# 人員のパースペクティブ: AI ファーストに向けた文化と変化
<a name="people-perspective-culture-and-change-towards-aiml-first"></a>

 AI を導入し、確実かつ反復的に価値を創造することは、単なる技術的な課題ではありません。どの AI イニシアチブも、それを守り、推進する人々に大きく依存しています。汎用テクノロジーとしての AI は複数のセクターに影響を与えますが、従業員がその能力を活用している組織は成功します。優れた AI システムがいかに実現されるか、つまり、関係者、ビジネスユニット、プラクティス間のコラボレーションを通じて実現されることを考えると、なおさらです。

AI が人間の労働を自動化する可能性についてよく言われますが、実際には人間の労働を豊かにしたり、補ったり、さらに増強したりします。一部のドメインでは自動化が可能ですが、今日の AI は主に、人間にとって特に複雑だと認識されているタスクを支援することを目的としています。AI ファーストの組織は、運用コストを削減し、収益を増やして、やりがいのある有意義な仕事を従業員に提供していることがわかります。このパースペクティブの焦点は、組織を結集し、適切な人材を育成して、ビジネス上の価値ある問題を探す際に同じ言語を話すことです。AI の導入においては、なおさら**文化が重要です。このパースペクティブには、次の表に示す 7 つの能力が含まれます。一般的な関係者には、CIO、COO、CTO、クラウドディレクター、および部門横断的な企業全体のリーダーが含まれます。  


|  **基礎的能力**  |  **説明**  | 
| --- | --- | 
|  新規: ML フルーエンシー  |  共有言語とメンタルモデルの構築。 | 
|  労働力のトランスフォーメーション  |  ユーザーからビルダーまで、AI 人材の誘致、活用、管理。 | 
|  組織の連携  |  組織間のコラボレーションの強化と依存 | 
|  文化の進化  |  AI を導入する場合はなおさら、文化は王様です。 | 
| トランスフォーメーションのリーダーシップ | この能力は AI にとって充実したものではなく、[AWS CAF を参照してください](https://aws.amazon.com/professional-services/CAF/)。 | 
| クラウドフルーエンシー | この能力は AI にとって充実したものではなく、[AWS CAF を参照してください](https://aws.amazon.com/professional-services/CAF/)。 | 
|  組織デザイン | この能力は AI にとって充実したものではなく、[AWS CAF を参照してください](https://aws.amazon.com/professional-services/CAF/)。 | 

## 新規: ML フルーエンシー
<a name="new-ml-fluency"></a>

 **共有言語とメンタルモデルの構築。**

 人工知能と機械学習の境界と意味的範囲は十分に特定されていません。どちらの用語にも、さまざまなメンタルモデルや感情的な解釈が多数含まれているため、関係者が何を意味しているのかについて、社内で意見を一致させることが重要です。これらの言葉の意味についてほぼ一致した視点を広め、その言葉に興味を持つ関係者を将来の社内 AI チャンピオンとして特定します。

最初の解釈レイヤーが組織全体に広がったら、2 つ目の、より技術的なレイヤーに取り組みます。AI プロジェクトと要件は、用語や重要度が異なります。製品管理の実務からエンジニアリングやデータサイエンスの実践まで、効果的に機能するためにどのような共同理解が必要かについて意見を一致させてください。効果的な方法は、異なる実務間の[インターフェースワード](https://aws.amazon.com/machine-learning/what-is-ai/)を定義することです。例えば、ML で成功を測定する方法と、ビジネスドメインで成功を測定する方法などです。

これらの調整は、組織全体の賛同を得るのに役立つので、ML フルー遠視―と ML 文化のトレーニングを通じて実施してください。この理解は、ビジネスオーナーが ML ユースケース特有の側面に適応し、顧客に対する期待を設定するうえで非常に重要になるでしょう。

 最後に、組織内と顧客の両方に AI のアウトプットを最もよく伝える方法を検討します。顧客のメンタルモデルや用語はそれぞれ異なることを考慮してください。そのため、例えば、AI システムを潔く失敗させて信頼を維持することは困難です。適切な言語と流暢さがあれば、効率が向上するだけでなく、顧客の関心に合わないシステムを構築するリスクも軽減されます。

## 労働力のトランスフォーメーション
<a name="workforce-transformation"></a>

 **ユーザーからビルダーまで、AI 人材の誘致、活用、管理。**

 AI 戦略を推し進めることができる人材を引き付け、定着させ、再トレーニングすることは、AI の成功にとって最も重要な側面の 1 つです。AI の成功に必要な役割は数多くあり、その中には外部委託できるものもあれば、社内の労働力のみが影響力を持つものもあります。最初のステップとして、AI 戦略のリーダーは、ビジネスと緊密に連携して、内部から価値を引き出す必要があります。この役割を外注先が担うことはめったにありません。

AI の導入を成功させるために必要なさまざまな役割を雇用または育成して、リーダーの能力を高めましょう。
+ 技術的な人材 (データサイエンティスト、応用科学者、ディープラーニングアーキテクト、ML エンジニアなど)。
+ ロードマップを管理し、ニーズを特定する、技術者以外の製品に関する人材 (ML プロダクトマネージャー、ML ストラテジスト、ML エバンジェリストなど)。

雇用戦略を全体的な AI 戦略および目標と緊密に連携させます。
+ 科学的に野心的な大規模なイニシアチブには、長年の経験を持つ博士号取得者が適しているかもしれませんが、ML ストラテジストなど、ビジネスに近い人物で補完するのが最善策です。
+ 既存の人材の一部を AI の役割に移行させることは、組織全体での導入にとって有益です。
+ 確立されたソリューション、基盤モデル、または組織の手の届かない AI 作業に基づいて AI 機能を構築する予定がある場合は、ML エンジニアと深層学習アーキテクトを雇用するのが最も合理的です。

この社内労働力に加えて、早い段階で[適切な AWS パートナー](https://aws.amazon.com/professional-services/)に連絡して、AI アジェンダが立ち消えに終わらないようにします。人材がいない場合は、AI のビジョンを社外に広め、成果を生み出し、新しい人材を鼓舞する取り組みを始めます。歴史的に供給が需要に追いついていないため、AI の人材を維持することは難しいことを最初から認識してください。もう 1 つの要因は、現実世界の AI が多くの人材を AI に引き込む学術研究とは大きく異なる点です。AI の専門家が協力したり、会議でプレゼンテーションを行ったり、[ホワイトペーパーを書いたり](https://aws.amazon.com/government-education/research-and-technical-computing/?wwps-cards.sort-by=item.additionalFields.sortDate&wwps-cards.sort-order=desc)といった機会を設けることで、この要因に対処できます。

ただし、人員の自然減少は避けられません。柔軟に対応し、適切なタイミングで人材を雇用するプロセスを確立して、人員の減少が発生したときに補充できるリソースを確保しておきます。CAF-AI の他の部分で参照しているプロセスは、企業が人員減少に対して堅牢であるために不可欠です。[AI の分野で活躍するために必要な新しいスキルを学ぶ](https://d1.awsstatic.com/training-and-certification/ramp-up_guides/Ramp-Up_Guide_Machine_Learning.pdf)継続的な再トレーニングの機会を通じて、AI の人材を育成します。このアプローチには、プロジェクトを実行できるだけでなく、ビジネスに関する深い知識を持つ人材を確保できるという利点もあります。最後に、AI における人材と価値の比率は他の分野よりも低いことを認識してください。通常、有能なプラクティショナーで構成された小規模なチームは、知的というよりも機械的な作業が少ないため、大規模なチームよりも優れた成果を上げます。

## 組織の連携
<a name="organizational-alignment"></a>

 **組織間のコラボレーションの強化と依存**

AI が組織の最重要課題になると、その価値と知識を組織全体に広めるために、カプセル化され権限を与えられた個別のユニットを提供することが、典型的な第一歩です。AI センターオブエクセレンス (COE) は、AI に焦点を当てたチームを雇用し、進化させるというこの役割を果たすことができるユニットです。この組織内の命令系統が、組織内の AI 戦略の所有権を持つ関係者と一致していることを確認し、経営幹部への近道を確保してください。そうすることで、必要なときに意思決定や変更を迅速に行えるようになり、新しいチームが自分のリズムを取り戻せるようになります。同時に、このような COE のインセンティブを自社の戦略、ビジネス、そして最も重要なことに顧客に合わせることが重要です。よくある間違いは、ビジネス価値をもたらさない AI ユニットを進化させることです。

時間が経つにつれて、労働力のトランスフォーメーションにより、より広い組織や他のビルダーが COE と既存の AI サービスを効果的に利用し、効果的にコラボレーションできるようになるはずです。*Not Invented Here 症候群*を防止してください。組織がビジネス要件を満たしていれば、クラウドですぐに利用できるものを再構築することはありません。COE と人材がエンジニアリング精神を養い、異なるシステムを維持するコストを認識し、DevOps 精神を文化にもたらす MLOps のベストプラクティスを確立するようにしてください。このようなユニット、他の社内ビルダー、および AI の人材が進化する間に、データ主導型の製品メンタリティを確立することで、データフライホイールを実現します。組織全体のビジネスがデータを共有および管理できるだけでなく、データ製品の活気あるエコシステムを確立できるようにします。ただし、そのようなデータ製品を自分のために構築しないでください。

## 文化の進化
<a name="culture-evolution"></a>

 ****AI を導入する場合はなおさら、文化は王様です。**

 AI ファーストの文化を育むには、古いメンタルモデルを壊さなければならないことが多いため、長くやりがいのあるプロセスです。一般的なクラウドやソフトウェア開発では、ビルダーが複雑なルールやシステムを体系化できるようにすることに文化の重点が置かれています。AI は、必要なアウトプットを生み出す適切なインプットを求める文化に大きく依存しています。テクノロジーを中心とする文化を回避するには、ビルダー、ビジネス、その他の関係者がビジネスチャンスや顧客のニーズから、あらゆる AI の課題に至るまで、逆算して取り組むという考え方を取り入れましょう。

逆算とは、ビジネス環境の変化によって期待される結果を事前に定式化し、その変化を実現するために何が必要かを検討することです。ある意味、これが AI システムの構築方法です。つまり、期待される出力を定義し、その出力を可能にする信号を含む入力を探すということです。

このような価値主導の考え方が整ったところで、AI ファーストの文化の基礎を詳しく見てみましょう。
+ 実験的な考え方とアジャイルエンジニアリングの実践の組み合わせ
+ チームやビジネスユニット間のコラボレーションと依存
+ ボトムアップおよびトップダウンの AI 機会発見
+ 顧客価値に基づく幅広く包括的な AI 導入ソリューション設計

次のことを行って、AI ファーストの文化を広げ始めましょう。
+ ビルダーが AI システムを試せるようにしましょう。実験のためではなく、AI システムを構築するには、どのソリューションパスが機能し、どれが行き止まりかを調査する必要があるからです。経路がわかっている[既存の AI サービス](https://aws.amazon.com/machine-learning/ai-services/)の導入に伴うリスクの軽減を検討すると役に立ちます。

  実験は許可しますが、アジャイルの考え方を AI の不確実性に合わせて調整します。ビジネス価値の高い複雑な AI 問題の多くはまだ解決されていないため、複雑なプロジェクトの時間と労力の見積もりを確実に定義することはできないことを認識してください。その場合、期待される顧客価値が最も高いものを強化します。
+ データがチーム間のインターフェースとなり、価値が互いに連携して生み出される文化を取り入れます。ビジネスから離れたデータサイエンスチームを構築するのではなく、コラボレーションのフライホイールを生み出す文化を構築するように注意します。
+ 組織のあらゆるレベルで価値を見出し、認識して、活用する文化を強化します。これには、リーダーシップにインセンティブを与えて昇進させ、現状に挑戦することが含まれます。
+ AI の影響や使用が懸念される環境の構築は、[意見を聞くだけでなく、意思決定プロセスに影響を与えます](https://aws.amazon.com/machine-learning/responsible-machine-learning/)。