データサイエンティスト養成読本の解説＋書き忘れたこと

1. AIで改善できることデータサイエンティスト養成読本の解説＋書き忘れたこと Repro Tech Meetup #4 AI実戦投入 Supported by AWS https://repro-tech.connpass.com/event/104028/ 中山ところてん

2. 自己紹介 • ところてん • @tokoroten • 株式会社NextInt 代表 • 怪文章職人 • 最近の活動 • Veinをリリース • データサイエンティスト養成読本ビジネス活用編 • 最近の出稼ぎ • 機械学習顧問（4社） • Repro • SIer • ECプラットフォーム • データ分析企業 • 新規事業コンサルティング（1社） • ゲームディレクター(1社) ↓共著 ↓寄稿↓共著

3. Veinをリリース https://introduction.vein.space/

4. Veinをリリース https://open.vein.space/#/

5. Veinって何？ • グループ向けソーシャルブックマーク • 記事を見た人のアイコンが並ぶ • コメント投稿、スクショ投稿 • RSSリーダー • 強いチームを作りたい • 強いチームには雑談 • 雑談には共通の話題が必要 • 同僚の見た記事が分かるソーシャルブックマーク • 従来のメディアはいけてない • 共通の話題を持たせるために東スポ化 • 共通の話題＝エロ・グロ・ナンセンス

6. 私とAWS Loft • VeinはAWSでホスティング • 現在、約120ドル/月 • 週3でLoftで仕事している • Loftで見かけたら、声かけて • Yahooの人、スマンかった

7. データサイエンティスト養成読本解説 • 10人の著者 • それぞれが原稿を書く • それぞれの言葉で、同じ内容が記載 • 今回は同書の内容＋書き忘れたこと

8. 解説＋書き忘れたこと • AIブームの背景、日本と北米の状況の違い • 「顧客が本当に必要だったもの」と予算取り • 機械学習と売上のレバレッジ • コンサルティングを使えない企業 • 人事制度の問題 • 金融システムとの連携 • 企業間の契約とリスク分配 • 腹をくくれ

9. AIブームの背景、日本と北米の状況の違い • 北米 • BIによる経営のインテリジェンス化が2000年代から進行 • ひとしきりデータがDWHに溜まっている • 溜まったデータで何かできないか？ • よっしゃ、データあるしAIやってこ • 日本 • BIブームを経ないで、AIブームが到来 • データが無いのにAIをやりたい • 死 • BIの導入を説くも「それは時代遅れだから」で一蹴される

10. 顧客に何を売るべきか？ • 日本企業はLv0が多い、北米はLv2が多い • Lv0企業がLv2商材を導入しようとして、事故るデータサイエンティスト養成読本ビジネス活用編 92pより

11. 「顧客が本当に必要だったもの」と予算取り • 偉い人 • ～～～～というビジネス課題を解決したい • ぶちょー • AIで解決することにすれば、予算獲得できるのでは？ • 細かいシステム投資を一緒にやりたい • せや、AIベンダーに投げたろ • 実際にあった怖い話（詳細は懇親会で） • 偉い人：廃棄ロスを減らしたい • 部長：廃棄ロスをAIで予測してほしい • 本当にやるべきこと：契約の見直し • 偉い人から本当の課題を聞き出す交渉力が必要 • 高確率で途中経路でねじ曲がった結果「AIでなんとかして」 https://dic.nicovideo.jp/a/顧客が本当に必要だったもの

12. 機械学習と売上のレバレッジ • 機械学習により売上が0.1%上がると仮定 • 売上が1000億円であれば、1億円増 • 売上が1億円であれば、10万円増 • 大企業ほど機械学習の効果は大きい • システム構築コストを考えると… • 機械学習は「専門家の労働集約産業」を「設備産業」に転換する • 設備産業に転換するだけの費用は支払えるか？ • 設備産業に転換するだけの需要はあるか？ • 中小企業が機械学習案件やっても、なかなか効果出ないすよ… • 設備産業のスケールメリットを生かそう • 難しいアルゴリズムを使いたい人は大企業に行け

13. キュウリ分類は何故失敗したのか？ • 問題は何か？ • 人間の能力が高い • 人間の価値が安い • 専門家集約産業がから設備産業に切り替わったことを理解していない • 事業拡大や外販を指向していない https://news.mynavi.jp/article/20180606-642208/

14. コンサルティングを使えない企業 • コンサルティングファームは高い • コンサルティングファームのコストを回収するには、元の売り上げが十分に高い必要がある • 売上規模が小さい会社は、コンサルティングファームに頼めない • 売上規模が小さい会社がAI企業やSIerに来る • コンサルティングファームに頼めない連中がやってくる • コンサルティングが行われていないクソ案件が舞い込んでくる • 顧客の言うままに作ると、確実に炎上 • フリーのコンサルを雇おう • コンサルOBとか、私みたいなフリーランスは割と転がっている • 業務分析をちゃんとやってから、発注しよう

15. 人事制度の問題 • 日本企業はメンバーシップ型雇用 • 会社に人が所属するという考え方 • 同一賃金・同一役職 • 逆は職務記述書に掛かれている仕事を行う、ジョブディスクリプション型雇用 • 仕事に人が所属する • 同一賃金・同一労働 • メンバーシップ型雇用は市場価値の高い人材を雇用できない • 給与を上げるには、高い役職を与えねばならない • データサイエンティストを年収1000万で雇用するには、部長職を与える必要があるため雇用できない • 労働市場で適切な人材を雇用できなくなる

16. 金融システムとの連携 • 保険との連携 • 予測モデルの精度が高ければ、それはリスクモデルとして機能する • リスクモデルが機能するのであれば、保険料が算定できる • 融資との連携 • 将来の生産量や、生産品質が分かっていれば、融資と連携できる • 先物取引や、将来生産物を担保にした融資が可能 • 現に古酒泡盛や、ウィスキーに対する投資事例が存在 • 古酒泡盛やウィスキーは、製造に数年かかる • 酒造メーカーは、資金繰りが大変 • 貯蔵している原酒を担保に融資 • リスクを金で解決することによる事業スケーラビリティの確保 • 専門家の雇用を、機械学習＋金融システムで設備産業化 • 金があれば勝てる構造を作り出す

17. 企業間の契約とリスク分配 • 検収 • 精度が一定以上超えたら検収 • 精度が上がらないリスク • 精度が一定ラインを超えたら、それ以上頑張るインセンティブが無くなる • レベニューシェア契約や段階的検収 • 精度に応じて、段階的にボーナスを支払う • 売上増分に応じたボーナスを払い出す • 契約が企業の競争力を生む • 保守 • 機械学習システムは、何もしないでも精度が劣化していく • 再学習が必要 • 保守部門にも機械学習に関するノウハウが要求されている • 保守部門に安い人材を配置するというSIerの戦略が効かない

18. 腹をくくれ • 大企業は現在は機能していない • 親会社、子会社、孫会社の会社の壁の問題 • メンバーシップ型雇用に基づく、人事制度の問題 • 法務・総務・契約の問題 • 大企業の商慣習が、機械学習と極めて相性が悪い • 大企業が本気を出すと、恐ろしいことになる • 元の売り上げがデカいので、機械学習のレバレッジが大きい • 元の従業員が多いので、コスト削減効果も非常に大きい • ベンチャーや中小企業が機械学習で勝てるのは、この一瞬だけ • 腹をくくれ