動畫を撮ることで見えてくるもの

秋葉：フレームワークスは、大和ハウス工業のDPL流山の中で「PoC（Proof of Concept）」をやっています。まずはカメラをたくさん使って実証実験を行います。業務プロセスの中でこういうことがしたい、といったことも確かにあります。しかし、カメラで動畫をたくさん撮ることに大きな価値があるのです。その動畫をどう使うかは後でもよくて、動畫を撮るということ自體が非常に重要です。
大量の情報が目に入ってきても、人間は賢いので、その中から必要な情報だけをチョイスしています。カメラも同じです。例えば60度の視界でカメラを設置しておけば、人間の視界よりは狹いですが、60度の範囲をすべて撮ることができるので、人間と同じで、カメラの中に情報が入ります。その中の何を使うかは次に決めればいいことです。明確な目的があって、畫像からやりましょうという話もありますが、情報にはたくさんの使い方があるので、とりあえずカメラを設置しておくのです。
センサーデバイスなどを除くと、基本的には、何らかのアクションをしてはじめてデータ化されて、インターネット経由でクラウドに上がります。それが、アクションがなくても畫像としてすべてクラウドに上げ、何かあればその中からデータ化をして、そのデータだけを保持することができると、現場で人間は何のアクションもしなくてもよくなります。この膨大な畫像を使ってデータを作り出すということは、非常に価値のあることです。例えば、この中にQRコード（※）があったとしたら、その情報をとることができます。近くに商品があれば、その色の情報がとれます。畫像の中にある情報はいくらでもとれるわけです。人間の顔を認識するのと同じようにできると思います。それは私たちが認識している世界ではなくても、畫像の中に保存されている情報であれば可能なので、そういったかたちでデータを作り出すことができるのが大きいですね。あとは、それをどうやって使うかの話です。

※QRコードは（株）デンソーウェーブの登録商標です。

岡田：PoCとは、日本語訳にしにくいのですが、あえて訳せば「概念実証」でしょうか。

秋葉：AI業界の考え方なのでしょうね。屬人的な現場での積み上げ方とは違う感じがします。実際のビジネスの中で、その辺の感覚的なものを感じることはありますか。

岡田：本來は、新しい構想やアイディアを、形にしながら、その仮説に実現可能性があるか、どうすると実現できそうかを検証するプロセスを指すのですが、AI業界ではこのPoCという言葉が、意味が曖昧なまま、バズワード的に使われていて、課題に感じています。中でも、最近AI業界で話題になっているのがPoC貧乏”という言葉です（笑）。大きな投資をしてPoCに取組んでも、結局本番運用に至らずに終わってしまうケースがあまりにも多いからです。何が課題になっていて、どういう狀態が理想なのか、という大前提を検証することなく、とりあえずAIで何かやっちゃいましょうという話からスタートすると、何も形にならずに終わってしまいます。

秋葉：先ほどのとりあえずカメラをつけるという話とPoC貧乏という話が、見方によっては近いように感じてしまいますから、そこをきちんと理解しておく必要がありますね。

岡田：明確に違うのは、”PoC貧乏”に陥るケースは、ある程度パターンがあることです。それは、AI活用が手段ではなく目的になっているケースです。例えば、社長から「とりあえずうちもAIをやるぞ」という話が出た時。どのような世界観を実現するために、何を検証すべきなのかという議論がないままに、言葉尻だけをつかみ、擔當役員や部長の方が「何とかしなければ、とりあえずこれをやろう」と決めてしまうケースは危ない。これでは、本末転倒です。結局、10円で1円を買っているような狀況になり、やればやるほど、コストばかりが膨らんでいきます。これでは、AI技術を提供する企業側としても実証実験で終わってしまいますので、本番まではほど遠い。そんな誰にとっても嬉しくない狀態に陥るケースが、この業界で多くなっています。

秋葉：例えば、とりあえずマイクをつけて音を録ってみて、音がきちんと拾えて、音聲データを活用すれば業務プロセスや業務自體を変えられる、あるいは音聲から導かれる予測などを仮説として確認する。そういうことを早くやればいいんですね。

岡田：畫像認識でいえば、あるアパレルの小売店で、試著室まで持っていったけれども、結局買わなかったとしたら、その動きを見て、そこから推論する。「広げたら今一つ気に入らなかったのか」「身に著けた感じがよくなかったのか」など、そういう推論につながっていくということですね。

秋葉：購入しなかった理由が色なのか、サイズなのか、上下の組合せなのか、それはわかりません。であれば、ほかのものをレコメンドしてみる、などとつながります。データの活用という點においては、物流の世界よりも小売りの世界の方が圧倒的に進んでいます。小売りの世界では、マーケティング分析も含めてしなければならないので、データの活用はずっと昔からやっていることです。さらに、インターネットでものを売る場合、インターネット上であればいろいろな履歴が取れるので、さらに分析につながっていきます。これをリアルの世界でも同じようにやりたいのです。だからこそ、音聲や畫像も含めて撮って、それを人工知能で解析するということを一生懸命やっています。「クラウドの上に」という話と同じですが、物流は遅れていることを認めて、進んでいる業界?業種の中でやっていることの流用、転用など、できそうなことは何かを考えることが大事です。
進んでいる業界があって、ABEJAも、そこのお客様やそこでやっていることがすでにたくさんあるわけです。例えば、お店の中で情報をとって分析するとします。割り切って考えれば、棚が並んでいて商品が入っている點では、お店の中も物流センターも一緒です。客が歩いたか手を伸ばしたか、作業している人が歩いたか手を伸ばしたか、まったく一緒なのです。そういったこともあっとういう間にできるのではないかと思います。ですからPoCといいながら、一から始めなくても、経験を積んだ岡田さんたちがいるのであれば、私たちは途中から始められるのではないかと思っています。

ネクストステップを追求する

岡田：「カメラをつけまくるプロジェクト」という話をしたとき、メンバーからは大反対を受けました。しかし、私はカメラをつけることはすごく重要だと思っています。なぜなら、人が意味がないと思って、目をつぶらないのと同じです。意味がないとき、人間は目をつぶり続けていたほうが、処理が少なくなるのでいいはずです。それなのにずっと見ているということは、何かしら気づかないところに気づくということがすごく重要なのではないでしょうか。人もそうですが、見慣れてしまうと當たり前に処理をして、當たり前になればなるほど感覚的に処理をし始めます。車の運転をしているとき、30度ハンドルを切る、30度曲がるなどと考えて運転している人はいませんよね。感覚的な処理が始まることはディープラーニングととても似ている気がします（笑）。
見ているだけで感覚的に解読できるものがあるはずです。見ると何か違和感を覚えるのは、音聲だったり、匂いも関係してきます。そういったことをモニタリングすることが重要です。物流業界の中で24時間365日狀況を目視している人は皆無に近いので、カメラで撮っておいて、後から3倍速、4倍速で見たとしても、何かしらの気づきがあるはずです。その気づきの部分をAI化して、「これは今おかしかったよね」と発見できれば、これまで人ではできなかったところが急にできるようになっていくのではないでしょうか。そういうことも含めて、カメラをたくさんつけて、まずは現狀というものを見ます。秋葉さんや私たちが見ると、「何か今のおかしくない？」ということが出てきます。そういったことを作り上げていくことが、近道だと思っています。
逆に、ソリューション側というか課題並列型では、目的があってカメラをつけますから、これが無駄に思えてしまいます。これはニワトリが先か卵が先かという議論と同じで、カメラをつけて気づくこともあるはずです。実際に作ったものをダイワロジテックさんのほうで橫展開していくところまでいけると、おそらくこれは物流業界の革命になると思っています。

秋葉：さすがにカメラ1臺100萬円したら、とりあえずつけろとは言いません。ネットワークカメラの精度が上がって値段は下がっているという今の環境であれば、とりあえずつけたらいいという話です。
例えば、私がインターネット通販を物流施設でやっていたとします。お客様のところにものを出すとき、ハンディ端末でピッとやって箱に入れていきます。ところが、商品3個のお買い上げなので、確かに3個箱に入れたはずが、コールセンターにお客様から商品が入っていなかったとクレームきたら、現狀ではこれを証明することができません。そこですみませんでしたと割り切って即商品を送ったとしても、クレームなのでそれだけでは済まずに、誰がやったのか、本當に大丈夫なのか、ハンディ端末のデータを探して、その商品をどうしたかなど、膨大な作業を行わなければなりません。
そこに畫像があれば、タイムスタンプがあるのですぐにわかります。間違いなく3個を箱に入れていることを畫像で確認できるのです。どのようにインデックスをつけるかという課題はありますが、インデックスがついていればすぐにわかります。そういったことがどんどん出てくると思います。人間がやっているのだから間違いが起こるのは仕方ないと思われていることがたくさんありますから。だから、そこでのチェック機能にも使えるわけですね。これは出荷のところの話ですが、この分析方法は他のプロセスでも使えます。熟練工のノウハウをコピーして持ってくることはできませんが、AIであればそれができます。カメラとセットで持っていけば終了です。

岡田：今はとりあえず撮っておくという段階ですが、検証すべき仮説のイメージはつき始めてきています。最初から見えているところもありますし、撮る中で課題感が見えてきているところもあります。実際に見てみて、こういうことかと気づくこともあります。

秋葉：私たちもそうです。結果を數字で見ていて、なぜそんなことが起こるのかわからなかったことが、動畫を見直して、そういうことかと気づくことがあります。今までも當然指導をしていますが、私が四六時中そこで見続けているわけにもいきませんので、これまでは「ちゃんと指示をしておけよ」という話でしかありませんでした。

岡田：屬人的にやっていて當たり前だと思っていたプロセスが「実は……」、ということですね。生産性効率のような指標と畫像を解析すると、どのような條件で、生産性が上がるか下がるか、ということがわかってきます。これは、ずっと畫像としてデータを殘しておいたからこそわかる相関性です。畫像が3時間しかなかったらまったく相関になりません。10日、20日とデータが貯まれば、生産性が良かったとき、逆に全然うまくいっていないとき、何が原因だったのだろうと後から見直すと「ここだ！」というものが見えてきて、解決につながっていくはずです。それを自動化していくのが、まさに人工知能の得意分野です。自動化が進んでいけば、次の活用段階にどんどん進んでいくことができます。

秋葉：ネクストステップこそが本來のポイントです。ある瞬間のある目的レベルを切り取ってモデルを作ることは、やりたいことの10％です。それができたら次もまた出てくるし、このデータを加えたらこうじゃないかという話をずっとしていかなければなりません。どこかで飽和するのでしょうけれど、人間の習熟の話と同じで、やらなければいけないことです。そうかといって、そこまでのデータ量を溜めて、PoCを一生懸命やってからこれを作ります、という話ではないはずです。いったんここでリリースして、ここまでクリアして、とやっていくためには、モデル自體も成長していかなければいけませんし、集めるデータの種類、精度も上げていかなければなりません。それに、カメラで撮るからわかることがあるといいましたが、畫像から切り出せるものばかりではありません。人間が見てここがおかしいとわかっても、畫像から切り出せないのだとしたら、センサーを入れるなり何かして、データをとらなければなりません。こうした仮説検証を繰り返しながら、1日も早くソリューションとして効果を出したいと思っています。