Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

データサイエンティスト養成読本の解説+書き忘れたこと

12,841 views

Published on

Repro Tech Meetup #4 AI実戦投入 Supported by AWS
https://repro-tech.connpass.com/event/104028/

Published in: Technology
  • Be the first to comment

データサイエンティスト養成読本の解説+書き忘れたこと

  1. 1. AIで改善できること データサイエンティスト養成 読本の解説+書き忘れたこと Repro Tech Meetup #4 AI実戦投入 Supported by AWS https://repro-tech.connpass.com/event/104028/ 中山ところてん
  2. 2. 自己紹介 • ところてん • @tokoroten • 株式会社NextInt 代表 • 怪文章職人 • 最近の活動 • Veinをリリース • データサイエンティスト養成読本 ビジネス活用編 • 最近の出稼ぎ • 機械学習顧問(4社) • Repro • SIer • ECプラットフォーム • データ分析企業 • 新規事業コンサルティング(1社) • ゲームディレクター(1社) ↓共著 ↓寄稿↓共著
  3. 3. Veinをリリース https://introduction.vein.space/
  4. 4. Veinをリリース https://open.vein.space/#/
  5. 5. Veinって何? • グループ向けソーシャルブックマーク • 記事を見た人のアイコンが並ぶ • コメント投稿、スクショ投稿 • RSSリーダー • 強いチームを作りたい • 強いチームには雑談 • 雑談には共通の話題が必要 • 同僚の見た記事が分かるソーシャルブックマーク • 従来のメディアはいけてない • 共通の話題を持たせるために東スポ化 • 共通の話題=エロ・グロ・ナンセンス
  6. 6. 私とAWS Loft • VeinはAWSでホスティング • 現在、約120ドル/月 • 週3でLoftで仕事している • Loftで見かけたら、声かけて • Yahooの人、スマンかった
  7. 7. データサイエンティスト養成読本 解説 • 10人の著者 • それぞれが原稿を書く • それぞれの言葉で、同じ内容が記載 • 今回は同書の内容+書き忘れたこと
  8. 8. 解説+書き忘れたこと • AIブームの背景、日本と北米の状況の違い • 「顧客が本当に必要だったもの」と予算取り • 機械学習と売上のレバレッジ • コンサルティングを使えない企業 • 人事制度の問題 • 金融システムとの連携 • 企業間の契約とリスク分配 • 腹をくくれ
  9. 9. AIブームの背景、日本と北米の状況の違い • 北米 • BIによる経営のインテリジェンス化が2000年代から進行 • ひとしきりデータがDWHに溜まっている • 溜まったデータで何かできないか? • よっしゃ、データあるしAIやってこ • 日本 • BIブームを経ないで、AIブームが到来 • データが無いのにAIをやりたい • 死 • BIの導入を説くも「それは時代遅れだから」で一蹴される
  10. 10. 顧客に何を売るべきか? • 日本企業はLv0が多い、北米はLv2が多い • Lv0企業がLv2商材を導入しようとして、事故る データサイエンティスト養成読本 ビジネス活用編 92pより
  11. 11. 「顧客が本当に必要だったもの」と予算取り • 偉い人 • ~~~~というビジネス課題を解決したい • ぶちょー • AIで解決することにすれば、予算獲得できるのでは? • 細かいシステム投資を一緒にやりたい • せや、AIベンダーに投げたろ • 実際にあった怖い話(詳細は懇親会で) • 偉い人:廃棄ロスを減らしたい • 部長:廃棄ロスをAIで予測してほしい • 本当にやるべきこと:契約の見直し • 偉い人から本当の課題を聞き出す交渉力が必要 • 高確率で途中経路でねじ曲がった結果「AIでなんとかして」 https://dic.nicovideo.jp/a/顧客が本当に必要だったもの
  12. 12. 機械学習と売上のレバレッジ • 機械学習により売上が0.1%上がると仮定 • 売上が1000億円であれば、1億円増 • 売上が1億円であれば、10万円増 • 大企業ほど機械学習の効果は大きい • システム構築コストを考えると… • 機械学習は「専門家の労働集約産業」を「設備産業」に転換する • 設備産業に転換するだけの費用は支払えるか? • 設備産業に転換するだけの需要はあるか? • 中小企業が機械学習案件やっても、なかなか効果出ないすよ… • 設備産業のスケールメリットを生かそう • 難しいアルゴリズムを使いたい人は大企業に行け
  13. 13. キュウリ分類は何故失敗したのか? • 問題は何か? • 人間の能力が高い • 人間の価値が安い • 専門家集約産業がから設備産業 に切り替わったことを理解して いない • 事業拡大や外販を指向していない https://news.mynavi.jp/article/20180606-642208/
  14. 14. コンサルティングを使えない企業 • コンサルティングファームは高い • コンサルティングファームのコストを回収するには、 元の売り上げが十分に高い必要がある • 売上規模が小さい会社は、コンサルティングファームに頼めない • 売上規模が小さい会社がAI企業やSIerに来る • コンサルティングファームに頼めない連中がやってくる • コンサルティングが行われていないクソ案件が舞い込んでくる • 顧客の言うままに作ると、確実に炎上 • フリーのコンサルを雇おう • コンサルOBとか、私みたいなフリーランスは割と転がっている • 業務分析をちゃんとやってから、発注しよう
  15. 15. 人事制度の問題 • 日本企業はメンバーシップ型雇用 • 会社に人が所属するという考え方 • 同一賃金・同一役職 • 逆は職務記述書に掛かれている仕事を行う、ジョブディスクリプショ ン型雇用 • 仕事に人が所属する • 同一賃金・同一労働 • メンバーシップ型雇用は市場価値の高い人材を雇用できない • 給与を上げるには、高い役職を与えねばならない • データサイエンティストを年収1000万で雇用するには、 部長職を与える必要があるため雇用できない • 労働市場で適切な人材を雇用できなくなる
  16. 16. 金融システムとの連携 • 保険との連携 • 予測モデルの精度が高ければ、それはリスクモデルとして機能する • リスクモデルが機能するのであれば、保険料が算定できる • 融資との連携 • 将来の生産量や、生産品質が分かっていれば、融資と連携できる • 先物取引や、将来生産物を担保にした融資が可能 • 現に古酒泡盛や、ウィスキーに対する投資事例が存在 • 古酒泡盛やウィスキーは、製造に数年かかる • 酒造メーカーは、資金繰りが大変 • 貯蔵している原酒を担保に融資 • リスクを金で解決することによる事業スケーラビリティの確保 • 専門家の雇用を、機械学習+金融システムで設備産業化 • 金があれば勝てる構造を作り出す
  17. 17. 企業間の契約とリスク分配 • 検収 • 精度が一定以上超えたら検収 • 精度が上がらないリスク • 精度が一定ラインを超えたら、それ以上頑張るインセンティブが無くなる • レベニューシェア契約や段階的検収 • 精度に応じて、段階的にボーナスを支払う • 売上増分に応じたボーナスを払い出す • 契約が企業の競争力を生む • 保守 • 機械学習システムは、何もしないでも精度が劣化していく • 再学習が必要 • 保守部門にも機械学習に関するノウハウが要求されている • 保守部門に安い人材を配置するというSIerの戦略が効かない
  18. 18. 腹をくくれ • 大企業は現在は機能していない • 親会社、子会社、孫会社の会社の壁の問題 • メンバーシップ型雇用に基づく、人事制度の問題 • 法務・総務・契約の問題 • 大企業の商慣習が、機械学習と極めて相性が悪い • 大企業が本気を出すと、恐ろしいことになる • 元の売り上げがデカいので、機械学習のレバレッジが大きい • 元の従業員が多いので、コスト削減効果も非常に大きい • ベンチャーや中小企業が機械学習で勝てるのは、この一瞬だけ • 腹をくくれ

×