PoC
AIに高い専門性を持つ私たちが、AIの導入方法や実現の可否を判断します
こんなお悩みをお持ちの企業に最適です
- 現在の業務とAIをどう組み合わせたらいいのか分からないので、まずは相談したい。
- AIを導入しても活用できるか不安。
- 実現できるか分からないが、業務でやりたいことのイメージはある。
- 本格的にシステムを導入してからの失敗は避けたい。
PoCの特長
新しい取り組みの実効性を検証するPoC(概念実証)は、AIを導入を検討するにあたってもよく用いられる手法です。しかし、PoCを繰り返してもその後のAI導入につながらないことも多く、振り回される企業の担当者の間ではPoC疲れなどという言葉も生まれているのが現状です。AMBLでは、そういった失敗を回避するために、お客様のご要望を正確に把握するヒアリングや、業務理解の過程に重点を置いています。課題とAIの技術的な噛み合わせや、費用対効果などを事前に話し合ったうえでPoCをご提案させていただきます。
お客様がお持ちのアイデアから、具体的な実現方法をご提案
業務改善のアイデアや、実現したいことのイメージは描けていても、技術的な実現性やAIを導入する必然性をどう検討したらいいのか分からない、というお客様に対して、弊社はPoCの支援を行っています。アイデアベースのお話だとしても、AIへの知見が深い弊社なら、AIの活用ポイントや必要なデータといった具体的な実現方法をご提案できます。
以下の流れでPoC支援を行っています。
- ヒアリング、要件まとめ
- 技術的な実現性の検証
- 予測モデル(暫定)構築
- 費用対効果検討
- 教師データの選定
AIの研究組織を持つシステム会社なので、開発のご提案も可能
弊社はAI研究に特化した組織を持ち、自然言語解析や画像解析といったAI技術の情報収集と、技術知見取得を積極的に行っています。研究所に所属する社員は必ずプロジェクトにアサインされるので、技術的な検証がより正確に行えます。
1.自然言語処理を用いたソーシャルリスニング・ツール開発
SNS上で特定のワードがつぶやかれた回数をカウントしたり、分析したりできるAIツールは、企業のPR効果測定などでよく利用されます。こういったツールでは、特定のワードを数えるだけではなくて、一緒によくつぶやかれている単語を分析し、投稿がポジティブなものなのか、ネガティブなものなのかを判定できます。
使用例
ファミリーレストランの春の苺パフェのキャンペーン分析
ファミリーレストランの店名を特定のワードに設定し、そのワードとともに何がつぶやかれているのか分析します。パフェやイチゴと言ったワードが上位に含まれていれば、高いキャンペーン効果が出ていると言えます。ポジティブな投稿なのか、ネガティブな投稿なのかといった感情分析も行い、キャンペーンの効果測定をさらに深めることもできます。
2.画像解析を用いた健康機器の数値読み取りツール開発
温度計や血圧計といった健康機器の測定結果を人が目視で確認してデータ登録を行うと、時間と労力がかかるだけではなく、入力ミスが発生する可能性もあります。そこで、弊社はモニターの液晶画面に画像で表示された結果から測定数値を読み取り、データ化するエンジンを開発しました。このエンジンをアプリ化し、スマートフォンで利用できるようにすると、スマートフォンで撮影した画像から数値をデータとして登録できます。
使用例
訪問看護サービス利用者の健康管理
起床時に訪問看護の利用者やその家族が計測した体温、血圧、心拍数といった数値を、スマートフォンで撮影してもらうだけで、看護師は訪問前にその時点での体調を把握できます。データは毎日蓄積されていくので、過去の傾向から今後起こりうる体調の変化にもいち早く気付けます。
支援の流れ
-
STEP 01ヒアリング、
要件まとめ -
STEP 02技術的な
実現性の検証 -
STEP 03予測モデル
(暫定)構築 -
STEP 04費用対効果検討
-
STEP 05教師データの
選定 - 継続サポート運用・保守
追加開発
-
STEP 01
ヒアリング、
要件まとめまずはお気軽にご相談ください。実現の可否についてはあまり議論せず、こんなことをしたい、こうなりたい、といったアイデアベース話し合いをしながら、要件をまとめていきます。期間や予算についてのご希望もお聞かせください。
-
STEP 02
技術的な
実現性の検証いただいた要件をもとに、実現方法や活用するテクノロジーを検討し、仕様を詰めていきます。なお、追加でご質問をしたり、改めてヒアリングの場を設けさせていただくこともあります。実現化にかかる費用や期間も、この段階で算出します。
-
STEP 03
予測モデル
(暫定)構築本格的な開発に入る前に、実現性をもう一度確認するために暫定的なモデルを構築します。AIの予測・判断に使えるロジックをいくつか構築し、その中から最も結果が正確だったものを採用します。この段階では仮のデータを使ってAIの動きだけを確認するので、実際の業務で使用したいデータが用意できていなくても大丈夫です。
-
STEP 04
費用対効果検討
構築した暫定の予測モデルの機能や精度検証を行い、費用対効果を算出します。
-
STEP 05
教師データの
選定予測モデルの精度を高めるために、実際の業務に導入後活用する教師データの選定も行います。データ選定にあたっては、必要なデータ量の算出や、クレンジング、アノテーション方法もAMBLで検討します。
PoCの段階はここで終了しますが、その後の実装も弊社にお任せいただけます。