第一章
導入AI失敗九成都是“隱形損失”！
第一節
人工智能早就進入了幻滅期
華麗登場的AI，即我們常說的人工智能。與世人的主流評價相反，有許多人指出，很難說人工智能有了劃時代的變革，并能夠進入到人們的生活之中。人工智能技術其實早就進入了幻滅期[1]。
那么，各位讀者是如何認為的呢？
人工智能、機器學習……明確專業用語的定義
為了讓接下來的敘述不陷入混亂，讓我們先明確一下人工智能相關專業用語的定義。首先，AI即Artificial Intelligence的縮寫，翻譯成人工智能。簡單來說，就是用計算機來模擬人類的智能（Intelligence），并將其系統化，最終其一切行為都會變得像人類一樣（Artificial）。
只不過，“人工智能”一詞之中被灌輸了許多種意義、概念與期待。為此，“人工智能”一詞也符合明斯基所說的“手提箱式詞語”[2]。這意味著，不同的人可以對其給出各式各樣不同的定義，所以每個人對事物的認識很容易變得模糊。
為此，我們先把人工智能當成一個廣義概念來看待，當成一個廣義的詞來認識，這才是比較穩妥的方法（圖1-1）。在人工智能這一宏大的主題之中，有“機器學習”這一研究領域。機器學習一般被稱為Machine Learning（ML）。另外，在機器學習這一領域當中，又有“深度學習”這一研究領域。深度學習一般也被稱作Deep Learning（DL）。稍后筆者會為大家詳細地介紹機器學習和深度學習各自的含義。在人工智能領域當中，最備矚目的領域當數機器學習。本書將主要介紹如何使用導入的機器學習這一技術來解決商業領域的問題。
圖1-1 人工智能、機器學習、深度學習之間的關系
與機器學習相關聯的三種職業
一般情況下，當一個企業開始涉及機器學習時，以下三種職業需要大致區分[3]。
（1）機器學習規劃師
所謂機器學習規劃師，其職責就是規劃通過機器學習能夠獲得怎樣的成果，并對機器學習項目做整體的規劃。有些情況下，機器學習規劃會由經營者們或新項目團隊、數字化轉型（Digital Transformation, DX）[4]團隊率先負責，也有些情況下會由各個部門共同負責。
（2）機器學習工程師
一般情況下，機器學習工程師也會被稱作數據工程師、數據科學家等。然而實際上，機器學習工程師指的是能夠創造出平穩運用機器學習模型的系統的人。有一些公司會由企業的系統部門或研發（Research and Development, R&D）部門的人負責機器學習系統的研發，同時，也有外包給系統集成商（System Integrator, SI）或人工智能風險企業來做的情況。當然了，還有和大學的理工專業、學院等進行共同研發的情況[5]。
（3）一線操作人員（機器學習操作人員）
企業開始涉足機器學習相關業務后，就一定會認真考慮究竟怎樣做才能獲得收益。換句話說，企業需要在第一線實際操作機器學習，并能給公司帶來收益、解決問題的人。為此，我們可以說，在制造、工廠、銷售、人力資源、業務部等各個部門使用、操作機器學習的每一位員工，都是重要的存在。
機器學習是一種什么樣的技術
接下來，就讓我們一起明確一下，所謂機器學習究竟是一種什么樣的技術。一言以蔽之，我們可以說，機器學習就是運用計算機自動地從數據里獲得規律的技術。
2012年之后[6]，機器學習備受矚目，算起來，其實距離現在還不到十年。在計算機世界當中，十年時間的發展其實還是處于蹣跚學步的階段。因此，對機器學習來說，不論是成功的技術，還是失敗的技術，其積累都少得可憐。
機器學習項目，如今成功的也好，失敗的也罷，在技術方面的真知灼見都是處于稀缺的狀態。因此，很多人的想法都是在模模糊糊的框架里說出來的，例如：“這個機器學習技術，不如就放在機器學習項目里一邊交換信息，一邊搞研究吧……”所以，現在的我可以斷言：要想找到機器學習技術上的訣竅，可以說是十分困難的。
今后，我們要在大范圍內共享機器學習項目的成功經歷及失敗經歷，并從這些或成功、或失敗的例子中正確地總結出抽象且普遍的規律，并將其體系化。然而，尤其是機器學習在商業中的應用，總會出現這樣的階段：明明上次做的時候很順利，但是這次做的時候又行不通了。目前，機器學習在商業領域的運用技巧還沒有取得共享。可以說，這也是目前機器學習領域的一大重要課題了。
幻滅期為什么會來臨？是什么時候來臨的呢？
機器學習作為一門技術，其歷史尚淺，仍處于初步發展的階段。那么為什么它就進入了幻滅期呢？這是由于概念驗證（Proof of Concept, PoC）這一測試方法出現，機器學習的一部分試行項目雖獲得了世人的關注，但是在實際運用的階段卻屢遭失敗，企劃也隨之告吹?？梢赃@么說，許多機器學習的試行項目沒能順利開展，其實就在于，在技術還沒有完全成熟之前，人們就對這些項目不抱以希望。
有許多人都曾有過這樣的疑惑：“明明是想要好好地去解決一個課題，所以才做的企劃啊。難道不是因為那些做規劃的人沒有應有的敏感嗅覺才導致現在這樣的結果的嗎？”然而，即便企業在設定課題的時候的確是想著“如果這一次能做成這樣或那樣的事情就好了”，但是在實際操作的過程中，有不少企業的項目都難以為繼，最終也沒能用上機器學習[7]。
因此，機器學習能夠解決的課題是什么呢？為了利益的提高、給企業帶來積極影響及提高投資回報率，我們應該做些什么呢？這些都是本書會涉及的內容。除此之外，本書還要試著將機器學習在商業領域應用之際的技術訣竅體系化。
專欄
機器學習工程師聚集的社區“Kaggle”是什么？
在機器學習工程師的圈子中，有一些平臺以提升機器學習模型性能為目的，可供工程師們共享技術上的竅門。Kaggle就是其中翹楚。Kaggle創立于2010年，2017年被谷歌收購，主要為開發商和機器學習工程師提供分析課題，并在用戶之間舉辦機器學習競賽、托管數據庫等業務。日本主要參與的公司是瑞可利（RECRUIT）公司、MERCARI公司等。參與的工程師們如果在競賽中獲得第一名的話，就會獲得高達數十萬元至數百萬元的獎金。他們的目標就是與同行工程師切磋技藝，并努力爭取獲得較高的名次。
Kaggle既是一個競賽平臺，也是一個討論平臺。這些討論就是為了提高準確程度，同時，在一些情況下，Kaggle也能夠公開以前的競賽獲勝方的代碼、編碼，讓工程師們接觸到獲勝方的代碼解析方法，學習最新的解析方法。另外，這個平臺還能夠發布企業招募機器學習工程師的公告等。Kaggle的一大特征就是它既以競賽為中心，又是一個可供大家靈活使用的社區。