![見出し画像](https://assets.st-note.com/production/uploads/images/50864676/rectangle_large_type_2_bca641a826b93f0f6ef4ee8963680a9a.png?width=1200)
【AIを使いこなすツール】AIキャンバスをMBA採用に応用『予測マシンの世紀 第三部』#9
こんにちは。シンラボ共同代表の草場です。
AIとの共同に関して、『予測マシンの世紀 AIが駆動する新たな経済』をまとめていきます。推理小説のようで、ドキドキワクワクです。
目次
はじめに―機械知能
安さはすべてを変化させる
第1部 予測
第2部 意思決定
第3部 ツール
第十二章 ワークフローを分解する
第十三章 決断を分解する
第4部 戦略(経営層にとってのAI;AIがあなたのビジネスを変容させるとき ほか)
第5部 社会(AIと人類の未来)
第三部、ツールに関してです。昨日の記事は以下です。
■決断を分解する
昨日は、医薬品の有望な候補を発見するための時間を短縮することを目的とした予測ツールを提供しているスタートアップのAtomwiseに対して、AIキャンバスを使いました。タスクの決定を構成する各要素(予測、入力、判断、訓練、行動、結果、フィードバック)を特定できました。
本日はこれを、前に取りあげたMBAの採用プロセスに適応していきます。
AIキャンバスは大規模な組織でも有効です。適用するには、ワークフローをタスクに分解します。
どのMBA申請者をプログラムに受け入れるかという決定を中心としたAIキャンバスはどうなるでしょうか?本に示されているのは、図1です。
図1 MBA採用オファーのAIキャンバス(『Prediction Machine』より転載)
では本に沿って細かく見ていきます。まずは何を予測するのでしょうか?
まず、採用活動には予測が必要だ。誰が最高の、あるいは価値の高い学生になるのか?「最高」を定義する必要がある。学校の戦略がその定義に役立つ。しかし、多くの組織は、漠然とした多面的なミッションステートメントを持っている。これは、マーケティング用のパンフレットには適しているが、AIの予測目標を特定するにはあまり適していない。
予測をするには、予測したいものの明確な定義が必要です。AI導入をすることにより自社のミッションステートメントの見直しが出来るという意味では、AI導入検討自体はいいですね。
では今のケースでは、最高、をどう定義しましょうか?
ビジネススクールには、"最高 "とは何かを暗黙のうちに、あるいは明示的に定義する戦略が数多くある。それは、GMATのような標準化されたテストのスコアを最大化するというような単純な指標であったり、Financial TimesやUS News & World Reportでの学校のランキングを上げるために学生を募集するというような広範な目標であったりする。
また、定量的なスキルと定性的なスキルを兼ね備えた学生を求めている場合もある。あるいは、国際的な学生を求めている場合もある。あるいは、多様性を求めているかもしれない。これらすべての目標を同時に追求できる学校はなく、何らかの選択をしなければならない。そうしないと、すべての面で妥協してしまい、どれも優れていないことになる。
GMATは数値化されているのでわかりやすいですが、定量化される指標だけではだめで、定性的な指標も必要です。様々な指標があるなかで、すべてを満たすのは無理なので選ぶ必要があります。図1のAIキャンバスは、の学校の戦略は、「世界のビジネスに最大の影響を与えること」を学校の戦略と想定して作られています。
この主観的な概念は、ローカルではなくグローバルであるという点で戦略的であり、例えば学生の収入の最大化や富の創出ではなく、インパクトを求めている。
AIがグローバルなビジネスインパクトを予測するためには、それを測定する必要があります。ここで報酬機能エンジニアリングの登場です。以前の記事は以下です。
では、グローバルなビジネス・インパクトを測るデータは何を設定すればよいでしょうか?
1つの方法として、各クラスから最も優れた卒業生を特定することが考えられる。そのような卒業生を選ぶのは主観的だが、不可能ではない。
これで、予測マシンの目標をグローバルなビジネスインパクトに設定したとして、特定の学生を受け入れる価値は判断に委ねられます。
エリートになると間違って予測した弱い学生を受け入れることにどれだけのコストがかかるか?弱そうだと間違って予測した強い学生を不合格にすることは、どれほどのコストがかかるのか。そのトレードオフを判断するのが「判断」であり、AIのキャンバスには明確な要素として描かれている。
予測の目的を明確にすれば、必要な入力データを特定することは簡単です。AIキャンバスは以下の形になります。
行動:応募者をプログラムに受け入れる
予測:卒業から10年後に、最も影響力のある50人の卒業生の中に入っているかどうかを予測する。
判断: トップ50に入ることと、偽陽性(トップ50に入らないこと)のコスト、偽陰性(トップ50に入らないこと)のコスト、トップ50に入らない人をターゲットにしないことの相対的な価値を決定する。
結果: 卒業後10年後の世界的な影響力から見た、より質の高い卒業生の存在
入力: 予測アルゴリズムを実行するために必要なデータは何か?アプリケーションフォーム、履歴書、GMATスコア、ソーシャルメディア、上記結果(影響度測定)。
訓練: 予測アルゴリズムのトレーニングに必要なデータは何か?アプリケーションフォーム、履歴書、GMATスコア、ソーシャルメディア。
フィードバック:アルゴリズムを改善するために、結果をどのように利用できるか?毎年、応募者とキャリアの結果を更新
今回はわかりやすい例でした。
シンラボの活動を整理して、シンラボのAIキャンバスを作成します。
この記事が気に入ったらサポートをしてみませんか?