ソリューション

AIシステム開発

巨大IT企業だけでなく、世界中の様々な一般企業でAI活用によるビジネスモデルの変革が巻き起こっており、第4次産業革命と呼ばれています。

これら時代背景の中、当社では業務のAI化を行うシステムを、ユーザー企業様の目的や要件に合わせてオーダー開発させて頂いております。
業務のAI化とは、つまり「AI実装により既存の業務プロセスの一部を効率化して改善を図る」ことになります。
対して、RPA(ロボティック・プロセス・オートメーション)は「業務プロセスの一部を自動化する」ことですが、AI化を伴わない場合もあります。

利益に貢献するAI導入のコツ

AIに限らず、企業がIT投資をする際の大切な指標は、投資対効果（ROI）です。
しかし、利益に貢献しないAI投資・導入をやっている企業が多く、その理由は、利益構造が改善しない部分に導入しているからです。
利益構造を改善する（ビジネスモデルを変革する）という目的がなければ、コスト「1円を0.9円にしているだけ」で投資対効果に合わない結果になりかねません。

つまり、「技術的にAIでこれができる」ではなく、「もし成功すれば利益構造が飛躍的に改善できる」という方向に投資すべきです。
その為には、利益を阻害しているボトルネックを洗い出し、その課題を解決する為にAIを注ぎ込むことが大切です。
また、自社の強み、つまり、レバレッジ・ポイントにAIの力を加えることも収益拡大に効果的です。

AI化の流れ

近年のAI化とは、機械学習モデルを構築することに集約されます。ディープラーニング（深層学習）も機械学習の一種です。
モデルとはパターンやルールを数式で表現したものであり、機械学習アルゴリズムに学習データを与えて「学習済モデル」を構築できます。
つまり、機械学習とは、データからパターンやルールをコンピュータ自身に見つけさせる仕組みと言えます。

AI化の目的（解決したい課題、目標とする着地点）に対し、機械学習モデルを開発することが可能かどうかは、適切な学習データが一定量以上存在するかに大きく依存します。
他にも以下のような検討が必要になります。

既存データを組み合わせて学習データを作れるか
得られた学習データの品質に問題ないか
予測対象が適切に含まれているか
識別を行う為に必要な情報が含まれているか
できたAIの精度は十分か

その為、当社では、いきなり本格的なAI開発を進めるのではなく、一部のサンプルデータを頂き、事前にデータ分析と検証を行ったうえで、どのようなアプローチが可能か見極め（この段階で、いくつか機械学習モデルを試作します）、課題解決にどのようなアプローチが有効と考えれらるかを提案し、AIの開発と導入を進めるのかを判断して頂きます。

例えば、事前のデータ分析と検証の結果、適切なデータが不足している場合には先にデータを集める仕掛けを構築する必要がありますし、目的となる業務効率化などの課題解決が、 RPAによる自動化、業務データ分析資料による人の判断やルールベースの策定、もしくは基幹業務システム開発など、他のアプローチの方が効果的である場合もあります。

AI導入を検討するということは、その企業が抱える課題と、その企業が持つデータ(もしくは、これから集めるデータ)を元に、どんな解決策があるか考えることであり、数々の試行錯誤と検討を進める中で、業務改善やビジネスモデル再構築を多角的に見直すことにもなります。

クラウドの認知AIサービスを検討する

Microsoft、 Google、 Amazon、 IBMなど、既にAIに巨額を投資し、その成果をクラウドのコグニティブ（認知AI）サービスとして提供している企業があります。
一般のユーザー企業にとっては、これらの企業に追いつき追い越そうとAI開発に挑むより、クラウドのコグニティブサービスを利用するほうが効率的です。

コグニティブ（認知AI）サービスとは、判別・理解・認識といった人のような機能を細分化して部品提供するものであり、必要部分のみ組み合わせて利用して足りない部分のみ開発することで、効果的なAIアプリケーションを安価かつ短時間で構築できます。 Microsoft、Google、Amazon、IBMの各々得意な認知AIが日進月歩で進化してますので、後々に利用サービスを部分的に組み替えることもできます。

何よりビジネス実行を優先してAIアプリケーション実装を迅速に進め、状況に応じてAIアプリケーションを部分改良していくようなスタイルに向いています。
クラウドのAI部品をアプリケーションに組み込むことで大きく敷居が下がり、一般ビジネスで広く活用できるAIの民主化と言われています。
各クラウドベンダーが提供する認知AIは種類が多く、それぞれ特性に違いもありますが、以下、その一部をピックアップしています。

Microsoft Azure

Speech Service

音声変換のAIサービス

採用事例

金融セクターで活動する機関は、債券、株式、およびデリバティブ市場の注文と取引の記録を維持するために、ほぼすべての音声活動を記録する規制義務があります。機関は、録音について各顧客に明確に通知し、通話を録音して書き起こす明示的な同意を得る必要があります。非常に大規模な組織では、毎日 100,000 時間以上の音声データに相当します。これらすべての記録を書き起こし、コンプライアンスリスクを手動で検索するには数週間から数か月かかり、数百万ドルの費用がかかります。

英国のKPMGは、世界最大の会計およびプロフェッショナルサービスネットワークの一環として、顧客の金融機関にかかる負担を緩和するソリューションを提供したいと考え Microsoft Speech Service を使ってクラウドベースのサービスを開発しました。これにより金融セクター機関は、記録の書き起こしを自動化し、不正行為、虚偽表示、データ侵害、その他のコンプライアンスリスクに関する通話を分析することができます。

Face Service

顔検出・顔検証のAIサービス

採用事例

世界中の何百万人もの人々が、信頼性の高い交通手段と柔軟な収入の新しい手段としてUber(ウーバー)のタクシー・サービスを利用しています。詐欺から保護し、ドライバーと乗り手(顧客)の両方の安心感を高めるために、 Uberは、 Microsoft Face Serviceを使用して、アプリを使用しているドライバーが記録されているアカウントと一致していることを確認して不正行為を防いでいます。検証ステップは素早く、すべてのスマートフォンで稼働し、薄暗い光の中で使え、100万人以上のドライバーパートナーが使用しています。顔認証によるサインアップの流れは、まず、定期的にドライバーに自撮りしてもらってUberに登録しておき、サインインする際の顔検証では、Uberに登録されている写真ファイルと照合できるようになってます。

Computer Vision

画像分析のAIサービス

概要

数千個の認識可能なモノの情報、生物・風景・動作に基づいてタグが返されます。タグが不明瞭な場合や、常識的でない場合は、タグの意味を明確にするためのヒントが示されます。タグ付けの対象は、前景の人物などの主題に限らず、背景 (屋内または屋外)、家具、道具、植物、動物、アクセサリ、ガジェットなども含まれます。

イメージを分析し、人間が判読できる言語で、その内容を説明する文を生成できます。例えば、「都市の白黒写真」などです。実際には、アルゴリズムにより、さまざまな視覚化機能に基づいて複数の説明が返されます。各説明には、信頼度スコアが付与されます。最終的には、各説明を信頼度の高い順に並べたリストが出力されます。

Translator

テキスト翻訳のためのAIサービス

Speech Translator

音声をリアルタイム翻訳するAIサービス

採用事例

フォルクスワーゲングループは世界中の顧客にサービスを提供しているため、40を超える言語でさまざまなドキュメントを提供する必要があります。グループ内では毎年最大10億語を翻訳する必要があり、その量は急激に増加しています。デジタル化による新しいコミュニケーションフローと、可能な限りリアルタイムという翻訳時間の新たな要件は、既存の翻訳システムをさらに開発および拡張する必要があることを意味します。フォルクスワーゲンは、より高速で正確で費用対効果の高いソリューションと、より優れた学習機能を備えた Microsoft Translator に目を向けました。

採用事例

折からのインバウンド需要の高まりや、さらに増加が見込まれる訪日外国人に対応するため、各業種・業界で外国人向けサービスの拡充や品質の向上を目指す取り組みが盛んに行われています。そんな中、近年注目を集めているサービスの1つがDiDi モビリティジャパンの手掛けるタクシーの配車アプリ「DiDi」です。日本でのサービス開始にあたっては、今後もますます見込まれる訪日外国人の増加に対応するため、翻訳機能が実装されているのが特長で、この機能により、乗客だけでなく、運転手が運転に集中できる環境を提供します。

Google Cloud Platform(GCP)

Vision AI

精度の高い画像分析

モノの自動検出

画像内の複数のモノを各々の位置を含めて検出して分類します。 Vision API は学習済モデルを用いて運用し、AutoML Vision は学習モデルをカスタマイズできます。 Vision APIは一般的な被写体しか認識できませんが、 AutoML Visionは、Googleの学習済モデルの一部を変更する転移学習の技術を使ってるため、数十件程度の少ない教師データでも、ユーザー企業の業界や業種、業務内容に特化した被写体を認識する画像認識AIを実現できます。

購入行動の支援

Product Search を利用すると、小売業者は、お客様が商品画像をアップロードし、それに類似した商品のリストをすぐに確認できます。

文字テキストを理解して対処

OCR（光学式文字認識）を応用し、画像に含まれる文字テキストを検出します。 50以上の言語とさまざまなファイルタイプに対応します。何百万件ものドキュメントを高速で処理し、業務ワークフローを自動化する Document Understanding AI の一部にもなっています。

不適切なコンテンツを検出する

Safe Search を利用して画像を評価し、画像にアダルトコンテンツや暴力的なコンテンツが含まれる可能性を予測できます。

Video AI

正確な動画分析

保存されている動画もしくはストリーミング動画上で、20,000種類を超えるモノ、場所、アクションを自動的に認識します。シーンの変化も区別し、動画レベル、ショットレベル、フレームレベルで豊富なメタデータを抽出します。

メディア管理を簡略化

メディアを簡単に検索・検出できるようにすることで、膨大なアーカイブの中から価値を見つけ出せます。動画カタログの検索も、テキストドキュメントの検索と同様に簡単に行えます。メタデータを抽出してそれを動画コンテンツのインデックス作成、整理、検索に利用できるだけでなく、コンテンツの関連性の高さに基づいてコンテンツを管理し、絞り込むことができます。

インテリジェントな動画アプリを作成

ストリーミング向け機能を使用して、動画からほぼリアルタイムで有用な情報を取得できます。検出されたモノに基づいて、ベスト映像、おすすめ動画、インタラクティブ動画など、魅力的なカスタマーエクスペリエンスを提供できます。

Amazon Web Service(AWS)

Amazon Lex

会話型AIサービス

コールセンターでの音声アシスタント、アプリケーションポット、業務効率化ポッドなど、アイディア次第で様々な応用や連携が考えられます

概要

Amazon Lex は、音声やテキストを使用して、任意のアプリケーションに対話型インターフェイスを構築するサービスです。 Amazon Lex では、音声のテキスト変換には自動音声認識 (ASR)、テキストの意図認識には自然言語理解 (NLU) という高度な深層学習機能が使用できるため、ユーザーにとって使いやすく魅力的なアプリケーションや、リアルな会話を実現するアプリケーションを開発できます。 Amazon Alexa に採用されている深層学習技術と同じ技術を利用できるため、自然言語での高度な対話ボット (チャットボット) を短時間で構築できます。

コールセンターのチャットボットと音声アシスタント

コールセンターで Amazon Lex チャットボットを使用すると、発信者はエージェントと直接対話せずにさまざまなタスク (パスワード変更、口座の残高照会、予約のスケジューリングなど) を実行できます。これらのチャットボットは、自動音声認識と自然言語理解能力を使用して、発信者の意図を確認して文脈を維持しながら、会話をスムーズに管理します。 AWS Lambda 経由でビジネスアプリケーションのデータベースと連携できます。

アプリケーションボット

Amazon Lex の高品質な音声認識と自然言語理解の機能により、モバイルアプリケーションに強力なインターフェイスを組み込むことが可能になります。音声またはテキストのチャットインターフェイスを追加して、銀行口座へのアクセス、チケットの予約、料理の注文、またはタクシーの呼び出しなど顧客が行う多くの基本的なタスクを支援するボットをモバイルデバイスに作成できます。 Amazon Lex は Amazon Cognito と統合されているため、すべてのデバイスのユーザー管理、認証、および同期を制御できます。

業務効率化ボット

Amazon Lex は、AWS Lambda 経由でビジネスアプリケーションのデータベースと連携できる為、組織の業務効率を向上させるチャットボットを構築できます。従業員はチャットボットを使用して、例えば、営業データ、マーケティング成果、顧客サービスなどの状況を確認できます。

Amazon Forecast

時系列予測サービス

概要

Amazon Forecast は、機械学習を使用して精度の高い予測を支援します。今日の企業は、製品の需要、リソースのニーズ、あるいは財務業績といった将来のビジネス成果を正確に予測するために、 EXCELなどの簡単なスプレッドシートから複雑な財務計画ソフトウェアにいたるまで、あらゆるツールを活用しています。これらのツールは一連の時系列データを確かめることで予測を立てますが、こうしたデータは時系列データと呼ばれます。たとえばレインコートの売上高を予測する場合、これらのツールは、過去が未来を決定するとの前提に基づき、過去のデータのみを参照して予測を試みることがあります。このような方法では、不規則な傾向を含む膨大なデータから予測を行う際に、正確な予測を立てることが難しくなる可能性があります。また、経時的に変化するデータ (価格、割引率、ウェブトラフィック、従業員数など) を、製品の機能や店舗の所在地といった関連する個別の変数に結びつけることも困難になります。 Amazon Forecast は、Amazon.com と同じテクノロジーをベースとし、機械学習を使って時系列データを付加的な変数に結びつけて予測を立てます。

予測精度が50％上昇

Amazon Forecast を使用するのに必要なのは、過去のデータと予測に影響を与える可能性があるその他の追加データだけです。例えば、シャツの特定のカラーの需要は、季節や店舗の所在地によって変わることがあります。こうした複雑な関係性は、過去のデータのみに基づいて判断することは困難で、それを認識することに理想的に適しているのが機械学習です。 Amazon Forecast は、ユーザーがデータを提供すると、それを自動的に精査し、何が重要かを識別して、予測を立てるための予測モデルを作成します。このモデルの精度は、時系列データのみに基づく場合と比べ、最大で50％高くなります。加えて、予測に要する時間を月単位から時間単位に短縮できます。

時系列予測をいつでも仮想的に作成

ビジネスを行うには、キャッシュフローから製品需要、リソース計画に至るまで、さまざまな種類の時系列予測が必要となります。 Amazon Forecast では、小売り、物流、金融、広告成果その他を含む、ほぼすべての産業とユースケース向けの予測を立てることができます。機械学習を活用することにより、過去の時系列データと連携し、内蔵アルゴリズムの巨大なライブラリを使って、特定の予測タイプに最適なモデルを自動的に判断します。

データは安全に保護されて安心

Amazon Forecast で行われたすべてのやり取りは、暗号化により保護されます。処理したコンテンツは、Amazon Key Management Service を介してカスタマーキーと共に暗号化され、ユーザーがサービスを利用している AWSリージョン（例えば、日本のデータセンター）で安全に保管されます。また、管理者は、AWS Identity and Access Management (IAM) のアクセス許可ポリシーを介して Amazon Forecast へのアクセスを制御できるので、機密情報は安全かつ極秘に保たれます。

製品需要計画

Amazon Forecast を使用することで、各店舗に適した在庫数を予測することができます。過去の売上、価格、店舗のプロモーション、所在地、カタログデータといった予測情報を、お使いの小売管理システムから CSV (コンマ区切り値) 形式で Amazon S3 ストレージにインポートします。これらを、ウェブサイトのトラフィックログ、天候、発送スケジュールといった関連データに結びつけます。 Amazon Forecast は、この情報を使って、各製品の顧客需要を個々の店舗レベルで正確に予測できるモデルを作成します。予測を CSV 形式によりバッチでエクスポートし、お使いの小売管理システムに再度インポートして、店舗ごとに購入し配分する在庫数を決定できるようにします。

財務計画

販売収益予測のような財務予測を正確に行うことは、あらゆるビジネスの成功にとって不可欠です。 Amazon Forecast は、収益、費用、キャッシュフローといった主要な財務基準を、複数の期間や通貨単位を横断して予測することが可能です。まず、財務の過去の時系列データを Amazon S3 ストレージへアップロードし、それを Amazon Forecast にインポートします。モデルを作成した後、Amazon Forecast は、実際にモデルを使用する前に他に必要なデータがないかユーザーが判断できるよう、予想される予測精度をユーザーに提示します。このサービスでは、Amazon Forecast Console のグラフを使って予測を視覚的に表示できるため、情報に裏付けられた判断を行うのに役立ちます。

リソース計画

必要な人員数、広告在庫、生産用の原材料といった利用可能なリソースの最適な数量を計画することは、収益を最大化し費用を管理するために重要です。たとえば放送会社は、広告在庫を地域別に最適化するよう希望することがあります。その場合は、各種番組カテゴリや地理的地域、番組内容のメタデータ、地域の人口統計を横断した過去の視聴データを Amazon Forecast にインポートします。本サービスは、これらのデータから学習し、地域ごとの正確な予測を立てます。

Amazon Comprehend

自然言語処理サービス

概要

Amazon Comprehend は、機械学習を使用してテキスト内で洞察や関係性を検出する自然言語処理 (NLP) サービスです。

構造化されていないデータには膨大な量の潜在的な宝物があります。お客様のEメール、サポートチケット、製品レビュー、ソーシャルメディア、広告コピーが、ビジネスの役に立つ顧客感情の洞察を表します。

膨大な数のテキスト内の特定の関心項目を正確に特定することに特に優れており、言語の中に隠された感情 (マイナスのレビューやカスタマーサービスエージェントと顧客の積極的なのやりとりの特定) をほぼ無限の規模で学習することができます。

キーフレーズ、場所、人物、ブランド、または出来事を抽出し、テキストがどの程度肯定的か否定的かを理解し、トークン分割や品詞を使用してテキストを分析し、テキストファイルのコレクションをトピックごとに自動的に整理します。

利点

お客様サポート事例、製品レビュー、ソーシャルメディアフィード、ニュース記事、ドキュメント、その他のソースからテキスト内の意味や関連性を検出できます。例えば、お客様が満足か不満足かに関して頻繁にコメントのある製品について、その特徴を特定することができます。

Eメールのサポート、ソーシャルメディアの投稿、オンラインコメント、通話録音といった形態での顧客とのやり取りを分析し、最も肯定的な体験や最も否定的な体験を生み出す要因を検出できます。その後、この洞察に基づいて製品やサービスを改善できます。