2024年の2月下旬から3月上旬、Recursiveのチームは重要なプロジェクトを推進するため、インドネシアを訪れました。インドネシアにある熱帯泥炭地は近年、森林火災や洪水などの自然災害が頻発し、豊かな生態系が脅かされています。そこで、シュッコスキ・カンタン、リャムジン・ディミトリィ、ランドアップ・デイビッドの３人で構成されたチームは、西カリマンタンの熱帯泥炭地における地下水位を正確に予測するAIモデルを強化するプロジェクトに取り組みました。この技術は、災害を事前に防ぎ、地域の住民や生態系を守り、自然の回復を促すことを目指しています。2年以上の歳月をかけて研究を重ねてきたチームは、現地でのフィールドワークを通じて、多くの貴重なデータを集めることに成功しました。彼らの洞察や熱い想い、そしてこのプロジェクトの裏舞台を詳しくご紹介します。<img src=/content/images/image_c82ef93b5dfc1704c2ecc0f8e3235c71.png>左から右へ：カンタン、ディミトリィ、デイビッドたちが、現地事食事を楽しむ様子。現在、地球の肺と呼ばれる熱帯雨林が、深刻な危機に瀕していることをご存知ですか？森林火災や洪水、そして気候変動の影響で、多くの熱帯雨林が失われています。
Borealis（<a href=https://borealis.jp/en/>ボレアリス</a>）は、そんな地球の”肺”を守るガードマンのような役割を果たしています。Recursiveの4つのコアテクノロジーの1つであり、先進的な物理ベースのモデリングとAIを使用して環境管理を改善するAIモデルです。大規模な機構データや衛生画像などを分析し、森林再生、炭素貯蔵、水資源の保全、火災防止、生態系保護など、私たちの生活を豊かにする様々な分野に応用することができます。インドネシアで取り組んでいるプロジェクトでは、ボレアリスを使い地下水をモデリングすることによって、熱帯泥炭地の保護と修復を行なっています。質問1: 2年以上取り組んできたプロジェクトですが、実際に現地に行くのはどうでしたか？ディミトリィ：ついにデータのルーツを見ることができ、非常にエクサイティングでした！3時間ものスピードボートの旅の果てに現れたのは、鶏たちが歩き回っているジャングル。その光景は、まるで現実離れした感じがしました。現地の人の生活を間近で見ることができ、日々の苦労や生き様を理解する貴重な経験となりました。現地の人々と直接触れ合うことで、強いモチベーションを得ることができました。

カンタン：現場は日常生活と職場が一体となった場所でした。そこで働く人々は生活もしているため、自給自足で生活ができるような場所でした。今までは画像やデータしか見たことなかった場所で、実際みんなとバレーボールをしたり、一緒に食事をしたり、地元のチームと交流したりすることができ、プロジェクトに取り組みにおいて大きなモチベーションになりました。

デイビッド：プロジェクトを行うにおいて、私たちのアクションや仮説には常に疑問がありました。それらの疑問を解決するだけでなく、実際に自分たちが理解しようとしてきたことを目の当たりにするのは、不思議な体験でした。1年前にはわからなかったことが目前に現れ、「探していた答えはここにある！」と同僚にメッセージを送ったことを覚えています。ですから、それらを実際に目にすることができたのは、とても感慨深いものでした。質問2: この出張でBorealisソリューションを改善することができましたか？

ディミトリィ: 彼らが使用している灌漑システムについて多くのことを学びました。この知識を今後のモデル開発にも活用したいです。現地に行く前にあるフェーズを完了し、出発前に製品を納品していたため、まだ得られた知識を十分に活用していませんが、今後は活用していく予定です。質問 #3: 現地にいる間に、これまでの仕事に関するフィードバックを受けましたか？

デイビッド: 様々な立場の人たちと意見交換を通し、私たちのプロジェクトに対する客観的な評価を得ることができました。特に、現場ならではの課題や改善点について率直に聞けたことが貴重でした。このような意見交換を通して、私たちの技術がいかに現場に貢献できるのか、そして、今後どのように改善していくべきかを具体的にイメージすることができて、とても満足しています。カンタン: 通常は現場と本社間のコミュニケーションは限られているため、プロジェクトに関わっているメンバーそれぞれが考えていることや抱える課題の着目点が異なってしまうことがあります。現場のエンジニアたちは、毎日現場で仕事をしているからこそ分かる独特な悩みやアイデアを持っているんですよね。一方、東京の本社にいる私たちは、全体的な視点からプロジェクトを進めていく必要があります。この両方の意見をうまくすり合わせるのは難しいタスクですが、達成できればより良いプロジェクトに繋がると信じています。
以前から現地の人たちと信頼関係性を築いてきたおかげで、今回の訪問でも温かく迎えてもらえました。彼らの生の声を聞き、私たちも多くのことを学びました。これからも、現場と本社の橋渡し役として、より良いプロジェクトを進めていきたいです。<img src=/content/images/image_4055e5c54365574ceaaba5f9ba03f479.png>スピードボートに乗って、いざ出発質問４：このプロジェクトはチームの価値観や目標とどのように一致していますか？
ディミトリィ：Recursiveが目指す『持続可能な社会』を具現化する、まさにモデルケースだち思っています。ジャングルという厳しい環境の中で、人々が自然と共存している姿は、私たちに多くのことを教えてくれます。現地の人々はビジネスの広範な影響に真剣に取り組んでいます。彼らの熱意には私たちも深く感動し、Recursiveの目標とも一致しているなと思いました。カンタン: インドネシアで取り組んでいるプロジェクトは私たちの会社の象徴とも言えるものです。近年、私たちの会社は価値観に沿ったプロジェクトを次々と進めていますが、このプロジェクトは、私たちの会社にとって極めて重要なプロジェクトであり、その成否が会社の将来を大きく左右すると言っても過言ではありません。このプロジェクトが影響はする範囲は設や事業エリアに止まりません。この地域のほとんどが自然保全区になっているため、広範囲で貴重な生態系を守っています。現地の人々はオランウータンや他の絶滅危惧種を保護するために、カメラやセンサーを設置し、彼らの生息地を監視しています。これらの取り組みは、地球環境の保全に大きく貢献しています。デイビッド: 泥炭地は、大気中の二酸化炭素を吸収し、貯蔵する能力が非常に高いので、二酸化炭素排出量を削減する画期的なプロジェクトだと思います。泥炭地を保護することで、森林火災を防ぎ、貴重な生態系を守ことができます。さらに、泥炭地は、熱帯雨林の成長を促し、その木材を使って住宅を建設することで、大気中の二酸化炭素を減らすことができます。
しかし、泥炭地は、特定の気象条件を必要とするため、保護が難しい側面もあります。特に、乾燥すると非常に燃えやすく、一度火災が発生すると、大量の二酸化炭素が大気に放出されてしまいます。私たちのプロジェクトは、このような火災のリスクを軽減し、地球規模の環境問題を解決するための重要な一歩となるでしょう。<img src=/content/images/image_8ae4cc11afb62508fde919f2138c1925.png>左から右へ：カンタン、ディミトリィ、デイビッド質問5: このプロジェクトを通して、ボレアリスのチームはどのように変わりましたか？

ディミトリィ: 
現地で得られた貴重な経験と専門知識は、私たちのチームをさらにレベルアップさせました。今後は、より広範囲な地域で、より長期的なプロジェクトに挑戦し、社会貢献の幅を広げていきたと考えています。カンタン：私たちのチームは今後も、このプロジェクトのような持続可能な取り組みを積極的に支援していきます。現在、他の企業との長期的なプロジェクトも進行中です。一見すると、異なる分野のプロジェクトでも、共通点を見つけることがあります。例えば、日本とインドネシアのプロジェクトは、環境は異なりますが、開発したアプローチや知識、システムを応用することができます。
特に、水に関するプロジェクトは、私たちのチームの強みであり、共通のテーマとして様々なプロジェクトを結びつけています。また、ボレアリスには、多くのエクサイティングなアイデアが蓄積されており、今後の展開が楽しみです。<img src=/content/images/image_2c7087d072bf5366404de2329b8df14a.png>スピードボートに乗る、ディミトリィ質問６：Borealisは具体的にどのようにこのプロジェクトを支援しているのでしょうか？

ディミトリィ：現地の水管理や運河システムの洗練された技術には、驚かせれました。彼らは、自分たちの仕事に精通しており、私たちからの最小限の介入でうまくやっています。改めて、私たちの役割は彼らの活動のサポートをすることなんだなと思いました。私たちは、彼らの推測をより正確で科学的根拠があるものにすることを目指しています。

カンタン：現地の人々は、すでに多くのことを成し遂げていますが、私たちは彼らの活動をさらにサポートすることができます。気候の変化や自然現象の影響を正確に予測することは難しいことです。私たちの技術は、彼らの活動をサポートし、予測の精度を高めることで、将来の課題を解決することができます。
例えば、私たちが現地を訪れた際には、あまり雨が降りませんでしたが、最終日に大雨が降りました。現地の人々は、過去2日間にすべての作業をやり直さなければならなかったと言っていました。私たちの技術は、このような状況を予測し、対策を講じることで、彼らの生活をより安定させることができます。質問７：現地の人々との交流はいかがでしたか？ディミトリィ：みんなとてもフレンドリーで、手作り料理はとても美味しかったです。カンタンが彼らとバレーボールしている姿を見ながら、私は暑さから逃げていました。カンタン：訪問中、人々はとても親切で温かく迎えてくれました。地元の方々と交流し、外部者と感じることなく過ごせたのは本当に素晴らしい経験でした。そして、地元の人々からも尊敬されている、地域の専門家ともお話しができました。彼を自然の環境で見て、彼のサポートを得られるのは良かったです。デイビッド：言葉の壁を超えた素晴らしい体験でした。現地の人々の笑顔が溢れる雰囲気に包まれ、皆さんが私たちの仕事を心から歓迎してくださったのが伝わりました。彼らは英語を話せず、私たちはインドネシア語が話せない中で、ジェスチャーを使ってコミュニケーションを取りながら、思いの通じ合う時間を過ごせたことが本当に嬉しかったです。地域の美しさや楽しい雰囲気をもっと味わいたいとも思い、もう少し滞在したかったとさえ思いました。<img src=/content/images/image_34a7fe6472c3a64ff473a59c91a327e0.png>デイビッドとディミトリィが地下水測定をする準備中。質問８：次のステップは？カンタン：現在、プロジェクトを新たな地域に拡大し、さらなる可能性を探求しています。まだ決定はしていませんが、このプロジェクトは大きなポテンシャルを秘めています。より多くの成果を上げ、より大きなインパクトを与えることができるよう、私たちは楽観的な気持ちで取り組んでいます。デイビッド：次のステップは、このソリューションを他の地域に汎用化することです。灌漑や運河の設置場所の計画や、長期的な分析と将来予測に活用できる拡大なエリアが存在します。<img src=/content/images/image_fa85e249a52911778b63dd23af3ca12d.png>カンタンとデイビッド、フィールドに出る前のブリーフィングに参加。Recursiveは高い技術力とサステナビリティに関する専門性を融合し、AIシステム開発とコンサルティングサービスを提供しています。当社のトップレベルのエンジニアたちが、次世代のためにより良い地球環境と社会を残すために、世界クラスのテクノロジーで新しい社会を創造することをリードしています。ボレアリスのウェブサイトはこちらから4つのコアテクノロジー<img src=/content/images/image_3d2d7bdae0543e3d6d1fa9cb1d4352b0.png>

Recursiveのプロジェクトチームは今春、インドネシアに出張しました。本ブログは、インドネシアの熱帯泥炭地の地下水位を予測するAIモデルの開発・強化プロジェクトの様子をレポートします。なお、本プロジェクトは、森林火災や洪水を事前に予測し、地域の生態系を保護することを目的としています。

【Borealis（ボレアリス）プロジェクト・レポート】インドネシア出張：2024年2月27日 - 3月2日

Recursiveは本日、当社のAIプラットフォーム「FindFlow」（ファインドフロー）を補完し、強化するためのツールパッケージ「Flow Benchmark Tools」（フロー・ベンチマーク・ツール）を提供開始したことを誇りをもってお知らせいたします。同ツールはオープンソースとして公開することで、「RAG（検索拡張生成）技術を発展させ、世界中のAIコミュニティをエンパワーする」という当社のコミットメントにおいて、重要なマイルストーンとなります。Flow Benchmark Toolsは、RAGシステムの評価および最適化への大躍進を意味します。Recursiveのプラットフォーム「FindFlow」を拡張するために開発された本ツールは、RAGパイプラインを標準化された包括的な方法でベンチマークするという、AI業界における重要なニーズに応えるものです。当社はFlow Benchmark Toolsを通じて、次のような意欲的かつ重点的な目標を掲げています：<ol type=1><li>特に多言語環境においてRAGシステムの性能を評価するための、新たな標準の確立</li><li>RAG技術の限界を押し広げるべく、開発者や研究者が必要とするツールの提供</li><li>Recursiveが開発したベンチマーク手法のオープンソース化を通じた、AIコミュニティ内での透明性とコラボレーションの促進</li></ol><h3>RAGとLLMの理解を深めるための背景知識</h3>当社のベンチマーク用ツールの詳細をご理解いただくには、まずこのツールが評価する対象となっている技術が何かを知っていただくことが重要です。LLM（大規模言語モデル）は、広大なニューラルネットワークを活用して、人間が書いたかのようなテキストを理解し、生成させるなど、現代におけるAIシステムの基盤となっています。LLMモデルは、用いられるパラメータの多さによってモデルの評価が行われ、言語使用の一般的なパターンを捉えるのに優れているという特長を持っています。しかしLLMには、最新の情報やユーザー特有の情報情報にアクセスするうえでは限界があります。そこで、RAGの出番となります。RAGは、外部の知識ベースを取り入れることでLLMの能力を向上させることのできる、強力な技術です。これにより、AIシステムはLLMの流暢さと推論能力に、外部のデータベースから最新かつ事実の情報を組み合わせることができるようになります。RAGの重要性は計り知れず、正確性と信頼性が最も重要となる、幅広いユースケースでその効果が発揮されます。例えばカスタマーサポートの事例においては、AIアシスタントにRAGを活用することにより、製品やサービス、ポリシーに関する、正確かつ最新の情報が提供することができ、顧客満足度の向上や、業務担当者の負担軽減にもつながります。また、教育分野においてもRAGの効果は大いに期待できます。例えば、教育用AIツールにRAGを活用することで、さまざまな分野における最新の知識情報が提供できるようになり、学習者はあらゆる専門領域において最前線に立ち続けることが可能になります。産業界や学術研究の分野においても、研究者がRAGを活用することにより、AIアシスタントを通じて膨大な科学文献やデータベースにアクセスできるようになり、発見やイノベーションの加速化にもつながります。RAGシステムは、コンテンツクリエイターに対しても大きな価値をもたらすことができます。RAGの活用を通じて、コンテンツクリエイターは事実に基づいた正確な情報を取得できるため、コンテンツの質と信頼性を向上させることが可能です。さらに、RAGは、LLMの強みと外部の知識ベースによる検索機能が組み合わさっているため「AIの幻覚」（AIモデルがもっともらしいが、実際には誤った情報を生成する現象）の発生リスクを大幅に低減します。このため、RAGは、事実の正確性が必須となるような重要領域において、より信頼性のおける、適用しやすいシステムとなっています。<h3>最先端のベンチマーク機能</h3>Flow Benchmark Toolsは、RAGシステムの性能に関する、比類のないインサイトを提供することができます。セマンティック検索（意味的検索）、クエリ生成、LLMに基づいた回答生成など、RAGパイプライン特有の複雑性に対応しているため、本ツールは絶妙なニュアンスも精確に捉えることもできる、包括的な評価を提供できるフレームワークとなっています。Chatbot ArenaやArena-Hard、SEAL Leaderboards、ChatRAG-Benchなど、多くのLLMのベンチマークが存在しますが、Flow Benchmark Toolsは独自のアプローチを採用し、大きく差別化されています。ほとんどのベンチマークが一般的なクエリや事前処理された文書に焦点を当てているのに対し、当社のツールは文書特有の情報検索機能とエンドツーエンドの文書処理に重点を置いて設計されました。このアプローチは実社会における実際のシナリオをより反映しているほか、より製品とエンドユーザーに焦点を当てた形となっています。文書の生データ処理から、情報検索やレスポンス生成に至るまでのパイプライン全体を評価することで、Flow Benchmark ToolsはRAGシステムの性能をより総合的かつ実用的に評価することが可能です。このような総合的アプローチは、「制御された環境下のみならず、企業や研究者が日常的に直面する、複雑で膨大な量のドキュメントがあるシナリオにおいても、優れた対応力をもつRAG技術を開発する」という、当社の目標とも一致しています。本ツールの初期リリースでは英語のほか、日本語の性能に焦点を当てて開発しているため、非英語の言語のRAGシステムに新たなベンチマークとなれることも、当社が誇りに思える点です。英語以外の多言語への対応を重視しているのは、グローバルなオーディエンスにご活用いただけるAI技術を開発するという、当社のコミットメントを示すものでもあります。この公開に先駆け、Recursiveは実際にFlow Benchmark Toolsを使用し、FindFlowを市場に出ているいくつかの主要なRAGシステムと比較し、ベンチマークの検証を行いました。詳細は後述の検証結果をご参照いただければと思いますが、本検証はRecursiveのアプローチがいかに強力で汎用性が高いかを示すとともに、AIコミュニティ全体にとっても貴重なデータとなってます。<h3>オープンソースの理念を実践</h3>Flow Benchmark Toolsをオープンソース化することで、Recursiveは全世界におけるAI業界のコミュニティの皆さまと協力し、RAG技術のさらなる発展に取り組んでいけることを期待しています。Recursiveは、AIの可能性を最大限に引き出す鍵となるのは協業力と透明性であると確信しています。そのため、開発者や研究者、企業の皆さまが今後、当社の成果であるこのツールをどのように活用し、発展させていくのかを楽しみにしております。Flow Benchmark Toolsのリリースは、ほんの始まりに過ぎません。Recursiveは今後、AI業界のコミュニティからのフィードバックも取り入れるなどして、他の言語も取り入れたり、ベンチマーク機能を拡張させたりするほか、手法なども改良しながら、本ツールを継続的に改善・拡充していく予定です。AI業界におけるコミュニティの皆さまが、Flow Benchmark Toolsをどのように活用してイノベーションの推進やRAGシステムの改善を行い、最終的にいかに強力かつ正確で、信頼性の高いAIアプリケーションを創出したりするのか、大変楽しみにしています。AI技術の未来を共に切り拓くべく、皆さまからのフィードバックを心待ちにしています。Flow Benchmark Toolsは<a href=https://github.com/recursiveai/flow_benchmark_tools>Github</a>および<a href=https://pypi.org/project/flow-benchmark-tools/>PyPi</a>で公開され、ご活用いただけます。<h3>最先端の性能を示すFindFlow</h3>Recursiveがこれまで行ってきた、包括的なベンチマークの取り組みの結果をご紹介いたします。本ベンチマークの結果、RAGを用いた質問応答と、文書全体の理解という2つの重要な領域において、FindFlowが卓越した性能をもっていることが明らかになりました。これらのベンチマークは、FindFlowにあるSearchAIとAnalysisAIのパイプラインがもつ性能の特長を示しているのみならず、AIを活用した文書分析ツールの競争環境における、FindFlowの優位性も明らかにしています。<h3>ベンチマーク検証の手法</h3>Recursiveが行ったベンチマークの検証は、徹底的かつ公平で、実社会における実際のシナリオを反映するように設計されています。データセットには、日本政府が公表しているあらゆる文書と、難易度の高い質問を使用しました。こちらに関しても、近い将来にオープンソース化し、AI研究に携わる、より多くの方々にお役立ていただけるようにしたいと考えています。評価において客観性と頑健性を最大限に確保すべく、Flow Benchmark ToolsではGPT-4、Claude 3、Geminiを含む最先端のLLMを活用する自動評価システムを採用しています。複数のモデルを採用するというこのマルチモデルアプローチにより、潜在的なバイアスを軽減し、包括的な性能評価を提供できるようになっています。評価システムは、0（最低）から10（最高）までの値を持つ平均意見評価を出力します。RAGを用いた質問応答：SearchAIが競合製品の性能を上回るRAGを用いた質問応答の領域において、Recursiveは、自社開発したFindFlowにおけるパイプライン「SearchAI」と、市場で好評を博している2つの質問応答パイプラインであるOpenAI AssistantとLangChainのデフォルトRAGパイプラインを比較しました。その結果は、次の通り、一目瞭然です。<ul><li>FindFlow SearchAIは、最低０から最高１０までの評価段階の内、平均評価8.42を達成</li><li>それに対し、OpenAI Assistantは7.81を記録</li><li>さらに、LangChainのデフォルトRAGパイプラインは7.01のスコアを記録</li></ul>これは、FindFlow SearchAIが性能の優位性観点から最も近い競合を0.61ポイント、3位のソリューションを1.41ポイント上回っていることを表し、FindFlow SearchAIがもっている優位性を明確に示しています。<img src=/content/images/image_5e5b06ca4e88b94f153d3b382c3f9b9b.png>文書分析：AnalysisAIが競合製品の中でもトップに文書全体の理解に関する性能領域においては、Recursiveが自社開発したFindFlow AnalysisAIをOpenAI AssistantおよびGeminiの長い文脈向けLLMであるGemini-1.5-Proと比較しました。その結果としてやはり明確になったのは、FindFlowの性能の優位性です。<ul><li>FindFlow AnalysisAIは、平均評価8.90という驚異的な評価を記録</li><li>Gemini-1.5-Proの評価は7.22となり、2位に</li><li>次いでOpenAI Assistantは、6.29を記録</li></ul>この性能カテゴリーにおいて、FindFlow AnalysisAIのパフォーマンスは、2位にランクしたパイプラインを1.68ポイント、3位のシステムに対しては大幅に2.61ポイントも上回っています。<img src=/content/images/image_3a450bab77fc62571659cd54b677701c.png>Recursiveは今後とも技術の改良と強化を続けるのみならず、性能において高水準を維持することを目指してまいります。また、市場で最も先進的で信頼性が高く、効果的な文書分析ツールをユーザーに提供することに対するコミットメントを追求してまいります。

Recursiveは本日、当社のAIプラットフォーム「FindFlow」（ファインドフロー）を補完し、強化するためのツールパッケージ「Flow Benchmark Tools」（フロー・ベンチマーク・ツール）を提供開始したことを誇りをもってお知らせいたします。同ツールはオープンソースとして公開することで、「RAG（検索拡張生成）技術を発展させ、世界中のAIコミュニティをエンパワーする」という当社のコミットメントにおいて、重要なマイルストーンとなります。

Flow Benchmark Toolsのご紹介と公開のお知らせ

ビジネスやオペレーションの領域では、複雑なシステムの最適化が中心的課題であり、 特に製造業、製薬、電力生産などの分野で顕著になっています。これらの業界では、1つの構成要素が発揮したパフォーマンスが、他の構成要素に連鎖的な影響を及ぼし、相互依存のネットワークが形成されるような、大規模の運用パイプラインを扱うことがよくあります。従来、このようなシステムの最適化は、1つのステップで一度に処理され、潜在的な効率性やシステム全体の変更による幅広い影響を把握できない場合がありました。株式会社Recursive (以下、当社と記載)では、このようなシステムをエンドツーエンドで最適化する手法を開発しています。このアプローチは個々の部品ではなく、システム全体のパフォーマンスを向上させることにより、生産効率を高め、温室効果ガスの排出を削減します。私たちのアプローチは、タスクの複雑さや規模に苦戦し、望ましい結果を効率的に達成するのに適していない、従来の最適化手法を凌駕しています。<img src=/content/images/image_1e16d1c103f8f212a190e4540bb49970.png>当社のディープラーニング・プラットフォームであるZenithは、人間の専門家が作成可能なソリューションを大幅に改善する計算最適化技術を活用することで、これらの課題に対処します。AI主導の戦略を採用することで、Zenithはより幅広い潜在的な解決策を迅速かつ高精度に探索することができ、より効果的なシステム全体の最適化を可能にします。<h2>組合せ最適化はなぜ難しいのか？</h2>問題の性質上、従来の手法は組合せ最適化の領域で大きな苦戦を強いられます。組合せ最適化では、離散的なパラメータを操作することになりますが、これはチェス盤上の駒を再配置して最良の戦略的設定を達成するのに似ています。各駒は特定のマスに配置することができ、それぞれの潜在的な構成は他のものとは大きく異なる可能性があるため、結果に大きな影響を与えます。これは、自動車の燃費を最大化するために最適速度を決定するような、従来の最適化タスクとは対照的です。このようなシナリオでは、速度のわずかな調整でさえ、燃料消費量に小さく予測可能な変化をもたらし、スムーズで緩やかな最適化プロセスを可能にします。下図は、段階的な調整が最適なポイントに向かう、滑らかな ランドスケープによって視覚的に表現されたものです。<img src=/content/images/image_0c7a28b5d15f0d5a2fffb043b77e7e80.png>対照的に、組み合わせ最適化では前述したような微調整はできません。組み合わせ最適化の「解」には（スイッチのオンかオフのような）離散的な選択肢が含まれるため、解を一方向にわずかに「動かして」その効果を測定する方法はありません。参照すべき勾配がないため問題は非連続的になり、最適解を見つける複雑さが劇的に増します。その結果、ほとんどのアプローチは試行錯誤に頼るか、単純な発見的手法に頼ることになります。このような方法論上のギャップは、Zenithが実施するような革新的なアプローチの必要性を強調するものであり、前述した困難な問題に取り組む方法を再考するものです。<h2>組合せ最適化が役立つ例</h2>コンビナトリアル・オプティマイゼーションが様々な分野に革命をもたらす可能性は計り知れず、それぞれのアプリケーションは、直接的なビジネス上の利点につながる特定の利点をもたらします。<h3>配送ルートの最適化とロジスティクス</h3>ロジスティクス業界では、配送ルートを最適化することが効率化に不可欠です。現在の配送ルートは、距離を考慮した単純な発見法に基づいて計画されることが多いですが、交通パターンや配達時間帯などの他の変数を無視している場合もあります。これは、時間と燃料を浪費する最適でない経路につながる可能性があります。組み合わせ最適化を適用することで、最短経路、混雑の少ない経路、配達の特定の時間帯など、複数の要素を同時に考慮した戦略的な配送経路の設計が可能になるのです。この最適化により、燃料消費量や配送時間が削減されるだけでなく、より信頼性の高い配送スケジュールによって顧客満足度も向上します。クラス最高のルート最適化を実施しないロジスティクス企業は、無駄なコストを発生させるだけでなく、こうしたテクノロジーを駆使して自社を凌駕する競合他社に市場での地位を奪われるリスクもあります。<h3>医薬品における製剤最適化</h3>医薬品の製剤化プロセスでは、副作用を最小限に抑えながら望ましい治療効果を得るために、様々な成分の最適な組み合わせと配合比率を見つけることが必要でです。従来、このプロセスは試行錯誤によって行われており、多大な時間とリソースを消費していました。組合せ最適化では、製剤を複雑なパズルとして扱い、成分の組み合わせとその量を精密に計算することで、有効性を最適化します。この方法は、開発プロセスを大幅にスピードアップし、コストを削減し、より効果的な医薬品をより早く市場に送り出すことができるため、製薬会社に競争力をもたらします。<h3>産業機械の最適化</h3>製造業やその関連分野では、機械の配置やHVACのような複雑なシステムの設定は、作業効率にとって非常に重要です。従来、工場のフロアレイアウトやHVACシステムの設定は、動的な運転条件を考慮しない静的な基準に基づいて決定されることが多くありました。組合せ最適化は、最も効率的なレイアウトと設定を決定するために様々な運用シナリオを考慮することで、より動的なアプローチを可能にします。例えば、機械の配置を最適化することで、材料が工程間を移動する時間を最小限に抑え、サイクルタイムを短縮し、生産性を向上させることができます。同様に、稼働率や外部の気象条件などの要因に基づいて空調設定をリアルタイムで最適化すれば、エネルギー消費を大幅に削減できるのです。その結果、運用コストの大幅な削減と生産効率の向上が実現し、収益に直接貢献します。組合せ最適化を活用している企業は、従来の手法では達成できなかったレベルの業務効率と製品効果を実現しています。この最適化はコスト削減をもたらすだけでなく、イノベーションを促進し、次世代のインフラとオペレーションの舞台を整えるのです。<h2>組み合わせ最適化の課題にAIで対処するZenithの方法</h2>組み合わせ最適化に対するZenithのアプローチは、機械学習とグラフ理論の高度な技術を取り入れ、これらの問題の複雑な性質に効率的に取り組んでいます。　　以下は、そのプロセスの詳細です：<h3>グラフ表現</h3>Zenithは、問題の要素をグラフのノードとしてモデル化し、これらの要素間の関係をエッジとして表現します。医薬品製剤では、各成分がノードとなり、異なる成分間の化学的相互作用がエッジとなります。このグラフベースのアプローチにより、問題の構造的な分析が可能になり、ある要素の変化が他の要素にどのように影響するかを評価するための明確なフレームワークが提供されます。<img src=/content/images/image_6ea47175e4e3cece47902684d7cd825a.png><h3>スムージングのための埋め込み</h3>組合せ最適化の問題は離散的な性質を持つため、従来の勾配ベースの最適化手法は適用できません。Zenithはエンベッディングを利用して、これらの離散的な要素を連続的な高次元空間にマッピングします。このマッピングプロセスにより、最適化のランドスケープが、計算機による解析や操作により適した形に変換されます。エンベッディングは、解空間の潜在的な探索方向を特定するのに役立ち、問題自体が小さな連続的調整を許さない場合でも、さまざまな要素を変更した場合の影響を推定する方法を作り出します。<img src=/content/images/image_452c53a4d13c841b36fae6a5db19a3ab.png><h3>離散オプティマイザー</h3>Zenithは、問題の離散的かつ構造的な性質を扱うために設計された、特殊な最適化アルゴリズムを採用しています。進化的アルゴリズムやグラフ・ニューラル・ネットワーク・オプティマイザーなどがそれです。進化型アルゴリズムは、潜在的な解決策を幅広く生成し、自然淘汰を模倣しながら、その性能に基づいてこれらの解決策を時間と共に進化させるため、特に効果的です。グラフ・ニューラル・ネットワーク・オプティマイザは、問題のグラフ構造を活用することで、要素間の複雑な相互作用や依存関係を考慮し、最適な構成を提案します。この方法論的フレームワークにより、Zenithは膨大な数の可能解を系統的に探索・評価し、最も効果的な構成を特定する確率を大幅に高めることができます。このプロセスは、最適解の探索を効率化するだけでなく、網羅的な探索や単純化された発見法に頼ることの多い従来の手法に比べて、計算負荷も軽減します。Zenithの技術力は、離散最適化アルゴリズムとディープラーニング機能を組み合わせることで、従来の手法を凌駕し、2つの世界の長所を収穫しています。離散最適化アルゴリズムはそれ自体が数学的に、そして明示的に記述できる問題の最適化に限定されることが多いです。一方、ディープラーニングの手法は、データ駆動型の解決案を見つけることです。これは、問題の記述が例から推測されることを意味します。このようなデータ駆動型解法は多くの例を必要とするため、ディープラーニング手法は、たとえ明示的な問題定式化が利用可能であったとしても、限られたメリットしか引き出せないことが多いです。Zenithで開発されたパターンは、両方のアプローチの組み合わせを可能にし、その結果、利用可能なデータと利用可能な専門家の知識を最大限に活用し、制御可能なパラメータに従って解釈可能な解を提供しながら、非常に複雑な問題の最適化を実行できるシステムを実現します。<img src=/content/images/image_76b3130fc3c498bebeb3a25ae6170bf4.png><h2>Zenithの使用例</h2>岩谷産業株式会社のケーススタディでは、Zenithがどのように配送業務に革命をもたらしたかを詳しくご紹介しています。これまでの最適化の試みでは、同社の複雑なオペレーションを処理することはできませんでしたが、Zenithで様々なデータのインプットをすべて処理することができ、これまでにない効率化とコスト削減を実現しました。Zenithは、このような先進的なテクノロジーを活用することで、物理的なインフラを高度に最適化されたシステムに変えることを目指しています。製造、エネルギー、運輸などの産業において、レイアウトや作業順序の効率を高めることで、生産性を大幅に向上させることができます。より効率的に設計された工場のフロアレイアウトは、材料の移動を最小限に抑えるように最適化され、生産時間を短縮し、製造作業に必要なエネルギーを削減することが可能です。商業ビルのHVACシステムや物流における経路のような大規模システムのエネルギー使用を最適化することで、二酸化炭素排出量の大幅な削減を達成することが可能です。ルートを最適化することは、走行距離を減らし、燃料消費を減らし、排出量を削減することを意味します。同様に、建物内のエネルギーシステムをスマートに制御することで、エネルギーの無駄を最小限に抑えながら快適性を維持し、温室効果ガスの排出量を大幅に削減することができます。製薬・ヘルスケア分野では、ゼニスの最適化技術が、企業の医薬品開発プロセスや患者ケアにクラス最高のソリューションをもたらします。医薬品製剤の高度な最適化技術は、全体的な開発期間と関連コストを削減し、化合物の組み合わせと用量を正確に最適化することで、副作用を低減したより効果的な医薬品を生み出し、患者の転帰を直接改善することができます。さらに、医療管理では、スケジューリング、予約システム、資源分配に組み合わせ最適化を適用することで、業務効率を高めることが可能です。これらの側面を最適化することで、医療施設は患者の流れをより効果的に管理し、スタッフをより効率的に活用し、資源の不必要な使用を最小限に抑えることができます。このような変化は、運営コストの削減と患者ケアの向上につながり、医療システムに具体的な利益をもたらします。*(HVAC：暖房・換気・および空調）<h2>ゼニスのフューチャービジョン</h2>私たちは、最適化プロセスに量子コンピューティングを統合することに有望な可能性を見出しています。量子コンピューティングは、古典的なコンピュータと比較して指数関数的に高速な計算が可能であり、特に潜在的な解が組合せ的に増大する課題に適しています。量子アルゴリズムは、ロジスティクスや複雑な製造プロセスにおいて、従来の方法では計算量の限界のために困難であった最適な構成の特定を劇的に加速する可能性があります。Zenithの現在の軌道には、いくつかの領域にわたる最先端の開発が含まれています。私たちは、複雑な最適化タスクの処理に大幅な改善をもたらす大規模変圧器モデルや最先端の強化学習技術を含むツールキットを拡張しています。これらのAIモデルは、膨大な量のデータを分析し、さまざまなシナリオにわたって最適な戦略を学習することができ、革新的かつ効果的なソリューションを提供します。

生産性の向上とイノベーションの加速を可能にするテクノロジープラットフォーム「Zenith」のご紹介

Zenithのご紹介： 最適化のためのディープラーニング・プラットフォーム 

著者：クルトゥルシュ・オクタイ（コーポレート部門長）、ルメートル りゑ（コーポレート部門アソシエート）2024年3月15日に開催された、毎年恒例の全社研修（リトリート）。単に日常の仕事から離れることだけではなく、すこし立ち止まってこれまでの歩みを振り返り、チームと絆を深める時間を持つことは、ビジネスをより加速させるためには、必要不可欠です。今年のリトリートでも非常に実り豊かな一日を過ごし、チームの結束力を強化できました。その様子をレポートします。Recursiveに興味をお持ちの方は、ぜひ最後までお読みください！<h3>基調スピーチからスタート</h3>リトリートは、会社のビジョンと新年度の目標を明確にすることを目的とし、経営メンバーによる基調スピーチと目標と成果指標の発表から始まりました。さらに、前年度の成功や失敗についても振り返り、それから得られた学びについてもチーム全体で共有しました。<img src=/content/images/image_8ff2c00567065373d4550b31faace872.png>新年度に向け、会社のビジョンと戦略を発表するCEOのティアゴ<img src=/content/images/image_93e3b607268e1dad1711280835b36064.png>今後の目標に関しエキサイティングな発表をする、COOの山田今回のプレゼンテーションを行った目的は、二つありました。一つは、個々の目標をより広範な組織のミッションと合わせ、目的意識と団結感を醸成すること。二つ目は、新入社員が会社のビジョンと優先事項をしっかりと理解できるようになることでした。プレゼンテーションの後には活発な質疑応答セッションが行われ、多くのチームメンバーがさまざまな質問をし、経営メンバーとチームメンバーたちの間でインサイトに満ち溢れた、インタラクティブな交流が行われました。<img src=/content/images/image_7574b51cb4207141bf75875d9f62410e.png>活発な質疑応答セッションの様子。<h3>ランチと集合写真撮影</h3>プレゼンテーションの後に美味しいランチを食べる前に、記念に集合写真を撮りました。日本全国のみならず海外にもメンバーを擁し、ハイブリッドなワークスタイルで急成長を遂げている会社として、全員が揃うのはめったにないため、このリトリートは素敵な思い出にもなりました。<img src=/content/images/image_48db3e647fe64b0103cd7786ce337265.png>Recursiveのロゴを手で作ろうと一生懸命の、リカーシブのコアメンバーたち。また、今年のリトリートでは、KDDIラーニング株式会社が提供する最新の研修施設「LINK FOREST」を使わせていただくという素晴らしい機会に恵まれ、より研修に没頭することができました。KDDIという大手企業の子会社である KDDIラーニングは、最先端のアメニティと革新的な学習環境を融合させ、当社のリトリートのためにとっておきな体験を提供してくださいました。<img src=/content/images/image_00d4a2e61598af3500df56aa84cd958a.png>LINK FOREST研修施設（多摩・東京） 出典：<a href=https://link-forest.jp/>https://link-fores</a><a href=https://link-forest.jp/>t.jp/</a><h3>アイスブレーカー・ワークショップ： ゲームを通しての絆づくり</h3>ランチ後には、ゲームを通して他のチームメンバーとのつながりを促進させるべく、アイスブレーカー・ワークショップを実施しました。ワークショップ内では、喜びや過ちをみんなで分かち合いながら、連帯感がさらに強まりました。<img src=/content/images/image_6bb37ab331904fbc39478cb170a76597.png>高層タワー・チャレンジでは、既定の枠にとらわれない、独創的な解決アプローチが試されました。こちらは、プロジェクトマネジメントチームの様子。<img src=/content/images/image_5429ea4d16f08339ccb67afb31e3ea61.png>エンジニアチームはこのゲームをマスターしているように見えますが、実際のところは・・・？<h3>ワークショップが盛りだくさん</h3>アイスブレーカーの後は、チームビルディングと目標設定に焦点を当てたワークショップが行われました。これはありふれた全般的なものではなく、参加者を引き付け、教育的にもなるように設計された内容です。成功を評価することは重要であると同時に、それぞれが成長できる分野を見つけることも大きな重要性をもちます。SWOT分析を通して、改善すべき重要分野を特定し、組織全体として課題を克服するための戦略をブレインストーミングしました。<img src=/content/images/image_78ac959265d0800bf2963b471b1fc781.png><img src=/content/images/image_fe935cb84ee5dbc7b756ff4c53805d5e.png>学習と能力開発においての黄金ルールと言われる「70：20：10の法則」でも言われているように、重要な知識の大部分はこのようなワークショップの枠を超えた、実践的な経験と協力的な取り組みから得られます。リトリートで開催されたワークショップは、あくまで当社の戦略を取り巻く環境を包括的に理解するうえでの最初のステップです。ワークショップから得られたインサイトを、今後実際のシナリオに生かしていく重要性を全社で認識することができました。<h3>リトリートの終わりは、心温まる表彰式</h3>表彰式を行い、会社のバリューである「信頼と協力」、「リーダーシップ」、「インパクト」、「チャレンジ精神」を体現した仲間を称えました。その中には新卒入社以来、4つのバリューすべてを体現したとして、最優秀賞を受賞した若いメンバーのショインもいました。スピーチや仲間同士の表彰などを通じて、会社全体としての成果を祝いました。チームの素晴らしさを褒め称えることができました。<img src=/content/images/image_4ecf081c5ff5c1bee1985c9af7c92351.png>チャレンジ精神賞は3名が受賞しました！左から右：マシンラーニングエンジニアのデイビッド、ソフトウェアエンジニアのジュリアーノ、CEOのティアゴ、ビジネスアソシエートのショイン。<img src=/content/images/image_9f6c5e91d8983c2884b96e0fb37c4a82.png>CEOのティアゴ（左）からインパクト賞と信頼・協力賞を表彰されるプロジェクトマネージャーのカンタン。<h3>居酒屋からカラオケへ</h3>みっちり一日中集中した後、夜は羽を伸ばし、楽しい時間を過ごしました。最初に行ったお店は 新宿にある居酒屋で、笑い声と色々な話で溢れました。しかし、楽しい夜はまだ続き、次はカラオケに向かいました！歌の上手さは関係なく、お互いを応援し合い、みんなで歌うチームは、みんなで団結し続けることができるチームであることを見せつけました。その夜は、何人かのメンバーが隠れた才能をもっていることも発見できました！<img src=/content/images/image_c2c645e523f4fbaf86560ec0c77a2694.png>高橋洋子さんの「残酷な天使のテーゼ」を完璧に歌い上げるチーム<h3>チームからの声</h3>一日が終わりに近づくにつれて、チームからのフィードバックを集めました。「とても素敵なイベントでした。私のようにちょうど入ったばかりの人にとっては、素晴らしいチームビルディングの機会だったと思います。一緒に働いていてもオンラインでしか会うことのなかった多くのメンバーと直接話す機会を得られました」という声や、「ロケーションが良くて、気分転換になりましたし、表彰式も本当に心温まるものでした。アフターパーティーとカラオケも最高でした！」など、リトリートがいかにチームの結束力を強化し、良い機会となったかを高く評価する声も寄せられました。<img src=/content/images/image_c4a3980016757f3a557d76efdd18bf16.png>「撮影されているのに気付いていないふりをしてる感じで、写真を撮って！」とさりげないポーズを決めるメンバー。<h3>今後の展望</h3>Recursiveの全社リトリートは、単にアクティビティに溢れた一日ではありません。全社リトリートでは、今年当社を待ち受ける旅の始まりという節目でもありました。その旅は、目標に対するワクワク感のみならず、私たちが途中で直面するであろう無数の課題を乗り越えるのに役立ち、当社の多様性だからこそ発揮できる、計り知れない強さも気付かせてくれます。これからRecursiveのさらなる発展を目指し、チーム一丸となって精進してまいります！<img src=/content/images/image_fdd9bfc5504a544737d5af0f152b0ca3.png>リカーシブチーム、多様性に富んでいます。

Recursive は、2024年3月に全社研修を開催しました。本ブログでは、その内容を詳しく報告します。

【イベントレポート】価値創造を加速させるため、全社研修を実施

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あり、日本に基軸を置くスタートアップとして、独自のAIプロダクトを開発しています。日々お客様の複雑化する経営課題の解決に対し、常に最適なソリューションを提案すべく、AI、なかでも自然言語処理分野の最先端の技術や動向について学び続け、業界研究者や学生との繋がりを持つことが重要だと位置付け、推進しています。私たちのような民間プロダクトの学術分野での応用可能性について他の研究者や学生と議論し、持続可能な社会の実現に向け、有効性の高いAI実装を目指しています。

その思いに基づいて、スウェーデン・ヨーテボリ市のチャルマース工科大学の学生たちを弊社の東京のオフィスに迎えました。チャルマース工科大学の WASP (Wallenberg 人工知能・自律システム・ソフトウェアプログラミング研究イニシアチブ) 研究グループの学生たちは、今年3月13日にリカーシブのオフィスを訪れました。 彼らが研究している機械学習 (ML)、人工知能 (AI)、自律システムは、リカーシブのコアとなる専門分野と一致していました。<h2>専門知識と知見の共有</h2>当日は、お互いのプロジェクトを紹介し、専門知識と知見を交換する重要な時間となりました。チャルマース大学の学生であるアダムさんとレナさんが行った発表は、機械学習における複雑な課題に取り組んでおり、実用的な場でモデルの有効性を高めるための高度な手法が用いられていました。特に、アダム・ブライトホルツさんの「転移可能性」に関する発表は、データ不足や高額なデータ取得コストを克服する方法として非常に示唆に富んでいました。レナ・シュテンプフレさんの発表は、医療データの複雑さに踏み込み、機械学習がどのように医療における意思決定を大幅に向上させることができるのか、この分野の機会と課題に対する深い理解を示していました。<h2>未来を見据えた交流の構築</h2>今回の訪問は単なる研究発表会ではありません。 学生たちとリカーシブのチームが交流できるようなカジュアルでインタラクティブな環境を作り出し、当社の仕事内容や、日本の刺激的なテック業界について理解を深めてもらいました。<img src=/content/images/image_8746ee32622d17a2abf3c799c4cd7146.png>発表後、業務内容についての話し合いイベントに参加された学生の方からは、リカーシブが歓迎の雰囲気を提供できたことについて評価いただきました。

＜参加者からのコメント（一部抜粋）＞「発表後の交流会では、リカーシブとその社員のことをより深く知ることができ、日本のスタートアップシーンや、持続可能性に対する日本社会、政府、企業の考え方や取り組みについて話し合うことができました。これは、リカーシブとWASPの共通の関心を示しており、さらなる交流の出発点となりそうです。」学生たちがリカーシブは明確なビジョンを持っており、紹介されたプロジェクトの中には興味深く、環境に関連したものもあると感じてくれたことも非常に励みになりました。<img src=/content/images/image_925af63934a74580394e21f457ba4c59.png>チームとチャルマース大学の学生との集合写真 今回の交流は、企業とアカデミアのコラボレーションがAIの分野における可能性を広げるという確信を強めてくれました。 本訪問は、今後のコラボレーションのための大きな契機となりました。 リカーシブでは、今後も研究者やアカデミアとの新しいイノベーションに向けた共創を目指していきます。

チャルマース工科大学の学生がRecursive社を訪問し、AIと機械学習について議論しました。双方がプロジェクトを発表し、AIの進展における産学連携の重要性が強調されました。

【イベントレポート】アカデミアとの共創を目指し、チャルマース工科大学との交流

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。

Blog

Recursiveが発信するサステナブルイノベーションの今とこれから