矢野和男さんの『データの見えざる手』(第1章)

3連休の終わり、今日もとても暑かったですね。
朝ランをしたのですが、身体があまりに火照り、午後はプールで2km泳いできました。
水野裕識(みずのひろのり)です。

矢野さんの『データの見えざる手』を読み進めています。
この本は、じっくりと向き合うべきとわかり、1章ずつ繰り返し読んでいます。
1章のテーマは、”時間を自由に使えるか”について。

結論からいうと、時間は自由にならずのようである。個々人が使えるエネルギー量とその配分は、U統計に従うとのこと。
日立評論2013年6・7月合併号:ビッグデータの見えざる手
http://www.hitachihyoron.com/jp/pdf/2013/06_07/2013_06_07_03.pdf

速い動きを続けることや、遅い動きを続けることはないようで、それぞれの速さの動きを行える時間に制限があるらしい。
まったく違う仕事や立場の異なる人であっても、行動において共通な法則があるという事実を見出したことは、
たいへん興味深いことだと思う。

”U分布は一方向に右肩下がりなので、身体の動きが活発な行動を、静かな行動よりも長時間行うことは許されない。
U分布では、より素早い行動の時間は、より静かでゆったりとした行動よりも常に少ない時間しか許されない”

と説く。ゆっくりとした動き時間に制限があるのだから、1日ほ静かな作業(たとえばパソコンの前に座り、
開発を行う、文章を書く、ウェブを見る)の時間にも制約があるということになる。
U分布に従った行動を取るように、人は自らの行動を無意識のうちに配分しているようである。

ある帯域の活動を消費してしまうと、ひとはやるきがおきなくなったり、それ以上の同じ行動を続けることができなくなるようだ。それでも、社会的な制約(上司の命令、納期など)により、無理強いする場合も多々あろうが、その場合にはどうなるのか。ある状態行動を必要以上にし続けることを数か月あるいは半年1年と継続した場合に何が起きるだろうか。

人の行動は、普遍的なU分布に従うようなので、早い動作と遅い動作もU分布に沿うように、様々な速度の行動を上手にやりくりをして日々を過ごしているはずである。しかし、仕事という名の下、ある一定領域の動作を強いられ、似たような行動パターンが継続した場合にどうなるのだろうか。

週末くらいは休めということは、人が本来持つU分布の行動パターンに戻せることで、身体が本来の動きパターンに戻されるのではないか。自分の時間を自由に使える人ほど、長時間働いていても、ストレスを感じないという話がある。これは、長時間労働をしていても、その行動はU分布に従っているので、問題を生じさせないのではないかと思った。

一度、自分のU分布を見てみたいと思うとともに、今週の活動(例えばカレンダーとの連携)から、対応行動を提唱してくれたら、それに従ってしまうかもしれない。一人ひとりが無理のない範囲で、行動パターンの提案がなされるとしたら、それを利用してみたい気持ちになるのではないだろうか。

矢野さんの本、青本につづいて、ピンク本、どちらも奥が深くて、たいへん示唆に富むので、じっくりと読み進めてみたい。
まずは、第1章を読んだところまでの感想でした。

データ事業

毎日暑い日が続いております。
水野裕識(みずのひろのり)です。16時からのミーティングの前に1時間ほど時間が空きましたので、このタイミングでブログ更新をと。

前のブログで、シェアリングエコノミーの代表銘柄、メルカリの応援をさせて頂きました。新品モノを買わない人の割合が、このまま進むと仮定すると、どんな世の中になるのか。

本日のミーティングでも、スクラッチで基盤を興すべきか、それとも既存の商用OSベースに開発を進めるべきかというトピックがありました。既存のOS、それもオープンソースを活用すれば、開発金額が数分の1以下となり、何よりも時間を稼げるではないかという話がありました。製品競争を少しでも優位にするために、すこしでも早く市場に出す念に駆られます。そうなると、基盤をおこし、動作コードを一からスクラッチ開発もしてられないということで、オープンソースを利用したくなります、下駄を履かせたくなります。

今欲しいものは、データそのものです。データは時間連続した信号データであり、多くの信号データを、できれば長期に集めたいところです。果実が得られるとすれば、このデータの相関・特徴を見出せるかどうかにあります。絞り込みができるまでに、ある程度の時間を見込む必要あり、販売のタイミングは後に後にずれこんでいきます。ここが所謂、死の谷であり、結果がだせるまでのジレンマがあります。

古き良きモノを作って販売していた時代は終わりました。モノの所有に優位性があった時代は、そのモノを購入することに価値がありました。人とは違うモノを有していることへの自己満足。しかし、いまはもう時代が違います。消費は、コトサービス化し、モノを所有することには、昔のように価値を見出せないのです。

人の欲求レベルそのもの、ステージ・レイヤーがあがっているです。上記の開発においても、IoTセンサーを作るだけでも大変なのにという視点から、センサーは当然あって、そこから集まるデータに価値を見出す時代であります。少し前のデータと、今のデータは何が違うのか、生体信号であれば、他人のデータと何がどう違うのか、年齢・性差・地域、働き方にも違いがあるのか、ないのか、こうした様々な質問に答えが用意できて、はじめてお金にかわります。IoTでマーケティングデータがたくさん集まったんですだけでは、なんにも差別化になりません。

センサー製品は、お金に代わるまでの時間・距離がすこぶる長い。研究開発のフェーズは、商品化までの道を10とすると、それこそ1とか2ではないでしょうか。世に出して、なんとか使ってもらえた、その先で次々と使われるという段階になるのは、千に1つ、万に1つとかそういう確率ではないかと思います。

その研究開発の投資も、前に蓄えた資金によってのみ、次の商品につなげる。しかもそれが製品として請けられるかどうかは、マーケットに出さなければわからない。マーケットは、シビアであり、受け止めて頂けるかは、出してみなければわからない。良い製品だなと思って頂けるようにするのは、本当に大変だなと思います。また、技術開発の競争は、世界規模で同時多発的に行われていて、そんな中世のニーズにうまくあてる難しさ、最近とくに痛感しています。市場のとらえ方に磨きをかけて、私どものような中小企業でもニーズに充てられたらと思って対応してまいります。

シェアリングエコノミーの進展

メルカリが上場。わずか数年で、C2Cの流通事業を築きあげました、すごいですね。

1997年からの通販サイトは、B2Cでありまして、個人が、モノを売ろうにも売ることができなかった。
もちろん、ヤフオクをはじめとするC2Cサービスもあるにはありましたが、
それらを凌駕するだけの利便性が、メルカリにはあったのだと思います。
そう思うと、山田社長の時代を見抜く、切り取る力、敬服いたします。

人口減少社会では、新しいモノはこの先、ますます売れにくくなるだろう
いや、逆にモノが飽和してしまっていることを見抜いて、さらに給与が下がり続けるこの日本で、
C2Cマッチングに仕立てあげたことは、実に素晴らしい、先見の明がある方だなと思います。

現在メルカリの月の流通額は300億円、年商360億円事業に成長しているそうです。
日本の利用者は1000万人、さらに米国で成長を目論んでいるようで、買い手中心のUIから、売り手に使いやすい
UIを変えて、日米の文化、利用者の意識の違いを、UI/UXに反映していると聞きます。
事業上は、このまま、米国での利用が加速するといいですね。

シェアリング経済ですけど、このシェアリングという考え、これからの日本にどう影響してくるでしょう。
モノがあふれかえるので十分、他人が使ったモノを再利用することで間に合わせるということです。
新しいモノを買わないということですから、デフレを深押ししてしまうようにも思います。
このサービスの利用が進むほど、インフレなんて、なりようがないという印象です。

現在の流通総額からすると、現時点の割合はたいしたことはないのかもしれません。
政府が言い続けている、経済を成長するする路線は、どうなってしまうのでしょう。
C2Cサービスの普及がすすむほど、みんなで、デフレをあと押しする感じに思えます。
こうした動きは、均衡から、縮小に経済が向かっているのではないかと思うのは、私だけでしょうか。

ま、個々人ではそれで充分だし、満足なのだから、そんなことを考えていても仕方がありませんね。
これからのモノ消費は、メルカリのようなC2Cサービスで、上手にやりくりするのでしょう。
新製品を投入し続ける企業にとって、このC2Cサービスは厄介となるか、それともうまく乗りこなしていくのか、
知恵の絞りどころです。

以上、メルカリの上場ニュースを見て、思いました。
いずれにしましても、日本から世界へ発信するメルカリ、応援いたします。

副業解禁の意図は

こんにちは、水野裕識(みずのひろのり)です。

今日のブログは副業解禁について。
副業解禁で検索をすると、上場会社の副業解禁について、
どこぞの会社がどうした、あーしたというニュースを目にするようになった。

これは・・・?

この平和な日本で、一体、何が起きようとしているのだろうか。
取るに足らないニュースではない。おそらく、これからもっと厳しいメッセージとして私たちに伝わってくるニュースと思える。
年功序列型賃金は、維持できなくなった宣言だろうか。
足りない部分は副業で補ってくださいねというメッセージなのだろうか。

昨年銀行が大幅なリストラを発表した。新卒を取らない銀行も出てきた。FINTECH、blockchain技術が業界の構造を塗り替える。
冷静に状況を観測し、未来を予測すると、今の体制を維持できないと判断し、それを発表したのだと思う。
その結果として、来年金融業界に応募する新卒も激減したようだ。

学歴・学閥により、年功序列賃金が決まり、大卒・高卒の給与カーブが決まりというお決まりに、みなが従っていたはずなのだが、
ここにきて、ガラガラと音を立てて崩れはじめた。

指数関数的なデジタル技術革新が、旧来からのやり方をあっという間に刷新してしまう。
少しずつとか、ちょっと待ったが効かなくなってきた印象を持ってしまう。
まだ大丈夫だろう、俺たちの世代まではという計算すら許さないスピード感で業界のやり方を壊していってしまう。
自分のことを思ってもそうだが、人はそう簡単に変われないし、変わらないものだ。
しかし、そんなことを許さない厳しさを感じる。

大企業には、役職定年があり、早ければ50歳前半で、次の身の振り方を意識せざるを得ない状況になっている。
人生100年の時代に入ったばかり、その半分程度で、みな次の50年を考えることを余儀なくさせられてきた。
年金を貰うまでに、20年もある。ただただ、変化のスピードが加速する指数関数的に状況が変わる時代に入ったのだ。

中小企業の社長の平均年齢は、62歳。これが毎年1歳近くずつ上昇しているので、もうあと10年もすると、72歳だ。
中小企業においても、新陳代謝も全くできてない。事業を引き継ぐのも簡単ではない。

このような流れのなかで、ここにきてなぜか、副業解禁のメッセージだけが、ニュースになっている。

個人としてどう働くのか、いやがおうでも真剣に向き合う必要が出てきた。
このスピードがあまり早いので、へたをすると、社会が不安定になってしまわないだろうか。
安定した仕事、安定した給料がセットになっている安心感に、少し日本人が飼いなされてしまった。
その反動からか、不安定な状態に、企業が急に舵を切り始めた感がある。
誰もが変化の先を読み、上手に振舞いたいと思うが、そう思うもままならず、放り出されてしまう。
しかも、その準備情報すら得られないままなので、厳しい時代にはいったと思う。

ただし、逆にいえば、変化あるところに、商機ありともいえる。
副業を支えるサービスを提供することができるならば、それは大きなチャンスになるだろう。
すこし、前々から考えているアイデアがあり、それを実現できるところと、一緒に対応してみたいと思っている。

機械学習と深層学習の違い

今年も桜が綺麗な時期になりました。満開のサクラ並木の下を、散歩をしてきました。
気分が良いので、このままブログでもと、書いてみました。

AI百花繚乱ですね。

最新論文をキャッチアップし、さらにその先のモデルを提案・実証を続けることは、労を要する。
https://zuuonline.com/archives/180974
素晴らしい結果も、再現性が確認できないと、価値はない。
再現性のため、論文のみならず、データ+プログラム+結果の3点セットを提示させる学会もあると聞く。

機械学習と深層学習、強化学習との違い、ベイジアン統計学と機械学習の関係性をきちんと理解したうえで、
AI的な手法をどう取り入れるかを考えたい。

すべてがAIという用語に括られてしまい、今がどんな状況にあり、どういう方向に進んでいくのか見通した説明がないのは問題では。
産業への応用が大事という視点からすると、AIの技術的な総括がないなか、どの方向が正解なのかと悩んでしまう。
多くの技術者、その上の経営する側も、わからなくなっているのではないでしょうか。

機械学習の目標は、与えられたデータ(教師信号)を出力する関数を求めることだ。与えられる複数のデータを少しずつ変えることで、
正解データに近づけられる関数を求めることと理解している。代表的な手法は、勾配降下法。どこに正解として落ち着くのかが、
わからないので、入力を少しずつ変えて、落ち着きどころを探るそのプロセスを機械学習と呼ぶのだと理解する。
深層学習は、全体のアーキテクチャ(構成するパラメータも含む)を、正解からのずれを修正するプロセス(逆伝搬法)を取る。

それぞれの立ち位置は、データに対する態度が、客観か、主観かの違いともいえる。
どちらも、データのなかでどこに区切りがあるのかを見い出しにくい課題を扱うが、入力と出力の関数を導出を、複数の入力データ
を少しずつ変えて、正しい結果を得ようとする客観的な学習と、結果からのずれがなくなるようにアーキテクチャ自身を自ら変更
していく主観的な学習との違いともいえる。充実したpythonライブラリのおかげで、データセットに対する機会学習の結果は得やすい
状況にある。深層学習は、画像・音・テキストを扱うが、まだ何をどのように扱えるのか発展途上である。機械学習の範囲を超えた
複雑な課題に対して、深層学習のアプローチが進んでいる。

まずは課題ありき。その課題が有する特徴を理解したうえで、どのAI的な手法を使うべきかの決めなければならないが、どういった
問題にどんな手法が効果的であるかを、エンジニアは理解をするべきと考える。

さらにその手法を使ったときの事業性(それでうちはどう儲かるの?)に応えられるべきと考えます。
GEのような大量センサーによる保守サービスモデルへの転換とばかり、その方向に追従してしまっているようにも思います。

いま必要なことは、様々な技法のまとめと総括をして、技術の方向性を示すこと、そしてそれでどう儲けるかを示すことと思います。
もちろん、言うは易しですが。