上田この30年は、皆さんもご存知の通り、まさにソフトウェアの進化が産業界に大きな変化をもたらしました。そして、今後の30年間で世界を席巻する技術は何か。その答えがAI技術である、ということは既に自明になりつつあるように思えます。

AI技術は、2012年のImageNetを使ったCNNの登場を皮切りに急速に進化し、特定の領域で人間と同等の性能を発揮するようになりました。昨年（2022年）末に公開されたOpenAIの『ChatGPT』は、これまでのAIチャットボットを凌駕する会話の質の高さから、わずか1週間で100万人のユーザーを獲得しました。Microsoftから1.3兆円の大型投資を受けたことも、AI技術への期待感がより一層高まっていることを示唆していますよね。

また、過去にはテキスト入力や音声書き起こしなどの単純作業に使われることが多かったAIですが、近年の大規模言語モデルの発展によって、知的労働の相当な部分を自動化できる可能性がでてきています。また、生成AI（Generative AI）の発展によって、クリエイティブな領域にもAIが適応され始め、アニメーションやアート作品などの作成が可能となってきていますよね。

これらAIの進展を受け、「Software Ate The World, Now AI Is Eating Software」と言われるようになり、今後の30年間であらゆるソフトウェアにAI技術が使われると考えられます。

企業は、AIを中心としたユーザー体験を設計することが、世界で勝ち残る上で必要不可欠になるでしょう。

上田AIがあらゆる事業を大きく進化させていくポテンシャルは、これまでのビジネストレンドとは一線を画す大きなものです。研究と実用化のサイクルが短く、現在のAI市場の興隆へと結びついていることに加え、活用できる領域が極めて広いという特徴があります。

例えば、自動運転の実現や医療現場における検診の最適化、農業における収穫予測、ドローンとカメラを組み合わせた画像解析による現場業務の効率化など……社会課題の解決に直結する幅広い活用方法がすでにいくつも実現していますし、これから全世界に広がろうとしています。まさに社会変革です。

また、先ほども述べた通り、単純作業やルーティンワークが置き換わるだけではありません。アニメーションの作成、アート作品の創造など、クリエイティブ部分にまでAI技術はついにその裾野を広げていきます。ホワイトカラーが担う知的労働の相当な部分が自動化、リプレイスされる可能性があります。

AIの市場規模は急速に拡大しており、とある調査では2027年までにAI市場の規模が2669.2億ドルに達すると予測されています。これは2021年の市場規模（67.3億ドル）の40倍以上に相当します。

これらの事実からも、AIが一過性のトレンドではなく、実用化に向けて今後ますます注目を集める技術領域であることが明らかです。

上田AI開発ではDeep Learningなどのアルゴリズムに教師（正解）データを与え、学習させることで開発されます。つまり、こういった簡単な式で表すことが可能です。

AI＝アルゴリズム＋教師データ

アノテーションとは一言でいうと、「AIに学習させるための教師（正解）データを作成する作業」のことを指します。

例えば、「街中の写真からクルマや人をAIに検知させるサービスを作ろう」と考えたとき、“これがクルマ”、“これが人間”といったように、データ一つひとつにタグを付けて、AIに学習させる必要があるのです。

アノテーションに間違いがあれば（例えば、クルマを人間と認識させてしまうなどすると）、AIに間違ったデータを学習させることになり、期待する精度が出なかったり、意図しない振る舞いをしたりします。なので、質の高いアノテーションが、AI開発・活用において不可欠な要素です。

一般的にAI開発において、例えば画像解析だと、教師データは最低でも数万枚〜数十万枚の画像データが必要になることが多い上、運用フェーズを見据えた規模が大きいプロジェクトともなると数十万枚〜数百万枚にもなることもあります。そのため、アノテーションを数人〜数十人規模の体制で行う必要が出てきます。

アノテーションは、AI開発プロセスの最初の基点となるもので、AI開発業務全体の約8割を占めているともいわれています。

上田現状のアノテーションの抱える課題は主に二つだと考えています。

一つに、アノテーションには専門性が必要である場合が多いということ。これは意外に思われる方も多いでしょう。対象のデータにタグ付けをするだけなら、高度な専門知識を必要とせずに誰でもできる単純な作業に見えるかもしれません。

しかし、例えば、道路標識に合わせて自動車の走行可否や速度調整を判断するAIを作りたい場合に、以下のようなケースではどのようにアノテーションしたら良いでしょうか？

上田一番右の標識に関しては数式を解かないといけなく、極めてレアケースですが、こういうデータが混じっていたとして、そもそも教師データとして含めるのか、含めないのか。

含めるとしたらどのようにアノテーションするのが最適なのか、含めないならこのようなケースに他の手段でどうやって対応するのか、など都度エンジニアや事業ドメインの専門家による判断が必要になってきます。

上田第二に、アノテーションに必要な工数に対して、非常に労働集約アプローチになっていることが多いことが挙げられます。

先ほども申し上げたとおり、一般的なAI開発においては、教師データ量が数万〜数十万規模に及ぶことが多くなります。

テスラを例にとってみると、自動運転AIの開発を、エンジニア300人に対して、アノテーションチームが1,000人という体制で進めようとしていたこともありました。

上田Deep Learningが登場したばかりの時点では、各企業はビジネスユースケース（文書分類、OCRなど）に合わせてDeep Learningのアルゴリズムを拡張、実装していく必要がありました。

しかし、様々なDeep Learningのアルゴリズムが、GitHubなどのソースコードの共有サイト上にて徐々に公開されるようになり、幅広いユースケースをカバーするようになってきました。

それにより、多くの開発現場ではアルゴリズムをゼロから開発するというよりは、公開されている最先端のアルゴリズムから適したものを選び、それを利用して開発を進めるようになりました。

一方で、先ほども申し上げた通り、アノテーションに関しては、未だにアナログに行われているのが現状です。

このように、アルゴリズムが利用しやすくなった反面、アノテーションはいまだに多くの企業でシステム基盤がなく、さらにはアノテーション専門人材が不在なため、高品質な教師データを大量に作ることができない。これが、AIの実用化をうまく進められない大きな理由です。

そこで、我々はAIが浸透する社会において、アノテーションを代替することで新たなインフラになれると見込み、AI開発の基礎となるデータの準備、作成、管理ができるプラットフォーム『FastLabel』の提供を始めました。

上田先ほど、世界的なマクロトレンドのお話をさせていただきましたが、このようなAI技術の急速な発展があるにも関わらず、世界の企業と比較して、いまだ日本企業、既存の産業ではAIの活用が進んでいない、またはその本来の強力なポテンシャルを発揮出来ていないのが現状です。

その理由としては、アノテーション代行のようなAIの社会実装を支援するための周辺サービスが充実していないことが原因にあると思っています。

海外ではアノテーション専門の企業が既に数多く存在していますが、日本ではいまだにエンジニアや事業会社の社員の方が自らアノテーションするのが主流です。大きく遅れているんです。アノテーションの外注もなくはないのですが、「BPO企業が作業リソースを提供しているだけ」で、肝心なデータ品質の課題が解決せず、なかなか企業のAI活用が進んでいません。

例えるなら、どんなに良いエンジンを積んでいる車でも良い燃料がないと動かないのと同じ。最先端のアルゴリズムを搭載したAIを導入したものの、結局手作業で処理をしている、そのアウトプットの精度が低いなど、非効率的な運用にとどまっているんです。

上田企業が機械学習に必要なデータを扱う際、特に重視するのはデータの透明性です。具体的には、権利関係や法規制をクリアした質の高いデータを大量に取得し、そこから教師データを作るプロセスは、AI開発において企業がつまずきやすいポイントですね。

データをラベリングする際に、そのデータには個人情報などの機密性の高い情報が含まれることがあります。そのため、アノテーション作業を行う際には、情報漏洩やデータ改ざんなどのセキュリティ上のリスクが存在します。

例えば、医療分野で使用される病歴データなどの場合、患者の個人情報や機微情報が含まれているため、その情報が外部に漏れ出ることは許されません。また、企業の業務に関わる機密情報が含まれるデータを扱う場合にも、情報の漏洩や不正アクセスが発生すると、企業の信頼性が損なわれたり、法的な問題が生じることがあります。

さらに、アノテーションは人手によって行われることが多いため、作業者のミスや不正行為が原因でセキュリティ上の問題が発生することもあります。

上田ビジネスモデルとしては、専門教育を積んだアノテーターによるアノテーション代行と、SaaS型AIデータプラットフォーム『FastLabel』の提供の両輪で回しています。

アノテーションの効率を向上させる仕組みとして、「自動アノテーション」機能を提供しています。これは、最初の100件ほどのデータを手作業で分類したあとは、残り数万件のデータをAIが自動的に学習し、振り分けていくことができるものです。

実際に企業のアノテーションにかかる費用と期間を70%削減することに成功しています。データ不足をあっという間に解消することができ、スピーディーかつ本質的なAIの開発・実装・運用が実現できます。

また、BPO的に提供されるアノテーション代行業で蓄積したデータから新しくモデルを生成し、そのモデルをアノテーションのQCDを上げるのに活かすこともあります。

やはり、精度の高いデータを集めることがアノテーションにおいては何よりも重要です。クライアントの現場から取得できるデータは最も精度が高いので、実際の案件ではお客様の生データをお借りすることが多いです。

ただし、そのデータには知的財産に触れるものや個人情報を含むものもありますから、ツールを活用して効率的にデータを加工したり、モデルを利用した新規撮影を行ったりすることもあります。

『FastLabel』では権利クリアな100万件を超えるデータを利用することも可能です。機械学習に必要な素材データとアノテーションデータをパッケージで提供しています。

このように、「実用的なAIの開発」というゴールから逆算した細かなソリューションを検討・提供できることも我々の強みですね。

上田確かに、海外の先行企業の多くはSaaSに特化しており、BPOサービスは範囲外としています。中国や米国では、市場の大きいSaaSの方から仕掛ける戦略のほうが妥当だからです。

一方、日本市場の競争優位性の鍵となるのは、BPOサービスだと私は考えています。多くの日本企業はいまだにテック人材が不足しており、かつAIリテラシーが十分でなく、そもそも多くの企業がAI開発においてAI開発プロセスの入り口であるアノテーションにつまずくことが多く、アウトソーシングしたいというニーズが明確に顕在化しているんです。

あらゆる業界・業種にAIが浸透する前に、アノテーション領域を我々が独占することによって、事業としての勝ち筋を見出しています。

上田新規参入する企業と比較した場合、我々は資金調達とデータ量という側面において圧倒的なプレゼンスを誇っています。国内スタートアップがこれからアノテーション市場に挑戦し、これらの優位性を覆すことはまず難しいでしょう。

上田先ほども申し上げた通り、国内のAI領域に主軸を置くスタートアップは、アノテーションではなくアルゴリズムに強みを持つ企業がほとんどです。コンサルティング的な価値提供を通じて企業のDXにアプローチする彼らの戦略は、私たちの戦略とは似て非なるものです。

海外で類似の事業を展開する企業を見ても、求められるエンジニアのスキルが別物ですから、アルゴリズムとアノテーションはそれぞれすみ分けるほうが一般的です。

上田とあるコンビニエンスストアにて、AIを活用して最適な揚げ物の調理法を可視化し、商品の質の向上を図ろうとした案件があります。この事例から、社会変革をイメージしやすいかもしれません。

ご存知の通り、揚げ物はメニューによって最適な揚げる時間、油の種類、油を入れ替えるタイミングが異なりますよね。

その作業の映像をカメラで撮影し、各メニューに最適な調理法の検討を自動化するというのがプロジェクトの要件でした。

まず初めに、調理中の揚げ物の画像に対してのみアノテーションを施し、コロッケやフランクフルト、唐揚げといった識別を行った場合、その精度は50〜60%程度に止まりました。

そこで、揚げる前、揚げた後といった工程ごとのアノテーションを追加すると、メニュー識別の精度は90%まで高まったんです。

上田揚げ物の事例は「データの捉え方」で識別の精度を高めた事例ですが、一方で場合によっては「データを取得する手法」も工夫しなければなりません。

例えば、店舗レジの無人化のために、顧客の動きをAIで識別したいケースを考えてみましょう。誰がどの商品を手に取ったか正しく把握するためには、カメラで商品を認識する必要があるわけですが。そのカメラの画角のわずかな違いにより、AIの認識の精度が20~30%も変わってしまうんです。

こうしたケースの場合では、手作業でデータをチューニングせねばならず、やはり多大な労力を要するんです。

そして面白いことに、かといって「画質を良くすること」が必ずしも正しいとは限らないんです。

例えば、日々の食事の写真からカロリー計算を自動で行うスマホアプリを開発するといったケースですと、美しい画角で撮られた高画質な写真は、実は良い教師データにならないんです。料理を食べる人の目線そのままの、それほど画質の高くない写真のほうが、精度向上に役立つんです。

上田大学では物理学を学んでいたため、機械学習に触れる機会がありました。その経験を踏まえつつ、ソフトウェアエンジニアとしてワークスアプリケーションズに入社したのがはじめのキャリアです。

2016年ごろ、ワークスアプリケーションズは『HUE』というERPを発表したのですが、今振り返ってみればERPというコンセプトは5年ほど早かった印象があります。当時のサービス自体はそれほど成功しませんでしたが、そこで5年先のプロダクトづくりに携われたことや、BtoB領域の面白さに触れられたことは、現在につながる経験のひとつかもしれません。

入社2年後には米ロサンゼルス支社に赴任し、米国の商習慣に合わせたAI-OCR請求書管理サービスの設計や開発に携わりました。

その後、縁あって英AIベンチャーNexus Frontier Tech Ltd.に転職することとなり、英国の大手金融機関向けに、住宅ローン審査の簡略化を図るDXソリューションの提供などを経験しました。

上田すでに一度起業していた鈴木と、新しい事業を何か始めたい、と話す機会があり、「一緒にビジネスを探そう」と立ち上がりました。

私は元々、起業家になりたいというタイプではありません。「課題が見つかったから起業に至った」という流れです。解決できるサービスを展開している企業が、国内にはなかったんです。

上田私自身がもともとAIエンジニアでしたので、ワークスアプリケーション時代からソフトウェア開発を担当する中で、手動でデータ作成をする際に、原体験として非効率な部分に課題感を持っていました。

そしてその課題感がより明確になったのが、海外で働くようになってからです。イギリスをはじめ欧州の企業と接する中で、日本よりAI活用がずっと進んでいることを実感しました。費用対効果をどう出していくかを考えている会社が多く、そこでボトルネックになっていたのがデータ作成の煩雑さとAI精度の担保でした。

海外では、その課題に着目し、アノテーション領域でビジネス展開しているユニコーン企業がいくつもあり「日本にもこの流れが確実に来るだろう」と感じました。

そんな折に、アノテーションの苦しさを前回の起業時に再三経験した鈴木と意気投合しまして、「じゃあ、自分たちで自動化システムを作ろう！」と事業構想が決まったんです。

上田AI革命のインフラになる、AI開発の速度を10倍にする。こうしたミッションに向かって突き進む数年を個人的には楽しめていましたが、その結果お客様や社会に対してどんな価値を提供できるのか、私たちの存在意義は何であるかを伝えるには、言葉が不足していたと感じています。

私たちは、最終的に何をしたいのか。その問いに向き合って生まれたのが、『AIインフラを創造し、日本を再び「世界レベル」へ』というパーパスです。

ここまで再三アノテーションについてお話ししてきましたが、実は決してアノテーションそのものを目的としているわけではありません。本質的には、日本産業や企業群が、世界に通用するサービスやプロダクトを開発できるよう貢献することが、私たちのやりたいことです。

そして今後、その核となるのは間違いなくAIです。だからこそ私たちは、今後アノテーションにとどまらず、AI開発のプロセス全体をどのように設計するのか考える企業へと進化していきたいと考えています。

データをどう集めるのか、教師データをどう作るか。データをどう学習させて、システムに組み込んだあとはどのように運用・改善していくか。このような、AI開発に関わる一連の流れを支援する基盤を提供することが、当社の長期的な目標です。

上田お客様にとってのバリューがどこにあるのか、突き詰めて考えられる人に来てほしいです。そのためにお客様と仲良くなり、事業に対する理解を深め、業務の現状をしっかり把握する。さらにその積み重ねを経て、当社のソリューションによって何を解決でき、実現できるのかを整理できる人であれば、きっと活躍できるでしょう。

特に業務の性質上、コンサルティングファームなどでハンズオン型コンサルティングをしてきた方は非常に相性がいいでしょう。実際社内でも、PwCコンサルティングや日本アイ・ビー・エムの出身者が前職の経験を活かして大活躍しています。

また、上流のコンサルタント経験を通じて現場で手を動かしたいと感じた方も歓迎します。業界という観点では、私たちは多種多様な業界のお客様と向き合う必要があるため、どのような業界を経験してきた方でも、これまでの知見を活かせると思います。

在籍するメンバーからは、お客様の反応をダイレクトに感じながら、変革に対して前向きな方々と共に業界を横断して仕事できることが楽しい、という声を聞きます。私自身、新しいことに挑戦しようとする企業の支援をできる今の仕事に、やりがいを感じていますね。

これから当社にジョインする方は、AIデータ管理の基盤をつくる瞬間に立ち合うことができます。そしてAIの社会実装が進めば進むほど、私たちの展開するビジネスは必然的に伸びるということもお伝えしたいです。

AIインフラというデファクトスタンダードをゼロから創れるのは、今だけです。ぜひ私たちと共に未知なる挑戦を始めましょう。