ガートナーが予測するAIの次章：機会、リスク、導入の壁

機械学習と人工知能は、ハイプサイクルの「過度な期待のピーク」に近づいています。

ウェビナーで、ガートナーのディレクター・アナリスト、ピーター・クレンスキー氏が、機械学習と人工知能の現状、今後5年間、導入・開発・展開に影響する課題を概説しました。

クレンスキー氏によると、MLとAIはハイプサイクルの「過度な期待のピーク」に近づいています。AR/VRはすでにピーク後の「幻滅の谷」に達し、自律走行車とドローンはピークを過ぎましたが、まだ谷底には達していません。

それでも、AIとMLにはまだ手つかずの巨大な産業があります。「トップパフォーマーのわずか40%しかAIをゲームチェンジャーと見ていません」とクレンスキー氏。「さまざまなタイプの組織、さらには業界全体が、機械学習で可能なことの入り口に立ったばかりという、広大なグリーンスペースが存在します。」

AIとMLの継続的発展に有利な要因の一つは、学術、科学、企業のコア概念の整合性です。業界の90%以上がAIとMLのアルゴリズムとプラットフォームをPythonで記述し、多くが同じオープンソースライブラリ（Apache、TensorFlow）と同じクラウドインフラ（AWS、Azure）を使用しています。

この整合性は業界全体のシナジーを高め、将来の人材採用で価値を発揮する可能性があります。

業界全体でクラウドへの着実な移行が進んでいますが、約30〜45%は依然としてAIやMLをオンプレミスで実行しています。多くの場合、クレンスキー氏は組織がAI/MLプログラムの構築に多額を費やし、事前学習済みモデルやクラウドインフラといった安価な代替手段を避けていると指摘します。結果は同様なのにです。

「機械学習インフラがクラウドにあり、独自およびオープンソースコンポーネントの常に進化するセットが新常態になることに慣れなければなりません」とクレンスキー氏。「毎年、2年前には話題にすら上らなかった新しいオープンソースフレームワークが登場し、今では常に話題になっています。」

AIの実装形態について、ガートナーは4つのモデルを提示しています：

• バトンタッチ： AIが作業の面倒な部分を担当し、人間オペレーターが残りを完了。
• 共生： AIが人間の弱点を補完。例えば膨大なデータを数秒で処理。
• 拡張分析： AIが人間オペレーターのトレーナーやガイドとして機能し、データから分析や洞察を提供。古代ギリシャの碑文で欠落単語や文章を提案した最近のAIプロジェクトが例。
• 正気チェック： AIが大半の機能を実行するが、人間オペレーターが待機してミスを監視。難しいケースを人間に引き継ぐカスタマーサポートボットが例。

ガートナーの調査では、ほとんどのビジネスリーダーがAIとML導入の主な課題としてスタッフのスキルを挙げ（56%）、クレンスキー氏はウェビナーで、ほとんどのML開発者は若く、経験5年未満、勤務2年未満だと指摘しました。

その上、ガートナーはプロジェクト成功には異なる専門性を持つ複数のスタッフが必要と見ています。データサイエンティスト、データエンジニア、MLスペシャリスト、ドメインエキスパートはそれぞれAI/MLプロジェクト開発で明確な役割を果たしますが、組織は広範な知識を持つデータエンジニアに頼りがちです。

2番目の課題はAIのメリットと用途の理解。ウェビナーでクレンスキー氏は、組織がAIプロジェクトを正しく管理し、すべての分野に投資するのではなく、財務的に合理的ないくつかの主要領域に集中すべきだと推奨しました。

データの範囲と品質が3番目の課題で、クレンスキー氏はこれがリストのトップにあるべきだと考えています。適切なデータ管理、品質チェック、データガバナンスなしでは、AI/MLプロジェクトの失敗リスクが大幅に高まります。