2018年03月

23

AI活用をお客様と共創する具体的な進め方「ブレーン・ストーミング」

AI は今や話題に事欠かないテーマとなっており、日々様々な意見や事例を目にするようになっています。

前回の特集(『AI に怯えず積極的な活用と人の武器を磨いてみよう!』)で、AI プロジェクトを進めていく上でのポイントとして、以下を挙げました。

●準備に時間をかけ過ぎず、始める
●小さく始めて、大きく育てる
●失敗から学ぶ
●最初から完全を目指さない(ある程度の完成度でトライ・アンド・エラーで改善する)
●ユーザーに共感し、利便性や生産性を上げ、本来の仕事に集中させる

では、実際に自社やお客様が「AI を活用したい」となった時にどのようなアプローチを取れば良いのでしょうか。

AI プロジェクトの成否の鍵は・・・

AI を業務に実装するには(もちろん、AI だけに特化することでもありませんが・・・)「構想フェーズ」から始まり、「検討フェーズ」を経て、「試作・評価フェーズ」を繰り返し、「実装フェーズ」、「運用フェーズ」と進めていきます。

まだまだ未知のことが多い AI を業務やビジネスに活かすには、新しいアイデア、これまで考えつかなかった発想の転換などが必要となります。この新しいアイデアや発想の転換をいかに生み出せるかが、AI のプロジェクトの成否を分けるキーになり、フローの冒頭にあたる「構想フェーズ」が重要になるのです。

今回は、この”構想フェーズ”にフォーカスをあて、アプローチの方法について迫っていきましょう。

「構想フェーズ」でのアイデア出し

プロジェクトにおいては、まず、課題と目的が設定されます。そして課題を解決するアイデア出しに進みますが、この”アイデア出し”が、 AI プロジェクトの要となる 「構想フェーズ」で実施されます。

では、AI プロジェクトを成功させるため、最も重要となる「構想フェーズ」において、新しいアイデアや発想の転換を生み出すためには、どうするのが良いのでしょう。

昨今、以前、第3弾に渡りご紹介したデザイン思考(「なぜクラウドとデザイン思考なの?」「何がデザイン思考導入を難しくするのか」「日本企業にはイノベーションの素養がある(前編/後編)」)がアプローチ法として使われることも多いのですが、デザイン思考を知らなければできないというわけではありません。今回は、より一般的で、誰もが一度は経験したことがあるであろう”ブレーン・ストーミング“について、確立されている細やかな手法などを改めてご紹介してみたいと思います。

ブレーン・ストーミング

以降は、共創という形で、アイデアを出す方法を考えてみます。

共創とは、複数人で創造(発想)することを言います。ブレーン・ストーミングなどの手法を使うのが一般的ですが、まず、この発想のための会議をどのように取り仕切るか、という検討が必要となります。参加者はどうすれば良いのか、場所は?時間は?など、共創の前には準備が必要です。

1. 人選をどうするか?

Amazon のジェフ・ベゾスが、最適なチームの規模について「ピザ2枚で足りる」ぐらいが良いと言っています。これは、5~8人前後の人数ということで、アイデア出しにはこれぐらいの人数が良いと思います。また、そこに参加する方は、フラットで雑多な(上下関係がなく、職種がバラエティに富んでる)方がより多くのアイデアが出ると言われています。お客様も含め、部門や職域などがあまり重ならないようにすることが重要です。

2. 場所をどうするか?

いつもの会議室などあまり場所にこだわらないことも多いと思います。しかし、意外に場所は大事です。広さは十分か、机は固定されていないか、ホワイトボードは足りているか、暗く閉鎖的ではないか…など気をつける必要があります。開催場所を変えてみる、会議が煮詰まったら参加者で散歩する、なども効果的です。

3. 時間は?

アイデア出しは、長くやったからと言って良いわけではありません。また、一人のときにアイデアが湧くこともたくさんあります。アイデア出しの時間は1時間程度、更にウォーミングアップ(アイスブレイク)の時間もしっかり取るとよいでしょう。

 

ブレーン・ストーミングの進め方

それでは、実際にブレーン・ストーミングはどのように実施すれば良いのでしょうか。
流れから言うとこのようなイメージになります。

アイスブレイク とは、初対面の人同士が出会う時、その緊張をときほぐすための手法です。

それでは、ブレーン・ストーミングのプロセスを詳しく見ていきましょう。

アイスブレイク

アイスブレイクの心構え

  1. 誰もが平等(フラット)な立場でいること
  2. バイアスを取り除くこと、
    アイデアを検閲しないこと、
    固定概念を取り払うこと
  3. 反応速度を上げること、
    創造性を刺激しておくこと
  4. 間違っても良い雰囲気を作ること、
    相手が喜ぶように受け取ること
  5. 否定しないこと、肯定だけしないこと、
    相手のアイデアに自分のアイデアを加えて返すこと

ブレーン・ストーミングを使って共創する場合、普段の脳を仕事モードから発想モードへ切り替える必要があります。また、会議に対し、いつも叱責されるとか、時間がダラダラと長いとか、一人の決まった人が発言しているなど、ネガティブ・イメージがある場合は特にアイスブレイクをしっかり実施し、どんな発言も許されるような安心な場と雰囲気を作る必要があります。

アイスブレイクのためのエクササイズ

1. 私あなた

コミュニケーションの基本であるアイコンタクト(相手を見る、相手に影響される)を学び、打ち解け合う

  1. 立ってグループで円になり向かい合います
  2. 開始する人を決めその人が、「わたし」と言いながら自分の胸に手を置き、
    次の人に「あなた」とパスをまわします
  3. パスを受け取った人は同じように「わたし」と言いながら自分の胸に手を置き、
    別の人に「あなた」とパスを回します
  4. 2,3 を繰り返します
  5. この際、相手の目を見てパスを回すことが重要です
2. 私あなた(名前バージョン)

コミュニケーションの基本であるアイコンタクト(相手を見る、相手に影響される)を学び、打ち解け合い、名前を覚える

  1. 円になり向かい合う
  2. 開始する人を決めその人が、「○○(自分のニックネーム)」と言いながら自分の胸に手を置き、次の人に「〇〇(相手のニックネーム)」とパスを回します
  3. パスを受け取った人が同じように「○○(自分のニックネーム)」と言いながら自分の胸に手を置き、次の人に「〇〇(相手のニックネーム)」とパスを回します
  4. 2,3 を繰り返します
  5. 名札があるとハードルが下がる、ニックネームでなくても良いが、肩書を意識させない呼び名が良い(社長、部長 ☓)
3. Two Dots(ツードッツ)

直感で表現する(すぐ描く)、また相手の表現に影響されて表現するトレーニング

  1. ホワイトボードの真ん中に「 ・ ・ 」のように2つの点を描きます
  2. ホワイトボードの前(1m ぐらい離れて)に参加者全員が立ちます
  3. 「 ・ ・ 」に各参加者が交互に一筆書きで線や図形を描きます
  4. この際特に絵のテーマや上手い下手にこだわる必要はありません
  5. 次々に一筆で描かれていく図形に影響を受け、即座に描き足すこと意識します
  6. 2~3回転ぐらい、もしくは絵の完成でエクササイズを終了します
4. スケッチ

架空の物や場面を想像し表現、参加者全員で一つの架空のシーンを共有するエクササイズ

  1. 題:「自動車の日常点検」とし、日常点検について想像し、どのような要素があるかを指し示しながら伝えます
  2. 例えば、最初の人が「ここにライトがあります」
  3. 次の人は、「ライトを点けてみます、ライトが点きました」
  4. 次の人は、「ここにブレーキがあります」
  5. 次の人は、「ブレーキを踏むとブレーキランプが点きます」
  6. 次の人は、「この辺で面倒くさくなって点検をやめてしまうユーザーがいます」…どんどん続けます

このようにお題に対して、そこにあるものを広げていったり、情報を詳しくしたり、その場所のイメージを共有します。お題は、ブレーン・ストーミングのテーマに関係のなく、想像しやすいものから始めても良いでしょう。また、難しい可能性もありますが、「自動車の日常点検」のような具体的なテーマに沿ったお題で実施することにより、よりユーザー目線でテーマを考えるきっかけになります。

しっかりとアイスブレイクを実施し、お互いが心を許せる居心地の良い場をつくり、心理的安全性を確保することで、ブレーン・ストーミングによる共創がより充実したものになります。

 

課題解決のアイデア出し ~ブレーン・ストーミングの実施~

さて、アイスブレイクも終了しましたので、次はアイデア出しをします。今回は最も基本的なブレーン・ストーミングのやり方で、Post Up(張り出し法)を使ってみたいと思います。

Post Up (ポスト・アップ)

最もシンプルなブレーン・ストーミングの方法

  1. 1人作業で3分間でできるだけ多くのアイデアを付箋紙に書き出します
  2. 時間を決め(例えば10分間)2人で相手とアイデアをホワイトボード/模造紙に貼りながら、アイデアを共有します
  3. 付箋紙を貼っている間に相手のアイデアから違うアイデアが出てきたら、すぐに付箋紙に書き出して貼ります
  4. 各ペアの発表者を決め、他のペアとどんなアイデアが出たかを発表しあいます

Post Up は複数回実施することもでき、1回目は、課題の洗い出しに、2回目はその解決方法を考えるといったことが可能です。

様々な職域の方でブレーン・ストーミングを実施する場合、課題の理解や持っている情報レベルが違う場合があります。情報共有の意味を含め、改めて、課題の洗い出しを実施します。

2回目では「1回目で出てきた課題を解決する方法」のアイデアを出します。ここで大事なことは、目的は完璧な答えを探すことではなく、どんなつまらない、突拍子もないイデアでも歓迎し、アイデアを出し尽くすことです。変なアイデアがあったとして、他の2つ以上のアイデアを掛け合わせる、引き算する、反対を考えるなど、一見使えないようなアイデアでも視点を変えることにより、使える場合があります。更に重要なことは、他の人のアイデアに影響を受けて、アイデアを重ね、一人で考えていては、思いつかないようなアイデアを出すことです。

優先順位を決める(ドット投票)

アイデア出しの優先順位決めには、「ドット投票」を使います。ドット投票は、加点方式の評価法です。

  1. 一人5票までと決め、参加者にシールを5枚ずつ渡します
  2. 発表され、張り出されたアイデア(付箋紙)から良いアイデアにシールを貼ります

また、少し投票や集計に時間がかかりますが、

のように意味を分けて、シールを貼る方法もあります。このようにシールを分け、意味づけすることにより、アイデアの優先順位やまとめるための情報を多く得ることができます。

発表・評価 ~ブレーン・ストーミングの収束方法~

ブレーン・ストーミングはあくまでもアイデアを出す場で、何かを決定したり、判断したりする場ではありませんので、一旦ここで終了します。

ブレーン・ストーミング終了後に担当者が画像や箇条書きでアイデアをまとめ、参加者全員で共有します。

ブレーン・ストーミングの結果を共有することで、参加者全員が当事者意識を持って、ブレーン・ストーミング以外の日常でもこの課題に対して発想を意識してもらいます。アイデアは共創で生まれることもありますが、シャワーを浴びているとき、散歩をしているときなどにふと湧いてくることも多いからです。

この後は、ドット投票の結果なども踏まえ、具体的な試作に落としていきます。具体的な試作へ落とす方法については、ここでは詳細に書きませんが、まずは、「小さく進めること」が重要です。

それには、アプリであればいきなり試作を作り始めるのもありですが、模造紙やダンボール、粘土、モールなど使って簡易的にデバイスやアプリの画面を作っても良いかも知れません。また、試作のリアリティを追求するために、お客様役、店員役などに分かれて寸劇(スキット)をやるのも良いでしょう。

試作で結果が出なければ、ブレーン・ストーミングを再度実施したり、結果に戻ったりしても良いでしょう。小さく始めていれば、後戻りもスムーズです。

新しい発想から生まれた AI 活用(例)

さて、ブレーン・ストーミングについて詳細にご紹介してきましたが、最後に実際の AI 活用のお客様事例を見てみましょう。

THINK Watson の記事によるとオートバックス社は、AI の画像認識能力を活用した「タイヤ摩耗診断」を2017年9月に公開しました。自動車の日々の点検は、安全には欠かせない作業ですが、様々な理由から十分に実施されている状況にはありません。オートバックス社では、スマホを使って簡単にメンテナスの必要性の有無を診断できれば、ユーザーの意識向上に一役買えるのではと、「かんたんタイヤ画像診断」を開発しました。これは、メンテナス不良による事故原因ともなっているタイヤの摩耗度合いをユーザーが撮った画像から診断するというものです。

この事例、「かんたんタイヤ画像診断」の開発の経緯は、以下のようなものでした。

——「かんたんタイヤ画像診断」開発の経緯を教えてください。

八塚 自動車点検整備推進協議会の調査からもわかるとおり、自動車ユーザーの日常点検に対する意識を高めていく必要があります。オートバックス各店舗ではかねてより「タイヤ安全点検」を実施していますが、点検のために店舗に行くということ自体がお客様にとってはハードルのひとつになっていると感じていました。

この状況を改善するために、当初はオートバックスのピットマンがユーザーから送られてくるタイヤの画像を診断するという案も検討しましたが、人手で対応するには限界があります。そこで、AI による画像認識でタイヤの摩耗状態を診断するサービスを発案しました。メンテナンスをなかなか行えないという方々の「面倒・お金がかかる・時間がない」というお悩みに「簡単・無料・すぐにできる」というかたちでお応えできると考えています。

出典:THINK Watson, 『オートバックスに聞く:新たな顧客価値を創造するAIビジネス戦略』

上記の事例では、課題と目的は、以下になります。

この課題と目的を元に、これまでご紹介してきた”ブレーン・ストーミング“のような手法を用い課題を解決するアイデア出しを行っていきます。
例えばこの事例であれば、先にご紹介の Post Up で、「課題とその理由」の洗い出しを行い「自動車ユーザーの日常点検に対する意識が低い」という課題、そしてその理由「点検は面倒・お金がかかる・時間がない」を掘り下げて考えます。
こうしたアイデア出しが行われた結果、新たな発想から、「簡単・無料・すぐできる」を実現し、”自動車ユーザーのユーザーの日常点検に対する意識を高める”目的を達成する新しいAI を活用したソリューション「かんたんタイヤ画像診断」が誕生したのです。

まとめ

AI プロジェクトの成否を握る「構想フェーズ」で、より有効なアイデア創出に役立つ”ブレーン・ストーミング“の進め方を改めてご紹介してみました。
繰り返しとなりますが、AI プロジェクトを進めていく上で大事なことは以下のようなことです。

●準備に時間をかけ過ぎず、始める
●小さく始めて、大きく育てる
●失敗から学ぶ
●最初から完全を目指さない(ある程度の完成度でトライ・アンド・エラーで改善する)
●ユーザーに共感し、利便性や生産性を上げ、本来の仕事に集中させる

チームで”アイデア出し”を行いそこで出たアイデアを元に試作し、評価します。

アイデア出しから試作までに必要なことは、子供のような遊び心、そしてどんなことでも言い合える、また寸劇をやっても恥ずかしくない、安心安全な場と関係づくりなのではないでしょうか。

皆さんが、AI プロジェクトに携わる際、この”ブレーン・ストーミング“を活用することで、今までになかった新しい発想を生み出し、AI プロジェクトを成功に導いていただければ幸いです。

 

その他の記事

2024年04月08日

【てくさぽBLOG】watsonx Assistant + Watson Discovery + watsonx.aiを連携してみた

こんにちは。てくさぽBLOGメンバーの高村です。 ビジネスへの生成AI の取り込みに注目が集まっている今日、watsonx.ai をどう活用すればいいのか、多くのお客様からお問い合わせ頂いています。そこで前回の「【てくさぽBLOG】IBM watsonx.aiを使ってみた(Part2)」では、watsonx.ai のユースケースとして Retrieval-Augmented Generation(以下 RAG)をご紹介しました。 今回は、RAG の仕組みを利用し AIチャットボットを提供する「watsonx Assistant(以下 Assistant)」と検索エンジン機能を提供する「Watson Discovery(以下 Discovery)」、「watsonx.ai」を組み合わせた連携ソリューションをご紹介します。 目次 AssistantとDiscoveryの連携 watsonx.aiを取り入れた連携 Assistant + Discovery + watsonx.aiを連携してみた さいごに お問い合わせ AssistantとDiscoveryの連携 本来なら各製品を一つのブログで詳しくご説明したいところですが、今回は連携した結果についてのご紹介となりますので、Assistant と Discovery については今後のブログであらためてご紹介したいと思います。 Assistant は watsonx の大規模言語モデルが搭載され、自然言語の問い合わせを理解し、適切な回答を返すことができるチャットボット機能を提供する製品です。一方 Discovery はドキュメントから適切な情報を検索する検索エンジン機能、パターンや傾向を読み取る分析エンジンとしての機能を備えた製品です。 Assistant と Discovery を組合わせたユースケースでは Assistant にあらかじめ回答を用意してルールベースで回答させ、答えることが難しい問い合わせに対しては Discovery の検索結果を利用して回答します。 watsonx.aiを取り入れた連携 上記の連携では Discovery の検索結果がユーザーに表示される仕組みとなっていますが、watsonx.ai を介して回答を提供することでDiscovery が得た検索結果をさらに整理し、より理解しやすい形での返答が実現できます。 Assistant + Discovery + watsonx.aiを連携してみた Assistant、Discovery、watsonx.ai を連携してみます。 事前準備 利用環境 今回は IBM Cloud で提供される SaaS を利用して検証します。なお、Assistant と Discovery の Plusプランは30日間無償期間が付属されていますので、是非ご活用ください。 watsonx Assistant:Plusプラン(30日間無償期間あり、以降は有償) Watson Discovery:Plusプラン(30日間無償期間あり、以降は有償) watsonx.ai:Essentialプラン(有償) 検証の目的 検証では構築手順の他、以下の点を確認します。 「Assistant + Discovery + watsonx.ai」と「Assistant + Discovery」の連携による回答の違いを比較 言語モデルを変えて問い合わせを行い、回答の違いの比較 実施手順 以下の流れで検証を実施します。 Assistantのプロビジョニング Discoveryのプロビジョニング、検索対象とするデータの取り込み※取り込むデータは「IBM Power S1014 データシート」のS1014のPDF watsonx.aiのプロビジョニング Assistantの初期設定 Assistantのカスタム拡張機能からDiscoveryを繋げる Assistantのカスタム拡張機能からwatsonx.aiを繋げる Assistantアクションの作成、問い合わせの検証 言語モデルを変えて問い合わせの検証 検証実施 1. Assistantのプロビジョニング はじめに Assistant のプロビジョニングを行います。 IBM Cloud にログインし、カタログ画面から "Assistant" を選択します。 ロケーションとプランを選択し「作成」をクリックします。 しばらくすると以下の画面の様に、Assistant がプロビジョニングされます。 2. Discoveryのプロビジョニング 次に Discovery をプロビジョニングします。 カタログ画面から "Discovery" を選択します。 ロケーションとプランを選択し「作成」をクリックします。 しばらくすると以下の画面の様に、Discovery がプロビジョニングされます。※ここで、資格情報内にある「API鍵」と「URL」をメモに控えます 「Watson Discoveryの起動」をクリックし「New Project +」をクリックします。 Project name に任意の名前を入力、Project type では「Conversational Serch」を選択し「Next」をクリックします。 作成されたプロジェクトをクリックします。 「Integration Deploy」をクリックします。 「API Information」タブをクリックし「Project ID」をメモに控えます。 次に検索対象の PDF を Discovery に取り込みます。 「Manage collections」から「New collection +」をクリックし、「Collection name」に任意の名前を入力、「Select language」を「Japanese」に設定します。 Upload files の領域に PDF をドラッグアンドドロップして「Finish」をクリックします。 アップロードが完了しました。次に、Smart Document Understanding機能(以下 SDU)を利用して PDF内のヘッダーやテキストなどのフィールドを定義します。 SDU は、PDFをはじめとする非構造化データの文書構造を理解して検索や分析の精度を向上させる機能です。例えばタイトルと定義した箇所を検索キーとしたり、検索対象をテキストと定義した箇所のみとするなど可能になります。 「Identify Field」タブをクリックします。 取り込んだ PDF が表示されるので右側の Field labels からヘッダー箇所やタイトル箇所などをドラッグアンドドロップして指定していきます。 ページの定義が終わったら「Submit page」をクリックして次の頁を定義していきます。 SDU では数ページ指定すると自動的にヘッダー箇所やテキスト箇所を認識してくれるので、何ページもあるドキュメントには便利な機能です。 今回は SDU を使って PDF の文書構造を定義しました。SDU以外の Discovery の機能については、また別の機会にご紹介したいと思います。 3. watsonx.aiのプロビジョニング ※watsonx.ai のプロビジョニング方法は「【てくさぽBLOG】IBM watsonx.aiを使ってみた(Part1)」をご参照ください。 4. Assistantの初期設定 Assistant の初期設定を行います。 Assistant を起動します。 起動後、以下の項目を入力します。 Assistant name:任意の名前を入力 Assistant Language:「English」を選択※日本語を選択することが可能ですが、Assistant のスターターキットは英語での利用を想定しているため今回はEinglishを選択します Assistant の公開先を「web」に設定します。※"Tell us about your self" 以降はご自身の情報を入力ください 入力後「Next」をクリックします。 デフォルトのチャットUI を利用するため「Next」をクリックします。 プレビュー画面が表示されるので「Create」をクリックします。(以下の画面は「Create」が隠れてしまっています) 「Congratulations!」と表示されたら初期設定は完了です。 5. Assistantのカスタム拡張機能からDiscoveryを繋げる 「Githubのassistant-toolkit」から "watson-discovery-query-openapi.jsonファイル" をダウンロードします。 Assistant のメニューから「Integration」をクリックします。 下にスクロールし「Build custom extension」をクリックします。 以下の画面が表示されるので「Next」をクリックします。 「Extension name」に任意の名前を入力し「Next」をクリックします。 先程ダウンロードした watson-discovery-query-openapi.jsonファイルをドラッグアンドドロップでアップロードします。 以下の画面が表示されるので「Finish」をクリックします。 追加した Extension の「Add +」をクリックします。 以下の画面が表示されるので「Next」をクリックします。 以下の画面が表示されるので、選択および入力します。 Authentication type:「Basic auth」を選択 Username:「apikey」と入力 Password:メモに控えたWatson DiscoveryのAPI鍵 discovery_url:メモに控えたWatson DiscoveryのURLから"http://"を除いた値 ※以下の画面ショットは discovery_url入力箇所が切れてしまっていますが、実際は「Servers」の下に discovery_url の項目があります 以下の画面が表示されるので「Finish」をクリックします。 Extension が「Open」となっていることを確認します。 これで watsonx Assistant と Watson Discovery が連携できました。 6. Assistantのカスタム拡張機能からwatsonx.aiを繋げる 次に、Assistant のカスタム拡張機能から watsonx.ai を利用できるように設定します。 設定には IBM Cloud の APIキーと watsonx.ai のプロジェクトID が必要です。取得方法は「【てくさぽBLOG】IBM watsonx.aiを使ってみた(Part2)」をご参照ください。なお、今回は東京リージョンで watsonx.ai をプロビジョニングします。 Github の「assistant-toolkit」から "watsonx-openapi.json" をダウンロードします。 Visual Studio Code などで東京リージョンの URL に編集し保存します。 Discovery の連携と同様に、Assistant のメニューから「Integration」「Build custom extension」をクリックします。 以下の画面が表示されるので、任意の Extension name を入力して「Next」をクリックします。 編集した watson-discovery-query-openapi.jsonファイルをドラッグアンドドロップでアップロードして「Next」をクリックします。 以下の画面が表示されるので「Finish」をクリックします。 追加した Extension の「Add +」をクリックします。 以下の画面が表示されるので、選択および入力します。 Authentication type:「Oauth 2.0」を選択 Grant type:「Custom apikey」を入力 apikey:取得済みのIBM CloudのAPIキー Client authentication:「Send as Body」を選択 Header prefix:Bearer(デフォルト) Servers:https://jp-tok.ml.cloud.ibm.com(自動入力) 以下の画面が表示されるので「Finish」をクリックします。 Extension が「Open」となっていることを確認します。 これで Assistant と watsonx.ai が連携できました。 7. Assistantアクションの作成、問い合わせの検証 Github の「assistant-toolkit」から "discovery-watsonx-actions.json" をダウンロードします。 Assistant の「Actions」から「Global Setting」をクリックします。 「Upload/Download」タブをクリックし、Uploadスペースに discovery-watsonx-actions.json をドラッグアンドドロップしてアップロードします。 以下の画面が表示されるので「Upload and replace」をクリックします。 以下の画面の通り、3つのアクションが作成されます。 メニューから「Variables」「Created by you」をクリックします。 「discovery_project_id」の値をメモに控えていた Discovery のプロジェクトID を入力し「Save」をクリックします。 「watsonx_project_id」の値をメモに控えて置いた watsonx.ai のプロジェクトID を入力し「Save」をクリックします。 「model_id」の値で watsonx.ai で使用する言語モデルを指定します。2024年2月29日に GA された日本語で訓練された Granite-japaneseモデルを使用するため、「ibm/granite-8b-japanese」を入力し「Save」をクリックします。(その他変数はデフォルト値とします) 「Actions」から「Generate Answer」を選択し、「model_input」の値を以下の例の様に日本語に変更します。 例: ("<s>[INST] <<SYS>>\nあなたは親切で、礼儀正しく、誠実なアシスタントです。常に安全を保ちながら、できるだけ役立つように答えてください。答えは簡潔に日本語で回答してください。回答には、有害、非倫理的、人種差別的、性差別的、有毒、危険、または違法なコンテンツを含めてはいけません。回答が社会的に偏見がなく、本質的に前向きであることを確認してください。\n\n質問が意味をなさない場合、または事実に一貫性がない場合は、正しくないことに答えるのではなく、その理由を説明してください。質問の答えがわからない場合は、誤った情報を共有しないでください。\n<</SYS>>\n\n質問に答えることで、次のエージェントの応答を生成します。タイトルが付いたいくつかの文書が提供されます。答えが異なる文書から得られた場合は、あらゆる可能性について言及し、文書のタイトルを使用してトピックまたは領域を区切ってください。与えられた文書に基づいて回答できない場合は、回答がない旨を記載してください。\n\n").concat(passages).concat("\n\n[question]: ").concat(query_text).concat("[/INST]") 以上で設定は完了です。 さっそく Assistant から問い合わせをしてみます。 右下の「Preview」をクリックします。 チャットから S1014 の特徴について問い合わせしてみます。約18秒後に以下の回答が返ってきました。 「Inspect」をクリックすると、Discovery の検索結果が以下の通り watsonx.ai に渡されていることがわかります。 <s>[INST] <<SYS>> あなたは親切で、礼儀正しく、誠実なアシスタントです。常に安全を保ちながら、できるだけ役立つように答えてください。答えは簡潔に日本語で回答してください。回答には、有害、非倫理的、人種差別的、性差別的、有毒、危険、または違法なコンテンツを含めてはいけません。回答が社会的に偏見がなく、本質的に前向きであることを確認してください。 質問が意味をなさない場合、または事実に一貫性がない場合は、正しくないことに答えるのではなく、その理由を説明してください。質問の答えがわからない場合は、誤った情報を共有しないでください。 <</SYS>> 質問に答えることで、次のエージェントの応答を生成します。タイトルが付いたいくつかの文書が提供されます。答えが異なる文書から得られた場合は、あらゆる可能性について言及し、文書のタイトルを使用してトピックまたは領域を区切ってください。与えられた文書に基づいて回答できない場合は、回答がない旨を記載してください。[title]: IBM Power S1014 柔軟かつセキュアなハイブリッドクラウド・インフ ラストラクチャーで俊敏性を実現[document]: 1 コ ア 当 た り 4 つ の M a t r i x Math Acceleratorによる迅速 なAI推論のために洞察と自動 化を合理化 業界標準のDIMMより2倍優 れたメモリーの信頼性と可用 性を提供 IBM® Power® S1014 は、1ソケット、4U Power10プロセッサーをベースにしたサー バーで、IBM AIX®、IBM iまたは Linux®上のビジネス・クリティカルなワークロード 向けに設計されています。Power S1014を使用することで、ワークロードはより 少数のサーバーに統合され、ソフトウェア・ライセンスの数、電力と冷却のコスト を削減します。Power S1014サーバーは、プロセッサー上でのメモリー暗号化を 使用してエンドツーエンドからデータを安全に保護し、ラック型またはタワーフォー ム・ファクターで購入できます。 プロセッサー・レベルでのメモリー暗号化と、POWER9 と比較してすべてのコア で4倍の暗号化エンジンによりコアからクラウドまでのデータを保護 ますます高度に分散した環境に存在するデータには、もはや境界線を設定すること は不可能です。 [question]: S1014の特徴は?[/INST] Assistant と Discovery のみの連携で検索した結果は以下の通りです。watsonx.ai を使用した方がより簡潔で分かりやすい回答を得られることが分かります。 8. 言語モデルを変えて問い合わせの検証 言語モデルを "llama-2-70b" にして同様の問い合わせをしたところ、約24秒後に回答が返ってきました。箇条書きで丁寧な印象です。 言語モデルを "elyza-japanese" にした際は10秒ほどで回答がありました。主語として「S1014の特徴は」とあることで、問いに対する回答が分かりやすくなっています。 言語モデルを変えて試した結果、llama-2-70B は箇条書きで回答し丁寧な印象を受けましたが、回答が得られるまでに24秒かかりました。一方 Granite-japanese や elyza-japanese はシンプルな回答を生成し、Granite-japanese は18秒、elyza-japanese は10秒というより短い時間で回答を得られました。 Watson Discovery の検索結果に基づき watsonx.ai で回答を生成するので、ある程度時間がかかると予想していましたが、elyza-japanese は速い回答で主語を添えてわかりやすく回答してくれました。 また、llama-2-70B は汎用的で使いやすいモデルですが、プロントで「日本語で回答して」と指示をしても問い合わせ内容によっては英語で回答することがありました。日本語の回答精度を求める場合は、Granite-japanese や elyza-japanese を使用した方が精度の高い回答を得ることができます。 モデルを変えて問い合わせてみると、モデルごとに得意なタスクが異なることがわかりました。数百億のパラメータで訓練された大規模言語モデルを一概に選択するのではなく、言語やタスクの特性に合わせて最適なモデルを選定することが重要になりそうですね。 さいごに いかがでしたでしょうか。Github から提供されているスターターキットを使って Assistant、Discovery、watsonx.ai を繋げてみましたが、ほどんど躓くことなく UI から簡単に設定することができました。 接続自体に高度な難しさは感じませんでしたが、問い合わせに対して正確な情報を得るためには Assistant の検索設定を調整する必要があります。今回は1つの PDFファイルの検索を行いましたが、複数の PDFファイルから情報を引き出す際には Assistant で query を設定することで特定の PDFファイルからの検索が可能です。 このように PDF などの非構造化データを検索対象として精度の高い回答を得るには、Discovery において文書の構造を明確に定義し、Assistant の検索設定を調整することが必要です。 実際にヘルプデスクなどの Webチャットで利用する場合は、Assistant にあらかじめ用意した回答をルールベースで回答させ、それでも解決できない問い合わせについては Discovery を通じて検索を行い、watsonx.ai を用いて回答を生成するという流れが効果的です。 ただし、生成AI によって生成される回答は常に”100%正確な回答”ではないので、より高い精度の回答を追求するためにはプロンプトの調整などチューニングを施すことが必要です。その結果、より使いやすい Webチャットの実現が期待できます。 お問い合わせ エヌアイシー・パートナーズ株式会社E-Mail:nicp_support@NIandC.co.jp   .highlighter { background: linear-gradient(transparent 50%, #ffff52 90% 90%, transparent 90%); } .anchor{ display: block; margin-top:-20px; padding-top:40px; } .btn_A{ height:30px; } .btn_A a{ display:block; width:100%; height:100%; text-decoration: none; background:#eb6100; text-align:center; border:1px solid #FFFFFF; color:#FFFFFF; font-size:16px; border-radius:50px; -webkit-border-radius:50px; -moz-border-radius:50px; box-shadow:0px 0px 0px 4px #eb6100; transition: all 0.5s ease; } .btn_A a:hover{ background:#f56500; color:#999999; margin-left:0px; margin-top:0px; box-shadow:0px 0px 0px 4px #f56500; } .bigger { font-size: larger; }

2024年01月16日

【イベント開催レポート】IBM watsonx.ai ハンズオンセミナー

こんにちは。ソリューション推進部です。 2023年12月12日に、エヌアイシー・パートナーズ株式会社として初めてのハンズオンセミナー『「IBM watsonx.ai 」を利用したRAGのハンズオンセミナー』を開催しました。 今回のハンズオンセミナーは、以下の2つのことを目的として行いました。 パートナー様に製品の紹介とハンズオンを合わせて体験いただくことで、製品をより深く知っていただくこと 製品を活用したビジネスの新たな応用の可能性を見つけ出していただくこと 私たちのチームでは、パートナー様にご紹介・ご説明する製品を「実際に触ってみること」を大切にしています。これは私たち自身の技術力の向上という目的もありますが、パートナー様に私たちのリアルな経験を交えながら製品のご説明をすることが、お客様の具体的な課題発掘や案件創出に繋がっていると考えているためです。 今回のハンズオンを通して、パートナー様ご自身が製品の価値を体感しご理解いただくことで、新しいビジネス展開のイメージを創出するお役に立ちたいと考えました。 それでは、今回実施したセミナーの内容について簡単にご紹介いたします。 目次 レポート watsonx.ai紹介講義 ハンズオン実施 IBMさまによる最新情報紹介・講義 さいごに お問い合わせ レポート 1. watsonx.ai紹介講義 ハンズオンを実施する前に、watsonx.ai と RAG についての講義を行いました。 国内では生成AIビジネスが加速し、競争力やセキュリティなどの課題が増えています。これらの課題を解決する製品として、IBM watsonx をご紹介しました。 watsonx は「watsonx.ai」「watsonx.governance」「watsonx.data」という3つの製品から成り立っています。watsonx.ai は、基盤モデルをベースとした AI開発スタジオです。 ここでは、IBM が信頼できるデータを用いて事前に学習した基盤モデルや Hugging Face, Inc.* と連携したオープンソースの基盤モデルが利用可能で、ビジネスの状況や要件に応じて最適な基盤モデルを選択することが可能です。 また、RAG についての概念や利点、活用が期待されるシーンもご説明しました。RAG を用いた具体的なユースケースとしては、IBM Watson Speech to Text や Watson Discovery、watsonx.ai を活用したコールセンター業務の事例や、watsonx Assistant や Watson Discovery、watsonx.ai を活用した ECサイトの問い合わせの事例を取り上げました。 時間の制約からこれら2つの事例しかご紹介できませんでしたが、今後、watsonx.ai を活用した多様な事例を私たち自身も理解し、パートナーさまと共に議論を深めていきたいと思います。 *Hugging Face, Inc.:機械学習 アプリケーションを作成するためのツールを開発しているアメリカの企業。 2. ハンズオン実施 ハンズオンでは、受講者の方々に「RAG」を活用した watsonx.ai の Foundation Model(LLM)への問い合わせを体験していただきました。 RAG とは「Retrieval-Augmented Generation」の略で、LLM への問い合わせをする際に、事前に用意したベクターストアへデータ(今回はPDF)を取り込んでおき、問い合わせプロンプトをもとにベクターストアを検索し、その結果を付与して LLM へ問い合わせを行う、というテクノロジーです。 RAG を使うことで、一般公開されていない社内情報を活用して LLM を利用することが可能となるため、自社での利用やお客様の課題を解決するための方法として有効であると考えています。 ハンズオンの環境につきましては、準備に時間をかけずスムーズに始められるよう、事前に弊社にて PC や RAG を利用するための Jupyter Notebook を用意いたしました。 また、watsonx.ai では複数の Foundation Model を利用できるため、複数のモデルを使って挙動の違いを確認してみたり、取り込む PDFファイルを追加することで回答がどう変わるのか、など、ご自身で自由に検証をする時間を多く設けました。皆さまそれぞれに前提スキルは異なっていたかもしれませんが、「体験の時間が足りない…」ということはなかったかと思います。 今回ベクターストアへ取り込むのは PDF のみとしましたが、テキストファイルや PowerPoint なども取り込むことができるので、応用できる使い方が非常に広いということを理解いただけたのではないかと感じています。 3. IBMさまによる最新情報紹介・講義 日本アイ・ビー・エム データ・AI・オートメーション事業部 四元さまに「watsonx」に関して、最新事例と製品アップデート情報の2本立てで講義をしていただきました。 事例においては、IBM社内の watsonx活用事例(AskIT)は特筆すべきと言えるでしょう。 AskIT は、IBMの自然言語処理(NLP)能力を活かし、30万件を超えるサポートチケットから抽出された知見をもとに、重要なサポートトピックに迅速に対処する AIアシスタントとして開発されたそうです。このツールは4ヶ月で133,000人の IBM社員に利用され、問い合わせの75%以上が AI によるチャットで解決されるなど、非常に大きな成果を上げています。 製品アップデート情報のメインは、12月に発表された「watsonx.governance」でした。 AI を組織として採用するためには倫理感のある意思決定が必須であり、watsonx.governance は AIガバナンスとして以下の3つの機能を提供する製品である、というご説明をいただきました。 AIライフサイクルを通してAIモデルの実態を把握するための「モデル・インベントリ」 AIの性能や課題の管理などを行う「評価・モニタリング」 総合監視画面を提供しリスクを可視化する「モデル・リスクガバナンス」 モデル・インベントリでは、他社の AI商品である「Amazon SageMaker」「Azure Machine Learning」などの AIモデルも合わせて管理・監視できることが非常に興味深いです。 watsonx は、AIワークフローを一貫してサポートすることで倫理的かつ透明性の高い AI利用を可能にしています。これらの技術革新は私たちが直面している数多くの課題に対する解決策を見出し、先進的なビジネス環境を促進していく上での重要なステップと言えるでしょう。 日本アイ・ビー・エム株式会社 データ・AI・オートメーション事業部 四元 さま さいごに セミナー後には、参加いただいたパートナーさまとご支援いただいた IBMさまとの懇親会を開催いたしました。 当懇親会を通してパートナー様の生成AI に対する取り組みや課題を直に伺うことができ、大変有意義な場となりました。 2023年12月18日に弊社は10周年を迎えました。10年間で培った経験を糧にし、今後さらに新しい取り組みにチャレンジしていきたいと考えております。 本年も、ブログを通してパートナーの皆さまへ様々な情報をお届けさせていただきます!今後ともどうぞよろしくお願いいたします。 懇親会会場 お問い合わせ エヌアイシー・パートナーズ株式会社E-Mail:nicp_support@NIandC.co.jp   .highlighter { background: linear-gradient(transparent 50%, #ffff52 90% 90%, transparent 90%); } .anchor{ display: block; margin-top:-20px; padding-top:40px; } .btn_A{ height:30px; } .btn_A a{ display:block; width:100%; height:100%; text-decoration: none; background:#eb6100; text-align:center; border:1px solid #FFFFFF; color:#FFFFFF; font-size:16px; border-radius:50px; -webkit-border-radius:50px; -moz-border-radius:50px; box-shadow:0px 0px 0px 4px #eb6100; transition: all 0.5s ease; } .btn_A a:hover{ background:#f56500; color:#999999; margin-left:0px; margin-top:0px; box-shadow:0px 0px 0px 4px #f56500; } .bigger { font-size: larger; }

back to top