AI・人工知能 EXPO　レポート

２０秒まとめ）
AIを育てるのは「データ」、データを育てるのは「ヒト」
AIの育て方は、以下かも。

１．データは、取れる限り全部取る。
２．取ったデータで、機械学習してみる。
３．機械学習ツールでデータ傾向をとって、傾向を見て「ヒト」が取得データを仕立て直す。
４．２へ戻る。

2018/04/04～06は、東京ビックサイトで『AI・人工知能 EXPO』が催されていました。
製造業向けソリューションを検討するため、調査に行った次第です。
http://www.ai-expo.jp/

4/6(金)の最終日に行ったためか、人が多いですが、それでも、注目度の程がうかがえます。
例えば、富士ソフトさんブース。もう、通路全部が塞がるほどです。

公開セミナーは、ディープラーニングに注力しているので注目度が高いようですね。
ここだけでなく、どのブースの公開セミナーも人だかりです。
移動が大変でした。
回っていて、AIの利用方法の難易度が下がった気がしたので、思考順に記載します。

いろんなプロダクトの中で、自分が望むソリューションを見つける楽な方法は？

このEXPOのそれぞれのブースは、

・RPA・IoT・ディープラーニング・AIの組み合わせの業務ソリューション
・そのソリューションのためのデバイス／ゲートウェイ／クラウドのソフト・ハード

のミニブースが並びます。

システム構成は「IoT」そのものです。

「デバイス　⇔　ゲートウェイ　⇔　クラウド」
おおよそ、IoTのクラウド側でディープラーニングをさせて、その結果から、エッジやデバイスのAIをアップデートする構成が主なものに見えます。

どのソリューションも、将来的に「自動化」に向けたものでした。
ただ、ブースによって、クラウドとAI活用はすごいけど、デバイスによっては範囲外のソリューションもあります。
（例：センサー類のI/Fを用意しているけど、工場PLCのそれはないとか。）

デバイスソリューション側だと、「データをサーバへ投げつける＆受け取ることができるデバイス」であって、ディープラーニング・AI自体とは無縁とかもあります。
（クラウドが、システムを大きく変えたのはこの付近と思います。「将来を見通せない仕様をデバイスに組み込まず、クラウド上のAIに任せる」ので「ビジネス変化に即応できるデバイスを用意できる」ようになりました。）

そのため、利用を検討されている方は、
「自分の業種にフィットするか」
「デバイス／ゲートウェイ／クラウドのどの部分のハード／ソフトか」
を注意深く組み合わせて見ていくと、各ブースの組み合わせで、理想的なソリューションが出来上がると思います。
冒頭の富士ソフトさんは、組み込みも含めてのシステムインテグレートをしているので、業種・業態が合うと、ワンストップで提供できるソリューション展開ができそうに見えました。

ただ、デバイスは業種特化しているので、「アームロボ」は想定しているが、「溶接ロボ」を想定していないとか、合わない業種があります。
なので、業種・業態で絞ってからでないと、要望・要件に叶うソリューションを見つけられません。

で、AIでなにができるの？

今回目にした中で、印象に残る２枚の写真です。

◯「経営課題へのアプローチは必ずしもAIが最適ではない」
◯「未来予測９０％以上」
で、もう一枚

「どんなデータが、どれだけ必要？」
全部、ABEJAさんの公開セミナーからでした。
経営観点（　←「全て」と同じに思いますが。。）からだと、

１．AIじゃなくても解決できる課題がある。
２．AIが万能でもない。
３．AIを育てるならデータが必要。

うすうす、みんながわかっていたことと思いますが、プレゼンされるとシックリきますね。

さて、見出しの問の「AIは何ができるか」と言われたら
「わかったことなら、何かする」
「何もできないのは、なにもわからないとき」
なので、AIはデータから有用モデルを作るしかないなと思います。

じゃ、データって何を取ればいいの？

先に答え：（考えずに）取れる全部。あとで精査する。
「じゃ、精査はどうするのさ？」となるのですが、データ精査の難易度が下がりそうなプロダクトを１つ見つけました。
まだ、日本語ホームページはないみたいです。
「Driverless AI」
ホーム：https://www.h2o.ai/driverless-ai/
日本語紹介ページ：https://jp.techcrunch.com/2017/07/07/20170706h2o-ais-driverless-ai-automates-machine-learning-for-businesses/

このツールは、取ったデータの傾向の優先度をランキングしてくれます。
その傾向をビジュアル化してくれるので、ユーザは取ったデータで有用なデータかどうかが判定できます。
取ったデータが期待通りでなければ、取ったデータのフォーマットを変更して、ツールに解析させます。
これの繰り返しを行って、有用なデータ＆フォーマットが特定できます。

結局、データを仕立て直すので、人の判断に依存します。

結果として、取得したデータに「期待していた何かがない」と分かれば、別のデータを疑う契機になるので、このトライ＆エラーは無駄ではなく、ユーザにとって、とてもわかり易いデータ取得の指針になります。