第一章
导入AI失败九成都是“隐形损失”！

第一节
人工智能早就进入了幻灭期

华丽登场的AI，即我们常说的人工智能。与世人的主流评价相反，有许多人指出，很难说人工智能有了划时代的变革，并能够进入到人们的生活之中。人工智能技术其实早就进入了幻灭期[1]。

那么，各位读者是如何认为的呢？

人工智能、机器学习……明确专业用语的定义

为了让接下来的叙述不陷入混乱，让我们先明确一下人工智能相关专业用语的定义。首先，AI即Artificial Intelligence的缩写，翻译成人工智能。简单来说，就是用计算机来模拟人类的智能（Intelligence），并将其系统化，最终其一切行为都会变得像人类一样（Artificial）。

只不过，“人工智能”一词之中被灌输了许多种意义、概念与期待。为此，“人工智能”一词也符合明斯基所说的“手提箱式词语”[2]。这意味着，不同的人可以对其给出各式各样不同的定义，所以每个人对事物的认识很容易变得模糊。

为此，我们先把人工智能当成一个广义概念来看待，当成一个广义的词来认识，这才是比较稳妥的方法（图1-1）。在人工智能这一宏大的主题之中，有“机器学习”这一研究领域。机器学习一般被称为Machine Learning（ML）。另外，在机器学习这一领域当中，又有“深度学习”这一研究领域。深度学习一般也被称作Deep Learning（DL）。稍后笔者会为大家详细地介绍机器学习和深度学习各自的含义。在人工智能领域当中，最备瞩目的领域当数机器学习。本书将主要介绍如何使用导入的机器学习这一技术来解决商业领域的问题。

与机器学习相关联的三种职业

一般情况下，当一个企业开始涉及机器学习时，以下三种职业需要大致区分[3]。

（1）机器学习规划师

所谓机器学习规划师，其职责就是规划通过机器学习能够获得怎样的成果，并对机器学习项目做整体的规划。有些情况下，机器学习规划会由经营者们或新项目团队、数字化转型（Digital Transformation, DX）[4]团队率先负责，也有些情况下会由各个部门共同负责。

（2）机器学习工程师

一般情况下，机器学习工程师也会被称作数据工程师、数据科学家等。然而实际上，机器学习工程师指的是能够创造出平稳运用机器学习模型的系统的人。有一些公司会由企业的系统部门或研发（Research and Development, R&D）部门的人负责机器学习系统的研发，同时，也有外包给系统集成商（System Integrator, SI）或人工智能风险企业来做的情况。当然了，还有和大学的理工专业、学院等进行共同研发的情况[5]。

（3）一线操作人员（机器学习操作人员）

企业开始涉足机器学习相关业务后，就一定会认真考虑究竟怎样做才能获得收益。换句话说，企业需要在第一线实际操作机器学习，并能给公司带来收益、解决问题的人。为此，我们可以说，在制造、工厂、销售、人力资源、业务部等各个部门使用、操作机器学习的每一位员工，都是重要的存在。

机器学习是一种什么样的技术

接下来，就让我们一起明确一下，所谓机器学习究竟是一种什么样的技术。一言以蔽之，我们可以说，机器学习就是运用计算机自动地从数据里获得规律的技术。

2012年之后[6]，机器学习备受瞩目，算起来，其实距离现在还不到十年。在计算机世界当中，十年时间的发展其实还是处于蹒跚学步的阶段。因此，对机器学习来说，不论是成功的技术，还是失败的技术，其积累都少得可怜。

机器学习项目，如今成功的也好，失败的也罢，在技术方面的真知灼见都是处于稀缺的状态。因此，很多人的想法都是在模模糊糊的框架里说出来的，例如：“这个机器学习技术，不如就放在机器学习项目里一边交换信息，一边搞研究吧……”所以，现在的我可以断言：要想找到机器学习技术上的诀窍，可以说是十分困难的。

今后，我们要在大范围内共享机器学习项目的成功经历及失败经历，并从这些或成功、或失败的例子中正确地总结出抽象且普遍的规律，并将其体系化。然而，尤其是机器学习在商业中的应用，总会出现这样的阶段：明明上次做的时候很顺利，但是这次做的时候又行不通了。目前，机器学习在商业领域的运用技巧还没有取得共享。可以说，这也是目前机器学习领域的一大重要课题了。

幻灭期为什么会来临？是什么时候来临的呢？

机器学习作为一门技术，其历史尚浅，仍处于初步发展的阶段。那么为什么它就进入了幻灭期呢？这是由于概念验证（Proof of Concept, PoC）这一测试方法出现，机器学习的一部分试行项目虽获得了世人的关注，但是在实际运用的阶段却屡遭失败，企划也随之告吹。可以这么说，许多机器学习的试行项目没能顺利开展，其实就在于，在技术还没有完全成熟之前，人们就对这些项目不抱以希望。

有许多人都曾有过这样的疑惑：“明明是想要好好地去解决一个课题，所以才做的企划啊。难道不是因为那些做规划的人没有应有的敏感嗅觉才导致现在这样的结果的吗？”然而，即便企业在设定课题的时候的确是想着“如果这一次能做成这样或那样的事情就好了”，但是在实际操作的过程中，有不少企业的项目都难以为继，最终也没能用上机器学习[7]。

因此，机器学习能够解决的课题是什么呢？为了利益的提高、给企业带来积极影响及提高投资回报率，我们应该做些什么呢？这些都是本书会涉及的内容。除此之外，本书还要试着将机器学习在商业领域应用之际的技术诀窍体系化。