AIプロジェクトの進め方（シラバス 技術35）

よくある失敗から考える

「AIで何かできないか」から始めたプロジェクトは、作ったモデルが業務で使われずに終わりがちです。検証を繰り返すばかりで本番に進めない、運用後に精度が落ちる、という問題もよく起こります。AIプロジェクトの進め方は、こうした失敗を避けるための考え方と手順の集まりです。

課題から始める

AIのビジネス活用は、解決したい課題と、利用者・現場・経営層などのステークホルダーのニーズの整理から始めます。何がどれだけ良くなれば成功かを先に決め、AIを使わないほうがよい場合も検討します。導入にあわせて業務の流れを根本から作り直すBPR（ビジネスプロセス・リエンジニアリング）を行うと、効果が大きくなることがあります。

進め方の枠組み

• CRISP-DM：ビジネスの理解、データの理解、データの準備、モデリング、評価、展開の6フェーズで進める標準プロセスです。順番は固定ではなく、必要に応じて前のフェーズに戻りながら進めます。
• CRISP-ML：CRISP-DMを機械学習向けに広げたものです。ビジネスとデータの理解を1つのフェーズにまとめ、運用後のモニタリングと保守のフェーズを加えました。各フェーズで品質を確かめます。
• PoC（概念実証）：本格的な開発の前に、小さな規模で実現できるか、費用に見合うかを確かめます。期限と、次に進むか止めるかの基準を先に決めておきます。
• MLOps：機械学習モデルの開発と運用を一体で回す考え方です。本番ではデータの傾向が変わって精度が落ちることがあるため、監視、再学習、再デプロイを自動化して続けます。

開発の進め方には2つの型があります。

型	進め方	AI開発での向き不向き
ウォーターフォール	要件を最初に固め、設計から順に一方向に進める	試すまで精度が分からないため、計画どおりに進めにくい
アジャイル	短い周期で作って確かめることを繰り返す	試行錯誤が必要なAIの開発と相性がよい

体制と社外との連携

データサイエンティストは、統計や機械学習を使い、データから業務に役立つ知見を引き出す専門職です。業務の担当者やエンジニアと組んで進めます。社内に足りない技術やデータは、他企業や他業種との連携、大学や研究機関との産学連携で補います。社内と社外の知識や技術を双方向に行き来させて新しい価値を生む考え方を、オープン・イノベーションと呼びます。

開発と提供の道具

道具	何のためのものか
Python	機械学習のライブラリが豊富で、AI開発で広く使われる言語
Jupyter Notebook	コード、実行結果、メモを1か所に残しながら対話的に分析する道具
Docker	アプリケーションを実行環境ごとコンテナにまとめ、Dockerが動く環境なら同じように動かせる仕組み
クラウド	GPUなどの計算資源を、必要なときに必要な分だけ借りる使い方
Web API	モデルの機能を、ほかのシステムから通信で呼び出せるようにする窓口