2024-08-14 エンタープライズソフトウェアにおけるジェネレーティブAI革命：ACMW Technology Leaders Episode 15レポート

※本記事は、ACM-W主催の「Celebrating Technology Leaders」シリーズの第15エピソード「Generative AI in Enterprise Software」の内容を基に作成されています。パネルディスカッションの詳細情報は本記事末尾にあるYouTube動画でご覧いただけます。本記事では、ディスカッションの内容を要約しております。なお、本記事の内容は登壇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、オリジナルの動画をご視聴いただくことをお勧めいたします。 また、パネリストのMamta Suri氏、Elaine Zhou氏、Rebecca Sanchez氏、およびホストのBushra Anjum氏のLinkedInプロフィールもご参照ください。ACM-Wの最新情報については、公式Twitter（@officialacmw）、Facebook（/women.acm.org）、Instagram（@acmwomen）をフォローするか、メーリングリスト（https://signup.acm.org/listserv_index）にご登録ください。

1. はじめに：パネリストの紹介とディスカッションの概要

本日のACM-W Celebrating Technology Leadersエピソード15では、「エンタープライズソフトウェアにおけるジェネレーティブAI」をテーマに議論を展開します。私、Bushra Anjumが本セッションのホストを務めます。

まず、本日のパネリストを紹介させていただきます：

1. Mamta Suri：AdmittMe.comおよびAI Unfilteredの創設者です。Mamtaは、異なる分野での経験を持ち、教育分野は新しい挑戦だと語っています。彼女は最近、AdmittMe.comというプラットフォームを立ち上げ、保護者や学生からのフィードバックを基に情報を提供しています。また、AI Unfilteredというポッドキャストも始め、AIやさまざまなLLM（大規模言語モデル）について深く掘り下げ、業界のハイプと実際のユースケースを区別することを目指しています。
2. Elaine Zhou：SageCXOの共同CEOです。
3. Rebecca Sanchez：NoRedInkのSVP of Productを務めています。

これらのパネリストは、AI研究、ソフトウェアエンジニアリング、製品管理、企業戦略など、多様な分野からの視点を提供します。

本日のディスカッションでは、以下の主要なトピックについて探求していきます：

1. 企業がジェネレーティブAIを既存のソフトウェアエコシステムに統合する際の主な課題
2. ジェネレーティブAIが開発者やエンジニアの日常業務に与える影響
3. この進化する環境で必要となる新しいスキルやマインドセット
4. ソフトウェア開発におけるジェネレーティブAI導入時の倫理的考慮事項

これらのトピックを通じて、ジェネレーティブAIの現在のトレンド、課題、そしてエンタープライズ環境における将来の展望について深く掘り下げていきます。

本セッションは2024年8月7日に実施されました。

それでは、ジェネレーティブAIがエンタープライズソフトウェアの世界をどのように変革しつつあるのか、そしてこの技術が私たちの仕事や生活にどのような影響を与えるのか、詳しく見ていきましょう。

2. ジェネレーティブAIの台頭と初期の反応

2.1 深層学習開発の歴史と初期の認識

Elaine Zhou: 私たちは2015年から深層学習開発チームの構築を始めており、OpenAIの開発を比較的近くで追跡してきました。2022年の時点では、主にGPT-2.0の結果に注目していましたが、当時はまだ十分に機能していないという印象でした。そのため、自社モデルの実装に焦点を当てた開発戦略とML戦略を維持していました。

2.2 GPT-3.0の登場とパラダイムシフト

Elaine Zhou: しかし、11月にGPT-3.0が登場したとき、状況は一変しました。私たちのモデルがGPT-3.0ほど優れていないことは明らかで、この軌道では私たち自身のモデルを凌駕することが予想されました。そこで、2023年2月の全社オフサイトミーティングで、この技術革新について大きく取り上げることにしました。製品チームとエンジニアリングチームが参加する中で、MLチームに半日かけてGPT-3および3.5と私たちのプロジェクトを比較するデモを行ってもらいました。

2.3 社内での議論と戦略の転換

Elaine Zhou: このデモの目的は、私たちの進捗を示すことではなく、議論や会話を喚起することでした。当時、私たちの会社では社会的影響に非常に焦点を当てており、AIモデルから生じる可能性のある誤りや害について大きな懸念がありました。そのため、このような解決策に取り組むことさえ躊躇する雰囲気がありました。

私はこのマインドセットを変えたいと考えました。結果として、クロスファンクショナルなチーム間で多くの議論を開き、製品デザイナーやエンジニアだけでなく、現場のキャンペーナーとも対話を重ねました。これが私たちにとってゲームチェンジャーとなりました。

2.4 新たな開発方針の確立

Elaine Zhou: その結果、開発の焦点や投資の優先順位を見直すことができました。単に新機能を開発するだけでなく、内部オペレーション、ユーザーの安全性と信頼性、法的実務などの分野にも取り組むようになりました。同時に、AIがすべての問題を解決するわけではないことも認識しました。そのため、他のライブラリやパッケージの使用、場合によっては独自のモデル構築など、他のアプローチも継続して検討しています。

2.5 教育分野における初期の反応

Rebecca Sanchez: 2022年11月のGPT-3.5の発表、そしてその直後のChatGPTの発表を鮮明に覚えています。その週末、多くの同僚と私はできる限り多くの情報を吸収しようとしました。月曜日に仕事に戻ったとき、人々の反応が様々だったのが興味深かったです。

最初に連絡してきたのは、チームのエンジニアの一人でした。彼は、学生が私たちの製品で作文や課題をどのように不正行為に利用できるかについて、詳細なメールを書いていました。確かに、学生の不正行為に関する懸念は、その後も継続的に議論され、進化してきた重要なトピックです。

一方で、私たちの中には「これは学生に教える方法を完全に変えるだろう」「学生が学ぶべき最も重要なスキルのタイプが変わるだろう」と考える人々もいました。これは本当にゲームチェンジングな技術だと感じました。

2.6 企業戦略の再考

Rebecca Sanchez: この反応の二極化、あるいはスペクトラムは非常に興味深いものでした。私たちは、このスペクトラムのどこに位置したいのか、多くの内省が必要でした。最大限に対応的かつ前向きでありながら、同時に思慮深い決定を下し、過度のハイプやパニックを避けたいと考えました。

結果として、私たちは多くの企業と同様のアプローチを取りました。まず、私たちのビジョン、戦略、ユースケースを見直し、ジェネレーティブAIがすでに解決しようとしている問題をより良く、より速く解決できる領域はどこかを検討しました。これは主に、戦略や目標を維持しながら戦術を調整するというものでした。

一方で、以前は製品を通じて取り組むことができないと考えていた新しい問題を解決できる領域も見出しました。これらの領域では、新たな可能性が開かれたため、私たちのビジョンや戦略にもより大きな変更が加えられました。

2.7 AIの歴史的文脈と新たな可能性

Mamta Suri: AIと機械学習は決して新しいものではないということを認識することが重要です。1970年代からこの分野は存在し、私が以前勤めていた企業でもAIプロジェクトに取り組んでいました。ただし、当時はモデリングや予測モデリング、機械学習と呼んでいただけで、生成AIという言葉は使っていませんでした。

GPT-3.5の登場で大きく変わったのは、以前はアクセスできなかった大規模言語モデル（LLM）にアクセスできるようになったことです。これにより、AIの利用がはるかに容易になりました。私は個人的にこの新しい技術の可能性を探るために、DeepLearning.AIのLLMに関するコースをいくつか受講しました。

AIは非常に広範な分野であり、生成AIはその一部に過ぎません。視覚や音声のコンポーネントもあり、これらはしばしば混同されています。私は自分のプロジェクトをいくつか作成し、例えば、コードレビュワーBFF（Co-pilotが独自のコードレビュワーを持つ前に）や、保健省のデータを使用して食品の健康への影響を研究するアプリケーションなどを開発しました。

2.8 実践的なAI応用：AdmitMe.comの事例

Mamta Suri:これらの経験を踏まえ、私はAdmitMe.comにAIを組み込むことを決めました。大学入学プロセスには多くの変更があり、どの大学がACTを受け付けているのか、推薦状が必要なのか、どのような出願が必要なのかを把握するのは非常に困難です。人々がGoogle検索に慣れているように、平易な英語で質問するようになってきているので、私はそれを取り入れることにしました。

AdmitMe.comでは、教育省のIPEDSから得られる実際のデータを使用し、それを自然言語処理（NLP）と組み合わせて、ユーザーが簡単に情報にアクセスできるようにしています。これにより、幻覚（hallucination）のリスクを減らしつつ、ユーザーフレンドリーなインターフェースを提供することができています。

3. ジェネレーティブAIの開発者・エンジニアへの影響

3.1 コーディングと品質管理の革新

Elaine Zhou: ジェネレーティブAIが開発者やエンジニアの日常業務に与える影響について、私は多くのエンジニアリングリーダーと議論を重ねてきました。Change.orgでの実践や他のチームへのアドバイスを基に、いくつかの重要な点を共有したいと思います。

まず、コーディングの面では、コード生成、コード補完、提案機能が大きな変化をもたらしています。これは開発者を怠惰にするのではなく、効率を高めるためのツールです。自動リファクタリングやコード翻訳も重要な要素となっています。

品質面では、自動化されたユニットテストの作成が可能になりました。Co-pilotなどのツールを使えば、ユニットテストの作成が「面倒すぎる」という言い訳は通用しなくなります。これはQAチームのテスト自動化にも役立ちます。また、自動コードレビューにより、より広範囲のカバレッジが可能になりました。

3.2 セキュリティとパフォーマンスの向上

Elaine Zhou: 最近では、製品やユースケース、ユーザーストーリーに基づいて自動的にテストケースを作成するツールも登場しています。これらは基本的な機能ですが、その上にサイバーセキュリティやパフォーマンス管理の改善も可能になっています。例えば、内部からの外部へのペネトレーションテストやパフォーマンス最適化などです。

3.3 開発者体験の進化

さらに、コラボレーションやドキュメンテーション、開発者体験の向上にも大きな影響を与えています。特に開発者体験は、スタートアップなどのリソースが限られた企業では投資が難しい分野でしたが、これらのツールを使うことで改善が可能になりました。コード説明の生成、ドキュメンテーション作成、コード検索の支援、新しい開発者のオンボーディングの迅速化など、開発者の生産性とエンゲージメントを向上させる多くの機能が実現しています。

3.4 チームスキルの向上と役割の変化

Rebecca Sanchez: Elaineの視点に加えて、私たちは新しいタイプの開発に対するチームのスキルと能力を向上させることにも注力しています。特に興味深いのは、内部ツールやより運用的な側面での作業を通じて、チームがこれらのスキルを学び、開発する機会を提供していることです。

また、私たちの組織では、製品マネージャー、エンジニア、データ実務者に加えて、カリキュラムスペシャリストという教育的役割を持つ専門家がチームに加わっています。この新しいタイプの開発において、非技術的な役割であるカリキュラムスペシャリストが重要な役割を果たすようになったことは非常に興味深い変化です。

彼らは新しいアプローチを考案したり、既存のアプローチに疑問を投げかけたり、提案を行ったりと、技術的な作業により深く関与するようになりました。これにより、より広範なステークホルダーがこの技術的な作業に関与できるようになり、ある意味で技術開発の「民主化」が進んでいると言えるでしょう。

3.5 ツールの活用とガードレールの重要性

Mamta Suri: 私は、ElaineとRebeccaが挙げた開発者の効率性や生産性を向上させるユースケースに全面的に同意します。これらのツールは素晴らしく、私たちは恐れるべきではありません。むしろ、開発者は自分たちのスキルをアップグレードし、これらのツールを使いこなせるようにマインドセットを変える必要があります。

しかし、現状ではこれらのツールはまだ「ティーンエージャー」のようなものだということを念頭に置く必要があります。つまり、常に監視が必要です。彼らは「酔っ払って」幻覚を見たり、「車の事故」を起こしたりする可能性があります。例えば、重要な顧客に対して、何の監視もガードレールもなしにフィックスを出すようなことがあってはなりません。

そのため、人間による監督が不可欠です。これらのツールを補助として、計算機のように使うべきです。効率は向上しますが、完全に任せきりにするのは危険です。親が週末に出かけて、子供たちがパーティーを始めるようなものです。私たちはそんな状況は望みません。

3.6 データ保護とライセンス管理

Mamta Suri: 二つ目のポイントは、使用するデータに関してです。まず、エンタープライズライセンスを使用することをお勧めします。これにより、会社とデータにより多くの保護が提供されます。しかし、それでも定期的にライセンス条項を確認する必要があります。例えば、Slackの事例を思い出してください。エンタープライズライセンスを持っていても、オプトアウトしない限り、データが彼らのモデルのトレーニングに使用されるという発表がありました。

したがって、エンタープライズライセンスを取得し、定期的に利用規約を確認し、何か問題が発生した場合に被害を局所化できるように、ファイアウォールやコンテナ内で作業を分離することが重要です。

つまり、これらのツールを活用しつつも、適切なガードレールを設けることが重要です。開発者とエンジニアは、この新しい環境でバランスを取るスキルを身につける必要があります。効率性と安全性、イノベーションと慎重さのバランスを取ることが、今後ますます重要になってくるでしょう。

4. 企業がジェネレーティブAIを導入する際の課題

4.1 AIの導入目的の明確化

Mamta Suri: 企業がジェネレーティブAIを導入する際の課題について、まず強調したいのは、AIを導入する目的を明確にすることの重要性です。現在、AIは単なるバズワードとして扱われており、「皆がやっているから我々もやらなければ」というような同調圧力に駆られている傾向が見られます。これは高校生が周りに流されるような状況に似ています。

AIを内部効率化のために使用するのか、それとも外部向けのサービスに活用するのかを明確にする必要があります。それぞれのアプローチには異なるプレイブックが必要です。

4.2 法的・規制面での考慮事項

Mamta Suri: 他の企業やユーザーにAIツールを提供する場合、遵守すべき法律や規制、コンプライアンスの問題があります。これらは常に進化しているため、最新の動向を把握し続けることが重要です。

社内ツールや効率化のためにAIを使用する場合は、何を最適化する必要があるかを見極める必要があります。

4.3 ROIの評価とコスト管理

Mamta Suri: AIの導入には当然コストがかかります。例えば、Co-pilotは1シートあたり月20ドルほどかかり、これは積み重なると大きな金額になります。そのため、投資対効果（ROI）を慎重に検討する必要があります。

投資額、トレーニングコスト（スタッフの教育やオンボーディングにかかる費用）、保護コスト（ガードレールの設置など）を考慮し、それに対してどのようなリターンが得られるかを評価する必要があります。

4.4 データ保護とプライバシーの確保

Mamta Suri: 無料のツールに飛びつくのは避けるべきです。「無料」のものは実際には何らかの形で対価を払っています。ベータ版として無料で提供されているものも、後には必ずコストがかかるようになります。

HR企業の場合や、SaaS企業として他社のデータを扱う場合は、特に慎重なデータ保護が必要です。自社の従業員データを扱う場合でも、プライバシーや倫理的な配慮が必要になります。

4.5 既存システムとの統合における課題

Rebecca Sanchez: 私たちNoRedInkは、学校区向けのソフトウェアを開発しています。学校区をエンタープライズ組織と考えた場合、いくつかの重要な学びがありました。

まず、エコシステム内の異なるペルソナを考慮することが非常に重要です。学校区の場合、教育長から教師、そして最も重要な生徒まで、様々な立場の人々がいます。ジェネレーティブAIの導入において特徴的なのは、これらの異なるペルソナのニーズが時に大きく異なり、場合によっては対立することです。

例えば、不正行為の問題を考えてみましょう。教師の視点からは不正使用を防ぐことが重要ですが、生徒の視点からは将来の成功に必要なスキルを身につけることが重要です。教師の問題に焦点を当てすぎると、より懲罰的な機能を開発してしまう可能性があります。一方、生徒の視点に立てば、将来必要となるスキルの準備や、AIを責任を持って使用する方法、学問的誠実性などを教育することが重要になります。

このように、エコシステム全体を考慮し、異なる機能が様々な立場の人々にどのように経験されるかを慎重に検討する必要があります。

4.6 段階的な導入と慎重なアプローチ

Rebecca Sanchez: 私たちは、生徒に対して特に保護的な立場を取っています。そのため、これまでに公開した機能は主に教師向けのものであり、生徒向けの機能については、まだ本格的な導入には至っていません。

技術が特定のユースケースに対して十分に成熟しているかどうか、それが生徒の学習を助けるのか、それとも何らかの形で有害になる可能性があるのかを慎重に判断しています。これが私たちのアプローチです。

4.7 コスト管理と最適化の戦略

Elaine Zhou: コスト管理の問題は非常に難しい課題です。スタートアップへのアドバイザリーを行う中で、多くの企業がコストがいかに急速に増加するかを認識していることがわかりました。ジェネレーティブAI特有の具体的な解決策はまだ確立されていませんが、私が人々にアドバイスしているのは、クラウド空間でのコスト最適化の経験を活用することです。

まず、リターンに焦点を当てることが重要です。コストに焦点を当てるのではなく、何を得ようとしているのかを明確にし、そのための快適なゾーンを見つけることです。ビジネスやプロジェクトのどの段階にあるか、成熟した製品の真の最適化を行っているのか、それとも青天井のムーンショットプロジェクトなのかを考慮する必要があります。

4.8 実験とキャパシティプランニング

Elaine Zhou: 異なるアーキテクチャを試し、実験を行うことで、最良の結果が得られるものを見つけることができます。そこから、キャパシティプランニングとコスト予測モデルを構築します。AIやMLを使って、AI開発の問題自体を解決することも可能です。

このように、ジェネレーティブAIの導入には多くの課題がありますが、明確な目的設定、慎重なROI評価、データ保護への配慮、既存システムとの統合の工夫、そして段階的なアプローチを取ることで、これらの課題に対処することが可能です。また、コスト管理については、既存の経験を活かしつつ、継続的な実験と最適化を行うことが重要です。

5. ジェネレーティブAIの倫理的考慮事項

5.1 教育分野での倫理的考慮事項

Rebecca Sanchez: ジェネレーティブAIの倫理的考慮事項は非常に重要で複雑なトピックです。全ての産業において、ポリシーや原則、評価指標の確立はまだ初期段階にありますが、特に教育分野は一般的に他の分野よりも動きが遅い傾向にあります。

このような状況を踏まえると、チーム全体がこれらの課題に対して非常に警戒心を持ち、積極的に取り組む必要があります。なぜなら、業界としての guardrails（ガードレール）がまだ十分に確立されていないからです。

私たちNoRedInkは学習体験を構築しています。そのため、安全で、偏見がなく、効果的で、全ての生徒にとって公平な学習体験を作ることを目指しています。これは常に私たちが気にかけてきたことですが、ジェネレーティブAIの導入によってさらにリスクが高まったため、これらの原則はこれまで以上に重要になっています。

私たちは、標準への準拠、透明性の確保、学生の学習成果に対する機能の有効性の評価など、通常の考慮事項に加えて、教育分野特有の懸念事項にも注意を払っています。

5.2 教育におけるAIの特殊性

Rebecca Sanchez: 教育分野でのジェネレーティブAI開発において興味深いのは、私たちの業界の視点からすると、モデルの出力の正確性や正しさだけでなく、それが生徒にどのように教えるかという点も重要だということです。

例えば、数学の問題を正しく解くことや、よく書かれたエッセイを生成することだけでなく、生徒がその数学の問題を自分で解く能力や、自分でエッセイを書く能力を身につけるのにどれだけ役立つかを考慮する必要があります。

そのため、私たちは以下のような点も考慮しています：

• 答えを教えずに生徒に教えることができるか
• 3年生と12年生で適切なレベルになっているか
• 特別な学習ニーズを持つ生徒にも対応できるか

これらの追加的な考慮事項は、私たちが頭を悩ませている重要な課題です。

5.3 慎重な機能導入アプローチ

Rebecca Sanchez: 私たちは、特に生徒に対して保護的な立場を取っています。これまでのところ、私たちがリリースした機能は主に教師向けのものです。生徒向けの機能については、まだ本格的な導入には至っていません。

特定の技術が特定のユースケースに対して十分に成熟しているかどうか、それが生徒の学習を助けるのか、あるいは何らかの形で有害になる可能性があるのかを慎重に判断しています。これが私たちのアプローチです。

5.4 データの重要性と潜在的な問題

Mamta Suri: 倫理的考慮事項において、最も基本的で重要な要素はデータです。データに偏見や倫理的な問題がある場合、それはLLM（大規模言語モデル）にも現れてしまいます。

私はこれをジューサーのアナロジーで説明します。ジューサーで作られたものが健康的だというわけではありません。果物や野菜を入れれば健康的な飲み物になりますが、大量の砂糖やチョコレートを加えれば、もはや健康的とは言えません。同様に、AIモデルに入力するデータの質と内容が重要なのです。

実際に、OpenAIやGoogleなどの大手企業でも、適切にテストされていなかったり、想定外のエッジケースが発生したりして、変更を撤回しなければならないケースが報告されています。また、データ不足の問題も発生しており、ウェブスクレイピングによるプライバシーの問題など、多くの倫理的な問題が浮上しています。

5.5 倫理的責任の3つのレベル

Mamta Suri: 私は、この問題に対する責任を3つのレベルで考えています：

1. 政府レベル： EUやUN、米国など、様々な機関が独自の法律を策定しています。これらは指針となりますが、具体的な行動を指示するものではありません。違反には罰則や罰金が科されます。ソーシャルメディアの進化を見ると、当初からリスクは認識されていましたが、今でも訴訟が続いています。AIに関する法律も同様に、実際の運用を通じて進化していくでしょう。
2. 企業レベル： 企業内のどの役割であっても、HR、法務、会計など、誰もが質問する権利があります。LLMモデルをどのように使用しているのか、データはどのように使用され、安全に保護されているのか、ハッカーが侵入した場合にどのようなデータにアクセスできるのか、データはクラウドに保存されているのか、オンプレミスなのかなど、これらの質問をすることが重要です。

大企業の多くは既に法務部門がこれらの問題に取り組んでいますが、スタートアップの場合は特に、これらのガイドラインを遵守することが非常に重要です。

1. 個人レベル： 個人として、私たちはこれらのツールの使用に注意を払う必要があります。これは、MySpaceが登場した頃と同じような状況です。当時、サイバー犯罪や様々な種類のハッキングについて初めて耳にしました。現在も同様の状況が起きています。プロンプトインジェクション、中間者攻撃、DDoS攻撃など、新たな脅威が登場しています。ハッカーは私たちよりもはるかに賢いので、共有するデータには十分注意する必要があります。

例えば、無料のツールで自撮り写真をアップロードすると、プロフェッショナルな写真を作成してくれるウェブサイトがいくつかあります。写真の出来栄えは素晴らしいですが、そのデータがどのように使用されるかを考える必要があります。あなたの写真は彼らのモデルのトレーニングに使用される可能性があります。

親である場合は、子供たちにも教育することが重要です。これは再びソーシャルメディアやインターネットの時代を迎えているようなものです。子供たちにどのようなデータを共有しているのか、インターネット上では何も永遠に失われないことを教えてください。

5.6 規制と革新のバランス

Elaine Zhou: MamtaさんとRebeccaさんが言及したように、この問題に取り組む様々な方法があります。私は少し異なる視点を提供したいと思います。

私たちは全てを規制することはできません。コンピューターセキュリティについて学んだ時、最も安全なシステムは稼働していないシステムだと教わりました。完全に安全なシステムを保証する唯一の方法は、システムの電源を切ることです。

規制や倫理に関する議論が進んでいることは嬉しく思います。私自身、2016年から責任あるAIについて話し始め、これからもサポートし続けるつもりです。しかし、これらの規制を行う際に、本当に重要な問題を解決し、人々の生活をより良くする良いソリューションを構築するための開発を加速させることも忘れてはいけません。

良い人々が悪い人々よりも速く動けば、私たちはより良い状況にあります。つまり、単に規制するだけでなく、可能性を広げ、より良い価値を生み出し、実際の問題に対処し、人々の生活を改善するソリューションを見出すことが重要です。そうでなければ、進歩のない規制だけが残ることになります。

6. ジェネレーティブAIの有望な応用分野

6.1 生産性向上：あらゆる分野での共通点

Elaine Zhou: ジェネレーティブAIの最も有望な応用分野を予測することは難しいですが、私たちが目にしている最大の影響の一つは、企業でも個人生活でも、生産性の向上です。個人的には、過去18ヶ月で英語の文章作成能力が向上したと感じています。

6.2 ヘルスケア分野での革新

Elaine Zhou: 産業の観点から見ると、ヘルスケアは非常に有望な分野の一つです。昨日も友人と放射線科への影響について議論しました。従来、放射線科医は自分の頭の中でパターンマッチングを学んでいましたが、今ではAIがその作業を行い、医師がそれを検証するという形に変わりつつあります。これは大きな改善です。

この考え方を拡張すると、医療画像分析や創薬などの分野にも大きな影響を与える可能性があります。

6.3 気候モデリングとサステナビリティ

Elaine Zhou: 私個人的に非常に興味を持っているのは、気候モデリングの分野です。ジェネレーティブAIを活用することで、より精密で正確な気候予測モデルを構築できる可能性があります。これは、排出量削減や持続可能性、エネルギー最適化などの分野に直接的な影響を与えるでしょう。

6.4 農業技術の進化

Elaine Zhou: 気候モデリングから派生して、農業技術の分野でもジェネレーティブAIの応用が期待されます。

6.5 教育分野での具体的事例

Rebecca Sanchez: 教育分野でのジェネレーティブAIの応用について、私たちNoRedInkの具体的な事例を共有したいと思います。最近、「採点アシスタント」機能をリリースしました。これは、ジェネレーティブAIを使用して教師が生徒の作文を採点し、フィードバックを追加するのを支援するものです。

この機能の目的は単にAI機能を構築することではありません。むしろ、教師が長年直面してきた問題を解決することを目指しています。私たちは、生徒がより多くの文章を書くことが重要だと考えています。文章量は、ライターとしての成長に極めて重要です。しかし、従来の課題は、教師が文章を採点し、フィードバックを提供する時間が限られていることでした。

ジェネレーティブAIは、この課題に対する完璧なソリューションとなりました。私たちが構築しリリースしたこの機能により、以前は段階的にしか改善できなかった成果指標で、大幅な向上が見られました。具体的には以下のような成果が得られました：

1. 生徒が有用なフィードバックを受け取る可能性が50%増加しました。
2. 教師の採点時間が50%減少しました。
3. 全体的な文章量が70%増加しました。

比較的少ない労力で、このレベルの成果を達成できたことは非常にモチベーションになりました。そして、まだまだできることがたくさんあると感じています。

6.6 製造業と気候変動対策分野への投資の必要性

Elaine Zhou: 残念ながら、あるいは幸いなことに、視点によって異なりますが、現在はFX（金融取引）分野により多くの投資が集中している傾向が見られます。

ここで聴いている皆さん、特に学生や若手の方々に言いたいのは、まだ十分な投資を受けていない分野に注目してほしいということです。特に製造業や気候変動対策、エネルギー、農業技術などの分野は、もっと注目され、投資されるべきだと考えています。

6.7 幅広い産業への応用可能性

Mamta Suri: ほとんどすべての産業で、ジェネレーティブAIの使用事例が見つかると思います。産業名を挙げて、そこに使用事例がないというのは難しいでしょう。しかし、私たちが以前議論したように、適切な使用事例を考え、投資対効果を慎重に検討することが重要です。

ヘルスケア、医療、教育、テクノロジー、エネルギー、航空機製造など、ほぼすべての産業で応用可能性があります。そして、これらの各分野をさらに掘り下げていくと、必ず使用事例が見つかります。

6.8 起業家へのアドバイス

Mamta Suri: 起業を考えている方に一言アドバイスするとすれば、OpenAIやその他のツールのラッパーを作るようなことは避けた方が良いでしょう。これらの大手企業は常に新機能を追加しており、そのような製品はすぐに陳腐化してしまう可能性が高いです。

しかし、特定の分野に特化したソリューションを提供するのであれば、現時点でも十分な市場があります。

6.9 業界リーダーの洞察

Mamta Suri: 最後に、私のポッドキャスト「AI Unfiltered」では、様々な業界リーダーがどのようにAIに取り組んでいるかを紹介しています。彼らが直面している課題や、AIをどのように活用しているかなど、実際のユースケースを学ぶことができます。

7. 今後の展望と学習リソース

7.1 質問と好奇心の重要性

Mamta Suri: 私からの最初のアドバイスは、常に質問し、好奇心を持ち続けることです。次に、信頼できる情報源に行くことが重要です。私にとっての最初のリソースは、Andrew Ng博士のDeepLearning.AIです。彼らが提供するコースの多くは無料で、Courseraでは認定コースも提供されています。

これらのコースは、AIの基礎から最新のトレンドまでをカバーしており、業界のハイプと実際にAIができることを区別するのに役立ちます。単に「シャイニーオブジェクト症候群」に陥らないようにしましょう。

7.2 スキルアップの必要性

Mamta Suri: さらに、自分自身のスキルをアップグレードすることが非常に重要です。次世代は既にこの技術と共に成長しています。かつてWord やExcelのスキルセットが必要だったように、プロンプトエンジニアリングは将来的に基本的なスキルになるでしょう。次世代は既に異なるモデルに対して適切にプロンプトを作成し、必要な情報を引き出す方法を知っています。

私たち自身も、仕事に必要なスキルを常にアップグレードし、最適化する必要があります。この業界では常に自己啓発が求められるのです。

7.3 実践的アプローチと基礎の重要性

Elaine Zhou: Mamtaの意見に加えて、ポッドキャストを聞いたり、それらの記事を読んだりした後は、自分で実践してみることが重要です。仕事のプロジェクトでなくても構いません。個人的な用途で試してみるのも良いでしょう。

また、学んだことを説明してみることをお勧めします。少なくとも私の場合、説明できるようになるまで本当に理解したとは言えません。小さなことから始めてみてください。私が初めてLLMについて説明しようとしたとき、80歳の母に旅行の計画を立てるのを手伝うことから始めました。80歳の母にも理解できるなら、それは良いスタートだと言えるでしょう。

学生の皆さんへのもう一つのアドバイスは、基礎を忘れないことです。最先端の技術を学ぶことはもちろん素晴らしいことですし、絶対に必要です。しかし、基本に立ち返ることも重要です。公開されている論文を見てください。それらはすべて数学に基づいています。基礎に立ち返ることが、長期的に私たち全員の助けになるでしょう。

7.4 教育分野での学習リソース

Rebecca Sanchez: 私は教育技術の分野で働いているので、AI と教育に関するリソースをいくつか紹介したいと思います。

まず、「EdTech Insiders」というポッドキャストをお勧めします。このポッドキャストは、AIの進歩と教育への応用について素晴らしい仕事をしています。

また、GSV（ベンチャーファーム）のClaire Zさんが執筆しているニュースレターも非常に価値があります。このニュースレターでは、AI分野の大きな動向と教育特有のAIニュースの両方を追跡しています。Claire ZさんはAIの専門家であり、彼女のニュースレターは毎週発行されるたびに、私にとってバイブルのような存在になっています。

以上のように、ジェネレーティブAIの分野で成長し続けるためには、継続的な学習、実践、基礎への理解、そして常に最新の動向を追跡する姿勢が不可欠です。信頼できるリソースを活用し、学んだことを実践に移すことで、この急速に進化する分野で自分自身のスキルを常に最新の状態に保つことができるでしょう。

8. まとめ

本セッション "ACMW Celebrating Technology Leaders Episode 15: Generative AI in Enterprise Software" では、ジェネレーティブAIのエンタープライズソフトウェアにおける影響と課題について、多角的な視点から議論が展開されました。

主要な論点として、以下が挙げられます：

1. ジェネレーティブAIの台頭と企業の初期対応： GPT-3.5などの大規模言語モデルの登場により、企業は既存の戦略を見直し、新たな可能性を模索し始めました。
2. 開発者・エンジニアへの影響： コード生成、自動テスト、ドキュメンテーションなど、日常業務が大きく変化。新たなスキルとマインドセットの獲得が必要となっています。
3. 企業導入における課題： 既存システムとの統合、コスト管理、ROIの考慮など、様々な課題に直面しています。
4. 倫理的考慮事項： データプライバシー、安全性、特に教育分野での慎重な導入が求められています。
5. 有望な応用分野： 教育、ヘルスケア、気候モデリング、エネルギー最適化など、幅広い分野での革新的な応用が期待されています。
6. 継続的学習の重要性： 急速に進化する分野であるため、常に最新の知識とスキルを更新し続けることが不可欠です。

このセッションを通じて、ジェネレーティブAIがもたらす可能性と課題の両面が明らかになりました。今後、技術リーダーたちには、倫理的配慮を忘れず、継続的な学習と実践を通じて、この新しい技術領域でのイノベーションを推進していくことが期待されます。