感情タグBEST3
Posted by ブクログ
日本はAIビジネスにポテンシャルあり
アメリカと中国が二大巨頭
ヨーロッパはGDPR 2018年から施行。個人情報の取り扱いにはかなり慎重。
AIは人間の仕事を奪うのではなく、上手く活用してよりクリエイティブな仕事ができるようになる とポジティブに捉えたい。
AIの著作権に関する法律はまだない。
アメリカのレモネードという損害保険会社の事例は面白かった。
Posted by ブクログ
石角友愛『いまこそ知りたいAIビジネス』（ディスカヴァー・トゥエンティワン）はAI （Artificial Intelligence）ビジネスについて解説した書籍である。AIビジネスに求められる人材についても言及する。著者はAIビジネスデザイナーである。
AIビジネスは、AI技術を使って課題を解決する方法を提案し、実装することである。AIは課題を解決るための技術である。日本語では人工知能となり、人格を持ったイメージで語られがちである。これを本書は弊害とする。抽象的な概念は抽象的なまま議論しないと、本質を見誤りかねないという。
この主張は納得できる。日本人の生物研究者は研究対象の動物に固有名詞を付けたように、ロボットをパートナー的に扱うことが日本の美点と主張されることがあった。しかし、技術によって問題を解決する立場には弊害になる。道具は人間の生活を便利にするために生まれたが、人間の延長線上に考える必要はない。早く移動するために二足歩行のロボットを作る必要はない。車輪を持った自動車の形になる。
本書はAIビジネスが大企業に限定の話ではなく、むしろ中小企業こそAI導入で大きなビジネスインパクトを出せる可能性があると主張する。これは同感である。人手不足の中小企業こそAIで補う必要性は高いだろう。
本書は失敗事例を紹介する。AIを利用したリコメンデーション機能を実装しようとした。ところが、顧客データが完備されていないため、顧客への適切なリコメンドができなかった。不適切なINPUTからは不適切なOUTPUTが生じる一例である。AIが回答を出す世界を恐ろしいと感じる人もいるが、AIそのものよりも偏向したデータをINPUTにすることが現実的な問題である。情報公開と透明性が第一である。
Posted by ブクログ
AIがどのように社会に大変化をもたらすのかということが書かれてある。
特にためになったのは、AI時代に新たに生まれる仕事についてだ。
AI時代に行き残れる3つのタイプ
1.特化型
代替のきかない特化して高度でプロフェッショナルな技術を持っている人。
2.適応者
高い技術を持っていて、市場で何が求められるかを考えながら、自分をいろいろな場所に適応させることができる人。
3.合成役
AIで仕事が自動化すればするほど、最後に残るニーズはAIで吐き出されてデータをどう価値に変えて、どう事業に結びつけていくかを考える仕事。
MBAは合成力がより身に付くので価値が高まるとのこと。（学校によって差異は大きいと思うが）
★これから何を学べばいいのか。
1.何かをゼロから作ること、何かをアウトプットすること。
2.英語力（AI時代には英語力は不要かと思っていたのだが）
英語ができるだけで世界は何百倍に広がるし、取得できる情報量が劇的に増える。
ムークでデータサイエンティストのスキルセットを学べることができるとのことだ。
Posted by ブクログ
・データサイエンティストの需要増
・AIの力で日本復興を
・自分以外でできることはテクノロジーに振る
本書を踏まえての具体的アクション
→データサイエンティストの生活、なるために必要なことの情報収集
Posted by ブクログ
日本ではAIを擬人化しがちでロボットのような実態があるものと思われたり、神格化しがちでAIでなんでもできると思われたりしている。
これらの誤解が日本でのAI普及に支障を及ぼしていると指摘されている。
実際は消費行動データからおすすめ商品を示す、といったように大量のデータをどのように活用するかということを考えることがAI導入の第一歩。
データがあっても属性と結びついていないなどの理由で活用できない場合もあるため、AIで処理することを見越したデータ収集の方法を採用する必要がある。
Posted by ブクログ
AIについて学びたいと思い、手に取りました。AIは、ロボットのような形あるものではなく、ツールだということは押さえておくべきポイントだと感じた。海外の事例など多く書かれており、勉強になりました。学び続けないと思える本でした。
Posted by ブクログ
【目的】
AIをビジネスに活かす方法
【まとめ(1P)】
・インフラ化するAIをビジネス化/開発/現場展開する人材の確保が必要
【ポイント(What)】
・AIは電気と同じくインフラになる
・フィードバックループ＝データを追加し精度を上げる
・AIによって人間が人間らしい仕事に専念できるとポジティブに考える
【アウトプット(How)】
・すべての課題をリスト化し、AIで解決すべきか仕分け
・単なる省人化でなく属人的なプロセスを展開するため
【その他】
・日本ではAIを擬人化して説明することが多い
・日本企業はデータの公開を躊躇する傾向
・家事を仕分け（子供目線で親にしてほしいことは？）
Posted by ブクログ
AIについて漠然とした知識しか無かったがなんとなく分かってきた。中でもデータサイエンティストという仕事に興味を持った。AIに仕事を取られるとニュースやSNSで言われていたため、いかにAIに取って代わられない仕事に就くかが大事だと思っていた。しかしAIに仕事を任せることで人間は人間にしか出来ないことをするということを認識できた。私も私にしか出来ないことを見つけていきたい。
•自分の人生を自分でデザインする
•社会人になっても何かしら学び続ける
Posted by ブクログ
AIビジネスの①具体性、②将来性、③国際性の３つの見地から解説した本です。
日本のAIビジネスにおいて勘違いされている点とその理由の解説と、実際にAIビジネスを導入する際にどんなステップを踏めばいいのかが分かる教科書的な本。AIがこれから会社に導入され、ユーザーになるだろう自分にとっては学びが多い本でした。
印象に残ったのは、
・AIを擬人化しない、AIが××するではなく、AIで××する
・どんなデータを集めるべきかということころからデータサイエンティストに相談する→ 企業が抱える課題とその企業が持つデータを元にどんな解決策があるかを考えるため。
AI（ソフト）と日本の「モノづくり」（ハードウェア）の理想的な融合に期待したいです。
Posted by ブクログ
AIの導入的な知識が理解できる1冊。AI人材とこれからの働き方を読むと、今後目指すべき指針が見えてくる。
以下、気になった箇所。
◆AI導入のために
・データは21 世紀の石油
→生のままでは使い物にならない
・導入・定着・効果検証のサイクル
→現場状況を精査してから開発する
→どのデータで検証するか、効率アップのKPI
◆AIビジネスの課題
①バイアスの取り除き方
→人間がAIに学習させることによる恣意性
マイノリティーにおける精度も公表するべき
→目的を持ったAI開発(AI with Purpose)が必要
②個人情報の取り扱い
→Facebookスキャンダル(トランプの選挙対策)
個人情報を政治に利用、人の態度変容を起こす
→ソーシャルグラフ
ウェブ上で誰と誰が交友を持っているか
「つながり」のデータそのものが金脈
⇔コラボレイティブ・フィルタリング
これを買った人は、これも買っています
→GDPR(一般データ保護規則)
1.IPアドレスやCookieも個人情報とみなす
2.個人情報取得時は、ユーザーの同意が必要
③著作権の取り扱い
◆AI人材とは
・AIの活用は不可避、AIはインフラになる
→ 世界の企業が必要とするAI人材は約100万人
70 万人不足している
・AIに関する職種
→数学・統計学を活用し企業価値向上を検討
・データアナリスト
→整っているデータを分析し改善点を見つける
・データサイエンティスト
→機械学習導入時のデータ構造の設計〜実装
機械学習のエンジニアに近い
・AIビジネスデザイナー
→経営層とデータサイエンティストをつなぐ
→企業の成長戦略を選定
ユーザーストーリーに落とし込み、語れる
→具体的なプロジェクトとして推進できる
・ビジネスデザインとは
→人間中心のイノベーションアプローチ
→経営課題とユーザー体験に基づく問題解決手法
・イノベーションとは
→ ３つのベン図が重なったスイートスポット
…ビジネス性（Viability）
ユーザーのニーズ（Desirability）
技術性（Feasibility
◆AIとこれからの働き方
・AIにより、より人間らしい仕事に時間を割ける
→人間が行なうには苦痛すぎる仕事をAIに
人間はよりクリエイティブな仕事に
・AIが奪う仕事よりも、作り出す仕事の方が多い
・AIトレーナー、ロボット管理者
→良いデータ、良くないデータを仕分ける
→AI搭載型の産業ロボットが、消費者の好みや劇的なプロセス変化に自動で対応することは難しい
・AI時代に生き残る人材
トーマス・フリードマン『フラット化する世界』
→特化型:代替のきかない技術を持つ
→適応者:高い技術力を持ち、適応能力が高い
→合成役: コミュニケーション能力が高く、異業種の人材をまとめて動かす
・AIバイリンガルを育てる教育
→歴史や哲学、法律や経済学の知識も必要
→自分たちが何を作るべきかを議論できなくなる
→文系理系を二重専攻した人が重宝される
・ビジネスモデルの変革には、AI×別領域の掛け合わせが必要
→ AI×行動経済学
CBO(Chief Behavioral Officer)
・リカレント教育
→社会人が学び直したり就労するサイクル
→ 不安に思うのは、問題意識がある証拠
→何かをゼロから作る、アウトプットが大事
・ポートフォリオキャリア
→複数のキャリアを持って働く人も多い
・ワークライフインテグレーション
→仕事と生活の統合
→オンとオフなんてない、あるのは私という人間
⇔ ワークライフバランス
バランス＝両立にプレッシャーを感じる
◆用語
・カグル
→ 世界一のデータサイエンティストのコミュニティを持つバーチャルプラットフォーム
・分類器
→大量の商品データが、どのプロダクトカテゴリーに属するのかを分類する
Posted by ブクログ
AIとは実態が見えにくいので、何となく生活は便利にするというポジティブなものより、仕事が無くなるというネガティブの考えが日本には多いと思う。それを変えていくかないと日本はAI後進国になってしまうような気がします。
Posted by ブクログ
よく聞く「データは石油である」という言葉を逆から見ると、「石油のままでは使い物にならない」であり、「使える状態にする（プロトタイプ、落とし所の共有）」と「それを使いこなす人の育成（導入の壁超える）」、さらに言えば「もっと使えるように業務を改善し続ける文化（定着の壁超える）」である。
「解決したい課題がはっきりしてない場合」は、課題を全部棚卸しして、効率化（生産性）と収益化のマトリクスで重み付けし、AI（集められるデータの最適化）で解決できそうなグループに分けて進める。と言った具合に、AI実装のプロセスが解説されている。著者のクライアント企業へのコンサルの流れと言って良い。
これらは「データサイエンティストの仕事」であって、既存データを分析して改善点を出す「データアナリスト」とは異なると指摘する。機械学習のためのデータ構築に沿った業務およびビジネスモデルの改善・構築もコミットするので、データサイエンティストが高いレベルが要求されるという。
データサイエンティストと同様に、エンジニアの最高峰は、フロントエンド、バックエンド、データベース、サーバーインフラ、モバイルアプリなど、事業に関わるすべての分野に精通するフルスタックのソフトウェアエンジニア、AWSなどを使いこなすインフラ・エンジニア。
こういった技能を持つ人材の年俸は3000万円を超える。Facebook,Googleは平均3600万円と言う。初任給83万円のファーウェイショックに湧いた日本の製造業とは別世界だ。インドでも初年度で1500万円を超えるという。ディープラーニングの研究所所長クラスはシリコンバレーで年俸10億円！人気プロスポーツ選手のスターの領域だ。
最終章では、AIとか機械学習も関係なかったGoogle時代からの著者のキャリアパスが書かれている。配属されたGoogleショッピングの分類器チームで機械学習機能を開発することになり、「ムーク」で勉強したという。著者の会社の社員らも仕事をしながらムークで現在も受講。自分史上最高のアウトプットをするための投資として世界最高レベルのインプットがオンラインで受ける生活を垣間見ることができた。
Posted by ブクログ
インドから才能を輸入したメルカリ・他ゾゾの例を上げ、日本のもの作りと先端のAIを組み合わせる事で、5年遅れの日本のAIビジネスにイノベーションを起こせるという。
キーワード・キーセンテンスを羅列してみた。
「データサイエンティスト」
「リベラルアーツ」
「異なる領域を掛け合わせる合成能力を持ち合わせた合成役」
「アウトプット作りを英語でやってみよう」
「ワークライフインテグレーション（仕事と生活の統合）」
Posted by ブクログ
AIに仕事を任せられる
インフラ
馬なし馬車
AI、機械学習ディープラーニングの手法
姿形のないもの、単なるツール
AIは人間が作り、人間が操作する
システムインテグレーター、システム構築を請け負う企業
7割の仕事で業績が伸びる
コーディネートをAIである
似た人に似たものをお勧めする
服も淘汰されていく
データをまとめる力がある
ライバルではなくチーム
AIの利用料にお金をかける
偏見をなくすには経験させる
変更できないよう、直前でアナウンス
どんな状況かで見積もりは変わる
ユーザーの行動を予測するためにデータを用いる、その整理のためにAIを使う
導入がゴールではない
現場の声を聞く必要がある
環境スキャニング
どのような環境であれば最も効果的に力を発揮できるか
現在の就活、富裕層の男性が最も雇われやすく貧困層の男性が最も雇われにくい
Facebookスキャンダル
トランプの選挙に大きな影響
個人情報の保護が今後より一層大事になる
エンジニア35歳定年説
生産性を上げることはできる
CBO
オンオフがない
ワークライフインテグレーション
インフラ
日本のGDPは3倍以上に伸びる余地がある
AIは機械学習を中心とする手法のこと
AIで〇〇をする
7割の業界はAI入れると業績伸びる
小売、運輸、旅行
AIはエンドレスに学習する
データサイエンティスト
テスラ、まだ人間らしい状況判断ができない
車の運転は共同作業
段階的住宅所有プログラムなど新しいビジネスモデル
OEM再販モデル
自社だけでなく他者と協力して商品制作を行いより多くの人に利用してもらいデータを取る
go to market戦略
PDCAを回していく
導入には会社のコミットも必要
富裕層の男性が一番企業が欲しい、貧困層の女性、富裕層の女性、貧困層の男性
フェイスブックスキャンダル、アメリカ大統領選に影響
ソーシャルグラフ
GDPR一般データ保護規則
まだAIに対応した法律がない
100万人のAI人材の需要に対し、30万人の供給しかない
AIは生産性を上げる
リカレント教育、社会人再
Posted by ブクログ
AIとは何ぞや？が一般人にでも分かりやすいようにまとめられた本。
後半は横文字の専門的な言葉も多かったが、技術系の自分にはすんなりと入ってきた。
AIに対して過剰な期待あるいは不安を持つ一般層と、それを理解できない技術者層。日本は、この二つの層に大きな隔たりがある事を著者は危惧している。
AIビジネスの最先端情報や、AIを導入しようとしている企業が注意すべき事、AIビジネスの課題、今後求められるAI人材と今後の働き方について分かりやすくまとめられており、AIに詳しくない方は一読する価値があると思います。
Posted by ブクログ
◯つまりAIは、火や電気、あるいはインターネットにたとえられるくらい「インフラ」として考えられているのだ。(41p)
◯これをAIビジネスの現場では「フィードバックループ」と呼び、AIの精度を高めるために必要不可欠なステップだ。(58p)
◯これから到来するAI時代に大切なことは、私が今まで多くの方々に教わってきた「自分が一番幸せに思う時間を見極める」ことなのかもしれないと感じる。(278p)
★AIと人間の協業がどのように成立するかわかる。AI時代に求められるスキルがわかる。
Posted by ブクログ
定期的にAIに関する本を読んでいる中で、この本はAIを使ったビジネスを集中して、かつ読みやすくまとめていると感じた。
実際にAIビジネスを手がけている方が書いているだけあり、実例もイメージしやすい（最初の事例が医薬品関連だったこともあるかも）。またAI時代に生き残れる人材の部分は、これまで読んでいるものとまた違う視点から書かれ、興味深く読んだ。進歩が早い世界なので、引き続きこの分野はアップデートを続けていきたい。
Posted by ブクログ
シリコンバレーで起業して日本企業に対してAI導入支援する著者がAIの小ネタを織り交ぜながらこれからのビジネスと生き方を語ります。やや散漫な印象もありますが、AIを使って未来を切り開くためのヒントが多く読み取れる好著です。「環境スキャニング」という分析を自然言語技術を取り入れたアプローチで展開しているとの記載がさらっとありましたが、ここはもう少し詳しく知りたいところでした。
Posted by ブクログ
■要約
・課題抽出→AIで解決できるか仕分け(データ集めと短スパンでの仮説検証)→効率化・売上増加の2軸でマッピング
・AI導入は、課題抽出、プロジェクト化、導入、定着、効果検証をすべて満たすことが必要だが、ほぼAI以外の部分に課題があるといえる。
・教師データセットを集める時には目的を持って集めないと、デートそのものに偏りが発生し、同時にAIモデルにも偏りができてしまう。よって、バイアスを取り除くことと合わせて、データ集めは目的を持つことが重要。
・個人情報の取り扱いは、説明可能なAIで対応するか、そもそも自社で持たずないようにする(新しい業界の創出)
・日本のこれまでの良さ(BtoB、質の高い生産技術)を活かしたAIビジネス展開に活路を見出すべき。
・AIビジネスデザイナーとデータサイエンティストのどちらも教育、または採用が必要。採用は、通常の採用ではなく、AI人材が具体的に活躍できる環境をイメージさせるべき。
・「特化型」「適応者」「合成役」の3つのうち、AI時代には「合成役」が求められる。直近の例では、CBOの存在が挙げられる。
・ワークライフインテグレーション(仕事と生活の統合)こそ、AI時代における人間らしい働き方
■学び、意見
・（学び）AIビジネスデザイナーという立ち位置が定義されていて、個人的にはこの言葉に該当する働き方がもっと一般的になるべきと感じた。
・（学び）アジャイル型のプロジェクトの進め方、組織横断型プロジェクト…日本では、こういったものを当たり前に推進できないとAIプロジェクトは成功しない。
・（意見）AI×ビジネス(1〜4章)に重きが置かれており、深掘りした内容が記載されていたが、AI×人材(5,6章)は少し流した記載がされていた印象。筆者の中に思いはありそうなので、それらを深掘りしたものが見たい。
■読むことになったきっかけ
本屋で平積みになっていたこと。他者にAIビジネスをどう理解してもらえばよいかの参考にできればと思ったため。
■気になったワード
「AIビジネスのみならず、ITビジネスは労働集約型モデルではなく、知的集約業である。工数や人月に代わり、バリューベースで費用を捻出する。」
「AIで仕事が自動化すればするほど、最後に残るニーズはAIで吐き出されたデータをどう価値に変えて、どう事業に結びつけていくかを考えること」
Posted by ブクログ
AIに対する誤解や可能性、活用方法について事例を交えてわかり易く説明している。特にAIに対して余り知識のない人やどの様に活用すれば良いか分からないといった人にとって役立つのではないだろうか。 また、現場でのAI導入時のクライアントの認識に対する問題点についてはとても興味深い内容。 AIの活用によってより人間らしい仕事に専念できるという著者の考えはとても共感できる所です。
Posted by ブクログ
結局「AIで何ができるのですか？」「AIが仕事を奪うのか？」ばかりが先行しているが、「本質は違うよ」という部分を解説してくれている本。
AI以前に「データをそろえる」という作業で相当な手間と時間とお金がかかっているのが現実。
データサイエンティストとデータアナリスト。
その違いについても説明しているが、日本は圧倒的にサイエンティストが足りない。
それは今の仕事をしていても感じる部分だ。
Paraviについては、データが命であるはずなのに、それが改善作業（いわゆるPDCA）に活用できていないのが悔しいところだ。
それを高速で改善していくためには、正しくデータを読める人間が必要なのだ。
表現を変えると「データをデザインできる人」みたいなイメージ。
それを「AIに食わせて」行く作業になるのだ。
AIが食えるデータに加工することが、まさにデザインなのだが、これがサイエンティストというかアーティスト。
これは自分でもとてもできそうにない。
データを読み解くためには、業務に精通していないといけない。
そしてデータを読み込むセンスが必要だ。
さらに数学の知識も必要。
試行錯誤するためには、自分でプログラムをかけた方がいい。
（イチイチ外注先に説明する能力があれば、自分で作れるはず）
「GDPR問題」については検索して調べてもらえばと思うが、確かにその通りだ。
データは宝の山だけに、個人情報がふんだんに詰まっている。
その取扱いの難しさ。
AIに自分の事を自分以上に知ってもらうことの気味悪さ。
やっぱりAIについて、常にアンテナを貼ってもっと勉強する必要があることを感じた。
Posted by ブクログ
アメリカでのai活用事例。
スティッチフィックスの事例が面白かった。ai+スタイリスト。aiで働き方が変わる。aiを使いこなす、共存できる人が強い。
ai時代に必要とされる人材。
1.特化型（スペシャリスト）
→一芸に秀でる。
2.適応者（グレートアダプター）
→自分のスキルをマーケットニーズに合わせれる。最適なポジショニングを選択できる。
3.合成役（シンセサイザー）
→aiのアウトプットをどう価値に結びつけることができるか？
勉強が大事。リスキル。自分の中の優先順位をつける。（ほんとに自分がやるべき仕事か？）
Posted by ブクログ
最近のAIビジネスの概略。
データ収集の時点からデータサイエンティストに話を聞いておけ。
ゴールを見据えて収集データ、タグ付け考えとけ。とか。
著者はAI分析の導入コンサルタント。
経歴はすごい人なんだが、この本は初心者向けなので、著者がどれくらいのことをやってるかはわからない。たぶん出来合いの学習ソフトの雛形がいくつかあって、事例によってどれかを選んでデータを放り込んでうまく説明できる結果が出てきたらOKみたいなことだと思うが、導入企業側はバカなのも多いだろうから、その辺のコミュ力とか、相手を黙らせるピカピカの経歴とかがビジネスに活かされてるんだろうなとか思った。
