特集 / ビジネスのための使える ディープラーニングは何がすごいのか ? 脳をまねて作られた形式ニューロン 人間の脳はニューロン ( 神経細胞 ) で構成 データ入力 されているから・・・ データ入力→ シナプス データ入力 ニューロン ( 核 ) 形式ニューロンを複層構造にしたバーセプトロン ・スバムメールの分類など、初 歩的な機械学習が可能に ・しかしニ者択一のできない複 雑な問題は解けず、活用でき る場面は限定的だった 階層の数を増すことで考える力を得たディープラーニング データ出力 一三 基本 ルネットワ 1 クの階層が増えると エキスパ 1 トシステムは、電子 そして幻世紀。ニューラルネッ 年代に入ると、新たな技 術として「エキスパ 1 トシステ工学の進歩もあって、構想に終わトワ 1 クが、三度目のプ 1 ム賢くなるのか」だろう。 機械学習においてコンピュ 1 タ らない具体的な研究が続いた。だを巻き起こす。 ム , の研究が盛んになる。これは か賢くなるには、大量のデータを 2 012 年、カナダ・トロント 専門家の知識をデ 1 タとしてコン が程なく、ある大きな壁にぶち当 ピュ 1 タに与え、その知識を基に たる。人間の知識を明文化し、デ大学のジェフリ 1 ・ヒントン教授読み込んで学習するステップが必 1 タやル 1 ルに落とし込むことは、のチ 1 ムは、コンピュータに画像要だ。たとえば人間の顔の画像を 推論計算をさせ問題を解かせると を認識させる国際コンペティショ大量に、ディ 1 プラ 1 ニングに入 いうもの。コンピュ 1 タ自身に考予想した以上に難しかったのだ。 こうして、史上二度目のプ 1 ンで、抜きんでたスコアをたたき力したとしよう。 えさせるニュ 1 ラルネットワ 1 ク 入力直後の層では、顔の画像は 出した。ヒントン教授が使ったの ムもまた消えていった。 とは異なるアプロ 1 チだった。 は「ディ 1 プラーニング」短い直線や曲線などごくごく小さ 1 セプトロンのな図形に細かく分解したうえで認 A 」い、つハ 考え方を生かしたもの。従識される。次の層では、丸や四角 などもう少し広い範囲でまとめて 来との違いは、ネットワー クの階層構造を複数に増やとらえられる。こういう単純だが した点だ ( 「基本 2 」のス大量の処理を積み重ねて、ディ 1 プラ 1 ニングは画像の特徴を少し テップ 3 ) 。ディ 1 プとい うのは、この階層の深さをずつ抽出し、最終的に「まゆが 2 指している 本あり、その下に目があり、真ん この年には米グ 1 グルが中に鼻、その下にロ」という人間 の顔として認識するのだ。 ディ 1 プラ 1 ニングを使っ て、人間が教えることなく実はニュ 1 ラルネットワークの 初期から、「層を増やせば賢くな コンピュ 1 タに「猫とはど んな姿か」を理解させるこるのではないか」と予想はされて いた。「層を増やす↓人工のニュ とに成功したと発表した。 1 ロンが増える↓情報をやり取り 数十年先に歴史を振り返っ ても、肥年が研究の大する回数が増える↓人間の脳の構み 造に近づく↓より精緻に考えられ 0 きな転換点だといわれるこ とは間違いないだろう。 るようになる」という発想だ。そ済 れが幻世紀に入り、現実のものと経 なせ「深い」と 1 ドウェア東 して開花したのは、ハ 刊 賢くなるのか の能力向上が大きい。 さて、ここで誰もが気に 前述のヒントン教授のチ 1 ムは、 3 3 コンピュ 1 タシステム「ス 1 パ 1 なるのが、「なぜニュ 1 ラ STEPI データ出力 STEP2 データ入力→ データ入力→ データ入力→ データ入力→ データ出力 STEP3 イ忞ミ ◆◆◆◆ 忞ミ ◆◆◆ 挈ミ ◆◆◆◆ データ入力→ データ入力→ データ入力→ ・大量のデータと、それを処理できる高性能な半導体・コンビュータの存在で可能になった ・大量の画像から共通した特徴を抽出するなど、あいまいな問題も解けるようになった ( 出所 ) 取材を基に本誌作成

1 大量のデータ 2 高速なコンピュータ 3 アルゴリズム 3 つの要素がそろい、時代が到来した の米—e ガリバ 1 も軒並み戦主化したグ 1 グルが、双方で約 9 的に、大型コンピュータの計算能オ 1 ム化で出遅れてしまったのは o 略を強化している。正確にいえば、割の高い市場シェアを持ち、圧倒カそのものを柔軟に提供するとい アップルだ。 6 月上旬に米国で開 「をやらなければ生き残れな的な広告収入を得ているのだ。 、つシンプルなもの。における いた開発者向けイベントで、済 い」という強烈な危機感があるの でもグ 1 グルは、計算能力グーグルの猛追に対して、アマゾ 0 ・に搭載してき洋 東 ヾ、」 0 とアルゴリズム、大量のデ 1 タと ンは強い危機感を持っているはすたの据え置き型端末「ホ 刊 のビジネスモデルは、。、 いう機械学習に必要な 3 要素をワだ ームボッド」をようやく発表 ( ア週 トナ 1 となる企業がより多く集ま ンストップで提供することで、プ カギとなるのは「フレームワ 1 ップルはこの製品をスピーカ 1 とユ る場をネット上に作り、そこに ラットフォ 1 マ 1 になろうとしてク」という、機械学習のアルゴリ 位置づけている ) 。ただ発売は今 5 いる 次々とサ 1 ビスや技術が生まれる ズムを開発するうえで必要なソフ年のクリスマスシーズンと遅く、 生態系を構築する「プラットフォ トだ。現状ではグ 1 グルのテンソ地域も米英豪に限られている アマゾングーグル 1 ム化」が肝だ。プラットフォ 1 ルフローが圧倒的に研究者・開発 音声アシスタント以外でも、ア < ー研究者を取り込め マ 1 の地位を獲得できれば、ライ 者に使われているが、も自 ップルの戦略は総じて出遅れ バルのいない「勝者総取り戦」と アマゾンはネット通販の最大手社がサポ 1 トするフレームワ 1 ク感が強い。最大の弱点は、の なる。それがビジネスの本質だが、傘下の ( アマゾンをいかに普及させられ開発やプラットフォームの構 といっていい ウエプサ 1 ビス ) が企業向けクるかが、勢力図を左右するだろう。築に不可欠なデ 1 タの蓄積、競合 グ 1 グルが進める民主化はビジラウドコンピュ 1 ティングのデフ アマゾンは一方で、家庭向けの他社に比べて十分にできていない ネス面から見れば、プラットフォ アクトスタンダ 1 ドとなっており、音声アシスタント端末では先行者ことだ。 1 ムを作るための活動だ。だから全社の経営基盤を支えてきた。 の強みを発揮している。アシスタ 1 0 ューサ 1 でも、ネ 検索エンジンとモバイルを民 ただアマゾンのクラウドは基本ント <<—・アレクサを搭載した端ットや地図、メ 1 ルを使う際には 末「エコ 1 」を年に発売。このグ 1 グルのサ 1 ビス、ショッピン 分野では最も普及している。 グであればアマゾンを使っている さらにアマゾンは、他社の端末という人は多い。また もアレクサを搭載できるように関で撮った写真や動画も、アップ 連ソフトを無償公開している。アルの個人向けクラウドサ 1 ビス・ —O—o ではなく、グ 1 グル レクサを搭載した家電製品など他 社製品はすでに 700 種類もあるやアマゾン、マイクロソフトなど といい、音声アシスタント端末でのクラウドサ 1 ビスに保存してい はすでにプラットフォーム化が進る人が少なくない みつつある。 その結果、アップルは•- 0 を使うことで生じた検索結果 アップルの弱点は や画像などのデ 1 タを、競合他社 データの不足 に奪われている。このままでは 音声アシスタントのプラットフ—時代にアップルは、 ■マイクロソフトとグーグルが突出 ー AI 関連の特許申請件数 ( 2009 ~ 16 年 ) ー 204 156 アップル フェイス ブック アマゾン グーグル マイクロ 0 ソフト 出

ガリバーが < ーについて 本当に考えていること 知識 0 からの < ー Part 、つ」 4 なり、つフ Q 検索、モバイルに続き < ーを民主化する こ、ついった短期的には収益に貢 献しないように見える取り組みの 根底には、「を民主化する」 というグ 1 グルの強い思いかある 民主化という言葉は、日本では政 治的な意味で使われることが大半 だ。だが米国の産業ではしば しば、「限られた人のためのもの 題は ( 人工知能 ) 尺 、、く端末「ホ 1 ム」を、日本を含 搭載したクラウド型ス 1 だった情報や資源を、誰でもアク - 言ロしだった。今年 5 月下旬、む 5 カ国でも年内に発売すると明ピュ 1 タを、の研究者向けにセスし、利用できるようにする」 米西海岸で開かれた開発者向け自らかにした。 無償で提供する といった意味で使われる 社イベント「—XO 」で、グ 1 グ法人向けでは、昨年発表した 」 A 」い、つ 特にグ 1 グルは、民主化に強い ルは「モバイルファ 1 ストから —専用半導体の第 2 世代を、活動として、幅広い研究者や企業こだわりを持っている企業だ。そ クラウドコンピュ 1 ティングサ 1 —ファ 1 ストへ」の方針の下に、 がの使えるコンピュ 1 ティンれは経営理念の「世界中の情報を 件以上もの <—関連のトピック ビスに本格導入するという。 グ・パワーを利用できるよう支援整理し、世界中の人々がアクセス を発表した。 こういったサ 1 ビスや製品は、する でき、使、んるよ、つにする」とい、つ 一般ュ 1 ザ 1 の興味を集めたもユ 1 ザ 1 層と収益の拡大という短 ・「オ 1 ト」というプロジ一文に端的に表れている。 のでは、自動翻訳など機能と期的でわかりやすいメリットをグエクトで、が自動的に別の グ 1 グルの祖業である検索エン 連動した新しいカメラアプリ「レ 1 グルにもたらす。だが一連の発 —のプログラムやアルゴリズムをジンサ 1 ビスは、経営理念の「情 ンズ」を数カ月中にリリ 1 スする表でより注目すべきは、以下のよ生む手法の開発を進める。すでに報を整理する」部分に相当する。 と公表。また、米英で先行発売し うな内容だ。 成果は出ており、将来的には専門 インタ 1 ネット上に存在するサイ ていた家庭用の音声アシスタント ・クラウドを 1000 個知識なしに誰でも 4-«を使えるよ トだけでなく、地図や動画、学術 グーグル、アマゾン、マイクロソフト・ : ゼロ ・週刊東洋経済 . 28

特集 / ビジネスのための使える ならない。 テンソルフロ 1 以外にもの とで、人間並みの知性を再現しょの能力を超え、社会に大きな変化 をもたらす時点のこと。が自フレ 1 ムワ 1 クはいくつかあり、 、つ A 」い、つ発相 らの能力を超える <<—を自ら生み日本にもべンチャ 1 ・プリフ 【強化学習】 出せるようになり、これまでと異ア 1 ドネットワ 1 クスが開発した 機械学習の方式のひとつ。選択結【エキスパートシステム】 なる不連続な世界が出現するともチェイナ 1 という国産フレ 1 ムワ 果によって報酬を与え、自身ル 1 ルべ 1 スで動く技術。特 いわれる。 1 クが存在する。 に試行錯誤させて学ばせる。機械定分野の専門的な知識を取り込む は最初はランダムに選択するが、 ことで、その分野の専門家である 有力研究者は 2 0 4 5 年頃まで 次第に報酬が大きくなるよう法則 かのように振る舞うやり方。専門 にはその特異点に到達すると予測【ワトソン】 性を見いだし、記憶していく。グ家の知識をル 1 ルに基づいて分類無限の進化を遂げるを人類が が開発した、機械学習を使 ったコンピュータシステム。 2 0 制御できない事態も考えられ、こ 1 グルの— -< 0 一 ( アルフした「知識べ 1 ス」と、知識べ 1 ャ碁 ) はこの方法を採用している。スに事実やル 1 ルなどを収集し、れは「 2045 年問題」と呼ばれ 11 年に米国の人気クイズ番組・ それをもとに推論を行、つ「推論工ている。ただしシンギュラリテイ「ジョパディ ! 」で、人間のクイ 【重みづけ】 ンジン」から成り立つ。 1980 の到来に否定的な機械学習研究者ズチャンピオンに勝利し、有名に 機械学習にデ 1 タを分類させると年代の第 2 次プ 1 ムでは脚光は少なくない。 なった。自然言語処理が得意で、 きに、より結果に影響する重要なを浴びたが、専門家の知識をル十 ュしルセシタョで多数採用されて いる。ちなみにはワトソン 要素に高い点数をつけて、一定のル化するのが容易ではないため、 【強い < ー・弱い 強いは汎用型とも呼ばれる。 出力につなげること。たとえばス技術としては下火になっている の—を「オ 1 ギュメンテッド・ バムメ 1 ルを分類させる場合、 映画『 2001 年字宙の旅』に登インテリジェンス」 ( 拡張知性 ) 場する HAL9000 のよ、つに、 と定義し、通常のア 1 ティ 「特価」「無料」といった言葉に重【自然言語処理】 みづけをし、広告目的のメールを自然言語は英語や日本語などあら 幅広い分野で自律的に課題を発見フィシャル・インテリジェンスと 検出する。人間の脳がニュ 1 ロンゆる人間の言語を指す。こういっ・解決できるを想定。弱い << は異なる概念だとしている。 ( 神経細胞 ) 同士のつながりで構た言語を音声やテキストの状態で —は特化型とも呼ばれ、限定的な 成され、より太くつながっている人間と同じように理解「処理させ分野でのみ使える。現在は弱い【音声アシスタント】 ほうが情報が伝わりやすい、といることが自然言語処理。 ュしか存在していない 声による入力に答える <—。代表 う仕組みを模している手法。 のような音声アシスタントは一見、 伊はアップルの グーグルアシスタント、アマゾンみ 優れた自然言語処理に思えるが、【テンソルフロー】 実際には言語の意味を理解してい テンサ 1 フロ 1 とも一一一口う。グョグのアレグサ、マイクロンフトのコ あらかじめ人間が設定したル 1 ルるのではなく、フォ 1 マットにしルが無償で公開している機械学習ルタ、ナなどもある。どのアシスタ斉 にしたがって、コンピュ 1 タがデたがって処理している。 用のラレ 1 ムワ 1 ク・ソフトウェ ントも総じて、日本語を入力した経 1 タの分類や判断をするの手 ア。テンソルフロ 1 の上でさまざ場合の精度が英語より低いため、煉 法。根底にあるのは、人間の知識【シンギュラリティ】 まなアルゴリズムを動かすことが高精度の日本語音声アシスタント週 を「もしならする」といった「技術的特異点」の意味で、 できる。個人や研究者だけでなく、 が登場すれば、関連市場が爆発的 7 3 に広がると期待されている。 シンプルなルールに落とし込むこを含むコンピュータの能力が人類企業も無料で利用できる。 【ルールべース】

必修用語 「どういう意味 ? 【アルゴリズム】 3 特定の問題を解いたり、課題を解 決したりするための計算手順のこ済 と。これをコンピュ 1 タで処理す洋 東 るための具体的な手順を記述した ものがプログラムである。計算量週 が少なく、より効率的に処理できュ るのが優れたアルゴリズム。アラ 5 ビアの数学者アル・フワ 1 リズミ 1 に由来するといわれている。金 少の理系知識がある人でも、人の脳を模してい巨ン , ピ一は丁タ上 認識で高い精度を発揮している。 融での投資判断や囲碁などのゲ 1 << —技術を理解するのは容に疑似的な . ュ - ,. 卩、ロ 神経細理論的には以前からあったが、 ムでは、進化したアルゴリズムに 易ではない。ましてや文系には困胞 ) 凵のネッ年ワ卩クを作り、一一ユ これが実際に注目を集めたのは、 よって人の判断を凌駕している。 難だ。それでもにかかわらざ 1 ロン間のつながりを学習で変化 カナ名ダドロンド大学のチ 1 ムが るを得ない人のために、覚えておさせるアプロ 1 チ。この分野の国 2012 年の 【教師あり学習】 けば安心の頻出用語を解説する内の第一人者は、甘利俊一・東大 ( コンピュ 1 タによる画像認識の機械学習の方式のひとつ。学習デ ( 順不同 ) 。 名誉教授。ネットワ 1 クは大別す国際コンテスト ) で、ディ】ブラ タとその正解 ( 例・大の写真と ると冖「入力層ラ「中 . 間層」〕 T 出力 1 ニングを使って突出した認識精大という情報 ) を組み合わせて大 【機械学習】 層の 3 部分で構成される。デ 1 度を記録したこと。このときに使量にコンピュ 1 タに読み込ませ、 —の一種。大量のデータをコン タをネットワ 1 クに入力すると、われたのがという半導体。共通する特徴を学ばせる。最も基 ピュ 1 タ上のアルゴリズムに入力入力層 5 中間層でデ 1 タから特徴これを機に、を使づたディ本的な機械学習だが、正解のある し、ゴ - ンピュータ自身にデいダのを抽出し、それを中間層 5 出力層丁プラ 1 一ングにより、飛躍的にデ 1 タを件単位で準備しなけれ 中の規則性や特徴を見つけざせゑで組み合わせてさらに複雑な特徴が進化するようになった。 ーしけない株式市場の予測など、 ディ 1 プラ 1 ニングは機械学習のを抽出する。 過去のデ 1 タから将来を予測する 一種で、このほかにランダムフォ 【コンホリューション・ニューラようなに向く。 レストやサポ 1 トべクタ 1 マシン、 【ディープラーニング】 ルネットワーク】 ロジスティック回帰といった種類機械学習の一種、日本語で深層学ディ 1 プラ 1 ニングを支える技術。【教師なし学習】 がある。将棋のポナンザなど、習。号ュ。丁ラルネヅドサⅱグの中略称 ozz 、日本語訳は畳み込み正解のないデ 1 タをコンピュータ 近年高い実績を残しているは間層を多層構造にすることで、コ は・ - ・・ - 」・・・プ - ルネットワーク。対象をに読み込ませ、デ 1 タの規則性や 基本的にすべ」て「い機械学習と分類ンピュ 1 タが大量のデータから自細かく分解して解析し、それをつ関係を見つけさせる方法。正解の できる。 動的に特徴を抽出できるようにしなぎ合わせることで広い範囲を認 ないデータでよいので始めやすい た。従来の機械学習と比べるど複識する。 が、言ッゼ . 〔ュ〔丁ダ - が見いだした特 雑な学習が可能で、画像や音声の 徴の意味つけは人間がしなければ 多 【ニューラルネットワーク】

AI テクノロジー - 文系でもスッキリわかる 誌上講座 HEROZ 監修 基本の 将棋 AI のポナン ー、ザは名人を打ち かした —と聞いて、何を思い浮か械」を議論した、いわゆるダ べるだろ、つか・ 1 トマス会議でのことだ。こ の音声アシスタント・・ ? のまだ見ぬ機械の名がアーテ 史上初めて名人棋士に勝利した将イフィシャル・インテリジェ —・ポナンザ ( 上写真 ) ? 映ンス = —だった。 当時は商用コンピュ 1 タの 画『 2001 年宇宙の旅』の L9000 ? どれもだが機黎明期だった。年に米 能や用途に違いがある。 が大型汎用コンピュータ 私たちがと呼ぶ対象には、 ( メインフレ 1 ム ) ・ さまざまな概念や技術が入り交じ 01 を発売。米ハネウエルや っている。基本理解のスタ 1 トと米ゼネラル・エレクトリック して、まずと呼ばれているも といった企業も、浦年代に競 のの仕分けから始めよう。 い合って販売していた。 「基本 1 」の図に示したように、 能力は限定的であるが、この機に発表した「パ 1 セプトロン」が と呼ばれるものには、複数の械が将来社会を大きく変えるとい それで、人間の脳をモデルに機械 概念が包含されている。最も外側う予感を、多くの人が感じていた。 に知性を与える構想だ ( 「基本 2 」 の包括的な概念が、それよりその漠然とした予感が凝縮されたのステップ 1 と 2 ) 。 少し狭いのが機械学習、最も狭い のかという言葉だ。だからこ 人間が考えているとき脳内では、発 のがディ 1 プラ 1 ニング、といっ の言葉の定義は、もともと非常に ニュ 1 ロン ( 神経細胞 ) の連なった陸 た具合だ。ほかにもの概念はあいまいだ。今の研究者には 神経ネットワ 1 ク上を、電気信号ン いくつもあり、正確には大小で指ではなく、より具体的な「機械学 ( 情報 ) が伝達していく。この構ポ し示す概念はもう少し複雑な構造習」という一一口葉を使、つのがふさわ造を、アルゴリズム ( コンピュ 1 棋 になっている。だが入門者は、こしいと考える人が少なくない タの計算手順 ) で再現しようと試将 みたのがニュ 1 ラルネットワーク の図を大まかに覚えておけばまず機械学習とは、与えられたデ 1 ャ チ タを基に、コンピュ 1 タ自身が規ニュ 1 ラルネットワ 1 クの、っち、 は事足りる ン べ 則性や特徴、答えを見いだす仕組階層をなしたネットワ 1 ク上にデ 脳を模して みだ。冒頭で触れたとポ ータを伝送するものをパ 1 セプト 0 発展した ナンザも機械学習である。実用段ロンと呼ぶ。 という言葉が歴史に初めて階に入るのは何十年も後だが、こ 1 セプトロンは、後に機械学 登場したのは 1956 年。米ダ 1 の技術を発展させるアイデアは、習の発展に大きく貢献するのだが、 監 トマス大学にコンピュ 1 タ科学者ダ 1 トマス会議から程なく誕生し当時の研究成果では目立ったもの を が集まり、「人間が抱える問題をている。コンピュ 1 タ科学者のフがなく、プームも年にはす本 解き、自身を改善していける機ランク・ローゼンプラットが年つかり下火になった。 基本 川の概念 機械学習 ニューラル ネットワーク ディープ ラーニング ( 出所 ) 取材を基に本誌作成 201 / 7.8 週刊東洋経済 32

ここが に「人間の知性を超えた」と戦慄 4 を感じた人もいるだろう。ではア ルファ碁で得た知見をグ 1 グル自済 身が何に活用したかというと、こ洋 東 れまでに最も大きな経済的効果を 生んだのはデ 1 タセンタ 1 のエネ週 7 ルギ 1 効率改善だ。 7 これを「人間より賢いといって 5 もできるのは節電程度か」と受け 止める人もいるかもしれない。だ がグ 1 グルにとってデ 1 タセンタ 1 は人材と並ぶコストの塊。また エネルギ 1 関連は発生頻度が高い 頭から冷水を浴びせるよ、つを検討する、現実的なビジネスッ いる。このシチュエ 1 ションで必課題が多いため、によるパタ 1 ルとなるのだ。 だが、機械学習を中心とす 要な知識とは何だろうか 1 ン認識と予測がしやすい るプ 1 ムは 2 年以内に終わる、 1990 年代後半のインタ 1 ネ —プロジェクトのプレゼン資 そのデータは と筆者は見ている。それはが ット勃興期を思い出してほしい。 料を作る前にまずすべきは、自社 本当に使えるか ? 未熟な技術で実用性に乏しいとい 多くの人が経済誌などで仕入れたのバリュ 1 チェ 1 ンのどの部分で う意味ではない。既存の—e と同知識を基にネット革命について議を活用すれば、売り上げやコ どの部分にを導入したいか じように、どの業務にどれぐらい 論し、採用現場ではホ 1 ムペ 1 ジストを大きく左右するのか、とい見えてきたら、次は「その課題に の経済効果を期待して導入するかを作れるエンジニアがもてはやさう事業に対する基本確認だ。その対するデ 1 タは、個人情報などに れた。だがそれも時のこ 部分に現在どのような課題がある配慮して正しく保有できている と。程なくネットは企業に か、その課題をが解消すれば か」を押さえたい。 高 そもそもそのデータが適切な素 ? 買教おいてごく普通のツ 1 ルと売上高が伸びるのか、それともコ か度か の か ? ス なり、同時に経営の論点に ストが削減できるのかを考え、「材かという問題も予想以上にある。 る生 れりジ ならなくなった。 4--«も早 —を導入する必要性」を明確にす筆者の知るかぎり、「わが社には 発大 ー ? ら借 知晩そうなるのだ。 る必要がある。 価値あるデータが眠っている」と を ? る 叺現在はに対する過大特に重要なのは、その課題に発 いう企業で、実際にそのデータが の旧の は諾発 動りる刀者許開 な期待と過小評価が混在し生頻度が高い事象があるか否かだ。有用だったというケ】スは少ない 始売げた有用で一 んている一方で、ビジネス現グ 1 グル傘下のディーブマインド たとえばで生産ラインの歩留 保使前 トて下し的 クつを用済のの自 場では経営陣や上司から まりを改善したい場合、確かにエ 工使ト活タタは ジをスを「一 「の活用策を考えろ」 。 ( アルファ碁 ) はプロ棋士を場中にセンサ 1 が設置されている ロコくデデ と求められることが増えて次々と下してきた。その最強ぶり が、その設置場所が適切でなく、 出 P90per 要確認 メリットは ? リスクは ? 人材は ? 経営共創基盤取締役マネージングディレクター ートナー・塩野誠 ント機能の強化に期待が 高まる ( 上 ) 。コマツのげ 戦略に学べ ( 下 )

った。 か過ぎたことか原因だった と考えられる。 このことは、成長こそ是 発てビ開 のれ一展 とされてきたシリコンバレ 業界で中心的なポジショ そさサも はネ前引 ンを確保し、ユーザ 1 数な 1 のスタ 1 トアップ文化に 氏題出 2 ク問 どの大きな数字を作り、な も一石を投じることになる る ッ - か、 ) ・ ニど佑、 くてはならない企業となっト 丿上場だからといって身勝 ラなた 2 て カ一言きスし て上場や他企業による買収手な経営が許されるわけで まで突っ走る。一般的に、 はない。そんな教訓を与え ルの兄弟会社「ウェイモ」れを契機に「ウ 1 1 の企限られている。既存のタクスタ 1 トアップ企業はそんることになったからだ。 に訴えられている 業体質や文化に問題があシーも街中でつかまえるこな行動が是とされてきた。 バーはムマ後もインフ 極め付きは、社内のセクる」との声が上がっていた。 とは難しい。予約しても来 限られた経営資源を最大ラとしての存在感を強めて ハラ問題を放置したことだ。 その文化の中心にいたのなかったり、料金体系が不限に生かし、スピ 1 ドを重いくと考えられる。しかし、 今年 2 月、兀社員の女性工がカラニック氏だ。同氏も透明だったりと、当てにで視して成長する。そんな中、経営体制の立て直しは一筋 ンジニアが「上司から度重ウ 1 ーの運転手に対してきる存在とはいえなかった。 カラニック OQO も、企業縄ではいかないだろう。社 なるセクハラを受けたが、暴言を吐く動画が報道され、 たとえばサンフランシスとしてゼロから莫大な価値会からの大きな批判にさら その上司が優秀な人材だと大きな批判を受けていた。 コでも、禹は問題ないが、を生み出すことを優先し、 される中、最高執行責任者 して、会社側は対応しなか 6 月にはいったん無期限休一度郊外に出れば、自家用ほかのことは上場後に対策や最高財務責任者など重役 った」とプログで告発。こ職という形で事態の収拾を車がないと生活に支障が出すればよいと思っていたのの辞職が相次ぎ、経営チ 1 かもしれない 試みたが、既存株る。自家用車での通勤も、 ムはもはや崩壊状態にある。 「一る 主からの項目に場合によっては数時間かか しかし前述のとおり、ウ 2017 年中ともいわれ 氏 「れ さ も及ぶ要求の前に、 る渋滞に悩まされ、苦痛で 1 バ 1 はすでに米国社会のていた株式上場の可能性は 開 京超 ( ャ 公 東円 しかない 辞任を決めた。 重要な社会インフラとして、遠のいた。また、楽天が出 ~ 一を億 発一訴画一一「任 て ハーか」以 ~ 、 ト そんな交通事情の悪い米多くの人々の生活を変えて資する「リフト」などの競 l¯ら告提動 ( 一辞 ッ かををる表が注目され、投資家国において、ウ 1 バ 1 はアきた。上場こそしていない 合サ 1 ビスも成長を遂げて レ ャ 、 ( 倒を 開 -Q 当 から莫大な資金をプリで配車ができ、指定しか注目される企業だ。数々いることから、ウ 1 ギを 2 米夘」罵一職ク 頻 とス ) スしセウを一休ッ 集めることができ た目的地まで確実に移動での問題やスキャンダルは見強の状況は影を潜めること 氏ビビ伝 - たで手《限コ 一一宣、け用転期ラ になりそ、つだ。 ッサ一・サく - 受盗運「無。カ たのは、米国人のきる手段として登場した。過ごせるものではなかった。 7 ′ ル ニ ~ ル一一高 ~ で」術が一がで そんな社会の受け止め方カラニック OQO の辞任 フラアリを内 9 9 求ライフスタイルに米国人の移動手段として、 カイ ~ ~ バ収〉社が o o 要 ラリ年ふ社クみのおける「移動」のウ 1 バ 1 は着実に浸透してをウ 1 1 の株主たちは感は問題解決のスタ 1 トライ済 ス業 - トデ一の ( 員モッツ主 経 トビ創でド手業イ ~ ニニ株概念を様変わりさいった。 ンでしかないここからの じ取ったのだろう。「なら り . ラ同【本一一転従一エララ存 ト共日フ運元一ウ ~ 力。カ既せたからだ。 ず者企業に投資している」舵取りによっては、数年後、煉 シリコンバレー文化に一石 米国において公 とのレッテルを避けるためウ 1 1 のプランドが見ら週 Z に にも、ウ 1 1 のつまずきは、 共交通が発達して ーの企業体質れなくなる可能性もあるだ O 年 「スタートアップらしさ」や経営を改善する必要があろう。 z 今 いる都市は非常に 主な出来事 年月 2009 年 13 年 16 年 17 年 1 月 UBER E A T 5

賃料準備金積立に基づく、 安定分配の仕組みに特色 「ーにおいては、賃料の 変動、空室率の変動といった分配金 に影響を及ばす要因がありますが、 インフラファンドにおいては、この ような産固有の変動要因は血て、 安定した収益構造になっています」 と三原氏は紹介する。 上場インフラファンドの基本的な 運用ストラクチャ 1 は、投資法人が 発電設備をオペレータ 1 に賃貸して、 オペレーターから賃料を収受すると いう形式である。賃料の原資は、オ ペレ 1 ターか電力会社などから収受 する売電料だ。 「懸念される間題として、極度の 日照不足などにより相疋通りの売電 料が得られなかった場合、投資法人 が収受する賃料が滞るのではないか とい、つことが挙げ・られま亠 9 。このよ うな事態に備え、本投資法人はオペ レ 1 ターに賃料準備金として、 3 カ 月分を超える賃料相当額を積立てさ せています」 ( 三原氏 ) 。この積立金 によって、 100 年に一度とい、つよ うな極度の日照不足が幻カ月続いて も、投資法人に対する賃料支払いは 丗らないとい、つ さらに、安定分配の仕組みとして、 オペレ 1 タ 1 の倒産リスクの隔離を ■立地協定と地方事務所 図っているという。投資法人が発電 設備を賃貸するオペレ 1 タ 1 は倒産 隔離が図られた「オペレ 1 タ 0 」だ。実際のオペレ 1 タ 1 業務は リニュ 1 アプル・ジャパンがなつが、 万一、リニュ 1 アプル・ジャパンが オペレーター業務を継続できないよ 、つな事態に陥った場合でも、投資法 立地協定を締結している 地方自治体 ①岩手県一関市 ②宮城県気仙沼市 3 静岡県伊豆の国市 ④三重県松阪市 6 奈良県吉野郡吉野町 6 熊本県阿蘇郡南阿蘇村 ⑦鹿児島県垂水市 3 鹿児島県肝属郡肝付町 4 青森出張所 ( 青森県十和田市 ) ( 岩手県一関市 ) 宮城県気仙沼市 人との賃貸スキ 1 ムが崩壊しないよ 、つになっている 気になる分配金利回りについてだ が、「日本再生可能エネルギーイン フラ投資法人」の第 1 期行年 7 月 期 ) の 1 ロ当たりの予想分配金は 3 37 円となっている。「第 1 期の分 配金が極端に少ないのは、第 1 期の 亀山事務所 ( 三重県亀山市 ) 松阪事務所 ( 三重県松阪市 ) 三重県松阪市 静岡県伊豆の国市 静岡事務所 ( 静岡県伊豆の国市 ) 伊勢事務所 ( 三重県伊勢市 ) 吉野事務所 ( 奈良県吉野郡吉野町 ) 奈良県吉野郡吉野町 ・地方事務所・出張所 ・ : 立地協定を締結している 地方自治体 6. ー」 -. - ・ -- ・一・ -- 熊本県阿蘇郡南阿蘇村 鹿児島県垂水市 鹿児島事務所 ( 鹿児島県垂水市 ) 鹿児島県肝属郡肝付町 運用日数が 4 カ月程度しかなかった こと、そして、上場関連費用約 60 00 万円を繰延せず、早期に財務健 全化を図るため一括償却したことに よります」と松尾氏は説明する。 事実、その後の 1 ロ当たりの分配 金は安定的に推移する見込みであり、 第 2 期 ( 絽年 1 月期 ) は 3095 円、 第 3 期 ( 年 7 月期 ) は 3046 円 となっている ( いずれも利益超過分 配金を含む ) 。 仮に、第 2 期のスタ 1 トである 8 月 1 日に、片年 6 月日現在の投資 ロ価格 82600 円と同程度の価格 で「日本再生可能エネルギーインフ ラ投資法人」の投資口を購入し、 1 年間保有した場合、年換算分配金利 回りは 7 ・ 4 % 程度になる。 のトップクラスの銘柄の分配 金利回りが 3 % 程度であることを考 えれば、かなり魅力的だ。 三原氏は、「その点では、第 2 期の スタ 1 トが本投資法人の真のスタ 1 トであるという見方もできるかと思 います。『再生可能エネルギ 1 により 地域社会の活性化に貢献する』とい うのがリニュ 1 アプル・ジャパング ル 1 プの経営理念です。将来的には バイオマスや風力など、太陽光以外 の発電設備を組み入れることも視野 に入れています。今後の成長に、ぜ ひご期待いただきたい」と力を込め る。

特集 / ビジネスのための使える 機械学習に必要なデ 1 タがそろわべきではないのだ。この観点では、 ら、「ではまず開発会社から相見する人材の賃金が高騰してい ない、といった具合だ。そ、ついっ多くの金融機関が大量のデータを積もりを取りましよう」となり、 ることだ ( 左上表 ) 。トヨタ自動 た場合、デ 1 タ取得方法から計画 —e 会社に提供しているのは、長しかも出てきた見積もりが巨額で車が米西海岸に自動運転の研究所 し直さなければならない。 期的な考慮を踏まえたものなのか、 日数もかかるーーという経験をしを設立し、本社とは別体系の賃金 = = 題か見えた、デ 1 タもそろつやや疑問だ。 た人は多いだろう。 でトップ研究者を迎えたのは、日 たとなったら、—システムの開 これは時代にはまずい。デ本企業の相場からかけ離れた賃金 < ーが浮き彫りにする 発に必要な技術を自社で手掛ける 1 タサイエンティストが業務部門水準に対する解でもある 情シス部門の課題 国内の人材の賃金相場は米 か、借りる ( 会社に開発委託 の近くに常駐し、何かあればさっ アルゴリズムを手に入れてシスとコ 1 ドが書ける環境が必要だ。国ほどではないが、開発にお する ) か、買う ( 企業や事業の買 いて機械学習を使ってデ 1 タの解 収 ) かを選択する。本稿では、最テム実装の局面を迎えると、人材なぜならでのデ 1 タ解析は基 も経営資源が要求される自社開発問題が浮上しがちだ。「情報シス本的に「やってみないとわからな析ができるようなエンジニアの賃 について重点的に述べる テム部門に経験豊富なエンジニアい 」世界。入力したデ 1 タから期金相場はやはり、ほかのエンジニ 自社システムに実装するといっ かいる」と考えるかもしれないが、待通りの出力を得るには、精度やアよりも一段高い ただそもそも、正社員として採 ても、種となるアルゴリズムにつ実は多くの企業で情シス立ロ ( 5 リよ、再現率 ( 5 肪ハー ) などを人間が 調整する必要がある。ここでいち用する必要があるのか議論する余 いては他社と協業で開発すること以前の問題を抱えている も多い。このとき、アルゴリズム 情シス部門は業務を効率化する いち会社を呼び会議の手間を地がある。に限らず—e の分 を開発するべンチャ 1 など協業会のが本来の役割。だが現実には、 かけるより、社内のデ 1 タチ 1 ム野では今、優れたエンジニアが特 定の職場に縛られず、世界中のプ 社の間で堂々巡りの議論が起こる業務部門の要求を迅速・適切に処で機動的にやるほうがよい ことがある 人材について留意したいのは、 ロフェッショナルと協働して複数 理できていないことか多い情シ べンチャ 1 はまずデ 1 タの提供ス部門にプロセス改善を相談した世界的なプ 1 ムを受け、関連のプロジェクトを作る働き方が常 を求めるが、企業は往々にして 識になりつつある。企業も既存の 基 を一 円例 一リ場円ッ 「先に君たちのアルゴリズムが優 雇用体系で頭脳を囲い込も、つとせ のニ - 十 6 なの 場 ) 億るクカエ ュッた万ス ピカし 0 れていることを証明してほしい」 眇ア副ず、彼らにとって魅力的な課題を 酬一俸業ワあの教一 レン円ン生社 8 度 トで学 / チ と回答する。一方でべンチャ 1 側報年賺 ッ者大、 まジ最ス提一小し、プロジェクト 1 本 300 バエ万コ学入程 ンる 0 でたこ とエー わネ人外ンのれ コあ 8 学しー万円 はデ 1 タかないとアルゴリズムが本一者授 0 万円といった業務委託方式でチ ヒレ こるにヒ リの 3 大攻業万 日 ~ 究教プ第ロ シレ ~ ド専企 0 0 も ( 一くえ一能 と研学一の小一グウ 1 ムを組成するほうが合理的だ。 開発できない。では、デ 1 タをど 界一の大、究ダリ一カ米判万一をの年 1 イ ~ でが、 どスオスま、テ これが自社の雇用体系にそぐわ 0 うすれば安心して外部に提供でき世スは なくフン一途ン し ル働 クるラ 俸ンエレ圧別セ ( 企 0 ン るだろうか契約を結んでもその ト、 ないから無理だという硬直的な企済 グで年タイバ初にンが スサン、らイ ( 者ラ しッ超の多 前提に強い信頼関係がなければ事 グん業は、時代の頭脳獲得竸争を経 グ企米タコ合さク ~ 究な口よ 高 ( トをこが 研要プ引 は進まない。そのためには資本業 、成とうてい勝ち抜けない。の普凍 の必 務提携なども検討したい。 材一万材ー新 , 大れ諷及は、正社員・終身雇用・年功序週 木本 人〔ト人 それほど、時代に富の源泉 列という日本企業の人事制度を大 5 日本 出 4 きく変える可能性がある となるデ 1 タは軽々と外部に渡す■ 世界