対談記事(13)：BIPROGY対談（後編）
AIB事務局活用シナリオ③：データからのインサイト抽出
脇森：次の生成AIの活用例は、データからのインサイト抽出です。集計表やグラフを表示するビジネスインテリジェンスツールがあると思いますが、集計表やグラフの意味を理解するのは、大変ですよね。そこで、AIを利用して、「このポイントで急増している」とか、「ここにダウントレンドがある」などを読み取って教えてあげるものです。このAIを利用すれば、データ分析のリテラシーがない人であっても、ある程度BI[1]を理解することができるようになります。
また、グラフの詳細（例えば、グラフがニュース記事のコメント数を示している場合のニュース記事のコメントの内容）について、１つずつ読み込んでいくのは大変です。１つずつ読み込まなくとも、例えば、40件のコメントは、大体、どのようなことを言っているのかをAIがまとめてくれます。または、本当は4000文字のところを200文字にAIが要約してくれます。このようなところにも生成AIは使えるのではないかと考えています。
前：グラフという画像データを読めるようになると、この活用シナリオは、便利になるように思いますね。
脇森：そうですね。GPT-4Vで、画像データはある程度読めると言われていますが、私の感覚的にはまだまだですね。
前：そうですね。
松岡：③については、どのような会社からのご相談がありますか？
脇森：当社は、BIツールを作っておりますし、また、サードベンダーの商標を担いでいるような部門もあります。③については、そこのお客様からのご相談もありますね。
活用シナリオ④：従業員教育における活用
脇森：次の活用例は、従業員教育です。企業の研修で、最後に問題を解かせてみるというのがあると思います。生成AIは、問題文の作成に使えます。例えば、ある文章を示して、その文章の中から四択問題を作らせることができます。講師が毎回このような問題を作成するのは、非常に頭を悩ませますし、多くの時間も使いますので、こういう点をAIが支援してくれると楽になると思います。
問題の作成以外にも模範解答の作成や照合の際にも利用可能と思います。文章で回答させる問題を出した場合、模範解答が用意されていて、講師が受講者の答案の一つ一つを採点していくと思います。その採点は、非常に難しいです。その採点の作業について、ＡＩが個別の回答と模範解答や他の受講者の回答との相違点を示してサポートをするという取組みを研究開発レベル、検証レベルで行っています。
その他、生成ＡＩにお客様の役を担当させて、接客ロールプレイをすることができるのではないかと考えています。銀行の窓口の方や小売店の店員さん、特に新入社員の方が生成ＡＩとロールプレイをすることによって、スキルを上げていくことができると思っています。これについては、マルチモーダルが関係するかもしれませんね。
前：そうですね。新入社員の方が音声で言って、生成ＡＩも音声で返してくれたらいいですね。
脇森：はい、音声認識・合成がちゃんとできる想定です。
活用シナリオ⑤：金融機関の営業店の窓口のサポート
脇森：次の活用事例は、金融についてです。阿部さん、お願いします。
阿部：この活用事例の詳細につきましては、ホワイトペーパーで公開しております[2]。ご関心を寄せていただける場合、アクセス・ダウンロードをお願いします。
この活用事例の背景としては、金融機関様の業務の多くが電子化されており、お客様ご自身が操作をされるという場面も非常に増えてきたということで、職員様の人員リソースがハイカウンターというところからローカウンターというところに移ってきています。一方で、経験の浅い職員様が、お客様に対してどのような内容の会話をすればよいか分からない、どのような内容をヒアリングすればよいか分からないという課題があるとお伺いしております。その経歴の浅い窓口職員様が、窓口業務に慣れた職員様と近いレベルで、お客様の課題をヒアリングしたり、適切な金融商品を提案したりすることを目的としています。
これは、技術検証事例であり、特定の金融機関のお客様として設計したというよりは、当社として、こういうことができると便利だよねという仮説の下、仮のデータを作成して検証しました。
このAIが、窓口職員様をサポートする具体的イメージについて説明していきます。
サポート①
お客様が来店されたときに、窓口職員様は、まず、基本的なお客様の情報を取得するために口座番号や氏名を入力して、来店の目的や家族と来店されているなどの情報を入力します。そうすると、口座残高、収入、支出といったお客様との対話に必要なファクト情報を表示します。
これに加えて、当社の生成AIを適用して、特筆すべき取引特長を推論させて表示させます。特筆すべき事項とは、例えば、ある特定の月の支出が大きく、口座残高がぐっと落ち込んでいる月があります、といったものです。
サポート②
当社のAIの使い方の２つ目は、お客様との会話情報のこれまでの蓄積をサマライズするというものです。
サポート③
当社のAIの使い方の３つ目は、上述した特筆すべき事項、お客様との会話情報、及び、来店の目的などに基づき、お客様が抱えられている課題を深堀りするために、ヒアリングすべき事項を示すというものです。これがこのAIの最もコアな機能となります。窓口職員様は、AIが示す情報を参考として、お客様と会話していただき、追加で聞き出した事項を入力するということを想定しています。
サポート④
最終的に得られた情報から、提案すべき金融商品（例：投資信託や自動車ローンの借換え）の類型を示し、その上で、その金融機関が販売することができる具体的な金融商品（例：〇〇ファンドの投資信託、〇〇銀行のマイカーローン）を示します。
上記の通り、お客様の課題を深堀りして、適切な商品を提案するということについて、経験の浅い職員の方でも、慣れている職員様のレベルでできるのではないかということを検証させていただきました。
現状、弊社が作成した仮のデータと仮のシナリオの中では、十分な回答を生成できると評価させていただいております。現在は、実際のデータを使って実証実験をしませんかということを各金融機関様にお声がけさせていただいております。
前：質問させてください。このインターフェースはＬＬＭですけども、まさに何かＣＲＭのようなデータベースを参照して回答させているのではないかなと思ったのですが、そのようなイメージでよいですか？
阿部：最終的な形としては、おっしゃる通りではございますが、今回の検証においては、ＣＲＭから何らかのテキストデータを取得できるという前提として、テキストベースでプロンプトに入れた検証を行っております。
前：なるほど。提案すべき商材やヒアリングにおいて聞いた方がよいのではないかという推奨事項や、最終的なイメージでは、先輩の営業マンなどがこういう状況のお客様に対して、こういうことを聞いて、うまくいきましたよという情報が溜まっている状況で、データベースを参照して、ＬＬＭが返すというそういうイメージでしょうか。
阿部：そうですね。二種類ございまして、過去にこういうやり取りをこういうお客様とすると成約につながったという情報を参考にして、類似のお客様とのやり取りを推奨するというのが、一つ目です。もう一つは、もっと単純にＬＬＭに、こういうお客様に対して、何を聞けばいいですかということをプロンプトとして入力するという方法です。
検証の中で分かったこととして、単純にプロンプトを入力すると、「リスク許容度はどの程度ですか」とお客様に聞いてくださいと出力されます。ただ、大半のお客様は、リスク許容度はどの程度ですかと聞かれても「よく分からない」と思います。本来、ベテランの営業マンには聞き方があると思います。例えば、お客様にどれぐらいお金を貯めたいかを聞く際に、それを直接聞いてもよく分からないので、お子様の教育は、私立とかどこまでお考えでしょうか、とか、そういう背景・生活に根差した質問から、そういうライフプランをお考えであれば、これぐらい貯めないといけませんね、という流れで詳細を詰めていくのだと思います。このような暗黙知的な側面も、ある程度それを言語化してあげてプロンプトを入れてあげることにより、質問が改善されるのかなと思います。
前：なるほど、今でいうと、証券会社などで、ロボアドバイザー的なものでも、まさにリスク許容度とか、今どのぐらい貯蓄しているのか、貯蓄したいのか、ということを聞き出すために、専門的なことばではなくて、どちらかというと分かりやすいことばで聞いて質問してくるイメージがありますが、そういうイメージですよね。
阿部：そうですね。そういったところを言語化してプロンプトにこういう感じで聞いてくださいというものを入れてあげる、そこに暗黙知を取り込んでいくというところも一つのやり方かなと考えています。
前：これ【阿部注釈：実際の検証の出力を示したスライドを指しています】は、ChatGPTを利用しているのでしょうか。
阿部：そうですね。これは、ChatGPTの出力そのものをコピペしています。
前：分かりました。それでは、素のChatGPTでも、「適切な質問をしてくれ」と入力すると、ある程度はちゃんと回答してくれるんですね。
阿部：そうですね。
あとは、システムプロンプトとしてというか、インストラクションとして、先ほどの生活に根差したところから聞いてくださいとかというところを、チャットの裏に組み込んであげれば、チャット利用者から毎回毎回そういうことを考えてどうやったら綺麗な答えが返ってくるかなということを考えないでできるというところが、個社ごとのローカルとしての独自性となってくるのかなと思っています。
松岡：違反しそうな特別なルールがすぐには思いつかないのですが、金融庁から貴社のこのＡＩについて慎重に対応するようになどの指導がなされることはございませんか？
阿部：今のところ、金融庁からそのような指摘はございません。ただ、やっぱり金融機関様は非常に慎重です。特に金融機関様向けのガイドラインも金融庁から出始めていると思いますが、それに対する見解は結構聞かれますね。
前：ＡＩに窓口業務を完全に任せるということではなく、窓口業務のサポートのためにＡＩを利用するということですので、それ自体は問題ないように思います。
阿部：弊社としては、このＡＩは、あくまでもコミュニケーションのヒントを与えるものであり、ＡＩが出力した情報は人が利用するということですので、問題ないと考えています。
あと、この金融機関のＡＩをベースとして、先ほど脇森からご説明した教育という観点からロールプレイのために利用するということも可能と考えています。
松岡：分かりました。ご説明いただきありがとうございました。
Azure OpenAI ServiceスターターセットPlus
阿部：次に、Azure OpenAI ServiceスターターセットPlus（以下、スターターセット）の話をさせていただきます。
ChatGPTはプロンプトエンジニアリングで色々なことができる一方で、できることは要約であったり情報抽出であったり、１個１個は非常に小さいです。それを先ほどお話ししたようなＢＩのところで利用しますとか、コンサルコンシェルジュとして利用します、窓口様のサポートに使いますというビジネスレイヤーのところに利用していかなければ、なかなか価値を生むことはできないのかなと考えております。
考えるステップとしては、素のChatGPTのインターフェースとして、どのようなことができるのかということを試していただいて、その中で、こういうことに使えそうという特定のシナリオを見出して、それを実証実験して本番化につなげるといったことを考えております。その最初の段階として、セキュアな環境で、ChatGPTをチャットアプリケーション、チャットインターフェースで利用できるというサービスをご提供しております。
阿部：弊社で利用しているのは、Azure OpenAI Serviceなので、お客様自身のAzureテナントというところ、閉じた世界のところにセキュアな形でアプリケーションを導入させていただきます。あわせて、チャットの画面をお渡ししたからといって、こんな風に使えるとか、こんなシナリオを描けるかというとなかなか難しいかなと考えておりまして、オプションとして、生成ＡＩってどんなことができるのか、どういう注意点があるのかというセミナーの提供とトライアル伴走支援を提供しております。お客様のビジネスのどこに課題があるのか、そのうち、生成ＡＩを利用すれば解決可能となるものはあるのか、解決するとビジネスインパクトが大きいところはどこでしょうかということを検討して、実際にできそうなところを弊社のチャットアプリケーションをご利用いただきながらご検討いただいて、今後に向けての計画を作っていくということをサポートさせていただいているサービスでございます。
基本的には、こちらのサービスをお客様にご提案させていただいて、一緒に活用シナリオを考えていき、先ほど申し上げたような活用シナリオというもう少し具体的なユースケースで実証実験を行って、本番システム化に向かっていくといった活動を行っています。
例えば、石川県の県庁の方々に対しては、期間を区切ってスターターセットを導入させていただき、ワークショップを実施させていただきました。
松岡：これを貴社のスタッフの人数を増やさずにされているのでしょうか。
阿部：今のところ、そうですね。
松岡：それは、、、ご体調の管理が大変ですね、、、ニーズがある領域だとは思いますが。
三浦：生成ＡＩ分野の話というのは、当初、金融機関や自治体から多くお問い合わせがございました。今回の生成ＡＩの具体的活用のテーマは、従来の機械学習のものとは異なり、取り組みやすいイメージがございます。例えば、文章であったり、日常業務であったり。
保険会社様や都銀様が、2023年春先頃だったと思いますが、プレスリリースを多く打たれて、それに呼応する形で業界が盛り上がったところがあります。そういう事業者様が調査フェーズを極めて先行して取り組まれました。この調査フェーズの取り組みが業界をグッと盛り上がらせて、さらに火をつけたような感じとなりました。そういう規模の企業様は、データサイエンティストなど、情報系の専門職を有されており、トップランナーは、自営されています。また、製造業の会社様もトップ企業でＡIを先行してお使いのところは、取り組みは早かったです。そういう一派があって、一方、それほどデータ活用についてリソースを割かれておられない企業様も多くいらっしゃり、このような企業様はフォロアーです。
当社としては、お客様層に合わせた形で、取り組んでいます。現在では、フォロワーのようなところにご支援をする活動が中心となっています。お客様の中には、実利を重視される会社様もいらっしゃいますし、業界トップ企業であっても、もう少し生成ＡＩに関する技術が成熟するのを待つという企業様もいらっしゃいます。、お客様に応じて、対応させていただいております。
あと、参入業界が多かったですね。特に2023年夏ころは、多くの企業が、生成ＡＩの伴走型ワークショップに取り組まれていました。ベンチャー企業、当社のような企業、クラウドのリセール・構築、データセンター事業者、キャリアさんまで参入されます。。お客様側からすると、色々な選択肢があると思います。自然言語処理や一定のバックボーンを他分野で有していないと、多分、最後までお付き合いできないですが、最初の方は比較的参入しやすかったということもありました。徐々にプレイヤーが減っていってくれると、我々もやりやすくなるのではないかなと思っています（笑）。
前：あまり技術的なバックグラウンドのないビジネス寄りの人の生成ＡＩやＡＩのリテラシーを高めるような教育サービスはなさっていますか？
阿部：先ほど申し上げましたセミナーワークショップは、ＡＩも生成ＡＩも全く知りませんという方、お客様の業務部門の方も一緒にご参加いただいています。そのような方も一緒にＡＩを利用してどのようなことができるのかということを考えていただいております。
また、データサイエンス系の方向けの教育メニューもご提供しております。Pythonを使って、データサイエンスをすることを教育させて頂いたり、データサイエンスをして、ＤＸをするためにはどうすればいいのかという考え方を教育するということも行っています。
生成ＡＩ以外のＡＩについて
松岡：生成ＡＩ以外のＡＩに関する貴社のサービスについて教えてください。
脇森：生成ＡＩ以外のＡＩにつきましても、当然、継続しております。業務領域としては、２つございまして、一つは、お客様からこういうＡＩを作りたいという機能をオーダーメードで検証しながら作成していくというサービスです。もう一つは、当社は色々なサービスをお客様向けに提供しているのですが、お客様に提供しているSaaSサービス、PaaSサービスのようなものにＡＩ機能を組み込んで競争力のある機能として提供するというものです。
後者の取り組みを中心にお話しさせていただきます。
取組み事例①：工場での充放電制御最適化
工場における充放電を制御して最適化するということを行っています。これは、実際にサービス提供しています。工場や事務所には、太陽光パネル、蓄電池、電気自動車というものが最近備え付けられつつあります。このような設備がある場合、充放電の仕組みをうまく使うことにより、買ってくる電気の料金を下げて、ひいては、それによってサステナビリティ、地球に優しい環境を作ることに貢献することができます。
具体的には、太陽光パネルの発電量の予測をしたり、事務所における電力の受容量を予測したり、電気自動車の利用時間予測をして、どうやって充電器に入れて、充電器から出してというところを計画することにより、買ってくる電力料を下げるという数理最適化をしています。予測技術という機械学習を使った仕組みと数理最適化というオペレーションズリサーチの２つの技術をミックスしたハイブリッドな取り組みです。
取組み事例②：小売店における発注業務の自動化
小売店における発注業務の自動化というサービスも提供しています。これは、一つ一つの小売店で、特定の商品の売上個数・売上時期を予測して、在庫の状況も考慮して、適切な時期に発注をするというものです。
取組み事例③：デジタルセラピューティクス
人間にウェアラブルデバイスを装着させていただいて、そのデバイスでTVゲームをするときの心拍数を計測します。この心拍数のデータにより集中度を推測するという仕組みです。これを教育の領域で利用できるのではないかと考えていました。
松岡：信長の野望などのゲームですか。
脇森：違います。詳細をご説明しますと、ある種のゲームをすると集中力が上がるという研究報告があります。集中力が上がった状態で勉強すると効果が高いです。ゲームをしてもらうまではよいのですが、実際に集中力が上がったかどうか分からないので、ＡＩで判定します。
信長の野望は、集中力が上がるゲームではありません。集中力が上がるゲームというのはレースゲームやパズルゲームなどです。また、信長の野望は、何時間もされるゲームと思います。そうであれば、仮に集中力が高くなくとも信長の野望をやらずに勉強した方がよいと思います。イメージ的には、15分ぐらいレースゲームなどをやってもらって、勉強をしてもらうという感じです。
取組み事例④：ドライブレコーダによる安全運転サポート
ドライブレコーダーによる安全運転サポートという領域では、これは研究開発・サービス開発している最中のものです。当社では、無事故プログラムＤＲと呼ばれるドライブレコーダーを販売しています。その無事故プログラムＤＲとAIボックスを接続して、ドライバーに迫りくる危険を察知してアラートを出すことを考えています。具体的には、画像解析技術を使っておりまして、ドライブレコーダーで撮影した画像から自動車、自転車、歩行者を検知するとともに、その距離や移動速度をもとにして、ぶつかってきそうだよということを察知して、運転者にアラートを出すことによって、早めに危険を回避してもらうという取り組みです。安心安全な社会の実現に貢献できるサービスと位置付けています。
取組み事例⑤：小売店における接客
少し前の事例ではございますが、サービスロボットを家電量販店に置かせていただき、接客業務の実証実験をさせていただきました。このロボットに話しかけると、例えば、テレビ売り場まで誘導してくれます。このロボットは、二毛作でして、夜間は棚を撮影して、欠品を調べてくれます。
この取り組みは小売業界で長い期間やらせていただきました。最初は、接客をやっていたのですが、後期においては、どちらかというと棚卸の方に用途をシフトしていました。業務の削減効果と比較すると、ロボットは高すぎて、投資対効果を示すのに苦労しました。
取組み事例⑥：ＡＩによる教育現場の支援
ギガスクール構想で、小中学校において、一人一台タブレット端末を配布されるようになっています。生徒は、リアルタイムにレポートを書くということを行っています。こういう教育形態をサポートすることをＡＩでやらせていただいております。一つの支援の仕方としては、自分が今レポートを書いているんですが、他の生徒がどんなレポートを書いているのかを俯瞰的に教えてあげることにより、自分に足りないものがどういうところかを気づきを与えるというものです。もう一つの観点としては、レポートができた際に、先生が採点するのですが、模範解答ともっとも近い答案をソーティングすることにより、早めに採点ができるようにするという支援をやらせていただいております。
画像の領域では、授業アクティブ調査をしておりまして、授業の風景を撮影しますと、そこに写っている生徒の挙動をとらえます。手を挙げている、後ろを向いている、文字を書いているということを定量化することにより、先生が自分でやろうとしている授業に対して、どれぐらい狙い通りに生徒が反応してくれたということを計測する仕組みを画像認識で行っています。これは、全日本教育工学研究協議会全国大会において発表させていただきまして、東京学芸大学さん、その他と研究開発している事例です。この取り組みをやっている中で、コロナ禍となりましたので、一度取り組みを止めました。その止まっている間に三密測定のようなこともいたしました。
取組み事例⑦：コンタクトセンターでの顧客の声分析
コールセンターに寄せられるお客様の声を定量化して、改善すべきポイントを製品の開発担当者に提供してあげるというものです。
取組み事例⑧：マーケットデータの高度化
テーブルデータに対し、生成AI適用した事例です。各企業が保有するデータは性・年代等の一般的な情報や、自社事業に紐づいた情報のみを持ち、顧客一人一人の解像度がマーケティングを行うのに十分ではないという課題があります。また、アンケート等で取得したデータはサンプル数が不足しており、ドリルダウン分析を行うためにサンプル数が十分ではないことがあります。そこで、テーブルデータに生成AI技術を適用し、データの項目や件数を拡張することで、従来よりも高い解像度で顧客像を可視化し、マーケティングへ活用するというものでございます。
以上の通りです。
前：研究レベルに近いようなものもご説明いただきありがとうございました。一からお客様のデータで一からモデル作るケースとそうではない方ということでいくつかご紹介いただきましたが、今ご紹介いただきましたものは画像認識の汎用的なモデルを組み込んで使われているのでしょうか。それぞれのトピック用にモデルをある程度作成しないといけないように見えたのですが。
脇森：基本的にはお客様のデータないし機器を設置してから収集されるデータを使って、オーダーメードのＡＩモデル、機械学習モデルを作っている案件が多いです。例外もございまして、ある案件は、海外スタートアップの技術を使っていまして、そちらの方で、汎用的なライブラリがあります。新しいデータを集めて、ＡＩモデルをトレーニングするということはしていません。
業務の想定シーンを考えて、その中で普及しているプリセットのモデルを用意するのか、それとも大きいので、データを集めるというところをビジネスの中では考えているという状況です。
前：電力の最適化の取り組みは、強化学習でしょうか、それともアルゴリズムを使用しているのでしょうか。
脇森：数理最適化ですね。
前：ありがとうございます。本日は、多くのことをご説明いただきありがとうございました。
対談者ご紹介
BIPROGY株式会社
Techマーケ＆デザイン企画部ビジネスデザイン室Techデザイン課
三浦和夫
プラットフォームサービス本部ＡＩ/IoT技術部部長
脇森浩志
プラットフォームサービス本部ＡＩ/IoT技術部二室
阿部建
ユニアデックス株式会社
技術戦略本部デジタルイノベーション部ソリューション共創室
藤田勝貫
ジャパンマネジメントシステムズ株式会社 代表取締役社長
AIB協会理事 前一樹（まえ かずき）
東京大学大学院工学系研究科博士課程修了・博士（工学）取得。ベルギー・ルーベンカトリック大学研究員、北陸先端科学技術大学院大学助手、ITベンチャー企業取締役、CTOなどを経て、現職。医療系研究会事務局長、元上場企業監査役なども務める。情報処理安全確保支援士(登録番号第002063号)、ITストラテジスト。
弁理士法人磯野国際特許商標事務所 代表社員 弁理士
AIB協会理事 町田 能章（まちだ よしゆき）
早稲田大学大学院理工学研究科建設工学専攻修了。総合建設会社勤務を経て、磯野国際特許商標事務所に入所。2014年4月事務所法人化に伴い代表社員（所長）に就任。AIB協会内外においてAI分野の知財に関するセミナー講師も務める。特定侵害訴訟代理業務付記登録。
渥美坂井法律事務所・外国法共同事業 パートナー 弁護士
AIB協会理事 松岡史朗（まつおか ふみあき）
京都大学法学部卒業。
一般社団法人日本DPO協会顧問、ステート・ストリート信託銀行株式会社社外取締役（監査等委員）、「特定利用者情報の適正な取扱いに影響を及ぼすおそれのある外国の制度に関する調査報告書」（総務省、2024）<共著>
https://www.aplawjapan.com/professionals/fumiaki-matsuoka
[1] Business Intelligenceの略で、事業場の意思決定に関わる情報を分析して得られる知見などを活用する仕組みや手法
ご質問等は、以下にご連絡ください。
人工知能ビジネス創出協会 事務局
