します。モデルの予測自体が、取得したデータが以前に見たものとは異なるというフィードバックサイクルを生み出す可能性があるため、システムのパフォーマンスを継続的に監視し、高速な更新サイクルのための準備を行う必要があります。一般的に、新技術の導入スピードが速くなるにつれ、世界に関する情報や利用可能な技術が変化するため、静的な計画に何年も頼ることはできないことがわかります。そのため、技術的な実装を成功させるには、常に監視と再評価を行い、実装後も長期間にわたって性能と関連性を維持できるようにする必要があります。

私たちは、これまでの経験をもとに、組織の意思決定者が技術革新プログラムを実施し、組織のサステナビリティフットプリントに測定可能なプラスの影響を与えるために必要な6つのチェックリストを作成しました。

持続可能な技術革新のための6ステップ

材料探索は、いくつかの方法で経済の持続可能性を高める可能性のある研究分野です。例えば、既存の製品や工業プロセスの効率を向上させるだけでなく、これまで不可能だった新しいアプリケーションや技術を可能にします。また、材料探索は人間が手作業で時間をかけて試行錯誤することが多い研究分野です。AIを活用し、多くの作業を自動化することで、この分野に大きく貢献することができます。ただ、AIがエンド・ツー・エンドの探索パイプラインを完全に代替するとは考えていません。なぜなら、探索パイプラインの開発を指導し、目標を設定し、ある開発の実世界での影響を理解するには、依然として人間が必要だからです。しかし、AIがこのプロセスのいくつかの側面で大きな助けとなることは間違いありません。AIは、このシステムの特定の面倒な部分を加速させ、しばしば試行錯誤を必要とする実験を自動化する足がかりを得始めています。材料探索の場合、AIがイノベーションパイプラインに役立つ可能性があるのは、材料特性の予測と材料合成の2つの主要分野です。<h1>プロパティの予測</h1><img src=/content/images/image_5a727b76ffe5292258a50559d37affa3.png>材料技術者は、新しい材料の候補がある場合、その候補が目的の用途に適しているかどうかを判断する必要があります。そのためには、さまざまな物理的特性を把握する必要があります。例えば、<ul><li>pHはどのくらいか？</li><li>他の材料と反応する温度は？</li><li>強度はどのくらいか？</li><li>結晶構造はどうなっているのか？</li></ul>などの特性です。そしてもちろん、最終的な用途に組み込まれたときに、実際にどのような効果が得られるかを予測することも重要です。例えば、電池の場合、<ul><li>最終的なエネルギー貯蔵量はどのくらいか？</li><li>どのくらいの速さで充電・放電できるのか？</li><li>劣化するまでに何回のサイクルに耐えられるか？</li></ul>といったことを予測する必要があります。これらの特性を予測するには、多くの場合、試行錯誤的な実験が必要ですが、他の既存材料のデータセットを使用することで、他の新規材料に一般化できる「<a href=https://aip.scitation.org/doi/full/10.1063/5.0018384>人工ニューラルネットワークモデルの学習</a>」が可能となり、マクロなレベルだけでなく、ミクロなレベルでも特性を予測することができます。例えば、マクロなレベルでは、この材料のバルク構造をシュミレートして、最終転移温度、引張強度、融点、密度、粘度、エネルギー容量などを決定することができます。また、分子レベルでは、格子定数、バンドエネルギー、電子親和力など、半導体や電池の高速化や新規化学物質の開発に不可欠なミクロな特性を予測することができます。<h1>材料の合成</h1><img src=/content/images/image_3803bc482860333ae806014170548171.png>また、AIを活用することで、新規材料をゼロから発見・提案することができます。例えば、どのような化学組成が化合物を形成しやすいかをフィルタリングすることで、元素プールから元素の組み合わせを推奨するシステムや、既存の材料のイオン置換を提示して新しい化合物を発見するシステムを開発することができます。また、これらのモデルを用いて新素材の結晶構造を予測することで、どのような分子が希望の結晶構造を持つ可能性があるのかをより正確に探ることができるようになります。新しい<a href=https://aip.scitation.org/doi/10.1063/5.0022870>有機ELシステムの例</a>では、より最適化された構造を開発するために、機械学習が非常に重要であることを示しています。また、AIはプロセスの最適化にも利用できます。例えば、金属製錬のような材料製造のプロセスを最適化することができます。このパイプラインには、鉱石の濃度分析、鉱石の処理、金属の分離の自動化など、AIを利用することで高速化できる重要なステップがいくつかあります。例えば、ある合金の加工パラメータがどのような機械的特性を持つかを予測できるモデルを開発すれば、この合金の機械的特性が最適になるように加工パラメータを最適化することができ、それによって製錬方法を改善することができます。さらに、これらのシステムの量子力学的なシミュレーションにも、AIの手法が大いに活用されています。分子レベルで材料を設計する際には、量子力学的特性が非常に重要であり、システムの正確な量子力学的記述が必要となります。これは、系の密度汎関数によって与えられますが、多くの場合、非常に退屈で大規模な計算であり、数値的に近似しなければなりません。また、非常に複雑なシステムでは失敗することもあります。しかし、密度関数の推定に<a href=https://www.notion.so/Accelerating-Material-Discovery-using-AI-bb09c6c92d784564a8f6411802e6c62a#5dc9447deebf40d3b746d22d99c6c028>機械学習</a>を適用することで、より迅速に、より強固に、より高い精度で密度関数を予測することができるようになりました。

材料探索は、いくつかの方法で経済の持続可能性を高める可能性のある研究分野です。例えば、既存の製品や工業プロセスの効率を向上させるだけでなく、これまで不可能だった新しいアプリケーションや技術を可能にします。 また、材料探索は人間が手作業で時間をかけて試行錯誤することが多い研究分野です。

AIで加速するMaterial Discovery （材料探索）

現代医学の分野は、混乱の時期を迎えています。生体システムは複雑で高次元であり、従来の科学的手法では記述することが困難です。これまでは、一歩前進するごとに、人間の試行錯誤による深い調査が必要だったため、進歩が遅れていました。しかし、強力なコンピューターの出現により、生物システムの大規模なシミュレーションが可能になり、また、AIアルゴリズムを用いて過去のデータに基づく薬剤のターゲティングや発見を加速させることで、この分野に革命をもたらし始めています。医薬品開発は、AIがイノベーション・パイプラインを端から端まで置き換えることができるツールではないことを示す興味深い事例です。むしろ、AIシステムに置き換えられる部分を特定するためには、パイプラインの目的とそのすべての異なるステップを考慮する必要があります。AIアルゴリズムは、データの隠れたパターンを発見するのに非常に強力で、定量的に定義できる特定の問題領域に適用するのが最適です。<h1>医薬品開発のパイプライン</h1>創薬のパイプラインは、AIのパターンマッチングや高次元な最適化が、人間の創造的な思考力や実世界の目標に基づいて創薬を導く能力を補完する優れた例です。このパイプラインを中核的な構成要素に分解すると、創薬にはいくつかの異なるステップがあることがわかります。<h1>ターゲットの特定</h1>ある病気に対する効果的な治療法を開発するためには、その病気のメカニズムに関連する分子を見つけ出し、その構造を理解して、それらに付着してその挙動を修正できるような薬剤を設計する必要があります。例えば、細菌やウイルスに感染した場合、その病原体に特異的な分子の特性を把握し、その分子に薬剤を結合させて、どのようにその病原体の複製を阻止するかを検討する必要があります。これはin silico（コンピュータ・シミュレーション）で行うこともできますが、多くの場合、in vitro（生体内）での確認が必要です。では、AIはどのようにしてこの開発パイプラインを早めることができるのでしょうか？そのために、ある分子によって破壊される可能性のある生物学システムのターゲットを特定する必要があります。今のところこの作業は、生物学のメカニズムの理解に依存する人間の仕事ですが、生物学の知識はまだ非常に初歩的なものです。他の物理システムとは異なり、1つのプロセスに関与する制御経路の特定の要素を分離することは困難です。なぜなら、自然選択は、高度に絡み合った、再利用性の高いシステムを作り出す傾向があり、特性を明らかにするのが難しい非常に複雑なシステムを作り出すからです。このプロセスの理解を深めるために、AIシステムを用いて、実験データから<a href=https://onlinelibrary.wiley.com/doi/abs/10.1002/widm.1068>細胞内の制御ネットワークをリバースエンジニアリング</a>することができます。ハイスループットスクリーニングシステムを用いて複数の細胞培養を測定することで、データのバリエーションと量を十分に集め、そのデータを生成したと考えられる制御ネットワークのモデルを作成することができます。そのモデルを使って、ネットワークのどの部分が乱されると病気の進行に変化が生じるかを理解することが可能です。薬剤を用いて分子経路のどこを阻害したいかがわかったら、それに関わるタンパク質の分子構造を知ることが有効です。多くの場合、タンパク質の遺伝子コードはわかっていても、細胞内での最終的な分子構造はわかっていません。この構造を知るには、分子を結晶化してX線で撮影するという複雑な実験が必要になるため、非常に困難です。このプロセスはタンパク質にダメージを与える場合もあり、研究者が1つのタンパク質の構造を正しく捉えるための適切なプロトコルを開発するまでには何年もかかることがあります。<a href=https://deepmind.com/blog/article/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology>AlphaFold 2</a>のようなAI技術は、遺伝暗号からタンパク質の構造を予測することで、このプロセスを大幅に加速することができます。このモデルは、既知の遺伝子配列とそれに対応するタンパク質構造で学習されており、新規の未知の配列にも一般化することができます。100％正確ではないにしても、このような予測は、実験チームが結晶学実験によって新しいタンパク質の特性が明らかになるまで何年も待つ必要がなくなるため、発見プロセスを大幅に加速することができます。<img src=/content/images/image_a9183da2353f779b0dbe8fe86f4505c9.png><h1>分子設計と最適化</h1>次に、特定した分子経路と相互作用して、病気を予防したり、病気の経過を変えたりする可能性のある化合物を見つけなければなりません。その有効性は、さまざまな分子を合成し、in silico またはin vitroでテストすることによって経験的に検証しなければなりません。有望な医薬品候補を特定した後は、副作用を最小限に抑え、体内での半減期を最大にするために、薬理学的特性を最適化する必要があります。候補となる化合物の同定は、いくつかのメカニズムによって迅速に行うことができます。<ul><li>分子ベースの生成モデルは、人間の助けなしで新規の分子候補を提案することができます。これらのAIシステムは、既存の薬物分子の構造を予測することを学習し、既知の化合物と類似した特性を持つ新規分子の構成を予測するように一般化します。このようなシステムは、<a href=https://www.sciencedirect.com/science/article/pii/S0092867420301021>抗生物質の新規候補を生成する</a>ために使用されています。</li><li>より直接的には、制御パスウェイを明示的にモデル化することなく、単一細胞レベルで<a href=https://www.nature.com/articles/s41592-019-0494-8>摂動を予測するモデル</a>を設計することができます。つまり、機械学習モデルは、類似の分子に対する細胞応答のデータセットを学習することで、ある摂動に対する細胞応答のモデル化を行います。十分に精度の高いシステムがあれば、どの化合物が効果を発揮する可能性が高く、どの化合物がそうでないかを迅速に計算機上でスクリーニングすることができます。</li><li>また、機構的な理解をあまりせずに、統計学に頼って薬剤と標的の相互作用のモデル化を進めているグループもあります。既存の薬物とその標的に関するデータを活用することで、薬物と標的のペアの<a href=https://pubs.rsc.org/en/content/articlelanding/2020/ra/d0ra02297g#!divAbstract>親和性を予測するモデルを学習</a>することができます。このようなモデルを用いることで、既知の分子の未開拓のターゲットを特定したり、特定のターゲットを想定した新規分子の設計を行うことができます。</li></ul>AIシステムは、新薬の候補となる分子を提案するだけでなく、分子設計パイプラインの他の部分を最適化するのにも役立ちます。例えば、分類モデルを使って、体内での半減期や副作用、薬物相互作用などの薬理特性を、分子構造から直接予測することができます。<a href=https://www.nature.com/articles/s41467-020-18008-4>強化学習</a>は、実験データを自動的に統合し、過去の実験結果に基づいてテストするための新しい構成を提案することで、in vitroテストの実験デザインを自動化するエージェントを作成するための有用なツールとなります。<h1>臨床試験</h1>薬剤候補がin vitroや動物モデルで成功を収めれば、臨床試験の段階に進むことができます。臨床試験は、安全性を確認する第1フレーズ、予備的な有効性をテストする第2フレーズ、そして承認のために大規模な集団での有効性を示す必要がある第3フレーズの3つの段階に分かれています。承認後は、稀な効果やリスクとベネフィットのトレードオフがないか、継続的な監視が行われます。AIシステムは、さまざまな方法で臨床試験の加速に貢献します。NLPやコンピュータビジョンシステムを用いたデータ収集・記録システムの改善により、ヒューマンエラーを防ぎ、データ入力を迅速に行うことができます。有害事象は即座にフラグを立てて報告することができ、予期せぬ副作用が発生した場合にさらなる被害を防ぐことができます。民族やその他の多様性を考慮して母集団を十分にサンプリングすることで、参加者の募集を改善することができます。ハイスループット・シーケンシングなどの技術を用いた遺伝的ターゲティングや疾患のフェノタイピングにより、薬剤が効果を発揮する可能性の高い対象者を絞り込むことができ、より少ないサンプル数でより早く効果を示すことができます。また、このようなターゲティングを行うことで、従来は効果がないとされていた薬でも、特定の集団に絞って使用することで効果を確認できる可能性があり、個別化医療の実現につながると考えています。<h1>薬剤の再利用</h1>すでに膨大な数の有効な化合物が市場に出回っていることを考えると、新しい治療法を見つけるための比較的安価で効率的な方法は、薬剤の再利用です。前述のように薬物-標的親和性モデルを用いることで、安全性が高く、大きな副作用がないことが既に知られている既存の医薬品の新たな標的候補を特定することができます。これにより、創薬サイクルが短縮されるだけでなく、特定の薬剤の臨床試験を行うまでの期間が大幅に短縮されます。最近では、<a href=https://www.nature.com/articles/s41392-020-00417-y>COVID-19パンデミック</a>に対する創薬を進める上で、薬剤の再利用が有効であることが示されています。従来の医薬品研究のパイプラインでは、新たな流行に迅速かつ効果的に対応するための結果を得るのに間に合いませんでしたが、機械学習技術を用いた医薬品の再利用は、数年ではなく数ヶ月のスパンで有望な治療法を見出すための生命線となりました。現在の取り組みではさまざまな結果が出ていますが、<a href=https://www.nature.com/articles/s43588-020-00007-6>最近の研究</a>では、今回の流行から得られた教訓が今後の薬剤再利用の取り組みを大きく加速させることが示されています。全体として、AIによる医薬品開発の促進は、今後数十年にわたってヘルスケア分野を変革する可能性を秘めていると考えています。それは、より多くの医薬品候補の実験とデザインのサイクルを迅速化し、病気と治療のメカニズムプロセスをより深く理解し、より的を絞った個別化医療を主流にすることです。

現代医学の生体システムは複雑で高次元であり、従来の科学的手法では記述することが困難でしたが、AIアルゴリズムを用いて過去のデータに基づく薬剤のターゲティングや発見を加速させることで、この分野に革命をもたらし始めています。

AIによる医薬品開発のスピードアップ

<a href=https://en.wikipedia.org/wiki/Sustainable_Development_Goals>SDGs</a>は、私たちの社会をより公平で健康的かつクリーンな未来へと導くために、2015年に国連が設定したものです。医療、クリーンエネルギー、産業の生産性など、さまざまな分野をカバーする17の一般目標があります。各目標に向けた進捗状況は、一連の測定可能なターゲットによって定量化されます。しかし、国連はこれらの目標を達成するための指針を示していません。各国政府は現在、目標達成に向けた社会的規模のプロジェクトのロードマップを作成していますが、これだけでは十分ではありません。企業がイノベーションを起こし、先進的な技術を導入して、自社の業務をより持続可能なものにしていくことが求められています。AIは、21世紀初頭の最も強力なツールの一つとして登場しました。<a href=https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Digital/Our%20Insights/Driving%20impact%20at%20scale%20from%20automation%20and%20AI/Driving-impact-at-scale-from-automation-and-AI.ashx>生産性の向上</a>から、<a href=https://ai.facebook.com/blog/rebel-a-general-game-playing-ai-bot-that-excels-at-poker-and-more/>さまざまな作業</a>における<a href=https://deepmind.com/blog/article/alphago-zero-starting-scratch>超人的なパフォーマンス</a>まで、AIはこれまで難しいと考えられていた問題を解決できます。では、サステナビリティに関してもAIは有効なのか、と問うのは当然のことです。<a href=https://www.nature.com/articles/s41467-019-14108-y>最近の調査</a>では、17の目標のうち16の目標を達成するためには、AIが重要な役割を果たすことがわかっています。これらの目標の達成に有意義に貢献したいと考える企業は、ワークフローにAIソリューションを導入する必要があります。この記事では、国連が設定した目標の達成に向けて測定可能な進歩を促進するために、AIをどのように活用できるかを具体的に紹介します。<h1>産業・農業の生産性向上</h1>産業の生産性が高まれば、環境への影響を抑えながら、現代の生活水準を維持することができます。農工業の生産効率が高まれば、土地や天然資源の使用量が減り、公害の発生も抑えられます。農業ビジネスでは、AIを使って<a href=https://www.theguardian.com/environment/2020/oct/08/behind-chinas-pork-miracle-how-technology-is-transforming-rural-hog-farming>家畜を大規模に監視</a>し、1頭あたりの生産性を向上させたり、<a href=https://phys.org/news/2018-02-ai-pest-efficiency-environmental-impact.html>害虫を自動的に識別して駆除</a>することで農薬の使用量を削減したりしています。また、食品の自動仕分け装置を使えば、消費者の好みに合わせて食品を注文し、自動的に商品の品質を最適化することができます。これらの技術は、ここ数年大きな進歩を遂げている<a href=https://ai.facebook.com/blog/-detectron2-a-pytorch-based-modular-object-detection-library-/>自動インスタンス・セグメンテーション</a>に基づいています。工業生産において、インスタンスのセグメンテーションと分類は、ロボット工学だけでなく、自動品質管理検査においても重要なツールとなっています。例えば、ロボットツールは、ビジョンだけで、ビンから特定の部品を選択したり、特定のエリアにどれだけのアイテムがあるかを測定したりすることができます。また、AIは組立ラインの統合と最適化にも利用できます。従来のシステムは、特定のタスクに最適化された個々の機械で構成されており、プロセスのギャップは人間が埋めていました。<a href=https://en.wikipedia.org/wiki/Global_optimization>大域的な最適化</a>や各ツールにセンサーを持たせるなどの手法を用いれば、組立ラインを完全に自動化・統合することができます。予測技術は、過去のデータに適用され、予測的なメンテナンス技術となります。例えば、あるツールが故障しそうな時期を予測し、先手を打ってメンテナンスチームを配置することができます。また、障害が発生した場合には、AIコントローラによってリソースをインテリジェントにリダイレクトし、システムのシャットダウンを防ぐこともできます。また、AIを搭載した自動制御システムは、<a href=https://deepmind.com/blog/article/deepmind-ai-reduces-google-data-centre-cooling-bill-40>エネルギー効率を最適化</a>するだけでなく、散布が必要なエリアとそうでないエリアを識別することで、<a href=https://link.springer.com/chapter/10.1007/978-3-319-47952-1_60>農薬の使用量を削減</a>することもできます。同様に、食品メーカーは<a href=https://emerj.com/ai-sector-overviews/artificial-intelligence-industrial-automation-current-applications/>生産プロセスを最適化</a>することで、原材料の使用量を減らし、最終製品のカロリーを抑えることができます。物流もまた、破壊の機運が高まっている分野です。機械学習を利用した<a href=https://arxiv.org/abs/2007.00882>アルゴリズム</a>では、公共交通機関の遅延を既存のアルゴリズムよりも最大30％高い精度で予測することができ、<a href=https://deepmind.com/blog/article/traffic-prediction-with-advanced-graph-neural-networks>グラフニューラルネットワーク</a>を利用したシステムでは、Googleマップ上の移動時間を最大50％高い精度で予測することを実現しました。これらのアルゴリズムは、グローバルなサプライチェーンや物流ネットワークに容易に適用することができ、輸送時間の短縮や、遅延による生鮮品の廃棄を減らすだけでなく、二酸化炭素排出量を削減できる可能性があります。強化学習は、ルールや定量的な関数を用いて具体的に定義することが難しい特定のタイプのタスクを自動化するための有望な技術です。これにより、人間は反復的で頻度の低い作業から解放され、製造業における<a href=https://ieeexplore.ieee.org/document/8675643>ロボットに革命</a>をもたらす可能性があります。

国連が設定したSDGsの達成に向けて測定可能な進歩を促進するために、AIをどのように活用できるかを具体的に紹介します。

SDGsの達成に向けて、AIはどのように役立つのか

世界の人口が増加するにつれ、私たちは、何十億もの人々に快適で健康的かつ有意義な生活を保証する一方で、すでに破壊の危機に瀕している地球の生態系のバランスを維持するという、微妙なバランス感覚を迫られています。科学者、エンジニア、そして起業家として、これらの課題を解決する技術を開発することは、私たちの社会的責任であると考えています。ここ数十年、私たちは世界の経済活動の爆発的な成長を目の当たりにし、それによって何百万人もの人々が貧困から抜け出すことができました。この成長を支えたのは、過去70年間に起こった科学技術の急速な進歩と、それに関連するイノベーションの迅速な展開でした。経済的生産性は爆発的に向上しましたが、その代償として社会的不平等や環境破壊が拡大しています。よりバランスのとれた成長のためには、国連の「<a href=https://sdgs.un.org/goals>SDGs</a>」で示されているように、サステナビリティの原則に沿ったビジネス手法を開発するためのイノベーションが必要です。人口増加と大量消費が環境に与える影響への認識の高まりから、サステナビリティは世界中の企業にとって重要な関心ごととなっていますが、多くの企業はサステナビリティを実践することで、コスト削減や売上増加、消費者の環境問題や社会問題への意識の高まりなど、収益にも貢献できることを認識しています。Recursiveの目標は、大企業と協力して、持続可能性の課題に対する革新的なソリューションを生み出すことであり、当社のAI研究の専門知識とクライアントのドメイン知識を融合させることです。私たちは、AIが持続不可能なビジネスのいくつもの課題を解決するだけでなく、よりサステナブルな経済やライフスタイルを実現するための全く新しい革新的なアプローチを生み出すのに役立つ重要な技術であると考えています。私たちは、デジタル技術、特にAIソリューションがサステナビリティに大きな影響を与えると考えられる4つの主要分野を特定しました。それは、効率性の向上、イノベーションの加速、リスクの軽減、より良い仕事と教育です。テクノロジーを活用してビジネスのどの分野を改善できるかを見極め、そのようなシステムを強固に開発する方法について、情報を発信する取り組みを加速していきます。特に、AIが公平でバランスのとれた方法で使用され、その開発から得られる利益が均等に配分されるようにしたいと考えています。近年、AIシステムが不用意に使用され、差別的な判断を下して現実に影響を与えるケースが見受けられます。Recursiveでは、倫理を開発の優先事項とし、倫理に関する最新の研究結果を把握するとともに、多様な専門家やアドバイザーのチームを作り、全体像を把握するようにしたいと考えています。つまり、技術革新とサステナブルな開発が交差するエキサイティングな旅に乗り出したのは、AIの分野においても新しい技術が次々と生まれ、技術革新プログラムにおいても持続可能性を第一に考える必要があるという認識が高まっているというタイミングだと考えているからです。私たちは、パートナーとの多くの実りあるコラボレーションを楽しみにしていますし、サステナビリティとイノベーションに情熱を持った有能な人材でチームを拡大したいと考えています。これらのテーマに興味をお持ちの方は、ぜひ私たちに声をかけてください。

世界の人口が増加するにつれ、私たちは、何十億もの人々に快適で健康的かつ有意義な生活を保証する一方で、すでに破壊の危機に瀕している地球の生態系のバランスを維持するという、微妙なバランス感覚を迫られています。そんな中Recursiveを始めた理由について紹介します。

Recursiveを始めた理由

インドネシアの森林を守っていくためにも、Recursiveの技術が使われています。自然環境に対してAIが活用されている事例をご紹介します。

AIが一端を担う持続可能な森づくり

ワイヤレス給電・蓄電池技術を事業展開する企業への提供しているコンサルティング案件を一部ご紹介します

Event	2023-11-16	Event2023-11-16Sansan主催の「Climbers Startup JAPAN2023」へ参加、出展しました
Event	2023-11-14	Event2023-11-14日産化学様主催の研究交流会でCOOの山田が登壇し、AI活用について紹介しました
Event	2023-11-02	Event2023-11-02Recursiveは、タイで行われるピッチイベント『Rock Thailand』に選出されました

AI × Sustainability

Projects

AIが一端を担う持続可能な森づくり

地球環境にやさしい電源供給をデザインし、クリーンエネルギーを広めていく

Who drives innovation?

Solutions

Careers

News

Blog