AIのPoC疲れから脱却せよ！「MLOps」の導入がヤマト運輸にもたらした確かな効果

2021年12月8日(水)田口潤（IT Leaders編集部）

リスト

AIの導入において、概念実証（PoC）止まりで本番に移行できないまま終わることを繰り返す、“PoC疲れ”と呼ばれる現象がある。多くの場合、AIは開発した後も精度や機能を高めるチューニングや改良が欠かせないが、その段階にいく前に「実用にならない」と判断してしまうようなケースだ。これを乗り越え、AIを有用な経営ツールにするには、どうすればよいのか？ヤマト運輸がエクサウィザーズの協力で導入した「MLOps」に、大きなヒントがありそうだ。

ヤマト運輸はどうやってAIをものにしたのか

　AI/マシンラーニング（機械学習）の活用に取り組んでいるが、PoC（概念実証）から先に進まない、一度はAIを現場に導入したが、精度が不十分で今はお蔵入り……。ガートナージャパンが2021年10月に公開した、先端技術のハイプサイクルによると「AIは幻滅期を過ぎ、普及期に入った」とされるが、思うようにいかない企業は少なくないだろう（関連記事：日本における未来志向型インフラ技術のハイプサイクル─ガートナー）。

　そんな中、ヤマトホールディングスの中核事業会社で宅配便最大手のヤマト運輸が、AIの新たな実装方式とされる「MLOps」を実用化した。ニュースリリースによると、ヤマト運輸は約6500ある宅急便の拠点（センター）における数カ月先の業務量を予測するAIを開発、MLOpsにより運用（オペレーション）の多くを自動化した。MLOpsの導入は大企業ではまだ珍しいという。

　とはいえ、「拠点の業務量を予測するとどんなメリットがあるのか？」「通常のAI導入とMLOpsは何が違うのか？」「そもそもMLOpsとは？」など、ピンとこない面がある。そこでヤマト運輸と、MLOpsの導入をサポートしたAI専門企業のエクサウィザーズに話を聞いた。すぐれたAIを開発するだけでは必ずしも十分ではなく、データプレパレーション（データ準備）やチューニングを含めたオペレーションが成果を上げるカギになったことが分かる。

6500拠点に及ぶ人員や車両の適正配置が目的

　ヤマト運輸は2020年1月、経営構造改革プラン「YAMATO NEXT100」を策定。2021年1月には、(1)データ分析に基づく経営資源の最適配置、(3)グループインフラの強靭化、(3)サプライチェーンをトータルに支援するビジネスパートナーへの進化といった施策からなる中期経営計画「Oneヤマト2023」を打ち出した。今後4年間で約1000億円をデジタルに投資すると宣言するなど、データドリブン経営の実践・実現に大きく舵を切っている（画面1）。

画面1：ヤマトホールディングスは、自社サイト「Yamato Digital Transformation Project」（YDX）」で、デジタルを駆使した物流・運輸変革の取り組みを公開している
拡大画像表示

　その先行的な取り組みの1つが今回のAI活用、具体的には2020年度に約21億個（単純計算で575万個／1日）に達したという膨大な荷物量の予測だ。これをヤマト運輸は全国に6500ある集配拠点（宅急便センター）で処理しているが、荷物量は日々、相当の幅で増減する。

　「拠点で働くスタッフや車両を適正に配置するために、拠点毎の数カ月先の荷物量を日次で予測する必要がありました」（ヤマト運輸執行役員デジタル機能本部デジタルデータ戦略担当の中林紀彦氏）。

　実際には6500の拠点ごとに、3カ月および4カ月先における1カ月間の荷物量を日次で算出する（マシンラーニングにおける目的変数）。それを各センターはExcelやPower BIといったツールを介してスタッフのシフト勤務を策定したり、車両を手配したりするわけだ。予測には過去3年分の実績データに加えて、季節や曜日、大手ECサイトのセールなどデータ（機械学習における説明変数）を用いているという。

2つの問題を解決すべく、MLOpsに着目

　ヤマト運輸は2020年前半に、このマシンラーニングシステムを構築・運用に踏み切っていたが、問題があった。1つは毎月の予測において新たに発生する実績データを抽出し、整形などデータの前処理を施し、学習させなければならないこと。単純な作業に思えるが、月次トランザクションデータやマスターデータの準備、設定ファイルの書き換え、プログラムの手動実行など実施内容は多岐にわたる。よく「データサイエンティストの仕事の8割は（学習に用いる）データプレパレーション」と言われることから推察されるように負担も大きい。

　もう1つは、精度向上のための改良にまつわること。予測のためのマシンラーニングシステムは一度作ったら終わりではない。常に予測精度を高めるチューニングや改良が求められ、改良したら本番システムを再作成する必要もある。通常、改良版（機械学習モデル）は複数あり、システムを構成するモジュールのバージョンもあるので、ソースコードを適正に管理するだけでもそれなりの作業になる。

　こうしたことを同時並行に、かつ人が行う必要があり、作業負荷が高い状態だった。しかもコロナ禍とあって、それを考慮した試行錯誤も必要だった。そこでマシンラーニングシステムの開発から運用、機能改良などを一貫支援するMLOpsの出番になる。

●Next：MLOpsとは？ヤマト運輸が抱えていた問題をどう解決したのか？

この記事の続きをお読みいただくには、
会員登録（無料）が必要です