メンバーズ様の勉強会時の講演資料です。 AI開発において、PoCの必要性が語られていますが、PoC以前にやることが抜けているプロジェクトケースも多いので、もっとも重要な仮説生成について事例を基にまとめてみました。

1. 〜AI開発しくじり先生から学ぼう〜

2. 自己紹介
ディップ株式会社
次世代事業準備室 dip AI.Lab シニアマネジャー
AINOW編集長
HCD-NET認定 人間中心設計専門家
・新規事業開発・インフラエンジニア
・プログラマー ・UXディレクター
・プロダクトオーナー・RPA推進

5. AINOW（エイアイナウ）は、1日のAIニュースを10分で見れる
AIに関する様々な情報が得られるメディア

8. AINOWのご紹介
ビジネスとアカデミアが繋がり
AIイノベーションを日本から起こしていきたい
ビジネス現場とAI研究の最前線を繋げる

9. AIを開発してくれと言われたら？

11. PoCが大事というけれど
本プロジェクトに至った事例が少ない

12. PoCの前に大事な事がある

13. 1. AI開発をする必要があるか調査

15. 本当にAIを投入することでメリットが得られるのか？
既存の手段と比較してニーズを確認する方法

16. 1. AIでどんな解決ができるかまとめる
・AIで解決できることを具体的に考える
・課題を解決してくれる大きさを図る
2. 既存の方法より優れていることをまとめる
・AIを使うことで得られるメリットは？
・乗り換えるために支払うコストはあるのか？

17. 1. 課題が本当に困っている事なのか確認する
・インタビューやアンケートで課題感を特定
・課題が根深い程、価値は高まるが競合も多い
2. 既存の解決方法を調べる
・課題をどうやって解決しているのか？
・どのくらいの金額や対価を払って使用しているか？

19. 2. プロジェクト全体の生産性を確認する

20. 誰でも1時間でAIサービスが設計できる
「AI Lean Canvas」

21. AINOWのご紹介

22. ここまで詰めてから決済者に確認をとろう

23. 実際に失敗したプロジェクトをご紹介

24. ユーザとシステムの間にAIを意識して
トランザクションデータ以外に注目する
既存Webシステム AIシステム
既存システムに組み込むAIの存在を意識する必要がある

25. AI開発プロジェクトの特徴
基本はプロダクト開発と同じだが、分析特有の問題が生じる
AIの精度がイマイチ
データ前処理に
時間とコストが掛かる
分析結果を
説明するのが大変

26. 1. 課題/やりたいことを特定する
2. 業務や人間の勘に基づき仮説をだす
3. 必要な特徴量を定める
4. 試す分析手法を定める
5. データを分析できる形にする（前処理）
6. データサイエンスの視点で特徴量をいじる
7. モデルを構築する
8. モデルの精度を確認する
9. モデルや結果を適応する
10. 定期的にメンテナンスを行う
期待する精度が
出なかったら2〜3
に戻る
データサイエンス系のプロジェクトステップ例

27. AI開発プロジェクトの経験を基に失敗を乗り越えて
大きな成果にたどり着ける仮説生成法をご紹介

28. 今回の失敗を振り返ってみた

29. AIがデータを分析して
効率の良い選択肢を予測
プロジェクト概要 ~営業アタックリストの生成~
DB
予測結果を営業が
アプリで活用
アポが取れるアタックリストを生成することがゴール
ユーザ向けiOSアプリとAI構築を行う2チームがあり
顧客開発プロセスを考慮して、小さく早くユーザ価値があるかを検証

30. Keep
KPT
・アプリ開発は顧客開発を行い、価値を1つずつ確認して機能価値は提供できた
・分析も仮説とモデルを現場でヒアリングして設計、手順も王道に忠実だった
・前回の分析では丸投げして失敗、POも分析スキルを身に着けたのは正解だった

31. KPT
Problem
・３ヶ月分析を続けたが精度が55%程度にしかならなかった
・基礎分析にそこそこ費用を使ったが実際に現場では活用できなかった
・仮説やモデル生成には注意して丁寧に作ったが、そもそもハズレていた

32. やり方は正しかったのに
時間だけ掛かって成果がでなかった

33. 予測したい事象
仮説① A 仮説① B 仮説① C
データ収集 データ収集 データ価値確認
分析
仮説② 仮説③
データ分析における仮説パターン

34. 予測したい事象
仮説① A 仮説① B 仮説① C
データ収集 データ収集 データ価値確認
分析
仮説② 仮説③
データ分析における仮説パターン

35. 予測した結果を営業に見せたら
このリストなら必要ない言われた..

36. 試しにエクセルで同じ条件でリストを作ってみた
※モデル生成時に用いた特徴を自ら作成
（エリア ✕ 職種 ✕ 応募数 ✕ 競合掲載情報）

37. ここならコールしてみたい！

38. AIとか分析すらいらないじゃん

39. 予測したい事象
仮説① A 仮説① B 仮説① C
データ収集 データ収集 データ価値確認
分析
仮説② 仮説③
仮説パターンの正解

40. 機械学習するアプリなんだから
分析するという仮説選択の一択だった

41. 仮説パターンの正解
分析した結果が必要となる仮説はNGだった
仮説2,3の可能性も残っているので時間を掛けすぎた

42. 仮説を何となく決めてしまうと
今、失敗したのかどうかもわからず評価できない

43. データの予測が目的となってしまい
正しいものを作ることだけをゴールにしてしまった

44. AI開発を経験してみて仮説検証よりも
仮説生成が成功確率に大きく関わっているとわかった

45. 仮説検証の方法は問題ではない
仮説生成の仕方が１番大事だと改めて認識

46. 仮説生成の知識を得るために読んだ書籍

47. AI開発やデータ分析の業界では
仮説について議論が盛り上がっていた

48. 仮説立案と検証に必要な3つの論理的思考法

49. 結論 → 事実 → 事象 事象 → 因果 → 結論 現実 → 事象 → 仮説
演繹法 帰納法 アブダクション
（仮説生成）
改めて論理的思考法の振り返り

50. アブダクション？
よく使う演繹と帰納以外にもあったのか..

51. 例：朝起きると庭の芝生が濡れていた。
雨が降ると芝生は濡れる。
だから昨晩は雨が降ったのだろう。
アブダクションとは？

52. 例：朝起きると庭の芝生が濡れていた。
雨が降ると芝生は濡れる。
だから昨晩は雨が降ったのだろう。
アブダクションとは？
目の前の現実
普遍的事象
仮説

53. 例：朝起きると庭の芝生が濡れていた。
雨が降ると芝生は濡れる。
だから昨晩は雨が降ったのだろう。
目の前の現象
普遍的事象
仮説
アブダクションとは？
芝生が濡れた理由は「昨晩雨が降った」理由以外にも
「誰かが水をまいた」「夜露で濡れた」などの事象も考えられる

54. アブダクションの歴史
チャールズ・サンダース・パース
記号学では確立者であり哲学者
一方、「プラグマティズム」の提唱者
数理論理学の先駆者とかと呼ばれている。
推論プロセスに思考の重心をおいており
すべての推論には必ず先行する認知に
なんらかの関連性を持っていると確信を
持っていた。

55. アブダクションは造語みたい
演繹
デダクション
（アリストテレス）
帰納
インダクション
（ベーコン）
仮説生成
アブダクション
（パース）

56. 3つの推論の使い分け
３つの推論
演繹
帰納
アブダクション
分析的推論
拡張的推論

57. 科学的にみた推論のプロセス
アブダクションにより
仮説が得られる
演繹法により
仮説を具体的に変換する
帰納法により
仮説を事実から検証する
推論したい事
繰り返す事で仮説が確証へ

58. どうやって仮説立案して
仮説検証に気をつければよいのか？

59. 顧客開発に有効な4つの仮説立案と検証テクニック

60. 1. 確証バイアスを疑う事
解決したい問題の現象から、考えられる説明を推測して洗い出す。
違う種類はないか？ 不可能な事ではないか？
反証を考える事で仮説の想像性を膨らませる
【アブダクション―仮説と発見の論理】より抜粋

61. 2. 仮説を選ぶ時に気をつけたい4つの基準
仮説を検証することで１番大きな成果が得られるものを整理する
【アブダクション―仮説と発見の論理】より抜粋
1. もっともらしさ（plausibility）：最も理にかなった説明を与えるもの。
2. 検証可能性（verifiability)：仮説は実験的に検証可能でなくてはならない。
3. 単純性（simplicity）：より単純な仮説を選ばなくてはならない。
4. 経済性（economy)：費用や時間が節約できる仮説を選ばなくてはならない。

62. 3. 3つの推論法によって立案と検証を俯瞰して考える
アブダクションにより
仮説を立案する
演繹法により
仮説検証を行う
帰納法により
検証結果を評価/学習する
顧客の発見
繰り返す事で仮説が確証へ

63. 4. とにかく早く失敗の数を増やす
・失敗しないと仮説の良し悪しがわからない
・失敗しないと限られた時間で少数仮説しか検証できない

64. 失敗を成功に近づけるアブダクションのまとめ

65. 仮説選択の時点で検証の運命は決まっている
仮説の選び方1つで検証におけるコストと時間は決められてしまう
１つの仮説にこだわって方法論だけ見直していた場合は無限ループに
仮説A 仮説B 仮説C
データ価値確認
仮説D 仮説E

66. ちゃんとセーブポイントまで戻れないと
すべてやり直しになってしまう

67. 失敗を恐れるな大きく早く失敗して諦める
人間失敗するのは怖い。PSFやPMFの段階では
失敗することを減らすことよりも、大きくコケて諦めた方がコスパい
い
顧客や課題探索
フェーズ
サービス開発
フェーズ
大きく失敗をして
正しく評価
リスクを小さく
正しく作って検証

68. 失敗と仮説生成をもっと研究していきたい
仮説立案はアート的と言われるが、科学的に説明ができるはず
検証の方法だけでなく、立案についてももっと事例をオープンに
仮説立案 仮説検証
アブダクション 演繹法

69. 1,000回の失敗をしたわけではない
1,000のステップを経て電球が発明されたのだ

70. AI開発をしくじらない為に
小さく高速な失敗と仮説生成が大事！！

71. Thank You