メインコンテンツへスキップ
見出し画像

【AI開発のリアル #48】 256人の部下に、何をさせますか?

    「ミツケル」では、一度の処理で約5500件の推論を走らせる。

    その処理を、DGX Spark上のローカルLLMで最大256並列にして回している。

    256人が、同時に仕事をしているようなものだ。

    寝ない。疲れない。仕事を渡せば、ものすごい速さで処理する。

    ただし、仕事を与えなければ何もしない。

    では、この256人に何をさせるか。

    256人いても、仕事は勝手には生まれない

    AIの箱を買う。高性能なモデルを使う。並列数を増やす。

    それだけで、会社に価値が生まれるわけではない。

    「セキュリティを調べておいて」と256人に言っても、まともには動かない。

    何を見るのか。何と比べるのか。どこまでなら言ってよいのか。何を返すのか。

    仕事を渡す側が、そこまで決めなければならない。

    この連載では、そのために専門家5人の仕事を51個に分け、手順書、専用の入力データ、実行する仕組み、結果を検査する仕組みまで作った。

    私が書いていたのは、AIへの指示ではなく、人間の仕事の手順書だった。

    AIを使う側に必要だったのは、モデルの知識より先に、自分たちの仕事を他人に渡せる形にすることだった。

    以前なら、人を置くしかなかった

    集計する。数える。条件に一致するものを抜き出す。

    こうした仕事は、AIが現れる前からプログラムで自動化できた。

    問題は、その先だった。

    これまでのプログラムは、数えることはできても、読んで判断することはできなかった。

    ミツケルのL4では、スクリプトが大量のログから調べる対象を絞り込む。

    その先で必要なのは、個々のアクセスを読むことだった。

    あるIPが攻撃に使われるパスへアクセスしている。

    しかし、それだけで迷惑な相手とは言えない。

    他にどんなページを見ているのか。何度も同じ場所を調べているのか。通常の顧客らしい動きがあるのか。

    人間なら、行動を並べて見れば分かることがある。

    たとえば、店には来るが何も買わず、ずっと店内の写真だけを撮っている人がいたとする。

    その人が「利益を生む顧客には見えない」と評価するところまでは、見る材料と基準を渡せばよい。

    そこで、必要なデータと見る観点をローカルLLMへ渡し、Yes / No / Unknownで答えさせる。

    計算で片がつくものは計算に、意味を読まなければ分からないところだけをAIに渡した。

    機械的に照合できる検査はスクリプトへ、文章の意味を読まなければ分からない検査はローカルLLMへ。

    以前なら、ここから先には人を置くしかなかった。

    LLMによって、この部分まで機械側へ移せるようになった。

    人間の仕事は、なくならない

    ここで、256人分の処理ができるなら、256人の人間を置き換えられる、と考えるのは違う。

    AIに渡しているのは、人間の仕事そのものではない。仕事を分解して、その中から機械に渡せる部分だけを切り出している。

    人間の仕事は、それほど単純ではない。

    先ほどの店の例なら、「この人は利益を生む顧客には見えない」という評価はAIにもできる。

    では、その人を店から追い出すのか。

    それは店長が決める。

    売上だけで決まる話ではない。周囲との関係もある。店の方針もある。別の事情があるかもしれない。

    そして、なぜその決断をしたのかを、周囲へ説明し、納得してもらう必要がある。

    誰が決めたのか、それ自体にも意味がある。

    機械が自動でできる決断や行動なら、すでに自動化できているはずだ。

    そうではないから、人間が決めている。

    この記事では、材料と基準から評価することを「判断」、その評価を受けて何をするかを決めることを「決断」と呼ぶ。

    判断のかなりの部分はAIへ渡せるようになった。決断は、人間に残る。

    何を仕事とするかを決める部分はAIへ移せなかった。責任もAIへは渡せない。

    人間に残った仕事は、作業者というより管理職に近かった。

    AI専門家を、雇えない会社にも置く

    ミツケルでやりたかったのは、人間のセキュリティ専門家を不要にすることではない。

    そもそも、すべての会社がセキュリティアナリストを雇えるわけではない。

    大量のログを毎月読み、怪しい通信を一件ずつ調べ、何が起きているのかを整理する。

    それを人間だけで続けるには、時間も人も要る。

    だから、その仕事のうち、手順にできて、繰り返せて、材料と基準から判断できる部分を機械へ移した。

    スクリプトで絞り込み、ローカルLLMが一件ずつ読み、AI専門家が所見をまとめる。

    最後に人間が、その材料を使って何をするかを決める。

    セキュリティの専門家を雇えない会社でも、AI専門家がセキュリティアナリストとして会社を支える。

    そのために作ったのが、ミツケルだった。

    256人の部下に、何をさせますか?

    256人の部下が、今日からあなたのところへ来るとする。

    寝ない。疲れない。指示した仕事は高速にこなす。

    しかも、同じ仕事を何千回でも繰り返せる。

    一方で、仕事がなければ256人とも黙って待っている。

    あなたは、自分の仕事を分解して渡せるだろうか。

    何を見せるか。何を調べさせるか。何を基準に判断させるか。何を成果物として返させるか。

    そして、その256人を使って、何の価値を生むのか。

    AIを使う企業と、使わない企業の差は、ここで大きく開いていくと思っている。

    AIが人間の仕事をそのまま奪うのではない。

    人間の仕事の中から、機械に渡せる部分を切り出し、これまで人手ではできなかった量と速度で回せるようになった。

    その力を何に使うかは、AIの能力の問題ではない。

    AIが価値を生むのではない。

    AIに、価値を生む仕事を与えられるか。そこは人間の仕事である。


    この連載は、Webサイト攻撃状況レポートサービス「ミツケル」ができるまでの記録です。

    開発した製品のリリース情報

    ミツケルが実際に何を見つけているかは、同僚が技術者向けの連載に書いています:


     
     

    toshi

     
     
    教育DXエンジニア / 生成AI活用研究家 コンピュータ理工学修士/元大手ICTエンジニア。誰もが技術を使いこなし、その恩恵を受けられる社会を目指し、公立高の教育現場と二児の子育てに情熱を注ぐ。専業主夫見習い

    あなたへのおすすめ