★阿修羅♪ > 経世済民129 > 348.html
 ★阿修羅♪
▲コメTop ▼コメBtm 次へ 前へ
和製アマゾン・ゴーが人気、開発のサインポスト−株価うなぎ上り「AIで人間の仕事がなくなる」経済学的解明 テレワーク進まず
http://www.asyura2.com/18/hasan129/msg/348.html
投稿者 うまき 日時 2018 年 11 月 08 日 19:06:06: ufjzQf6660gRM gqSC3IKr
 

和製アマゾン・ゴーが人気、開発のサインポスト−株価うなぎ上り
古川有希、中村友治
2018年11月8日 6:01 JST 更新日時 2018年11月8日 9:43 JST
• 財布いらず無人の「スーパーワンダーレジ」−20年度までに3万台目標
• 蒲原社長は元三菱UFJのシステム担当、試行錯誤重ねAIも活用
交通系電子マネー「スイカ」を入り口でかざし、陳列棚に並ぶ総菜パンやお茶を手に取り、出口で再びスイカをかざせば買い物が終わる。JR赤羽駅構内に10月中旬に新設された店舗は、米アマゾン・ドット・コムのレジなしストア「アマゾン・ゴー」と似た体験ができると関心を集め、連日にぎわっている。
  この人気スポットに無人決済システム「スーパーワンダーレジ」を提供するのが、東証マザーズ上場のサインポストだ。これまで買い物かごにカメラを取り付けたり、X線を活用したりと試行錯誤を重ねてきたが、画像を認識する人工知能(AI)を活用して商品を識別し、支払額の計算、決済まで完結させる方法にたどり着いた。

無人レジを採用するJR赤羽駅の特設店舗
Photographer: Kiyoshi Ota/Bloomberg
  サインポストの蒲原寧社長はインタビューで「電車も高速もスルーできるのに、なぜレジだけ待たなければならないのか」と開発動機を語った。9月の有効求人倍率が1.64倍と1970年代以来の高水準となる中、無人レジは人手不足解消にもつながる。蒲原氏は「社会問題を解決したい」との気持ちもあり、開発に力が入ったと言う。
  アマゾン・ゴーは、決済アプリを備えたスマートフォンさえあれば、手ぶらで買い物が楽しめるのが特長で、利便性はスーパーワンダーレジと類似する。技術の独自開発という点も同じだ。しかし、ビジネスモデルは違う。アマゾンは自らも物品を販売しているが、サインポストは無人レジというプラットホームの提供者だ。
2020年度までに3万台
  スーパーワンダーレジ(約500平方メートルの店舗で1億円程度の導入費用を想定)は電子マネーだけでなく、クレジットカードや現金にも対応できる。昨年商品化され、既にクレジットカード会社ジェーシービー内の売店や電気通信大学の生協などで採用されている1代前の「ワンダーレジ」(1台100万円前後)と合わせ、2020年度(21年2月期)までに国内で3万台の導入を目指す。
  サインポストの上期(3−8月)売上高14億2300万円のうち、8割以上はコンサルティング事業が占め、レジなどのイノベーション事業は1600万円にとどまる。蒲原氏はイノベーション事業について、小売店側の情報技術(IT)やAIに対する意識の高まり、人手不足の深刻化で「AIレジ元年」とにらむ来期(20年2月期)以降の黒字化を目指す。

無人レジでの買い物風景
Photographer: Kiyoshi Ota/Bloomberg
  岩井コスモ証券の川崎朝映アナリストは、コンビニエンスストアや小売店が人手不足を背景に無人店舗を検討し始める中、無人レジは問題解消の鍵で「スーパーワンダーのような有力製品を開発するサインポストの成長は期待できる」と分析。「技術の進歩は速く、逆に小さい会社だからこそ、動きが早いかもしれない」と指摘した。
「アマゾン・ゴー」に日本でライバル登場
  サインポストは、三菱UFJフィナンシャル・グループでシステム担当だった蒲原氏が07年に設立、17年11月にマザーズに上場した。スーパーワンダーレジについて蒲原氏は、今回の実証実験で得られたデータを基に技術の改良を行い、来春ごろには改良版を完成させる計画だ。
  同社の株価は8日の取引で、一時前日比4.9%高の5240円と上場来高値を更新。昨年11月の株式公開価格から9.5倍に上昇した。

(最終段落に株価動向を追加しました.)

https://www.bloomberg.co.jp/news/articles/2018-11-07/PH3K2O6S972B01


 


 


「AIで人間の仕事がなくなる?」の経済学的解明
世界最先端の「AI経済学」
第1回 全職種の作業をタスク分けしてみた

2018年11月8日(木)
伊神 満


AI(人工知能)は、あなたの仕事を奪うのか(写真=PIXTA)
 AI(人工知能)が仕事を奪う、世の中は大変なことになる――。AI技術の急速な発展が報じられる中で、世間では「ふわっとした」議論が繰り返され、「機械との競争」への漠然とした不安ばかりが煽られている。だが、本当にそうなのか。本コラムでは、世界最先端の経済学研究を手がかりに、名門・米エール大学経済学部で教鞭を執る伊神満准教授が「都市伝説」を理性的に検証する。

まずはじめに:連載コラム(全4回)の趣旨
 人工知能(AI)については色々な人が色々なことを言っている。だが、よく分からない未来を語るにつけて、楽観論も悲観論も、ただ各人が「個人的に言いたいこと」を言っているだけのように見える。

 となると、「AI技術は是か非か」「AI失業は起こるのか」「もはや人類の滅亡は時間の問題か」についての「結論」自体には、ほとんど何の意味もない。これだけ沢山の予想があれば、そのどれかは当たるだろうし、大半は外れるに決まっているからだ。

 そんなことよりも、冷静な人たちが交わしている「それなりの確かさをもって言えそうなこと」に耳を傾け、吟味しよう。そしてあなた自身の身の振りかたについては、あくまで自分の頭で考えよう。でなければ、あなたという人間の「知能」と人生に、いったい何の意味があるだろうか。

 このコラムは、経済学者である筆者が、9月中旬にカナダのトロント市で開催された第2回全米経済研究所(NBER)「人工知能の経済学」学会で行った研究発表と、そこで見聞きした世界を代表する経済学者たちによる最新の研究について、一般向けにまとめたものである。

注1 第2回NBER「人工知能の経済学」学会のプログラム(論文・スライド・動画あり)は、こちら。
「あなたの仕事が危ない」?
 まずは、AIが「人間の経済活動にもたらす」影響を考えてみよう。連載コラムの前半にあたる第1回と第2回では、AIの「外側」の経済学の話をする。

 AIやロボットは、これまで人力を必要としていた生産活動の「自動化」ととらえるのが一般的だ。そこで、AIの「外側」の経済学では、自動化技術の中身はさておき、それがもたらす経済活動へのインパクトを考察する(連載後半にあたる第3回と第4回では、AIの「内側」の経済学に触れる。この分類は、論点を整理するために筆者が独自に使っているものだ)。

 今日紹介するのは、誰もが気になる「自分の仕事はなくなってしまうのか」という問いについての、興味深い実証プロジェクトだ。

仕事を1つひとつのタスクに分解してみよう
 ミクロ実証的な1つのアプローチとしては、個々の職業を、その構成要素である各種「作業」レベルに分解して考えてみることができる。たとえば、大学教授という「職業」の人は、大きく分けて、

(A)研究
(B)教育
(C)雑用

 という3種類の活動に時間を使う。そこでたとえば(B)の教育活動を、さらに

(B1)授業内容の立案と作成
(B2)授業そのものの実施
(B3)宿題やテストによる学生の評価
(B4)大学院生の研究へのアドバイス

 ……のように分解し、さらに細かく具体的な「作業」をリストアップすることができる。そして、各「作業」(タスク)について、今後10年間でどのくらい自動化できそうか、その筋の専門家に点数をつけてもらおう。こういう点数を並べれば、「大学教授という職業が何パーセント自動化できそうか」を測る目安くらいにはなりそうだ。

 感覚をつかんでもらうために、もう1つの例として「米国で大手監査法人に勤める会計士(専門分野は税務)」についても、業務内容をざっくりタスク分けしてみよう。

(W)税務申告書の作成
(X)税務申告書の確認
(Y)チームのマネジメント
(Z)クライアントの獲得および関係構築

たとえば末端の仕事である(W)を詳しく見ていくと、

(W1)試算表の勘定科目(の管理コード)を整理して、ソフトに入力
(W2)税務上と会計上では費用・収益の認識が異なるので、違いを計算してソフトに入力
(W3)税控除や繰越欠損金が利用できるか否かを判断する

 といったタスクによって構成されている。もともとこの分野はコンピューターによる処理との相性が良い。だから(W1)や(W2)などはソフトの活用を前提としたタスク設計になっている。とはいえ、たとえば「交際費はその内容によって控除の可否が変化する」といった例外処理も多いため、完全自動化は難しいのだという。

注2 アメリカにおける税務専門の会計士のタスクについては、上武愛季子氏にご教示頂いた。この場を借りて感謝したい。
 この記事の読者も、ためしに自分の仕事のタスク構成を洗い出してみたらどうだろう。AIによる自動化が云々という話以外にも、何か新しい発見があるかもしれない。

 こうした「自動化のしやすさ」を、世の中の多くの職業について数値化したのが、「機械学習と職業の変化」という論文である(原題は「Machine Learning and Occupational Change」)。といっても、今まさに進行中の研究だから、完成版が読めるのはまだ先になりそうだ。


仕事を、タスク分けしてみたら色々分かるかも(写真=PIXTA)
 この研究を発表したのは、米マサチューセッツ工科大学(МIT)のエリック・ブリニョルフソン教授だ。IT(情報技術)業界研究のベテランで、最近では『プラットフォームの経済学』(日経BP社)なども邦訳されている。彼自身も発表中に認めているように、数値結果そのものは、分析プロセスを少し変更しただけでも、ガラッと変わる。

注3 20分間の研究発表(および討論者による10分間のコメント)の動画は、こちら。リスニングが苦手な人は字幕を表示させるとよい。また、英語自体が苦手な人は、不正確ながらも字幕を自動和訳して表示することが可能だ。
 たとえば、大学教授の仕事(B)教育について、具体的なタスクをいかに定義するのか、どこまで適切に細分化できるのか、本当にうまく自動化できるのか、大学教授であるはずの筆者にもよく分からない。

 また、(B)教育を自動化した結果、大学教授というポストそのものが消滅してしまうのであれば、筆者は専業コラムニストに転職せざるを得ない。しかし逆に、これまで(B)に割いていた時間と体力を(A)研究に注げるようになるのであれば、願ったり叶ったりだ。

 だから、たとえ「学者が科学的にたどりついた発見や数字」であっても、結論そのものには飛びつかない方がいい。当然、(自称)コンサルタントや(自称)天才プログラマーが適当にぶち上げている「未来予想」については、言うまでもない。

自動化しやすいタスクの8条件
 ……というわけで、ブリニョルフソン教授らによる論文自体は未完成なのだが、理論的考察の大枠については、『サイエンス』誌上で「機械学習で何ができるのか? 労働需要への影響について」という短い記事を読むことができる。

注4 原題「What can machine learning do? Workforce implications: Profound change is coming, but roles for humans remain」 Science (22 Dec 2017), Vol. 358, Issue 6370, pp. 1530-1534.
 その要点をまとめると、タスクを自動化するためには、8つの条件が必要だという(表1)。ちなみにこれは、スタンダードな「教師あり機械学習」、つまり回帰分析のようなデータ処理を主眼としたリストである。

表1: 「自動化しやすいタスク」の8条件
1.「インプット」と「アウトプット」が、どちらも明確になっている。
2.インプットとアウトプットを正しく対応させたデジタルデータが、大量に存在する。
3.明確なゴールがあり、その達成度について明確なフィードバックがある。
4.長々とした論理展開や、いろいろな背景知識・一般常識にもとづく思考が、必要ない。
5.下した判断について、その理由や過程を詳しく説明する必要がない。
6.多少の誤差・間違いが許され、「正解」を理論的に証明する必要もない。
7.現象自体や「インプットとアウトプットの対応関係」が、時間の経過によってあまり変化しない。
8.物理的な作業における器用さや特殊技能が、必要ない。

「あなたの仕事が危ない!」風の議論や数字を見るときには、とにかく結論そのものはスルー(無視)しよう。(写真=PIXTA)
 このように機械学習の射程範囲をハッキリさせていくと、何でもかんでもうまく自動化できるとは限らないことが、浮き彫りになる。もちろん、機械が苦手とする「論理」や「証明」や「特殊技能」を、それではフツーの人間がどれくらい身につけているかというと、それは別問題だが……。

自動化の普及を左右する6つの「経済学的ファクター」
 また、仮にあるタスクの「機械化が可能」になったとしても、それが現実世界で普及したり、人力による労働力への需要・賃金にインパクトを及ぼす過程は、実はけっこう複雑である。同『サイエンス』記事が指摘するとおり、技術的な問題の他に「経済学的なファクター」にも影響されるはずだ(表2)。

表2: 関連する6つの経済学的なファクター
1.タスクの自動化のしやすさ(技術的な代替可能性)。
2.そのタスクの成果物への需要が、最終価格にどのくらい左右されるか(価格弾力性)。
3.複数タスク間の補完性。
4.そのタスクの成果物への需要が、消費者の所得にどのくらい左右されるか
  (所得弾力性)。
5.人間の働く意欲が、どのくらい賃金に左右されるか(労働供給の弾力性)。
6.ビジネス全体の構造が、どう変化するか(生産関数の変化)。
 網羅的に列挙しようとするあまり、この表はやや抽象的にすぎる感もあるが、「総論」的な記事なので仕方あるまい。これらの経済学的コンセプトの詳細については、入門レベルの教科書に譲る。オススメは、神取道宏著『ミクロ経済学の力』(日本評論社、2014年)だ。

結論は全部スルーし、根拠とロジック「だけ」を吟味
 さて、タスク分けの最新研究に話を戻すと、正直、経済学者の仕事としてはかなりベタな分析だし、「職業」や「作業」をどう整理するかによって「自動化のしやすさ」の数値は大きく変わってくる。また、そもそも「今後10年間における、個別タスクの自動化のしやすさ」についての技術的見解も、専門家の間ではかなり議論が分かれるだろう。

 だから筆者から読者へのアドバイスとしては、「あなたの仕事が危ない!」風の議論や数字を見るときには、とにかく結論そのものはスルー(無視)しよう。こういう話題についての「結論」は、当たるか外れるか分からない株価の予想みたいなもので、つまらない。

 そうではなくて、「何をどうやったら、そういう数字とメッセージが出てくるのか」という、前提条件や考え方のプロセスに(のみ)注目するのが、正しい大人の読み方だ。

 ベタなミクロ実証研究から言えることは、このあたりが限界だ。次回は、思いっきりマクロな視点から俯瞰してみよう。


このコラムについて
世界最先端の「AI経済学」
AI(人工知能)が仕事を奪う、世の中は大変なことになる――。AI技術の急速な発展が報じられる中で、世間では「ふわっとした」議論が繰り返され、「機械との競争」への漠然とした不安ばかりが煽られている。だが、本当にそうなのか。世界最先端の経済学研究を手がかりに、エール大学の現役教授が「都市伝説」を理性的に検証する。
https://business.nikkeibp.co.jp/atcl/report/16/102200249/110100004

 


テレワークを導入しても利用者が増えないのはなぜか
導入後の「あるある課題」を一つずつ解決していった先進3社の実例
2018.11.8(木) 田澤 由利
「テレワーク月間」スタートアップセミナーは、満員御礼。総務省、飯村室長がテレワークの現状、国の取り組みについて解説
 11月は「テレワーク月間」(http://teleworkgekkan.org/)。テレワークに関するイベントやセミナー、表彰が目白押しだ。
 「働き方改革」において国が強く推進する、ICTを活用して時間や場所を有効に活用できる柔軟な働き方「テレワーク」。
 1日に渋谷で開催された「テレワーク月間スタートアップセミナー」は満員御礼。人材不足、災害時の事業継続など、様々な課題解決として、注目の高さがうかがえる。
 そこでは、テレワークのあるある課題と、それに取り組む企業の本音トークが繰り広げられた。
テレワーク導入も利用する従業員は5%以下が半分以上
 総務省 平成29年通信利用動向調査によると、テレワークを導入している企業の割合は13.9%。導入予定を合わせても18.2%という数字だ。
 現状は大企業が中心となっているが、今後は地方や中小企業へも浸透していくことになる。
テレワークの導入企業は13.9%
総務省 平成29年通信利用動向調査(http://www.soumu.go.jp/johotsusintokei/statistics/data/180525_1.pdf
テレワークを利用する従業員の割合は「5%未満」が半分以上

 とはいえ、この調査には、これからテレワークを導入する企業の担当者にとって、心配な数字がある。
 テレワークを利用する従業員の割合が「5%未満」という企業が、51.4%と、半数を超えているのだ。
 100人の企業であれば、1〜5人しか、柔軟に働けていないのが実情だ。
 自社にテレワークという働き方を導入したのに、利用者が少ない、または、限られる。
 つまり、企業は、「生産性向上」「人材確保」「災害時の事業継続」「社員のワークライフバランス向上」といった、テレワーク導入メリットを享受できていないことになる。
 推進担当者にしてみれば、苦労が報われないどころか、トップや上司から「せっかく導入したのに、利用者がなぜ増えないのか?」と責められることになる。
三井住友海上・武田薬品・イトーキの担当者による本音トーク
三井住友海上・武田薬品・イトーキの担当者が本音で語る
 「テレワーク月間スタートアップセミナー」では、三井住友海上火災保険、武田薬品工業、イトーキのテレワーク推進担当者が、本音で語り合った。
 いずれの企業も、テレワーク導入当初は利用者が少なく、社内での抵抗勢力を説得しながら、制度を改善することで、利用者を増やしてきた。
 三井住友海上は、当初、課長代理職以上を対象としたテレワークで、利用者は年間1、2人程度だった。
 2016年10月から試行、2017年4月に制度改定を行い本格展開した結果、現在累計約5000人が利用。月間200〜300人が利用している。
 ちなみに、三井住友海上は、平成30年度テレワーク先駆者百選・総務大臣賞受賞(http://www.soumu.go.jp/menu_news/s-news/01ryutsu02_02000218.html)が決定した(表彰式は29日)。
 武田薬品は、2008年に在宅勤務のみの制度を導入。2014年、2016年に段階的に運用を拡大。今年8月には「テレワーク制度」とした。
 2015年に1.8%だった利用率は、今年3月に36.2%となった。
 イトーキは2013年より4人のトライアルでスタートし、制度化したのは今年1月。
 導入に時間はかかったものの、社会の動きや社内状況を十分に見極めることができたので、入社2年以上の人で会社が認めれば誰でも使える仕組みになったとのこと。
 テレワーク・デイズでは、520人が参加した。最初のきっかけから5年かけての正式導入は、担当者の苦労が感じられる。
 セミナー参加者のアンケート結果を見ると、この「トーク」セッションの満足度が78%と最も高かった。フリー記述の感想からも、課題にぶつかっている企業が多いことがうかがえる。
・先進企業の取り組みが大変興味深かったです。
 業種間でテレワーク実施に感じる課題の違いがあるのか、組織風土の変革に取り組んだ例などにも関心が出てきました。
・トークセションでは、実際のご苦労話や解決策などのお話がきけて、大変勉強になりました。
・何かをやろうとすると必ず反対意見が出るというのが、どの会社でも共通の悩みだということが分かり、新しい施策導入へのモチベーションが上がりました。
・トークセションで実例を聞けたことが大変参考になりました。
・導入後に悩むことでの(共通)課題が類似していると実感できてよかった。
・各社のテレワーク推進の苦労TALKが聞けて、共感できたことと、さらなるブラッシュアップ・目指すことがあるのでは、と感じた。
テレワーク導入後の課題「あるある」
 このセミナーでは、筆者が基調講演を担当した。長年テレワークのコンサルティングをしていると、「導入後の課題」は、目に見えている。
 多くの企業が、テレワークを導入する場合、「育児休業制度」「フレックスタイム制度」などと同様に、人事部が制度を策定する。
 次に「PC機器」と「セキュリティ」については、IT部門がシステムを導入する。そして、社員への告知。
 しかし、これが「利用者が増えない」テレワークを引き起こす要因でもある。
 導入後、利用者が増えない企業の「あるある」は6つ。
 「在宅でできる仕事は多くない」という会社。
 「離れているとサボるんではないか」と不安になる管理職。
 「また女性のための制度か」とうんざりしている男性。
 「在宅勤務者がいると私の仕事が増える」という同僚。
 こうなると、必要性に迫られてテレワークする社員は「肩身が狭い」思いの中、成果を出そうと過剰労働になる。
 若い男性社員は「上司の目」を意識して、利用しにくくなる。
 こうなると、制度やシステムがあっても、「テレワークしにくい」状況になるのは、当然だろう。
テレワーク導入後「あるある」6つ

「テレワークのメリット享受」への道
 では、どうすればいいのか。テレワークが可能な社員の対象を広げればいいのか。テレワークできる頻度を高めればいいのか。
 もちろん、対象や期間を広げることは重要だ。しかし、それだけでは、解決にはならない。
 前述の3社のように、社内での理解を進める地道な努力と、社員の意識改革への取り組みが欠かせない。
 三井住友海上は、
 当初は、管理職だけでなく一般職も抵抗があったとのこと。社内衛星放送を活用した広報に加え、メディアに露出することで、社外からの評価を感じてもらう努力を欠かさなかった。
 また、台風24号は全土を縦断する進路であったことから、接近前日に社員の安全と業務の継続性の確保のため、全社員に対して「翌朝は、台風の影響を踏まえ、必要に応じて在宅勤務を実施」するよう指示を出したりしている。
 武田薬品は、
 社長から全社的な取り組みであることをメッセージとして発信。
 経営層や部門長へのワークショップや、小グループでのパイロットスタディなどを実施。テレワークを実施しにくい雰囲気の部門には、テレワーク・デイズなどのプロモーションを通じて、テレワークを呼びかけた。
 イトーキは、
 この10月に事務所を日本橋に集約。物理的な移動と変化に伴い、業務を進めるのに最適な場所を自ら選んで仕事する働き方コンセプトを実践していく。
 導入後の課題を認識し、一つひとつ対策していくことで、テレワークの利用者は増えていく。
 その手法や、悩みは、企業によって様々で、3社も同様だ。
 「まだ道半ばだが、弊社はここを目指していく」。推進担当者が、正直に熱く語れる企業が、テレワークのメリットを享受し、これからの時代を勝ち抜く企業になるに違いない。
テレワークの課題を、一つひとつ解決していく

 最後に、テレワークを進めていく方向性も重要である。
 「テレワークでは仕事が限られる」という固定概念をなくし、「今の仕事をどうすればテレワークでできるか」に、現場が知恵を絞り、会社はそれを実現するためのICTツールを整備していく。
 慌てる必要はない。テレワークのメリット享受への道は、これからだ。
 最初は「育児や親の介護などの理由がある社員」が対象でもかまわない。「週1日のみ」でも、かまわない。
 大切なことは、社員全員が自分ごととしてテレワークの必要性を感じ、「今必要性の高い社員が、先に大変なことに取り組んでくれている」「一緒に取り組まないなんてあり得ない」ぐらいのマインドセットを、トップ自らが語ることだと、筆者は考えている。
 焦らず、ステップを踏んで、より長く、より広く、より多くを目指すことで、様々なテレワークのメリットを享受できるだろう。
焦らず、より広く、より長く、より多く

http://jbpress.ismedia.jp/articles/-/54596

 


 

  拍手はせず、拍手一覧を見る

コメント
1. 2018年11月08日 19:27:12 : wTqrxDwRMY : vEeN2335v8Q[1535] 報告

 ヤマザキマザック 「ロボットや AIの方が 人間よりも 良い」 らしい

 ===

 人間は「足手まとい」「めんどくさい」「どんくさい」 

 
 人間は 「いらない」  らしい!!
 
  

2. 2018年11月08日 20:11:54 : ZzavsvoOaU : Pa801KbHuOM[124] 報告
What can machine learning do? Workforce implications
Erik Brynjolfsson1,2, Tom Mitchell3
See all authors and affiliations

Science 22 Dec 2017:
Vol. 358, Issue 6370, pp. 1530-1534
DOI: 10.1126/science.aap8062
Article
Figures & Data
Info & Metrics
eLetters
PDF

Download high-res image
Open in new tab
Download Powerpoint
ILLUSTRATION: DAVIDE BONAZZI/@SALZMANART
Digital computers have transformed work in almost every sector of the economy over the past several decades (1). We are now at the beginning of an even larger and more rapid transformation due to recent advances in machine learning (ML), which is capable of accelerating the pace of automation itself. However, although it is clear that ML is a “general purpose technology,” like the steam engine and electricity, which spawns a plethora of additional innovations and capabilities (2), there is no widely shared agreement on the tasks where ML systems excel, and thus little agreement on the specific expected impacts on the workforce and on the economy more broadly. We discuss what we see to be key implications for the workforce, drawing on our rubric of what the current generation of ML systems can and cannot do [see the supplementary materials (SM)]. Although parts of many jobs may be “suitable for ML” (SML), other tasks within these same jobs do not fit the criteria for ML well; hence, effects on employment are more complex than the simple replacement and substitution story emphasized by some. Although economic effects of ML are relatively limited today, and we are not facing the imminent “end of work” as is sometimes proclaimed, the implications for the economy and the workforce going forward are profound.

Any discussion of what ML can and cannot do, and how this might affect the economy, should first recognize two broad, underlying considerations. We remain very far from artificial general intelligence (3). Machines cannot do the full range of tasks that humans can do (4). In addition, although innovations generally have been important for overall improvements in income and living standards, and the first wave of pre-ML information technology (IT) systems in particular has created trillions of dollars of economic value, “The case that technological advances have contributed to wage inequality is strong” [see (1), a report from a committee we recently cochaired for the U.S. National Academies of Science, Engineering and Medicine]. Although there are many forces contributing to inequality, such as increased globalization, the potential for large and rapid changes due to ML, in many cases within a decade, suggests that the economic effects may be highly disruptive, creating both winners and losers. This will require considerable attention among policy-makers, business leaders, technologists, and researchers.

As machines automate some of the tasks that are SML in a particular job or process, the remaining tasks that are non-SML may become more valuable. In other cases, machines will augment human capabilities and make possible entirely new products, services, and processes. Therefore, the net effect on the demand for labor, even within jobs that are partially automated, can be either negative or positive. Although broader economic effects can be complex, labor demand is more likely to fall for tasks that are close substitutes for capabilities of ML, whereas it is more likely to increase for tasks that are complements for these systems. Each time an ML system crosses the threshold where it becomes more cost-effective than humans on a task, profit-maximizing entrepreneurs and managers will increasingly seek to substitute machines for people. This can have effects throughout the economy, boosting productivity, lowering prices, shifting labor demand, and restructuring industries.

We know more than we can tell
As the philosopher Polanyi observed, we know more than we can tell (5). Recognizing a face, riding a bike, and understanding speech are tasks humans know very well how to do, but our ability to reflect on how we perform them is poor. We cannot codify many tasks easily, or perhaps at all, into a set of formal rules. Thus, prior to ML, Polanyi's paradox limited the set of tasks that could be automated by programming computers (6). But today, in many cases, ML algorithms have made it possible to train computer systems to be more accurate and more capable than those that we can manually program.

Until recently, creating a new computer program involved a labor-intensive process of manual coding. But this expensive process is increasingly being augmented or replaced by a more automated process of running an existing ML algorithm on appropriate training data. The importance of this shift is twofold. In a growing subset of applications, this paradigm can produce more accurate and reliable programs than human programmers (e.g., face recognition and credit card fraud detection). Second, this paradigm can dramatically lower costs for creating and maintaining new software. This lowered cost reduces the barrier to experiment with and explore potential computerization of tasks, and encourages development of computer systems that will automatically automate many types of routine workflows with little or no human intervention.

Such progress in ML has been particularly rapid in the past 6 to 8 years due in large part to the sheer volume of training data available for some tasks, which may be large enough to capture highly valuable and previously unnoticed regularities—perhaps impossibly large for a person to examine or comprehend, yet within the processing ability of ML algorithms. When large enough training data sets are available, ML can sometimes produce computer programs that outperform the best humans at the task (e.g., dermatology diagnosis, the game of Go, detecting potential credit card fraud).

Also critical to ML progress has been the combination of improved algorithms, including deep neural networks (DNNs) and considerably faster computer hardware. For example, Facebook switched from phrase-based machine translation models to DNNs for more than 4.5 billion language translations each day. DNNs for image recognition have driven error rates on ImageNet, a large data set of more than 10,000 labeled images (7), down from more than 30% in 2010 to less than 3% today. Similarly, DNNs have helped improve error rates from 8.4% to 4.9% in voice recognition since July 2016. The 5% threshold for image recognition and speech is important because that is roughly the error rate of humans when given similar data.

Automating Automation
To produce a well-defined learning task to which we can apply a ML algorithm, one must fully specify the task, performance metric, and training experience. In most practical applications, the task to be learned corresponds to some target function, such as a function from input medical patient health records to output patient diagnoses, or a function from the current sensor inputs of a self-driving car to the correct next steering command. The most common type of training experience is data consisting of input-output pairs for the target function (e.g., medical records paired with the correct diagnoses). Obtaining ground-truth training data can be difficult in many domains, such as psychiatric diagnosis, hiring decisions, and legal cases.

Key steps in a successful commercial application typically include efforts to identify precisely the function to be learned; collect and cleanse data to render it useable for training the ML algorithm; engineer data features to choose which are likely to be helpful in predicting the target output, and perhaps to collect new data to make up for shortfalls in the original features collected; experiment with different algorithms and parameter settings to optimize the accuracy of learned classifiers; and embed the resulting learned system into routine business operations in a way that improves productivity and, if possible, in a way that captures additional training examples on an ongoing basis.

One approach that is particularly relevant to gauging the rate of future automation is the “learning apprentice” (sometimes called the “human in the loop”) approach (8), in which the artificial intelligence (AI) program acts as an apprentice to assist the human worker, while also learning by observing the human's decisions and capturing these as additional training examples. This approach has led to new kinds of business models.

Training a learning apprentice to mimic human-generated decisions offers the potential for machines to learn from the combined data of multiple people it assists, perhaps leading to outperforming each individual on the team that trains it. Still, its learned expertise may be limited by the skill level of the human team and by the online availability of relevant decision variables. However, in cases where the computer can also access independent data to determine the optimal decision (ground truth), it may be possible to improve on human decisions and then to help the human improve their own performance. For example, in medical diagnosis of skin cancer from dermatological images, using the results of subsequent biopsies as a gold standard for training can produce computer programs with even higher diagnostic accuracies than human doctors (9).

Most Suitable Tasks
Although recent advances in the capabilities of ML systems are impressive, they are not equally suitable for all tasks. The current wave of successes draw particularly heavily on a paradigm known as supervised learning, typically using DNNs. They can be immensely powerful in domains that are well suited for such use. However, their competence is also dramatically narrower and more fragile than human decision-making, and there are many tasks for which this approach is completely ineffective. Of course, advances in ML continue, and other approaches are likely to be better suited for different types of tasks. We identify eight key criteria that help distinguish SML tasks from tasks where ML is less likely to be successful, at least when using the currently dominant ML paradigm (see the SM for a more detailed, 21-item rubric).


Download high-res image
Open in new tab
Download Powerpoint
A heat exchanger was designed by a machine using generative design.

PHOTO: AUTODESK
Learning a function that maps well-defined inputs to well-defined outputs

Among others, these include classification (e.g., labeling images of dog breeds or labeling medical records according to the likelihood of cancer) and prediction (e.g., analyzing a loan application to predict the likelihood of future default). Although ML may learn to predict the Y value associated with any given input X, this is a learned statistical correlation that might not capture causal effects.

Large (digital) data sets exist or can be created containing input-output pairs

The more training examples are available, the more accurate the learning. One of the remarkable characteristics of DNNs is that performance in many domains does not seem to asymptote after a certain number of examples (10). It is especially important that all of the relevant input features be captured in the training data. Although in principle any arbitrary function can be represented by a DNN (11), computers are vulnerable to mimicking and perpetuating unwanted biases present in the training data and to missing regularities that involve variables that they cannot observe. Digital data can often be created by monitoring existing processes and customer interactions, by hiring humans to explicitly tag or label portions of the data or create entirely new data sets, or by simulating the relevant problem setting.

The task provides clear feedback with clearly definable goals and metrics

ML works well when we can clearly describe the goals, even if we cannot necessarily define the best process for achieving those goals. This contrasts with earlier approaches to automation. The ability to capture input-output decisions of individuals, although it might allow learning to mimic those individuals, might not lead to optimal system-wide performance because the humans themselves might make imperfect decisions. Therefore, having clearly defined system-wide metrics for performance (e.g., to optimize traffic flow throughout a city rather than at a particular intersection) provides a gold standard for the ML system. ML is particularly powerful when training data are labeled according to such gold standards, thereby defining the desired goals.

No long chains of logic or reasoning that depend on diverse background knowledge or common sense

ML systems are very strong at learning empirical associations in data but are less effective when the task requires long chains of reasoning or complex planning that rely on common sense or background knowledge unknown to the computer. Ng's “one-second rule” (4) suggests that ML will do well on video games that require quick reaction and provide instantaneous feedback but less well on games where choosing the optimal action depends on remembering previous events distant in time and on unknown background knowledge about the world (e.g., knowing where in the room a newly introduced item is likely to be found) (12). Exceptions to this are games such as Go and chess, because these nonphysical games can be rapidly simulated with perfect accuracy, so that millions of perfectly self-labeled training examples can be automatically collected. However, in most real-world domains, we lack such perfect simulations.

No need for detailed explanation of how the decision was made

Large neural nets learn to make decisions by subtly adjusting up to hundreds of millions of numerical weights that interconnect their artificial neurons. Explaining the reasoning for such decisions to humans can be difficult because DNNs often do not make use of the same intermediate abstractions that humans do. While work is under way on explainable AI systems (13), current systems are relatively weak in this area. For example, whereas computers can diagnose certain types of cancer or pneumonia as well as or better than expert doctors, their ability to explain why or how they came up with the diagnosis is poor when compared with human doctors. For many perceptual tasks, humans are also poor at explaining, for example, how they recognize words from the sounds they hear.

A tolerance for error and no need for provably correct or optimal solutions

Nearly all ML algorithms derive their solutions statistically and probabilistically. As a result, it is rarely possible to train them to 100% accuracy. Even the best speech, object recognition, and clinical diagnosis computer systems make errors (as do the best humans). Therefore, tolerance to errors of the learned system is an important criterion constraining adoption.

The phenomenon or function being learned should not change rapidly over time

In general, ML algorithms work well only when the distribution of future test examples is similar to the distribution of training examples. If these distributions change over time, then retraining is typically required, and success therefore depends on the rate of change, relative to the rate of acquisition of new training data (e.g., email spam filters do a good job of keeping up with adversarial spammers, partly because the rate of acquisition of new emails is high compared to the rate at which spam changes).

No specialized dexterity, physical skills, or mobility required

Robots are still quite clumsy compared with humans when dealing with physical manipulation in unstructured environments and tasks. This is not so much a shortcoming of ML but instead a consequence of the state of the art in general physical mechanical manipulators for robots.

Workforce Implications
The main effects of pre-ML IT have been on a relatively narrow swath of routine, highly structured and repetitive tasks (14). This has been a key reason that labor demand has fallen for jobs in the middle of the skill and wage spectrum, like clerks and factory workers, whereas demand at the bottom (e.g., janitor or home health aide) and top (e.g., physicians) has held up in most advanced countries (15). But a much broader set of tasks will be automated or augmented by machines over the coming years. This includes tasks for which humans are unable to articulate a strategy but where statistics in data reveal regularities that entail a strategy. Although the framework of routine versus nonroutine tasks did a very effective job of describing tasks suitable for the last wave of automation (14), the set of SML tasks is often very different. Thus, simply extrapolating past trends will be misleading, and a new framework is needed.

Jobs typically consist of a number of distinct but interrelated tasks. In most cases, only some of these tasks are likely to be suitable for ML, and they are not necessarily the ones that were easy to automate with previous technologies. For instance, when we apply our 21-question SML rubric to various occupations, we find that a ML system can be trained to help lawyers classify potentially relevant documents for a case but would have a much harder time interviewing potential witnesses or developing a winning legal strategy (16). Similarly, ML systems have made rapid advances in reading medical images, outperforming humans in some applications (17). However, the more unstructured task of interacting with other doctors, and the potentially emotionally fraught task of communicating with and comforting patients, are much less suitable for ML approaches, at least as they exist today.

That is not to say that all tasks requiring emotional intelligence are beyond the reach of ML systems. One of the surprising implications of our rubric is that some aspects of sales and customer interaction are potentially a very good fit. For instance, transcripts from large sets of online chats between sales-people and potential customers can be used as training data for a simple chatbot that recognizes which answers to certain common queries are most likely to lead to sales (18). Companies are also using ML to identify subtle emotions from videos of people.

Another area where the SML rubric departs from the conventional framework is in tasks that may involve creativity. In the old computing paradigm, each step of a process needed to be specified in advance with great precision. There was no room for the machine to be “creative” or figure out on its own how to solve a particular problem. But ML systems are specifically designed to allow the machine to figure out solutions on its own, at least for SML tasks. What is required is not that the process be defined in great detail in advance but that the properties of the desired solution be well specified and that a suitable simulator exists so that the ML system can explore the space of available alternatives and evaluate their properties accurately. For instance, designing a complex new device has historically been a task where humans are more capable than machines. But generative design software can come up with new designs for objects like the heat exchanger (see photo) that meet all the requirements (e.g., weight, strength, and cooling rate) more effectively than anything designed by a human, and with a very different look and feel (18).

Is it “creative”? That depends on what definition one uses. But some “creative” tasks that were previously reserved for humans will be increasingly automatable in the coming years. This approach works well when the final goal can be well specified and the solutions can be automatically evaluated as clearly right or wrong, or at least better or worse. As a result, we can expect such tasks to be increasingly subject to automation. At the same time, the role of humans in more clearly defining goals will become more important, suggesting an increased role for scientists, entrepreneurs, and those making a contribution by asking the right questions, even if the machines are often better able to find the solutions to those questions once they are clearly defined.

Six Economic Factors
There are many nontechnological factors that will affect the implications of ML for the workforce. Specifically, the total effect of ML on labor demand and wages can be written as a function of six distinct economic factors:

Substitution

Computer systems created by ML will directly substitute for some tasks, replacing the human and reducing labor demand for any given level of output

Price elasticity

Automation via machine learning may lower prices for tasks. This can lead to lower or higher total spending, depending on the price elasticity of demand. For instance, if elasticity is less than −1, then a decrease in price leads to a more than proportional increase in quantity purchased, and total spending (price times quantity) will increase. By analogy, as technology reduced the price of air travel after 1903, total spending on this type of travel increased, as did employment in this industry.

Complementarities

Task B may be an important, or even indispensable, complement to another task A that is automated. As the price of A falls, the demand for B will increase. By analogy, as calculation became automated, the demand for human programmers increased. Skills can also be complementary to other skills. For instance, interpersonal skills are increasingly complementary to analytical skills (19).

Income elasticity

Automation may change the total income for some individuals or the broader population. If income elasticity for a good is nonzero, this will in turn change demand for some types of goods and the derived demand for the tasks needed to produce those goods. By analogy, as total income has increased, Americans have spent more of their income on restaurant meals.

Elasticity of labor supply

As wages change, the number of people working on the task will respond. If there are many people who already have the requisite skills (for example, driving a car for a ride-hailing service), then supply will be fairly elastic and wages will not rise (or fall) much, if at all, even if demand increases (or falls) a lot. In contrast, if skills are more difficult to acquire, such as becoming a data scientist, then changes in demand will mainly be reflected in wages, not employment.

Business process redesign

The production function that relates any given set of different types and quantities of labor, capital, and other inputs to output is not fixed. Entrepreneurs, managers, and workers constantly work to reinvent the relevant processes. When faced with new technologies, they will change the production process, by design or through luck, and find more efficient ways to produce output (20). These changes can take time and will often economize on the most expensive inputs, increasing demand elasticity. Similarly, over time, individuals can make a choice to respond to higher wages in some occupations or places by investing in developing the new skills required for work or moving to a new location, increasing the relevant supply elasticity. Thus, according to Le Chatelier's principle (21), both demand and supply elasticities will tend to be greater in the long run than in the short run as quasi-fixed factors adjust.

Adoption and diffusion of technologies often take years or decades because of the need for changes in production processes, organizational design, business models, supply chains, legal constraints, and even cultural expectations. Such complementarities are as ubiquitous in modern organizations and economies as they are subtle and difficult to identify, and they can create considerable inertia, slowing the implementation of even—or especially—radical new technologies (22). Applications that require complementary changes on many dimensions will tend to take longer to affect the economy and workforce than those that require less redesign of existing systems. For instance, integration of autonomous trucks onto city streets might require changes in traffic laws, liability rules, insurance regulations, traffic flow, and the like, whereas the switch from talking to a human assistant to a virtual assistant in a call center might require relatively little redesign of other aspects of the business process or customer experience.

Over time, another factor becomes increasingly important: New goods, services, tasks, and processes are always being invented. These inventions can lead to the creation of altogether new tasks and jobs (23) and thus can change the magnitudes and signs of the above relationships. Historically, as some tasks have been automated, the freed-up labor has been redeployed to producing new goods and services or new, more effective production processes. Such innovations have been more important than increased capital, labor, or resource inputs as a force for raising overall incomes and living standards. ML systems may accelerate this process for many of the tasks that fit the criteria above by partially automating automation itself.

As more data come online and are pooled and as we discover which tasks should be automated by ML, we will collect data even more rapidly to create even more capable systems. Unlike solutions to tasks mastered by humans, many solutions to tasks automated by ML can be disseminated almost instantly worldwide. There is every reason to expect that future enterprise software systems will be written to embed ML in every online decision task, so that the cost of attempting to automate will come down even further.

The recent wave of supervised learning systems have already had considerable economic impact. The ultimate scope and scale of further advances in ML may rival or exceed that of earlier general-purpose technologies like the internal combustion engine or electricity. These advances not only increased productivity directly but, more important, triggered waves of complementary innovations in machines, business organization, and even the broader economy. Individuals, businesses, and societies that made the right complementary investments—for instance, in skills, resources, and infrastructure—thrived as a result, whereas others not only failed to participate in the full benefits but in some cases were made worse off. Thus, a better understanding of the precise applicability of each type of ML and its implications for specific tasks is critical for understanding its likely economic impact.

Supplementary Materials
www.sciencemag.org/content/358/6370/1530/suppl/DC1

Supplementary Text

Table S1

http://www.sciencemag.org/about/science-licenses-journal-article-reuse
This is an article distributed under the terms of the Science Journals Default License.

References and Notes
↵National Academies of Sciences, Engineering, and Medicine, Information Technology and the U.S. Workforce: Where Are We and Where Do We Go from Here? (National Academies Press, Washington, DC, 2017).Google Scholar
↵ E. Brynjolfsson, D. Rock, C. Syverson, Artificial Intelligence and the Modern Productivity Paradox: A Class of Expectations and Statistics, NBER Working Paper 24001 (National Bureau of Economic Research, Cambridge, MA, 2017).Google Scholar
↵ S. Legg, M. Hutter, Frontiers in Artificial Intelligence and Applications 157, 17 (2007).Google Scholar
↵ A. Ng, What artificial intelligence can and can't do right now, Harvard Business Rev. (9 November 2016).Google Scholar
↵ M. Polanyi, The Tacit Dimension (University of Chicago Press, Chicago, 1966).Google Scholar
↵ D. Autor, Polanyi's paradox and the shape of employment growth; presentation to the Federal Reserve Bank of Kansas City's Jackson Hole Central Banking Conference (2014).Google Scholar
↵ J. Deng et al., Imagenet: A large-scale hierarchical image database. Computer Vision and Pattern Recognition, 2009. IEEE Conference on. IEEE, 2009. [ImageNet (most recent competition): http://image-net.org/challenges/LSVRC/2017/results]Google Scholar
↵ T. Mitchell, S. Mahadevan, L. Steinberg, LEAP: A learning apprentice for VLSI design, in ML: An Artificial Intelligence Approach, vol. III, Y. Kodratoff, R. Michalski, Eds. (Morgan Kaufmann Press, 1990).Google Scholar
↵ A. Esteva et al., Nature 542, 115 (2017).CrossRefGoogle Scholar
↵ A. Coates et al., Deep learning with COTS HPC systems. In International Conference on ML (2013), pp. 1337–1345.Google Scholar
↵ G. Cybenko, Mathematics of Control, Signals, and Systems 2, 303 (1989).CrossRefGoogle Scholar
↵ V. Mnih et al., Nature 518, 529 (2015).CrossRefPubMedGoogle Scholar
↵ D. Gunning, Explainable artificial intelligence (xai). Defense Advanced Research Projects Agency, DARPA/I20, (DARPA, 2017).Google Scholar
↵ D. H. Autor, F. Levy, R. J. Murnane, (2003). Q. J. Econ. 118, 1279 (2003).Google Scholar
↵ D. H. Autor, D. Dorn, Am. Econ. Rev. 103, 1553 (2013).CrossRefGoogle Scholar
↵ D. Remus, F. S. Levy, Can robots be lawyers?, Georgetown J. Legal Ethics (Summer 2017), p. 501.Google Scholar
↵ G. Litjens et al., A survey on deep learning in medical image analysis. arXiv preprint; arXiv:1702.05747 [cs.CV] (19 Feb 2017).Google Scholar
↵ E. Brynjolfsson, A. McAfee, The business of artificial intelligence, Harvard Business Rev. (July 2017).Google Scholar
↵ D. J. Deming, Q. J. Econ. 132, 1593 (2017).Google Scholar
↵ J. Manyika et al., A Future that Works: Automation, Employment, and Productivity (McKinsey Global Institute, 2017).Google Scholar
↵ P. Milgrom, J. Roberts, Am. Econ. Rev. 86, 173 (1996).Google Scholar
↵ E. Brynjolfsson, P. Milgrom, in The Handbook of Organizational Economics, R. Gibbons, J. Roberts, Eds. (Princeton Univ. Press, 2013), pp. 11–55.Google Scholar
↵ D. Acemoglu, P. Restrepo, NBER Working Paper 22252 (National Bureau of Economic Research, 2016).Google Scholar
Acknowledgments: The authors acknowledge helpful discussions and comments from D. Acemoglu, D. Autor, S. Benzell, Y. LeCun, F. Levy, A. Ng, T. Poggio, D. Rus, G. Saint-Jacques, Y. Shavit, C. Syverson, S. Thrun, and especially D. Rock. E.B. acknowledges funding from the MIT Initiative on the Digital Economy for this research. T.M. acknowledges support from the U.S. Air Force Office of Scientific Research.
Science: 358 (6370)
Science
Vol 358, Issue 6370
22 December 2017

Table of Contents
Print Table of Contents
Advertising (PDF)
Classified (PDF)
Masthead (PDF)
ARTICLE TOOLS
Email
Download Powerpoint
Print
Save to my folders
Alerts
Request Permissions
Citation tools
Share
SIMILAR ARTICLES IN:
PubMed
Google Scholar
CITING ARTICLES IN:
Web of Science (7)
Scopus (9)

NAVIGATE THIS ARTICLE
Article
We know more than we can tell
Automating Automation
Most Suitable Tasks
Workforce Implications
Six Economic Factors
Supplementary Materials
References and Notes
Figures & Data
Info & Metrics
eLetters
PDF
Science
2 November 2018
Vol 362, Issue 6414

Magazine Cover
FEATURE
Moments to spare
TECHNOLOGY GOVERNANCE
Editing nature: Local roots of global governance
PUBLIC HEALTH
Improving outbreak response
SCI COMMUN
News at a glance
CLIMATE
Shifting summer rains
WORKING LIFE
What are you waiting for?
Table of Contents

3. 2018年11月09日 17:04:24 : iumn6ZZPdk : lRwZE7FgnKQ[12] 報告

画像を認識する人工知能(AI)を活用して商品を識別し、支払額の計算、決済まで完結させる方法にたどり着いた。

サインポストは、三菱UFJフィナンシャル・グループでシステム担当だった蒲原氏が07年に設立、17年11月にマザーズに上場した。

同社の株価は8日の取引で、一時前日比4.9%高の5240円と上場来高値を更新。昨年11月の株式公開価格から9.5倍に上昇した。らしい。

ついつい嫌味が出てくる悪い癖。

こんな単純な状態ならAI様の錦の御旗をかざせば株は簡単に上がる はず という冗談混じりの噂の通りになった?。
別にこんな簡単なアプリなら大金をかける必要も無いだろうし阿保のAI様に物凄い手間暇かけて人間が教え込むような無駄な仕事や時間や努力も無くなるはず。

用途が単純かつ明確なのになぜAIにこだわるのか理由が全然分からない。

今時なら無線のICタグでも印刷方式で作るとかして徹底してコストを下げる努力をした方が会社としての伸びしろも大きいと思いますよ。

ただし経営?方針がほりえもんとか噂のメルカリのように株価さえ上がればいいのだ、、、の場合は除く。

【無線ICタグ】
https://www.nttpc.co.jp/yougo/%E7%84%A1%E7%B7%9AIC%E3%82%BF%E3%82%B0.html

 ICタグは、とても小さな半導体チップだ。たとえば、縦横とも 1mm 以下の ICタグが実用化されている。そして、その中に多くの情報を記録しておくことができる。
 記録されている情報を、電波を使って無線で書き換えることもできる。そのため、無線ICタグと呼ぶこともある。
 将来的には、多くの商品に ICタグが付けられる可能性がある。とにかく小さいので、紙や布に埋め込むことも可能だ。商品に ICタグを付けて、その商品の履歴や特徴をすべて記録しておくこともできる。

 あらゆる品物に ICタグが付くようになると、本当の意味のユビキタス・コンピューティングが実現するといわれている。

UHF RFIDタグ(5個入り)商品コード: RB-Spa-1404
税別: ¥181 税込: ¥195

既にこんなレベルだから数をまとめて買えば更に安くなる。

以前ならともかくなぜ苦労してAIを使うのか 阿保馬鹿間抜けなので何回読んでもやっぱり分かりません。

4. 2018年11月09日 22:55:05 : iumn6ZZPdk : lRwZE7FgnKQ[13] 報告

このシステムエンジニアさんもしかしたら業界で有名な噂のアルマーニ大好き男さん?みたいなお方なんでしょうか。
このタイプの方が考えたシステムにかかわったら必ず泣きをみる、、、という噂というか陰口があるようで、、、。
本当なら強力会社や下請けはとにかく速やかに逃○た方がいいのかも。
これは単なる噂ですので実際の現場や段取りは一切知らない。

しかし万引きや何事も無いような感じで商品を持って極自然にスーと店から出ていくようなお客様にはどうするんだろうあるいは中高生ならケースから取り出してその場でパクパクと美味しそうに気持ち良く食べてしまうかもしれません。
こういう場合どのような方法で対応するんだろう。
食品販売現場における悩みの種で非常に興味深いテーマです。

嘘か本当か知りませんが聞くところによれば普通のスーパーさんで税務署がシブシブ認める遺失分というか損失分は約10から20%位らしい。
純利益は1ないし1.5%位なんだそうです。
この損失分の数字がもし上がればシステム設計が失敗で設計者の責任になる。
反対に下がれば物凄く珍しいので日本国内あるいは海外からも見学に大勢の方が来るようになるのかもしれません。
要するに損失分と人件費とのバランスでどちらをとるのかという事でしょう。
無人化店舗の問題はアドバルーンを上げるだけなら実に簡単ですが実行に移すのは各種問題が新たに生じて大変になると思います。
従ってGOOGLE GOは日本でやってもアメリカ国内でも同じように実行に移すかどうかは未定でしょう、、、または新たなアイデアで展開するのかどうかと考える。
それ位現場におられる店長さんは利益率キープで必死のパッチみたいです。

5. 2018年11月10日 01:19:31 : iumn6ZZPdk : lRwZE7FgnKQ[14] 報告

設置コストも安いしお店がやって来るこちらの方が興味深い。

元Google社員が発案 完全キャッシュレスのまったく新しい「無人店舗」
2017年11月24日 6時30分
http://news.livedoor.com/article/detail/13933214/

小銭もカードも電子マネーもいらない、まったく新しい無人店舗「Bodega」。なんでも勝手に商品を持っていくと、あとから自動的に請求がくるというのですが…。こんなむちゃくちゃなイノベーションを起こしたのは、元Google社員の二人。これ、どんな仕組みなの?

「Bodega」は、コンビニよりもさらに便利なミニ店舗。だそうです。横幅150センチメートルほどの棚に、食品から日用品まで、コンビニで買えるようなあらゆる商品が陳列されています。もちろん、生鮮食品以外ですけどね。

消費者は専用アプリを使って扉を開けて、この棚から好きな商品を持って行っていいそうです。自動販売機のようにボタンを押すことも、その場で現金のやりとりも不要。

で、肝心のどうやって商店としてワークするかという点ですが、設置されたカメラがどの商品を選んだかを認識し、追って登録しておいたクレジットカードに代金請求がされる仕組みだとか。ここまですべて自動、人の手は介しません。こうなると、100%カメラの画像を信用するほかないのですが、その精度は本当に大丈夫なんだろうか…。

開発者は、Googleで13年間プロダクトマネージャーを務めたMcDonald氏。同僚だったRajan氏とともにこの「Bodega」を開発しました。

Bodegaは、集合住宅やオフィス、ジムなど、あらゆる場に設置を予定しているようで。

すでに設置されたエリアでの市場調査をみても、必要とされる商品のニーズに合わせ、同じアパートでも女性が多く居住するならばアメニティや生理用品など、子供のいる家族に向けて、食品、トイレットペーパーなどの日用品と、消費者のニーズに合わせた商品選定が功を奏しているようですよ。

また、設置コストも割安に抑えられることから、実店舗よりも多くの場所に設置できるメリットも。エリアごと多様なニーズに細かく対応していくことがメリットなんですね。

6. 2018年11月10日 13:10:18 : iumn6ZZPdk : lRwZE7FgnKQ[15] 報告

無人店舗での万引き対策どうするんだろうと思いましたらやはりカメラが一杯のようです。
各種調べたらどうもあらゆる角度から撮影しているんですね。
仕方が無いことですが個人的には心証が悪いと考える方もおられるでしょう。
プライバシーの関連もあるしやはり難しいテーマで解答例はありませんでした。
これがID番号と共に購入履歴も含めて全部巨大データーベースにストックされるんでしょうから直ぐにでも新たな問題にまで発展するんでしょう。
無人店舗の実用化の試作品は各国で盛んに製作中のようで非常にユニークなシステムもありますが現在はブームの真っ最中で既に略完成している要素技術の集大成だけでした。
詳細は知りませんでしたがこの投稿内容程度のシステムでは物凄く大人しい方の分類でむしろAI用に多くの商品をどのようにして多くの時間をかけて学習させるのかという方が反対に気になりました。
しかし典型的な5G時代のアプリケーションの見本に必ずなりますね。
例えば自動販売機のベンダー各社さんは凄く良いポジションにおられるだろう事は確かです。
ある意味少子高齢化問題や過疎地問題の解決の一つの方法になるのかもしれません。
多分悪天候下でも安心して飛ばせるようなドローンを開発して荷物を運ばせるようにしたら良いのは簡単に分かります。

▲上へ      ★阿修羅♪ > 経世済民129掲示板 次へ  前へ

  拍手はせず、拍手一覧を見る

フォローアップ:


★登録無しでコメント可能。今すぐ反映 通常 |動画・ツイッター等 |htmltag可(熟練者向)|(各説明

←ペンネーム新規登録ならチェック)
↓ペンネーム(なしでも可能。あったほうが良い)

↓パスワード(ペンネームに必須)

(ペンネームとパスワードは初回使用で記録、次回以降にチェック。パスワードはメモすべし。)
↓画像認証
( 上画像文字を入力)
ルール確認&失敗対策
画像の URL (任意):
最新投稿・コメント全文リスト  コメント投稿はメルマガで即時配信  スレ建て依頼スレ

▲上へ      ★阿修羅♪ > 経世済民129掲示板 次へ  前へ

★阿修羅♪ http://www.asyura2.com/ since 1995
スパムメールの中から見つけ出すためにメールのタイトルには必ず「阿修羅さんへ」と記述してください。
すべてのページの引用、転載、リンクを許可します。確認メールは不要です。引用元リンクを表示してください。
 
▲上へ       
★阿修羅♪  
経世済民129掲示板  
次へ