※本記事は、MIT Sloan Management ReviewとBoston Consulting Groupによる共同制作ポッドキャスト「Me, Myself, and AI」の内容を基に作成されています。このエピソードでは、Stitch FixのシニアデータサイエンスディレクターであるJeff Cooper氏が、Sam RansbothamとShervin Khodabandehのホストと対談しています。 ポッドキャストの詳細情報とエピソードの書き起こしは https://mitsmr.com/3ITdwS2 でご覧いただけます。本記事では、ポッドキャストの内容を要約しております。なお、本記事の内容は原著作者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルのポッドキャストをお聴きいただくことをお勧めいたします。 Jeff Cooper氏は、スタンフォード大学で心理学の博士号を取得し、Caltech（カリフォルニア工科大学）とTrinity College Dublinで意思決定神経科学の研究に従事した後、Disney、FabFitFun、Tradesyでデータサイエンスのリーダーシップを発揮してきました。現在は、パーソナライズドスタイリングのグローバルリーダーであるStitch Fixで、商品推薦、スタイル、成長に関するモデルを開発するClient Algorithmsチームを率いています。 本ポッドキャストおよび関連コミュニティへの参加は、LinkedInグループ「AI for Leaders」（mitsmr.com/AIforLeaders ）、または「Me, Myself, and AI」のLinkedInページにてご参加いただけます。
1. Stitch Fixの概要と事業モデル
1.1. サービス規模と基本的な仕組み
Jeff Cooper（Stitch Fix上級データサイエンスディレクター）： Stitch Fixは、女性、男性、子供向けに300万人以上のクライアントにサービスを提供するオンラインパーソナルスタイリングサービスです。私たちの目標は、お客様が自分で選ぶような服、そしてさらに一歩踏み出して新しいスタイルに挑戦できる服を、最も便利な方法で提供することです。
サービスの基本的な仕組みとして、登録時に何千人もいるスタイリストの中から一人のスタイリストとマッチングされます。そのスタイリストは、私たちのデータサイエンスチームが開発したツールを活用しながら、お客様に最適な服を選定します。商品は自宅に配送され、気に入った物だけを購入し、それ以外は無料で返品できる仕組みになっています。
昨日で創業13周年を迎え、最近1億件目の「Fix（商品配送）」を達成しました。この実績は、お客様のニーズに応える形で、スタイリストの直感と理解力、そしてアルゴリズムとデータサイエンスを組み合わせたモデルの効果を証明しています。
Sam Ransbotham（ボストンカレッジ教授）： Jeff、このサービスは人間と機械が協働する素晴らしい例ですね。具体的にどのように機能しているのか、もう少し詳しく教えていただけますか？
Jeff Cooper： はい。小売業者として、お客様が実際に選んでいない商品を送り、無料返品を提供するというビジネスモデルは、一見リスクが高く見えるかもしれません。しかし、これを成功させるには、お客様のことを非常によく理解する必要があります。そのために、私たちは徹底的なデータ収集とフィードバックシステムを構築しています。これが、私たちのビジネスモデルの根幹となっています。
1.2. 顧客フィードバックモデルの特徴
Jeff Cooper： 私たちのビジネスモデルの特徴的な点は、顧客からの驚異的な高いフィードバック率です。85%のお客様が商品に対してフィードバックを提供してくれています。これは小売業界では極めて異例の数字です。
特筆すべきは、返品される商品に対してもフィードバックをいただけることです。通常の小売店では、返品時に詳細なフィードバックを得ることは稀ですが、私たちのお客様は返品商品についても積極的に意見を共有してくれます。これは、私たちのビジネスモデルが独自の制約を持つ一方で、お客様との直接的な関係を構築できる大きな強みになっています。
このような高いフィードバック率が実現できている理由は、お客様がスタイリストという「人」と協働していることを理解しているからです。お客様は「このフィードバックが自分のスタイリストの理解を深め、より良い提案につながる」ということを認識しています。また、数シーズン前に気に入っていたスタイルが今では合わなくなったり、新しい職場環境での服装の変更が必要になったりするなど、お客様の好みや状況は常に変化します。そのような変化をリアルタイムで伝えられる仕組みとして、フィードバックシステムが機能しています。
Sam Ransbotham： 85%という顧客フィードバック率は驚異的ですね。これは顧客の利益にも直結していると。
Jeff Cooper： その通りです。お客様自身が、より多くのフィードバックを提供することで、スタイリストとツールの両方が自分のスタイルをより早く理解できるようになると認識しています。このような相互理解の仕組みが、私たちの製品とコミュニケーションの中核となっているのです。
1.3. 事業の運営規模
Jeff Cooper： 私たちの事業規模は、創業者が自身のアパートでFixを組み立てていた初期から大きく成長し、現在では数千人のスタイリストを雇用し、週に数十万件のFixを配送するまでになりました。この成長に伴い、スタイリストと顧客との一対一の関係性を維持しながら、どのようにビジネスを拡大していくかが大きな課題となっています。
私たちのツールと自動化の多くは、このパーソナライズされた人間的なつながりを、何百万人ものお客様に提供できるようにスケールさせることを目的としています。スタイリストが多くの顧客と効果的にコミュニケーションを取れるよう支援し、ビジネスの拡大を可能にする仕組みづくりに注力しています。
Shervin Khodabandeh（BCGシニアパートナー）： この規模感は非常に興味深いですね。スタイリストたちはAIツールを使って、より多くの顧客に対応できるようになっているということですか？
Jeff Cooper： はい、その通りです。私たちのビジネスモデルの核心は、スタイリストとAIツールの協働にあります。例えば、個々の商品についてお客様が気に入るかどうかを予測する基本的なレコメンデーションモデルから始まり、そこに徐々に改良と複雑性を重ねてきました。この進化により、スタイリストは効率的に多くの顧客にサービスを提供できるようになり、現在の事業規模が実現できています。
2. AIと人間の協働モデル
2.1. スタイリストとAIの役割分担
Jeff Cooper： 私たちは、AIと人間のスタイリストの協働に強い信念を持っています。一人のお客様に対して、原則的には数千から数万のアイテムが適切である可能性があります。スタイリストが限られた時間の中で、在庫にある全ての商品を確認し、完璧なフィットを見つけることは現実的ではありません。
そこで、私たちのAIモデルが最初の絞り込みを行います。データと機械学習アルゴリズムを活用して、お客様の一般的な好みや、特定のFixでのリクエスト内容を考慮し、候補となるアイテムを選定します。この段階でAIは、お客様の要望に沿った適切なアイテムセットを提案します。
最後の重要な判断は、私たちのスタイリストが担当します。スタイリストはファッショントレンドについて、私たちのアルゴリズムよりも深い知見を持っています。また、お客様との感情的なつながりや、特定の機会に対する具体的な要望なども理解しています。このため、AIが提案したアイテムの中から、その時点で最適な選択を行うことができます。
Sam Ransbotham： つまり、AIはスタイリストが適切な判断を下せるよう、選択肢を絞り込む役割を果たしているということですね。
Jeff Cooper： その通りです。私たちのツールは、スタイリストが適切な商品を見つけるためのサポート役として機能しています。AIと人間の役割分担を明確にし、それぞれの強みを活かすことで、お客様により良いサービスを提供できています。これは単なる効率化ではなく、サービスの質を高めるための協働なのです。
2.2. データ収集とフィードバック活用
Jeff Cooper： 私たちは、お客様をより深く理解するために、複数の方法でデータを収集しています。サービス開始時に多くの質問をさせていただき、お客様のスタイルについての基本的な情報を得ます。お客様も自分のスタイルについて私たちと話し合うことに積極的で、スタイリングのサポートを受けるために必要な情報を喜んで共有してくれます。
フィードバックの収集は、商品の試着時、購入時、返品時など、様々なタッチポイントで行っています。各Fixごとに具体的なリクエストをいただくことも多く、これらの情報は全てお客様の好みの理解に活用されます。
Shervin Khodabandeh： このような継続的なフィードバックは、サービスの改善に大きく貢献していますね。
Jeff Cooper： はい。スタイリストは、担当しているお客様の全ての履歴、フィードバック、評価を確認できるツールを持っています。特に、何年もの間に数十回のFixを受け取ってきたお客様の場合、そのフィードバック履歴は非常に豊富なものとなります。これらの情報は、私たちの内部システムによって分析され、そのお客様に最適な商品を推薦するための基礎となります。
さらに、お客様の好みは時間とともに変化していきます。新しい職場環境や、ファッショントレンドの変化により、以前は気に入っていたスタイルが今では合わなくなることもあります。このような変化をリアルタイムで把握し、理解を更新していく上で、継続的なフィードバックシステムは不可欠な役割を果たしています。
Sam Ransbotham： つまり、フィードバックは単なる満足度調査ではなく、サービスの核心部分を構成しているということですね。
Jeff Cooper： その通りです。このフィードバックループの維持は、私たちの製品開発とお客様とのコミュニケーションの中核を成しています。お客様との直接的な関係性こそが、私たちのビジネスモデルの最も重要な特徴だと考えています。
2.3. 顧客理解のためのデータ活用
Jeff Cooper： 顧客理解のためのデータ活用は、4つの重要な要素の相互作用として捉えています。まず顧客自身の好みの変化、次にスタイリストの専門的な見解、そして市場全体のトレンド、最後にこれらを分析するAIモデルです。
数年にわたって数十回のFixを受け取っているお客様の場合、そのフィードバック履歴は非常に豊富なものとなります。これらの長期的なデータは、新しい生成AI技術によって、より効果的に要約・分析できるようになってきています。例えば、スタイリストが年単位の履歴を効率的に理解できるような要約機能の開発を進めています。
Sam Ransbotham： それは興味深いアプローチですね。スタイリストがパートナーとして、より深い顧客理解のためにAIを活用しているということですか？
Jeff Cooper： その通りです。私たちのデータ活用の特徴は、広範なファッショントレンドと個人の好みを組み合わせる点にあります。お客様が世の中で目にしているトレンド、それに対する認識、そして自分には合わないと思っているスタイルについても、スタイリストが「実はあなたに似合うかもしれない」と提案できるような知見をデータから得ています。
また、似たような好みを持つ他の顧客のデータからトレンドを抽出し、個々のお客様へのレコメンデーションに活用しています。このように、個人レベルとマーケット全体のトレンドを組み合わせることで、より良い提案が可能になっています。これらのデータは、お客様との長期的な信頼関係を構築する上で重要な基盤となっています。
3. ジェネレーティブAIの活用
3.1. アウトフィット自動生成
Jeff Cooper： 私たちは近年の技術進歩、特に生成AIの発展を非常に期待しています。顧客に関する豊富なデータを持っているからこそ、新しい技術を活用することで、過去1〜4年前に収集したデータの価値をさらに高められると考えています。
アウトフィット自動生成は、私たちが早くから取り組んできた生成AI技術の一つです。「Complete Your Looks（コーディネートの完成）」という機能を通じて、お客様が以前購入して気に入った商品と、それに合わせる新しいアイテムを自動的にマッチングします。このモデルは、スタイリストたちの知見を活用して開発されました。
Shervin Khodabandeh： スタイリストの知識をモデルに組み込むプロセスについて、もう少し詳しく教えていただけますか？
Jeff Cooper： はい。私たちのアウトフィットモデルの開発では、スタイリストたちが基本的なルールやガードレールを設定する役割を果たしました。例えば、「パジャマのボトムスと高級なブラウスを組み合わせてはいけない」といった基本的なルールから、より微妙なスタイルの組み合わせまで、スタイリストの暗黙知をモデルに組み込んでいきました。
このモデルは日々数千万のアウトフィットを生成しており、お客様は自分で直接商品を選ぶこともできますし、スタイリストに相談することもできます。スタイリストは、システムが生成したアウトフィットを確認し、お客様との対話の中で活用しています。
Sam Ransbotham： つまり、人間の専門知識とAIの処理能力を組み合わせることで、大規模なパーソナライゼーションを実現しているわけですね。
Jeff Cooper： その通りです。アウトフィット生成は、人間とAIの協働の良い例です。AIが大量のコーディネートを生成し、スタイリストがその質を担保する。この組み合わせにより、スケーラブルかつ質の高いサービスを提供できています。
3.2. スタイリストノート生成
Jeff Cooper： 私たちは大規模言語モデルの可能性にも早くから着目し、様々な規模でのプロジェクトを展開してきました。初期の取り組みとしては、広告コピーの作成や商品説明ページの改善などの小規模なプロジェクトから始めました。
最近では、GPT-4を活用した新機能を導入し、スタイリストのノート作成プロセスを革新しています。この機能は、お客様へのパーソナライズされたメッセージ作成を支援するものです。スタイリストは各Fix（商品配送）ごとにお客様へ個別のノートを書いていますが、GPT-4を活用することで、この作業をより効率的に行えるようになりました。
具体的には、システムに顧客データと選択したアイテムの情報を入力し、スタイリストが選択可能なテンプレートを生成します。これは単なる定型文の生成ではなく、お客様の好みやフィードバック履歴、そしてFixに含まれる商品の特徴を考慮した、パーソナライズされた文章のテンプレートです。
Shervin Khodabandeh： このシステムはスタイリストの作業をどのように変えたのでしょうか？
Jeff Cooper： このツールの使用はオプショナルですが、多くのスタイリストが活用しています。基本的な導入部分や、多くのFixに共通する表現をシステムが提案することで、スタイリストはより創造的で価値の高い部分にフォーカスできるようになりました。つまり、これは人間の接客スキルを置き換えるのではなく、強化するツールとして機能しています。
このアプローチは、私たちがAIを活用する際の基本的な考え方を示しています。人とのつながりという私たちの核心的な価値を維持しながら、それをより効率的でスケーラブルなものにしているのです。
3.3. 業務効率化の成果
Jeff Cooper： GPT-4を活用したスタイリストノート生成システムの導入により、私たちは大きな業務効率化を達成しました。具体的には、ノート作成時間を約20%削減することができました。これは、当社の規模を考えると非常に大きな効率化です。
スタイリストたちからも、このシステムについて非常に良い反応を得ています。時間の節約だけでなく、より創造的な業務に集中できるようになったという声が多く聞かれます。
Sam Ransbotham： 効率化と品質の両立は難しい課題だと思いますが、どのようにバランスを取っているのでしょうか？
Jeff Cooper： 私たちのアプローチの特徴は、AIを使って人間の仕事を置き換えるのではなく、強化することに焦点を当てている点です。例えば、多くのFixに共通する導入部分や基本的な表現をシステムが提案することで、スタイリストはより個人的で価値の高いコミュニケーションに時間を使えるようになりました。
これは私たちのAI活用の基本的な考え方を示しています。人とのつながりという核心的な価値を維持しながら、それをより効率的でスケーラブルなものにしているのです。効率化によって生まれた時間を、より深い顧客理解や創造的な提案に振り向けることで、サービスの質を向上させることができています。
4. AIモデル開発の課題と進化
4.1. モデルの統合化
Jeff Cooper： 過去数年間で、私たちのAIモデル開発における最も重要な進展の一つが、統合モデルへの移行です。以前は、女性向けのFixのためのモデル、女性向けのフリースタイル（直接買い物）用のモデル、男性向けのモデルなど、複数の異なるモデルが存在していました。
これらの個別モデルは、それぞれのコンテキストで機能していましたが、大きな課題がありました。例えば、お客様がフリースタイルで商品を閲覧している際、そのお客様がFixで購入した商品の情報がモデルに反映されないという問題がありました。スタイリストは両方の情報を知っているのに、モデルは片方の情報しか持っていないという状況でした。
Sam Ransbotham： それは顧客体験に大きな影響を与えそうですね。統合によってどのような改善が見られましたか？
Jeff Cooper： 統合モデルへの移行により、クライアントに関するすべての情報を一元的に管理し、活用できるようになりました。これにより、スタイリストたちは、顧客がサイトのどの部分で買い物をしているかに関係なく、一貫した情報に基づいて提案できるようになりました。
これは一見単純な変更に聞こえるかもしれませんが、実装は非常に複雑で、多大な努力を要しました。しかし、この統合により、顧客理解の深化とサービスの一貫性が大きく向上し、投資に見合う価値があったと考えています。
今では、スタイリストたちはクライアントについてモデルが知っているすべての情報に、一元的にアクセスできます。これにより、より正確で一貫性のある推薦が可能になり、顧客満足度の向上にもつながっています。
4.2. 制約条件の学習
Jeff Cooper： 私たちのアウトフィットモデルの開発において、スタイリストの暗黙知をAIシステムに組み込むことは非常に重要な課題でした。スタイリストたちと協力して、彼らが持つファッションの基本ルールや制約条件を、モデルが理解できる形で形式化していきました。
例えば、パジャマパンツと高級なブラウスを組み合わせてはいけないというような基本的なルールから始まり、より微妙なスタイルの組み合わせまで、ビジネスロジックとしての硬い制約と、繰り返しの学習による柔軟な制約の両方を実装していきました。
Shervin Khodabandeh： そのプロセスはかなり複雑だったのではないですか？
Jeff Cooper： はい。実際、このプロセスには大きく分けて2つのパターンがあります。1つ目は、モデルがスタイリストの選択の範囲を提示し、スタイリストがその中から最適なものを選ぶパターン。2つ目は、スタイリストが基本的な制約条件を設定し、モデルがその中で最適な選択を行うパターンです。
私たちのアウトフィットモデルは後者の良い例です。スタイリストたちがモデルのトレーニングを支援し、基本的なガードレールを設定します。これらの制約条件は、ハードコードされたビジネスロジックとしても、また繰り返しのトレーニングを通じた学習としても実装されています。どちらのアプローチを使うかは、製品の特徴や必要なスケールによって判断しています。
Sam Ransbotham： つまり、人間の専門知識をシステムに組み込む方法が複数あるということですね。
Jeff Cooper： その通りです。特に重要なのは、これらの制約条件が静的なものではないということです。ファッショントレンドは常に変化し、以前は「してはいけない」とされていた組み合わせが、新しいトレンドとして受け入れられることもあります。そのため、モデルの学習プロセスも継続的に更新される必要があります。
4.3. 説明可能性への取り組み
Jeff Cooper： あらゆる機械学習システムにとって説明可能性は重要な課題ですが、私たちの場合、その複雑さは二重になっています。まず、モデルの出力をスタイリストに説明する必要があり、次にスタイリストがその推薦理由を顧客に説明できる必要があります。
他の小売サイトでも、「なぜこの商品が推薦されているのか」という説明可能性の課題に直面していますが、私たちの場合、スタイリストという中間層が存在することで、より複雑になっています。スタイリストは推薦スコアの背後にある理由を理解する必要があり、さらにそれを顧客に説明できなければなりません。
Shervin Khodabandeh： その複雑な説明の連鎖をどのように管理されているのですか？
Jeff Cooper： 私たちは、スタイリストのトレーニングに多くの時間を費やしています。モデルのスコアがどのように生成されているのか、その背景にある考え方を理解してもらうことが重要です。特に、複数の異なるモデルを統合した現在のシステムでは、スタイリストがFixの様々な段階で適切な判断を下せるよう、包括的な理解が必要です。
最も重要なのは、人間であるスタイリストが、自分のドメインに関する専門知識を活かして、モデルの推薦を顧客に説明できることです。現在の言語モデルが進歩しているとはいえ、スタイリストが顧客一人一人に合わせて、なぜその商品が最適なのかを説明する能力には及びません。この人間ならではの説明能力は、私たちのサービスの重要な価値の一つとなっています。
Sam Ransbotham： つまり、説明可能性はテクノロジーの問題であると同時に、人間のコミュニケーションの問題でもあるということですね。
Jeff Cooper： その通りです。モデルの出力を解釈し、それを人間にとって意味のある形で伝えることは、技術的な課題であると同時に、人間のコミュニケーションの課題でもあります。私たちは、この両面からアプローチすることで、より効果的な推薦システムを構築できていると考えています。
5. ファッションにおけるAIの特殊性
5.1. 開放的な問題空間
Jeff Cooper： ファッションにおけるAIの応用は、バッテリーの選択のような明確な答えがある問題とは本質的に異なります。私たちの直面している課題は、ポラニーのパラドックスと呼ばれる現象に似ています。つまり、人々は三角関数を知らなくてもビリヤードを上手にプレイできるように、自分が何を好むかを説明できなくても、好みを持つことができるのです。
Sam Ransbotham： そうですね。私自身も自分のスタイルについて、何が好きかは明確に説明できませんが、気に入らないものを見たときには即座にわかります。これは興味深い問題設定ですね。
Jeff Cooper： その通りです。このような開放的な問題空間では、デザインの問題として捉える必要があります。自動車デザインやアートと同様に、多くのパラメータと境界条件が存在し、複数の正解が存在し得ます。これは、取引の不正検知や最適な販促オファーの選択のような、単一の正解を求める問題とは本質的に異なります。
Shervin Khodabandeh： これは設計問題のように聞こえますね。正確な形状が予め決まっているわけではなく、様々な選択肢があり、グローバルな最適解が一つとは限らない。
Jeff Cooper： はい。さらに重要なのは、この問題が人間関係に似ているという点です。私たちは顧客との各インタラクションを最適化しようとするのではなく、長期的な関係性を築くことを目指しています。各接点での判断は、その瞬間の最適解を求めるのではなく、より長期的な関係性の文脈の中で行われるべきものなのです。
このように主観的で創造的な領域でAIを活用する際には、単なる最適化や効率化を超えて、人間の感性や創造性をどのように支援できるかを考える必要があります。
5.2. 主観と変動性
Jeff Cooper： データサイエンスの観点から見ると、ファッションほど人間の変動性と向き合う必要がある分野は少ないと感じています。同じ商品を二人の人が見て、一方は素晴らしいと感じ、もう一方はまったく気に入らないということが日常的に起こります。このような主観的な変動性を扱うことは、私たちの中心的な課題の一つとなっています。
特に面白いのは、私たちの社会科学バックグラウンドを持つチームメンバーと物理科学バックグラウンドを持つメンバーの間で見られる、データに対する異なるアプローチです。天文学や地質学、化学といった分野から来た人々は、データがある程度の規則性に従うことを期待する傾向があります。一方、心理学や経済学といった社会科学のバックグラウンドを持つ人々は、人間の行動データの本質的な不確実性をより直感的に理解しています。
Shervin Khodabandeh： それは興味深い観察ですね。異なる分野のバックグラウンドが、データの解釈にも影響を与えているということですか？
Jeff Cooper： はい。例えば、大学生や子供を対象とした研究経験がある人は、人間のデータに内在する変動性をより深く理解しています。この理解は、ファッションのような極めて主観的な領域でAIモデルを開発する際に非常に重要です。好みは常に変化し、文脈依存的で、時には矛盾することさえあります。このような不確実性をモデルに組み込み、それでいて有用な予測を行えるようにすることが、私たちの技術的な挑戦の一つとなっています。
また、お客様の好みは時間とともに進化していきます。新しい職場環境や、ライフスタイルの変化に応じて、以前は気に入っていたスタイルが今では合わなくなることもあります。このような変化をリアルタイムで捉え、モデルに反映させていく必要があります。
5.3. トレンドと個人嗜好
Jeff Cooper： 私たちのファッション推薦システムは、実際には4つの要素が相互作用する複雑なシステムとして機能しています。まず顧客自身の好みがあり、次にスタイリストの専門的な見解があります。そして、より広い市場のトレンド、そしてこれらすべてを分析するAIモデルです。
このシステムの複雑さは、これらの要素が常に変化し続けることにあります。例えば、お客様が外の世界で目にしているトレンド、それに対する認識、自分には合わないと思っているスタイルなど、様々な要素が絡み合っています。興味深いのは、スタイリストがこれらの情報を総合的に判断し、「実はあなたに似合うかもしれない」という新しい提案ができることです。
Sam Ransbotham： それは非常に興味深い点ですね。マクロなトレンドと個人の好みをバランスさせる必要があるということですか？
Jeff Cooper： その通りです。私たちのデータは、個人レベルとマーケット全体の両方のトレンドを捉える必要があります。似たような好みを持つ他の顧客のデータから、個々のお客様への提案を導き出すこともあります。しかし、それだけでなく、お客様自身がまだ気づいていない、あるいは試したことのない新しいスタイルを提案することも重要です。
これは時系列的な変化も考慮に入れる必要があります。ファッショントレンドは季節や年とともに変化し、個人の好みや状況も変化していきます。このような多層的な変化を捉え、それを適切なタイミングで提案に反映させることが、私たちのシステムの重要な機能の一つとなっています。
6. データサイエンスの展望と課題
6.1. 心理学的アプローチ
Jeff Cooper： 私はもともと心理学のバックグラウンドを持っており、データサイエンスに入った理由の一つは、人間の行動に関する最も豊富なデータがこの分野にあるからです。私が大学院で学んでいた意思決定理論に関する研究は、現在の日々の業務に直接的に活きています。
心理学を学んだ経験から、人間の行動やモチベーションの複雑さを理解することは、データサイエンスにおいて非常に重要だと考えています。例えば、曖昧で形のない人間の概念を数学的なモデルに変換する作業は、心理学の研究で常に直面する課題でした。
Sam Ransbotham： 心理学と現在のデータサイエンスの仕事には、具体的にどのような接点があるのでしょうか？
Jeff Cooper： 特に実際の顧客を相手にするビジネスでは、顧客が必ずしも予測通りの行動を取らないことを前提にする必要があります。また、顧客が探しているものが何なのかを、顧客自身も明確に説明できないことがよくあります。このような状況で、漠然とした概念や難しい予測を数値化し、測定可能にする必要があります。
データサイエンスは、このような複雑で予測困難な人間の行動や感情について、何か意味のあることを数学的に表現するための素晴らしいツールを提供してくれます。私たちは統計モデリングや高度なコンピューティングツールを使って、人間の感情や決定プロセスについての洞察を得ることができます。これは、まさに心理学の研究で培った視点が活かされる領域だと考えています。
6.2. 人間行動の数値化
Jeff Cooper： データサイエンスの本質的な課題の一つは、人間の感性や行動といった漠然とした要素を、どのように数値化し、測定可能にするかということです。私は心理学のバックグラウンドから、このような課題に日常的に取り組んできました。
統計やデータサイエンスは、変動性のあるデータを扱うための手法として発展してきました。同じことを繰り返しても異なる結果が得られる状況、つまり変動性への対処が根本的な課題です。ファッションほど、この変動性が顕著な分野はありません。
Sam Ransbotham： その変動性への対処は、具体的にどのように行われているのでしょうか？
Jeff Cooper： 私たちのアプローチは、社会科学的な方法論に基づいています。例えば、大学生や実験参加者を対象とした研究経験から、データの変動性を自然なものとして受け入れ、その中からパターンを見出すことを学びました。これは物理科学のアプローチとは異なり、完全な決定論的モデルを目指すのではなく、確率的なモデルを構築することを意味します。
特に重要なのは、測定できない要素があることを認識しつつ、それでも意味のある予測を行えるモデルを作ることです。例えば、顧客の好みという抽象的な概念を、具体的な購買行動やフィードバックを通じて間接的に測定し、それをモデルに組み込んでいきます。これは完璧な測定ではありませんが、実用的な価値を持つモデルを構築することができます。
6.3. 物理世界でのAI
Jeff Cooper： 私たちは現在、情報処理と言語処理の分野でAIの大きな進展を目の当たりにしています。これは非常に重要な進歩ですが、私が特に期待しているのは、AIが物理的な世界でより活躍できるようになることです。
現在、私たちはロボットだけでなく、物理的な自動化全般について、より認知的に高度なモデルとの連携が可能になりつつあります。人間がより自然な方法でこれらの自動化システムと対話できるようになることは、非常に魅力的な展望です。
Sam Ransbotham： それは具体的にどのような形で実現されると考えていますか？
Jeff Cooper： 大規模言語モデルやその他の最新のAI技術の最も興味深い点は、人間がより自然な方法でこれらのシステムと対話できるようになったことです。この進歩を物理的な世界に拡張できれば、自動化システムとの相互作用がより直感的になり、より多くの人々がテクノロジーの恩恵を受けられるようになるでしょう。
これは単なる技術的な進歩以上の意味を持ちます。人間とAIの関係性そのものを再定義する可能性を秘めています。例えば、私たちのスタイリストとAIの協働モデルのように、人間の創造性や判断力とAIの処理能力を組み合わせることで、これまでにない価値を生み出すことができます。
この方向性は、AIが人間の仕事を置き換えるのではなく、人間の能力を拡張し、より豊かな相互作用を可能にする未来への道を示していると考えています。