ビジネスパーソンのためのデータ・AIリテラシー／⑤AIシステムの実装・運用

yuri_sudo2

その他

実装についてよくわかった

k_kennji

営業

前の方のパートであった、データの整理がとても重要で、実装後も期待の結果が返ってこなければ細かな修正を継続することが重要と感じました。

suzuzuzu

その他

大変勉強になりました

noboru_nakazaki

マーケティング

データを活用する際には鵜呑みにせず客観的な視点を持つこと、データを掛け合わせる必要がある

toshiton

メーカー技術・研究・開発

運用時に注意するポイントの3つ目として、運用中のデータに対応できているか？について、とても考えさせられました。ちょうど運用開始したシステムがあるのですが、AIシステムの価値を十分に発揮できていない状況であり、デプロイの際に見落としている現象がないか、もう一度、チーム一丸となって見直して行きたい。

yumetaro

建設・土木　関連職

会社の各部門が協力してAIを進めていかなければならない。

yuukahm

IT・WEB・エンジニア

業務側と開発側の連携を密にしていく

kawaguchimas229

IT・WEB・エンジニア

AI活用には業務側視点が必要

taka1962

販売・サービス・事務

モデルの利用者が実装されたAIモデルを上手に活用するためには、開発段階からエンジニアとコミュニケーションをとって、モデルのことをよく知っておくことが必要だとわかりました。

oshima_naoya

その他

業務側の知識が必要。AIシステムの構築、運用の助けになる。
組織が一丸となって取り組むことが重要。

yamatakuishi

販売・サービス・事務

開発されたAIシステムは、そのまま使用するのではなく、導入する自分たちで「目的」「課題」「見せ方」「結果分析」「ローデータの加工」など、AIと会話しながら進めていくことが大切だとわかりました。
そのためにも、使用すシステムが「どのような特徴をもっていて、どんな強みのあるAIなのか」を開発者から聞き、よく理解する必要があると感じました。
さらに、自分たちがAIに求めているパフォーマンスがどんなことなのか、そのパフォーマンスがどのようなことに活きてくるのか、流れをよく想像してAIを使っていきたいと感じます。

sbsconts

コンサルタント

AIで発現したデータの状況だけでなく、それが発現した原因を探ることの大切さを認識できました。

kazuma_yasuda

メーカー技術・研究・開発

データ処理した結果について、適切な形でお客や社内関係者に伝えるよう工夫をしようと思います。データ解析の結果がすべての方にはじめから信用されているわけではないので、はじめは参考として運用し、実績を積んだらそれを具体的なアクションに活かすなど、ステップや結果の扱い方には十分に注意が必要。

yanagi_178

販売・サービス・事務

実際に業務を行うAIをどうすればいいか、活用するにはどういうことが必要かがわかった。
分析を行うためには業務側の知識も必要であり、AIに関する理解も必要だと改めて感じた。
多くのデータを扱い傾向を見るという作業にフィットしそうだと思う

y_sukeroku

その他

開発から実装までの流れが分かった。
製品の品質保証データが日々の生産で蓄積されていくが、いざトラブルが発生した時にだけ原因究明のために利用するのではなく、予防保全などに利用が可能だと考える。

sho_yam

資材・購買・物流

予測と実態の差分を考えられる組織作りが重要という点が一番印象に残った

y-arano

メーカー技術・研究・開発

開発する側も使用する側もある程度、相手の技術やニーズを理解することでより良いAIが開発できる可能性があること理解しました。

1982103

その他

・結果(パーセンテージ)の提示だけでなく、その経緯がわかる情報の同時提供
・データの収集量の減少など、状況が変化した時の協議、見直し
の重要性がわかりました。

cs1960

販売・サービス・事務

大変勉強になりました。

vegitaberu

人事・労務・法務

実装して終わりではなく、実装した後、それが正しく機能しているか、常にチェックし、改善していくことが、より重要ではないかと感じました。以前より、Aiを使うハードルが下がっただけに、なおさらそう感じます。

kk1000

販売・サービス・事務

業務側と開発側の関係性がとても重要だと感じました。

7031

経営・経営企画

ユーザ目線での結果表示、システム構築した運用と実運用時の変化がずれてきたときは非常に難しい問題になるなと感じました。

chas

その他

予測と実態の乖離を正しく理解して修正していく、そのためには業務者との連携が重要だと学ぶことができた。
データ提供時にインサイトまで一緒に提出を要求されることが多いが、分析結果の意味を一緒に考える社風を築けるよう努力していきたい。

inoguchi_m

IT・WEB・エンジニア

予測時のデータと運用時に差異があった場合その原因を突きとめる事が重要であると理解不能しました。

nonchankawaii

IT・WEB・エンジニア

ITリテラシーが不足している、という点は非常に大きな課題だと思う。
AIの結果が理解できない、理解が浅いので説明できない、説明できないからAIを推進したくない、と経営層が判断するとせっかくのチャンスを逃すことになる。
景気の大きな波についてもAI予測をするにあたって悩みどころである。東日本大震災、リーマンショック、新型コロナウイルス感染症等の影響をどうやってAIに学ばせるのか、十分に検討しなければいけない。

stani

専門職

デブロイはインターフェスとよく似ている。

morita_kenji

人事・労務・法務

AI活用にはデータリテラシーが重要なことが改めて分かった。仮説が大事。

a_7636

人事・労務・法務

コース①～⑤を通して言葉が分かりやすく、IT技術に疎い私でも興味を持つことができました。

社内の情報システムの方やベンダ、コンサルだけ頑張っても業務改善はできないと思います。
「私はITに疎い」、言葉がよく分からない、イメージつかないという方にこそ観ていただきたいです。

hashiryo8

その他

デプロイという言葉の意味をやっと理解できたと思います。

解約抑止になりそうなアイデアの話をされていたので、後日改めて説明を聞きなおして活用について考えます。

sss_k34

その他

なぜ予測と異なったのか、それを基に次にどう活かすのか、を考えるところが人間の仕事。ここは面倒臭がらずにやる必要がある。

awanoa

IT・WEB・エンジニア

学習に使っているデータと実働時のデータに乖離がないか等、運用時に気を付けなければならない点を学びました。

michiyomichiyo

その他

業務側とシステムを作る側のすり合わせがとても大事

matsu_411

専門職

学習データとの乖離が生じた場合はなぜデータの違いが生じたか話し合える環境づくりが大事であるという発信が必要

iso_ken

専門職

実装時には次のアクションにつながる有用な関連情報と一緒に結果を表示するなど、効果的に活用してもらえるものを作る。
また、運用時のデータがモデルと乖離が出た場合は、チームで議論できるような体制を組みたい。

koichbaba

経営・経営企画

AIシステムというのも開発すればそれで万能ということではないということが良くわかりました。実装できるか、実用化できるかということがポイントであると思いました。開発されたシステムと実用面の差をしっかり分析することがデプロイにつながると考えます。

jshinmura

IT・WEB・エンジニア

学習した時と予測をしている時では、外部環境が変化している場合、精度が上がってこないことがある。
常に環境は変化するものであることを前提に学習と予測の差を見ていくことが運用上で大事になってくる。
また、運用の中では、AIのことをよくわかっている人だけが運用しているわけではない。それ以外の部門の人間がAIからの結果を受け入れて、彼らの行動や意思決定に活用されるために、営業やカスタマーサクセスなどAI開発部門以外のビジネスのことについての理解と彼らの次のアクションにつながるようなUIや情報提供もセットで開発していくことが必要であることを学びました。

zummy_0617

金融・不動産　関連職

実際、業務をPCでやってみてうまくいかないのなら業務側とシステム開発側と修正と改善と繰り返し工夫でやるしかないです。

watanabe-tat

専門職

AIシステムの環境構築後の「デプロイ」は、学習と予測の差異を、業務の視点で分析してチーム内で共有することが大事である。ビジネス上で利用するため、継続的なモデルディプロイを想定して、AIのパフォーマンスを高める必要がある。

touhoufuhai

販売・サービス・事務

システム環境を整える事は、もちろん運用も大切である事がわかりました。

sm054307

経営・経営企画

業務部門とデータ分析部門が密に連携を取り合う必要があると感じた

yu0917

販売・サービス・事務

・デプロイ…AIモデルを実際に使用する環境に統合し、エンドユーザーが安心して利用できるよう様々な調整を施すこと。

→現在、AIを使用した発注アシストシステムを稼働し始めたが、精度が低い状況。
　データの更新と補正を重ねて、業務効率の向上を図れるよう「デプロイ」して行く。

koichi_0502

その他

AIシステムの実装時には、学習時と運用時でデータに大きな差が生じた場合に、何でその差が出たか解析できるような体制が大事で、
システムを作る側と使用する側での連携が重要な事を学んだ。今後、仕様する側がAIになった時に差が生じた時に解析する流れに
ついては、課題があると思う。先を見ながら、より効果的に活用していきたい。

hr-sakai

その他

今後の構築、運用についてしなければいけない事がよくわかりました。

funakawa

専門職

AIを広めるために、予測結果の表示方法を工夫する必要性があることを学んだ。また、AIの稼働状況を把握することも運用面で重要であることを学んだ。

masuhide

経営・経営企画

ユーザ目線での結果表示、システム構築した運用と実運用時の変化がずれてきたときは非常に難しい問題にあたってしまうなと考えました。

taiichi-yoshi

IT・WEB・エンジニア

AIに限らず、製造したシステム（仕組み）は、本番環境での稼働実績を踏まえ、その効果を図ることが重要であると再認識しました。

2152321

金融・不動産　関連職

継続的に修正と改善を自動でできると良いと考えました

toshi5656

専門職

AIの活用において開発側と業務側の連携が重要であることが理解できた。

fanatic

人事・労務・法務

業務側の知見が大切なことがわかりました

stag

経理・財務

業務側との連携が大事

rensana

クリエイティブ

実装について良く理解できました。業務に生かしたい。

k_yuna

販売・サービス・事務

大変勉強になりました。

mana_ka

その他

デプロイは作成したAIを実際に使用できるシステムに統合する作業。
実用できるAIシステムにするために、関わる全ての人の認識を統一する必要がある。
また、運用中のデータにも対応できるか、も重要。

mh884034

メーカー技術・研究・開発

(予備知識が少ない分)敬遠しがちなAI活用ですが、ソフトウェア以外の業務での活用や応用可能性について、少し誤解していた点も解けたので良かったと思います。

black0saku

IT・WEB・エンジニア

AI の実装 運用について学ぶことができました。学習前 と 実装後のアウトプットの数値が違う場合 その なぜ 数値が掃除しているかについては 組織としてディスカッションができる環境がある方が良いということを認識しました。

murata0207

専門職

実績と予測値に大きなギャップが無いかを常に確認し、乖離がある場合は何故そのようなことになっているかを検証できることが大事。

kiso_2115

コンサルタント

業務側と開発側の連携強化による予測結果のモニタリングの強化を進めたい。