
AI導入の前に知っておくべき基礎知識(後編)――効率的に自業務にAIを導入するための4ステップ

こんにちは!調和技研でお客様のAI導入をサポートしている、コンサルティンググループの丸井です。
前回の記事ではAIの導入を検討する際にまず知っておいた方がよいことを解説しました。今回は実際に業務へAIを導入する際、どのようなステップを踏むかについて順を追ってお伝えしていきます。
AI導入のステップ1:AI導入計画の作成
AIの導入を考えたときに、まず必要となるのが「導入計画の作成」です。AIを導入したい業務の内容をAIエンジニアへ共有し、AIが対応可能な作業を踏まえながら、作成するAIがどの範囲のどんな業務を担うのかを具体化します。
この作業で意外と難しい点が、目的を明確にすることです。AIを導入したい具体的な作業やそれに伴う要件を考えていくと、当初考えていたものとは異なるところでのボトルネックの存在に気が付くことがあります。このような真の課題を見つけるためにも、何を解決したいのか、どんな価値を追求するのかについて社内関係者でよく検討し、それに沿って要件を決定していくことが、適切なAIツールの選定にもつながります。
また、どのような成果が出れば「成功」なのか、定義しておくことも大切です。
AI導入によって得られる価値には、作業時間の削減率、作業効率向上によるコスト削減率、動的価格設定等による売上アップ率など、いくつかの指標が考えられます。どの指標を採用し、どの程度の達成率を目標とするか、予め検討しておきましょう。
目的の明確化や要件の洗い出しがうまくいかない、整理が難しいという場合には、AIコンサルタントやAIエンジニアを交えてディスカッションを行い、方向性を決定していくこともおすすめです。
AIを導入する際の考え方
計画作成の際は、AI導入の大前提として、以下2つの考え方を理解しておくと導入がスムーズに進みます。
1.AIは人の作業を強化するためのツール
AIを導入する目的の多くは、業務効率化や作業負担の軽減です。「現状、人が行っている作業を再現するツールが必要」と考えるのではなく、AIは選択肢の一つとして専門家の意見も参考にしながら、「どうすればその作業を効率化できるか」と考え、実運用に合った方法を選択すると、よりよい結果に繋がります。
2.早く使い、役立てる
まずは最低限の機能・精度のAIを用意し実際に使用して、業務における有用性を確かめることが重要です。
当初必要だと想定した要件でも、実際に完成したシステムを使い始めると、実は不要な要件だったと判明することもよくあります。できるだけ早く有用性判断の段階に移り、本質とは関係のない改良にとらわれないようにすることがコツとなります。
AI導入のステップ2:可用性の検証(PoC)
導入計画の用意ができたら、AIが想定通りに機能するのか、精度を確かめながら実現可能性を見極める段階に移ります。この段階を可用性の検証(PoC:Proof of Concept)と呼びます。
この際、AIエンジニアは依頼者が用意したデータを見て適用する手法を決め、AIを動作させるプログラムを実装し、精度を確認します。基本的にはこの作業を繰り返してAIを調整します。
AIはデータに基づいて学習しますので、正確で質の高いデータの提供が不可欠です。
この時点で要件の不足等が判明した場合は、新しく出た要件に優先度をつけ順次取り込んでいきます。
適切なデータ・手法を採用してもなお設定した目標に達しない見込みが大きければ、AI導入プロジェクトの打ち切りも検討が必要となります。
AI導入のステップ3:システム構築
PoCでAIの可用性が判断できたら、次にAIを本番運用するためのシステム構築を行います。
データの取得・蓄積、AIの学習などを含め、実際に使用できる状態になるまで一連の動作の設計・開発・テストを実施します。
ここで潜在的な問題や課題点を特定し、実装に際してモデルの改良を行っていきます。
ステップ1でAIの導入計画時に作成した評価指標をもとに、AIのアウトプットの精度を測ったり、改善点をチェックします。改善点が判明した場合には、必要に応じて新しい要件の追加を検討します。
構築したAIがある程度実用に耐えうる、と判断ができた段階で、システムを本番環境に実装します。
AI導入のステップ4:システム運用
本番環境に実装した後は、AIの保守・運用を実施します。
またAI導入後も定期的に効果を確認し、必要に応じて調整を行います。構築したAIモデルの精度の維持・向上のためにも、本番環境への実装後も定期的な再学習が必要です。
実際の使い勝手についてユーザーアンケートを実施し、改善点を洗い出した上で調整を行うことも有効です。
システム運用の際に大事なのは、運用開始時の性能が高くなくとも、まずは実装して使いだすということです。運用すること自体が新しいデータの取得・蓄積に繋がり、その新しいデータを取り込むことでAIの精度が次第に上がっていきます。
AIのことなら何でもご相談ください!
以上、今回はAIを導入するためのステップについて、概要をご紹介しました。
AI導入でつまずくケースの多くは、目的が不明確であったり、データの品質が低かったりすることが原因です。特に初めてAI導入に取り組む場合、成功させるためには十分な計画と、継続的なサポートが必要です。
調和技研ではAIの開発だけでなく、導入前のコンサルティングも豊富な実績を持っています。
AIを導入したいがどのように計画すれば良いかわからない、丁寧に伴走してくれるパートナーを探している、などAI導入に関してお困りのことなどありましたらぜひお気軽にご相談ください。
>> 調和技研のDX/AIコンサルティングサービスの詳細を見る
>> 調和技研に相談してみる

AI導入コンサル、セミナー実施や、AI研究開発のプロジェクト管理業務に従事。教育事業会社でのコンテンツ作成・運営、製造業での需要予測・需給調整経験などを経て2022年調和技研に入社。今思えば需給調整はAIを導入すれば即解決(?)だったかもしれない。リモートワークの良さを享受しつつも、運動不足が目下の課題です。
関連記事


Google のLLM「Gemini 2.0 Flash Thinking」を試してみる
- 生成系AI
- ChatGPT
- 言語系AI

【GroqCloud】 爆速回答!?GroqCloudの実力とは

【まとめ】GPT-4.5 登場!史上最強のAIモデルがリサーチプレビューを公開
- ChatGPT
- インタビュー
- 生成系AI
- 言語系AI

AI Agent Vol.2【Agent の 4つの要素】
- ChatGPT
- 生成系AI
- 言語系AI

Google のLLM「Gemini 2.0 Flash」を試してみる
- 生成系AI
- ChatGPT
- 言語系AI

2024年 年末のAI関連発表について
- ChatGPT
- 生成系AI
- 言語系AI

OpenAIが公開したLLMの事実性を評価する指標「SimpleQA」でモデルを測定してみた
- 生成系AI
- 言語系AI
- ChatGPT

AI導入に必須!PoC(概念実証)を成功させる進め方とポイント

The AI Scientist:AIによる論文の自動生成|さまざまな研究テーマを提案させてみる
- 生成系AI
- ChatGPT
- 言語系AI

AI Agent Vol. 1【Single AgentとMulti Agent】
- ChatGPT
- 生成系AI
- 言語系AI

AI活用成功に導く「AI導入アセスメント」とは――数理最適化AI事例をもとにポイントを解説

Llama 3 の日本語継続事前学習モデル「Llama-3-ELYZA-JP-8B」を試してみる
- 生成系AI
- 言語系AI
- ChatGPT

「戻れない変化」を生み出し続ける。コンサルを通して見極める業界DX実現への道筋
- インタビュー
- 生成系AI
- ChatGPT

サステナビリティ領域で活躍するAI―SDGs×AI活用事例
- 数値系AI
- 画像系AI

MetaのオープンLLM「Llama3.2 3B-Instract」の精度を検証してみた|GPT4o-miniとの比較あり
- 生成系AI
- 言語系AI

OpenAIの軽量モデル「GPT-4o mini」を試してみる
- 生成系AI
- 言語系AI
- ChatGPT

Microsoft「GraphRAG」とLangchainの知識グラフを活用したRAGを比較
- ChatGPT
- 言語系AI
- 生成系AI

ChatGPTのAPI利用料金比較|最新モデルGPT-4o miniも検証
- ChatGPT
- 言語系AI
- 生成系AI

Langchain+Neo4j で「GraphRAG」を実装してみる
- ChatGPT
- 生成系AI
- 言語系AI

数理最適化ソルバー活用事例|組合せ最適化で社内交流会の班分けを自動化
- 数値系AI

GoogleのマルチモーダルLLM「Gemini.1.5 Flash」の精度を検証してみる
- ChatGPT
- 生成系AI
- 言語系AI

3次元点群データを用いた物体検出
- 画像系AI

GPT-4oを活用した画像検索システムの構築方法
- 画像系AI
- ChatGPT

Pythonコーディングを簡単に|LangChainで効率化【LLMことはじめ Vol.2】
- ChatGPT
- 言語系AI
- 生成系AI

Copilot for Microsoft 365で「PowerPoint」を使いこなす
- 生成系AI

Google のオープンLLM「Gemma」を試してみる|GPT-3.5 Turboとの比較あり
- ChatGPT
- 生成系AI
- 言語系AI

3次元点群データとAIを用いたオガ粉の体積計測
- 画像系AI

Llama 3 の日本語継続事前学習モデル「Llama 3 Youko 8B」を試してみる|他LLMとの比較あり
- ChatGPT
- 言語系AI
- 生成系AI

RAG(Retrieval Augmented Generation)を「Command R+」で試してみた|精度をGPT-4 Turboと比較
- ChatGPT
- 生成系AI
- 言語系AI

Wood Powder Volume Calculation using Point Cloud Data and AI
- 画像系AI

Dify(ディファイ)をGoogle Cloudにデプロイしてみた
- 生成系AI

“Azure OpenAI”で始めるPythonプログラミング【LLMことはじめ Vol.1】
- 生成系AI
- 言語系AI
- ChatGPT

Combating the Malicious Use of AI-Powered Image Editing: A Deep Technical Dive
- 生成系AI
- 画像系AI

最新版「GPT-4 Turbo」を試してみた|GPT-4oとの比較あり(5/14追記)
- ChatGPT

PrecisionとRecallを何度も調べ直さないために
- 言語系AI

Stable Diffusion+LoRAを使って異常画像データを生成できるか検証してみた
- 生成系AI
- 画像系AI

大規模言語モデルによるソースコード生成:GitHub CopilotからCopilot Xへの進化と未来
- 生成系AI
- 言語系AI

配達ルート最適化AIにより作業時間80%削減を実現。成功の鍵は“人とAIの調和”
- インタビュー
- 数値系AI

AI画像生成の法的リスク(後編):著作権侵害を回避するために
- 生成系AI
- 画像系AI

AI画像生成の法的リスク(前編):著作権法の基本を学ぼう
- 画像系AI
- 生成系AI

AIというツールを使い 「生命たらしめるもの」が何かを見つけたい【調和技研✖️AIの旗手 Vol.4】
- インタビュー

AI導入の前に知っておくべき基礎知識(前編)――AIのキホンと活用事例
- 数値系AI
- 画像系AI
- 言語系AI

AIアルゴリズムの構築には、 課題の本質を見極めることが重要 【調和技研✖️AIの旗手 Vol.3】
- インタビュー

CNNで浮世絵画風変換はできるのか――Ukiyolator開発ストーリー Vol.2
- 画像系AI
- 生成系AI

住宅写真という資産をAIで利活用し、工務店とお客様をつなぐ新たなビジネスを創造
- インタビュー
- 画像系AI
- ChatGPT

シフト最適化への応用が期待される強化学習を用いた組合せ最適化の解法
- 数値系AI

多彩なサービスと紐づく「交通」の課題解決で地域の活性化や住みやすさの向上を【調和技研×AIの旗手 Vol.2】
- インタビュー

AIプロダクトを開発する際に考えるべき品質保証のキホン
- 数値系AI
- 生成系AI
- 画像系AI
- 言語系AI

Microsoft GuidanceでのFunction Calling機能の使い方とその特徴
- ChatGPT
- 言語系AI

Segment Anything Model(SAM)を使いこなそう!パラメータ設定のポイントも徹底解説
- 画像系AI

Stable Diffusionを使って異常画像データを生成できるか検証してみた
- 画像系AI
- 生成系AI

基礎から解説!数値系異常検知の概要と代表的な手法
- 数値系AI

実践!ChatGPT×Slackの具体的な連携方法と日常業務での効果的な活用事例
- ChatGPT
- 言語系AI
- 生成系AI

最先端AI技術で浮世絵を現代に再現する――Ukiyolator開発ストーリー Vol.1
- 画像系AI
- 生成系AI

PaDiMとPatchCoreどちらを選ぶべき?異常検知モデルの選択肢を見極めるポイント
- 画像系AI

社内の暗黙知を可視化するナレッジネットワークでイノベーションが生まれやすい環境に
- インタビュー
- 言語系AI

人の幸せや社会の豊かさに、AIをいかに「調和」させるか【調和技研×AIの旗手 Vol.1】
- インタビュー