数年先の金融DX/AI活用

2023.3.25(Sat)に開催する「【FDUA×Lupinus】金融業界におけるDX/AI活用～金融AI成功パターン出版記念」で発表した資料です。

Transcript

1. ਺೥ઌͷۚ༥%9"*׆༻ *OTUJUVUJPO
   GPS
   B
   (MPCBM
   4PDJFUZגࣜձࣾ ্੮ݚڀһ Ѩ෦Ұ໵ '%6"ʷ-VQJOVT ۚ༥ۀքʹ͓͚Δ%9"*׆༻ʙۚ༥"*੒ޭύλʔϯग़൛ه೦  4BU
2. ೥݄ʹࡳຈ͔Β౦ژʹҠॅɻ ݱࡏ͸ڭҭˍ)3اۀͰϒϩοΫνΣʔϯΛ׆༻ͨ͠ 8FCϓϩδΣΫτͷςοΫϦʔυΛ୲౰ɻ ๺ւಓʢ಩খ຀ʣੜ·ΕͰɺࡀͱࡀͷ່ɺࡀͷଙ ͕͍Δɻझຯ͸ཱྀߦͱਆࣾ८Γɻ 1ZUIPO΍ػցֶशɺϒϩοΫνΣʔϯɺΫϥ΢υɺۚ ༥ɺιϑτ΢ΣΞ։ൃʹؔ͢Δ*5ίϛϡχςΟͷελο ϑʢओʹίϯςϯπاը୲౰ʣ΍ɺઌ୺ٕज़ɺϏδωε ΍૊৫վֵͷΠϕϯτاըɺࣥචͳͲͷݸਓ׆ಈΛߦ͏ɻ ίϛϡχςΟӡӦελοϑ 4UBSU
   1ZUIPO
   $MVCɺϑΟϯςοΫཆ੒ίϛϡχςΟ΄͔ଟ਺ ؂मɺࣥචɺ຋༁ɺࠪಡ ɾ4QBSLʹΑΔ࣮ફσʔλղੳ ʕେن໛σʔλͷͨΊͷػցֶशࣄྫू ɾϚϯΨͱਤղͰεοΩϦΘ͔Δ ϓϩάϥϛϯάͷ͘͠Έ ɾ࣮ફ ۚ༥σʔλαΠΤϯε ӅΕͨߏ଄Λ͋ͿΓग़ͭ͢ͷΞϓϩʔν ɾςετۦಈ1ZUIPO ɾ͋ͨΒ͍͠1ZUIPOʹΑΔσʔλ෼ੳͷڭՊॻ ɾΈΜͳͷϒϩοΫνΣʔϯ ɾϑΟϯςοΫΤϯδχΞཆ੒ಡຊ ɾ1ZUIPO
   εΩϧΞοϓڭՊॻ ɾ"GUFS
   ("'"
   ෼ࢄԽ͢Δੈքͷະདྷ஍ਤ ɾ࣮ફγφϦΦɾϓϥϯχϯά ɾۚ༥"*੒ޭύλʔϯ Ѩ෦ Ұ໵ ʢ͋΂Μ΂Μʣ *OTUJUVUJPO
   GPS
   B
   (MPCBM
   4PDJFUZגࣜձࣾ ্੮ݚڀһ Profile
3. 0/("&4)*ʢ8FCɾ%"0ʣ
4. ग़൛͓ΊͰͱ͏͍͟͝·͢ʂ
5. ۚ༥੒ޭ"*ύλʔϯ
6. ۚ༥σʔλαΠΤϯεˍΤϯδχΞ ❏ ۚ༥ͱٕज़ͷجૅΛ֓؍ ❏ "*Ϗοάσʔλ*P5 ❏ νϟοτϘοτ ❏ "1*ΤίγεςϜ ❏ Ϋϥ΢υωΠςΟϒ ❏ ,:$ ❏ ηΩϡϦςΟ ❏ ΠϯλϥΫγϣϯσβΠϯʢ6*69ʣ ❏ ϑΟϯςοΫαʔϏεͷະདྷ ❏ ͍Ζ͍Ζͳ৘ใΛ׆༻ͨ͠גࣜӡ༻ ❏ اۀؒωοτϫʔΫͱ৘ใͷ఻೻ ❏ ؀ڥŋࣾձŋΨόφϯεධՁͷͨΊͷ ςΩετϚΠχϯά ❏ ܾࢉ୹৴ͷ ςΩετϚΠχϯάʹΑΔاۀධՁ ❏ ϚΫϩܦࡁ෼ੳͷ͍· ❏ ߴස౓৘ใ͔ΒಡΉऔҾߦಈ ❏ ۚ༥ʹ͓͚Δσʔλ׆༻ͷকདྷ
7. "*ͷ෼໺ • ػցֶश .BDIJOF
   -FBSOJOH • ࣗવݴޠॲཧ /BUVSBM
   -BOHVBHF
   1SPDFTTJOH • ίϯϐϡʔλʔϏδϣϯ $PNQVUFS
   7JTJPO • Ի੠ೝࣝ 4QFFDI
   3FDPHOJUJPO • ϩϘςΟΫε 3PCPUJDT • ҙࢥܾఆ %FDJTJPO
   .BLJOH • σʔλϚΠχϯά %BUB
   .JOJOH • ڧԽֶश 3FJOGPSDFNFOU
   -FBSOJOH • ਐԽతܭࢉ &WPMVUJPOBSZ
   $PNQVUBUJPO • ஌ࣝදݱͱਪ࿦ ,OPXMFEHF
   3FQSFTFOUBUJPO
   BOE
   3FBTPOJOH
8. ؾʹͳΔτϐοΫ 技術名 説明 Stable Diffusion データの分散表現を⾼次元空間で効果的に表現する⽅法。従来の拡散法と⽐較して性能が向上している。計算量を抑えることがで き、画像⽣成、⾳声処理、⾃然⾔語処理などの分野で有⽤なアプローチとなっている。 ChatGPT ⾃然⾔語処理のタスクに⽤いられるGPT-3を基にした対話システム。多様なトピックに対応するために⼤量のデータで事前学習さ れており、会話の流れを保持して⾃然な対話を⽣成することができる。 ⾳声認識・⽣成 ⾳声データを扱う分野で重要な技術。Whisper、HEAR、data2vec、data2vec 2.0などの最新の⼿法は、⾳声認識・⽣成の精度を ⾼めることができる。⾃然⾔語処理の分野での利⽤にも応⽤されている。 ⾔語モデル ⾃然⾔語処理の分野で主要な技術の1つ。GPT-3、LaMDA、PaLM、Megatron-Turing NLGなどの最新の⾔語モデルは、巨⼤な データセットで学習されており、テキスト⽣成、質問応答、機械翻訳などのタスクに成功している。 オープンソースAI ⼈⼯知能の研究や開発において、⾃由にアクセスできるソフトウェアの利⽤を可能にするもの。HuggingFace、Eleuther AI、 LAION、Stability.AIなどのオープンソースAIフレームワークは、⾼度な⾃然⾔語処理タスクを扱うことができる。GPT-NeoX-20B やBLOOMなどの⼤規模⾔語モデルもオープンソースで公開されている。 拡散モデル (画像・ビデオ⽣成) 画像⽣成、ビデオ⽣成などのタスクに有⽤な深層学習モデル。画像のピクセル値の進化を表現することで、⾼品質な画像⽣成が可 能になる。特にDiffusion Probabilistic Modelsは、モデルを学習させるときに⾼速化され、時間とともにデータを拡散することで、 ⾼品質な画像・ビデオ⽣成が可能になっている。 拡散モデル (その他のドメイン) ⾃然⾔語処理にも応⽤されており、Diffusion-LMやDiffuSeqといったモデルが開発されている。これらのモデルは、⾔語モデルを 学習するために⽤いられる。Diffusion-LMは、⾔語モデルのサンプリングを⾼速化し、⾃然な⽂章の⽣成が可能になっている。 DiffuSeqは、DNAの塩基配列を予測することができ、遺伝⼦の研究に応⽤されている。 強化学習 エージェントが環境に対して⾏動を選択することで、報酬を最⼤化することを学習する⼿法。Decision Transformer、Trajectory Transformer、Gatoなどの最新の⼿法は、深層学習モデルを使⽤して、より⾼度なタスクを解決することができる。特に、Gatoは、 複数のタスクに対応することができる「万能エージェント」として注⽬を集めている。 マルチモーダル・制御 複数の⼊⼒情報を扱う技術。超マルチモーダル・超マルチタスク「万能エージェント」は、複数のタスクを同時に実⾏し、⾳声、 映像、テキストなどの複数の⼊⼒に対応することができる。これにより、より⾼度なタスクを解決することができる。 計算量削減 ディープラーニングモデルの⾼速化や軽量化を実現する技術。DiNA、Token Merging、ConvNeXt、NeRF、Chinchillaなどの最新 の技術は、⾼速かつ⾼精度なモデルを構築することができる。特に、Chinchillaは、70億のパラメータを持つ巨⼤な⾔語モデルを ⾼速かつ効率的に処理できることが可能であり、より⼤規模なデータセットを⽤いた⾃然⾔語処理のタスクにも適⽤することがで きる。また、計算量削減技術は、エネルギー消費量の削減にもつながる。
9. $IBU(15 ⼈間との対話に最適化された強⼒な⾔語モデルであり、⼈間のフィード バックに基づく強化学習を使⽤して微調整されています。これにより、 ユーザーの要望に合わせた応答を⽣成することが可能となっています。 RLHFは、⼈間からのフィードバックによって⾔語モデルを微調整する⼿ 法であり、DeepMindやAnthropicなど他の企業・研究者もこの⼿法 を研究しています。 ChatGPTは事実関係を間違えたり、有害・差別的な⾔葉を出⼒する問題が依 然として存在しており、また誰でも簡単に⾼品質な⽂章を⽣成できるため、不正 利⽤が社会問題化しています。草の根的AIコミュニティであるEleuther AIの⼀ 部でも、RLHFによる強化学習を⽤いたオープンソースの実装・モデルがリリースさ れていますが、OpenAIが従来⼿法の10倍以上の予算を費やしてChatGPTを 訓練しているという噂もあり、これらの技術を再現することは容易ではない。 このような⾔語モデルのアラインメント問題や、⼈間の嗜好・利害に合わせ た応答を⽣成する技術を研究し、より⾼品質な応答を⽣成することが求 められています。また、ChatGPTのような⾔語モデルを活⽤した⾃動⽂章 ⽣成技術は、様々な分野で利⽤されるため、データサイエンティストは、こ の技術を最⼤限に活⽤するための研究を⾏うことが重要です。 ਓؒϑΟʔυόοΫʹΑΔ ݴޠϞσϧͷ࠷దԽ $IBU(15ͷ໰୊఺ͱ ෆਖ਼ར༻ͷࣾձ໰୊Խ ݴޠϞσϧͷߴ඼࣭Ԡ౴ੜ ੒ʹ޲͚ͨݚڀ՝୊
10. 4UBCMF
    %JGGVTJPO 任意のテキストから⾼品質な画像を⽣成することができる技術で、AI 業界やアート業界に⼤きなインパクトを与えました。この技術は、テキ ストと画像の相互作⽤をより深く理解することができる可能性があり、 従来の⼿法とは異なり、テキストと画像の間に相互作⽤を持たせるこ とができます。この点が注⽬された理由です。 拡散モデルLDMが⽤いられており、これは、2020年に提案された「ノ イズ除去拡散確率モデル」（DDPM）に基づいています。DDPMは、 ノイズ画像を徐々にノイズを除去していくことで、⾼品質な画像を⽣成 することができます。拡散モデルは、DDPMを発展させたものであり、よ り⾼速で⾼品質な画像⽣成が実現できます。 画像⽣成において拡散モデルが重要な⼿法であることや、U-Netや ViTなどの画像⽣成や画像処理に⽤いられる⼿法との関連性にあり ます。これらの⼿法は、データサイエンティストが理解すべき重要な技 術です。Stable Diffusionの応⽤範囲は、ECサイトや医療分野な ど、ビジネスや社会の様々な分野で期待されています。 ςΩετ͔Β ߴ඼࣭ը૾ੜ੒ٕज़ ֦ࢄϞσϧʹΑΔ ߴ଎ߴ඼࣭ը૾ੜ੒ ը૾ੜ੒ɾॲཧʹ͓͚Δ 4UBCMF
    %JGGVTJPOͷॏཁੑ
11. DALL·E 2 2022年2⽉に公開した⼈⼯知能のモデルで、 ⾃然⾔語の指⽰に応じて画像を⽣成する ことができる。以前に公開されたDALL·E というモデルの改良版で、より⾼品質で 多様な画像が⽣成できる。 Whisper ⽂字起こしサービスとして公開した無料 の⾳声認識モデルです。Webから収集し た68万時間分の多⾔語⾳声データを教師 付きデータで学習させており、⾼い精度 で⼊⼒した⾳声を⽂字起こしが可能。 0QFO"*ͦͷଞͷϓϩμΫτ
12. 8IJTQFS΋৮ͬͯΈͨ ग़యɿIUUQTRJJUBDPNBCFOCFOJUFNTGBCBGFCFE
13. ձٞΛ࿥ըͯ͠"*͕ཁ໿ͳͲΛੜ੒͢ΔUEEW • ;PPN΍(PPHMF.FFUΛΫϦοΫ͢Δ͚ͩͰ ࿥ըͯٞ͠ࣄ࿥΍ΫϦοϓΛੜ੒ • Ҏ্ͷݴޠʹจࣈى͕͜͠Մೳ • ٞࣄ࿥ͷΩʔϫʔυݕࡧ͕Մೳ https://tldv.io/
14. ΄΅ຖ೔Կ͔ͰͯΔ💦 IUUQTUXJUUFSDPNEVTUJOWUSBOTUBUVT
15. ະདྷʹඞཁͳεΩϧͷτοϓ̍̌ Ґ -FBSOJOH
    4USBUFHJFTʢ4LJMMTʣ ઓུతֶशྗ Ґ 1TZDIPMPHZʢ,OPXMFEHFʣ ৺ཧֶ Ґ *OTUSVDUJOHʢ4LJMMTʣ ࢦಋྗ Ґ 4PDJBM
    1FSDFQUJWFOFTTʢ4LJMMTʣ ࣾձతಎ࡯ྗ Ґ 4PDJPMPHZ
    BOE
    "OUISPQPMPHZʢ,OPXMFEHFʣ ࣾձֶɾਓྨֶ Ґ &EVDBUJPO
    BOE
    5SBJOJOHʢ,OPXMFEHFʣ ڭҭɾ܇࿅ Ґ $PPSEJOBUJPOʢ4LJMMTʣ ௐ੔ྗ Ґ 0SJHJOBMJUZʢ"CJMJUJFTʣ ಠ૑తͳൃ૝ྗ Ґ 'MVFODZ
    PG
    *EFBTʢ"CJMJUJFTʣ ൃ૝ͷ๛͔͞ Ґ "DUJWF
    -FBSOJOHʢ4LJMMTʣ ೳಈతͳֶशྗ ˞5)&
    '6563&
    0'
    4,*--4
    &.1-0:.&/5
    */
    ʢ೥ʹ͓͚ΔεΩϧޏ༻ͷະདྷʣ ೥ʹΦοΫεϑΥʔυେֶͷڭत͕ʮ೥ͷεΩϧޏ༻ͷະདྷʯͱ͍͏࿦จΛൃදɻͷೳྗ ΛϥϯΩϯάԽ͠ɺτοϓΛݟΔͱɺҐ͸ʮઓུతֶशྗʯɻ͜Ε͸ֶशର৅΍ޮՌతͳํ๏ΛબͿ ྗͰɺࣗ਎΍ࣾձঢ়گΛ٬؍తʹଊ͑Δೳྗ͕ඞཁɻ"*͸ύλʔϯ൓෮εΩϧΛΧόʔͰ͖Δ͕ɺઓུ తֶशྗ͸ݱࡏਓ͚͕ؒͩ࣋ͭɻޮ཰తͳֶश͸ࢼߦࡨޡΛܦͯɺࣦഊ͔ΒֶͿྗ͕ॏཁɻ ʢग़యʣIUUQTNUWKQQDDPMVNOBSUJDMFQIQ DPMVNO@BSUJDMF@JE
16. 4 Skills 課題解決分析 Number One DXデザイナー Number Two リスキリング Number Three 型 Number Four
17. ̐ͭͷεΩϧΛ਎ʹ͚ͭΔ ՝୊ɾ໰୊ղܾͷͨΊͷ෼ੳख๏ ՝୊ʹରͯ͠ɺՊֶతख๏΍෼ੳख๏Λ༻͍ͯɺղܾ ࡦΛಋ͖ग़͢ख๏ɻԾઆݕূɺ1&45෼ੳɺϦαʔνɺ γφϦΦϓϥϯχϯά͕୅දతɻ %9σβΠφʔ Ϗδωεʹ࣠଍Λ࣋ͪɺ%9ʹඞཁͳٕज़஌ࣝΛ ࣋ͬͨεΩϧΛ࣋ͭ͜ͱɻ ϦεΩϦϯάɾΞϯϥʔϯ ैདྷͷϏδωεϓϩηε΍׳शɺՁ஋؍ͳͲΛࣺͯڈΓɺ ৽͍͠σδλϧจԽ΍ϚΠϯυηοτΛशಘ͢Δ͜ͱͰɺ σδλϧ࣌୅ʹ͓͍ͯڝ૪ྗΛҡ࣋ɾ޲্͢Δɻ ܕ جຊతͳ֓೦΍ٕज़Λཧղ͠ɺͦΕΒΛࣗ෼ ͷεΩϧ΍஌ࣝͱͯ͠૊ΈࠐΉ
18. 課題・問題解決のための分析⼿法 Ϧαʔνɿ͋ΔςʔϚʹ͍ͭͯௐࠪΛߦ͍ɺ৽͍͠஌ݟΛಘΔͨΊͷख๏ Ծઆݕূɿ͋ΔԾઆ͕ਖ਼͍͔͠Ͳ͏͔ΛՊֶతख๏ʹج͍ͮͯݕূ͢Δख๏ɻ 1&45෼ੳɿ੓࣏ɺܦࡁɺࣾձɺٕज़ͷཁҼʹண໨͠ɺϏδωεʹ༩͑ΔӨڹΛ෼ੳ͢Δख๏ γφϦΦϓϥϯχϯάɿকདྷͷ༧ଌʹج͍ͮͯɺ༷ʑͳγφϦΦΛ࡞੒͠ɺઓུͷࡦఆʹ׆༻͢Δख๏ɻ
19. ೔ຊʹ͓͚Δະདྷࢤ޲ܕΠϯϑϥɾςΫϊϩδͷ ϋΠϓɾαΠΫϧɿ೥ ग़యɿIUUQTXXXJNBHB[JOFDPKQHBSUOFSKBQBOJOGSBIZQFDZDMF 黎明期 発表やイベントなどの報道で関⼼が⾼まる時期。 流⾏期 ピーク期。世間の注⽬が⼤きくなり、過度の興奮と⾮現 実的な期待が⽣じる時期。失敗も多い。 幻滅期 技術は過度な期待に応えられず急速に関⼼が失われる時 期。メディアでも取り上げなくなる。 回復期 いくつかの事業が利点や適⽤⽅法が理解されるようにな る時期。 安定期 技術が安定し、第⼆世代、第三世代へと進化する時期。
20. ϑΝϯσʔγϣϯϞσϧ ϑΝϯσʔγϣϯϞσϧ͸ɺਓ޻஌ೳʢ"*ʣ΍ػցֶश ʢ.-ʣ෼໺Ͱ༻͍ΒΕΔɺେن໛ͳࣄલֶशࡁΈϞσϧ ͷ͜ͱΛࢦ͠·͢ɻ͜ΕΒͷϞσϧ͸ɺ๲େͳσʔληο τΛ༻͍ͯࣄલʹֶश͞Ε͓ͯΓɺ͞·͟·ͳλεΫʹద ༻͢ΔࡍʹɺϑΝΠϯνϡʔχϯά΍௥ՃֶशΛߦ͏͜ͱ ͰੑೳΛ޲্ͤ͞·͢ɻ ϑΝϯσʔγϣϯϞσϧ͸ɺࣗવݴޠॲཧʢ/-1ʣɺը૾ ೝࣝɺԻ੠ೝࣝͳͲɺଟ͘ͷ෼໺Ͱ޿͘׆༻͞Ε͍ͯ·͢ɻ ྫ͑͹ɺ0QFO"*ͷ(15γϦʔζʢ͜ͷ"*Ϟσϧ΋ͦͷҰ ෦ʣ΍(PPHMFͷ#&35ͳͲ͕ɺϑΝϯσʔγϣϯϞσϧͷ ୅දྫͱͯ͠ڍ͛ΒΕ·͢ɻ ϝϦοτ ๲େͳσʔληοτΛֶश͢ΔͨΊɺ։ൃ΍ϝϯςφϯεʹඇৗ ʹେ͖ͳίϯϐϡʔςΟϯάϦιʔε͕ඞཁͱͳΓɺ؀ڥෛՙ΍ ίετͷ໰୊͕͋Γ·͢ɻ·ͨɺֶशσʔλʹภΓ΍όΠΞε͕ ଘࡏ͢Δ৔߹ɺͦΕ͕Ϟσϧʹ൓ө͞ΕΔ͜ͱ΋ݒ೦͞Ε·͢ɻ σϝϦοτ ๲େͳσʔληοτΛֶश͢ΔͨΊɺ։ൃ΍ϝϯςφϯεʹඇৗ ʹେ͖ͳίϯϐϡʔςΟϯάϦιʔε͕ඞཁͱͳΓɺ؀ڥෛՙ΍ ίετͷ໰୊͕͋Γ·͢ɻ·ͨɺֶशσʔλʹภΓ΍όΠΞε͕ ଘࡏ͢Δ৔߹ɺͦΕ͕Ϟσϧʹ൓ө͞ΕΔ͜ͱ΋ݒ೦͞Ε·͢ɻ ʢग़యʣIUUQTBUNBSLJUJUNFEJBDPKQBJUBSUJDMFTOFXTIUNM
21. ೥ͷ(BSUOFSͷϋΠϓɾαΠΫϧ 黎明期 発表やイベントなどの報道で関⼼が⾼まる時期。 流⾏期 ピーク期。世間の注⽬が⼤きくなり、過度の興奮と⾮現 実的な期待が⽣じる時期。失敗も多い。 幻滅期 技術は過度な期待に応えられず急速に関⼼が失われる時 期。メディアでも取り上げなくなる。 回復期 いくつかの事業が利点や適⽤⽅法が理解されるようにな る時期。 安定期 技術が安定し、第⼆世代、第三世代へと進化する時期。
26. ٕज़ͷਐԽ ৽ͨͳ ϏδωεϞσϧ ސ٬ମݧͷ޲্ ηΩϡϦςΟͱ ϓϥΠόγʔ ܧଓతͳ Πϊϕʔγϣϯ ૊৫จԽͷมֵ ύʔτφγοϓ ͷڧԽ ࣋ଓՄೳੑͱ ࣾձతΠϯύΫτ ϦϞʔτϫʔΫ ͷීٴ ۚ༥%9"* ஫໨ΧςΰϦ ૑࡞ɿ .JEKPVSOFZʢϛουδϟʔχʔʣ ۚ༥%9"*ͷதͰ஫໨͢΂͖ ࣄ߲Λͭ̕ʹΧςΰϥΠζ
27. ݱࡏɺ̑೥ޙɺ̍̌೥ޙͷۚ༥%9"*ʢ༧ଌʣ ߲໨ ݱࡏ ೥ޙ ೥ޙ ٕज़ͷਐԽ "*ɺϒϩοΫνΣʔϯɺ*P5ɺΫϥ΢υίϯ ϐϡʔςΟϯά ྔࢠίϯϐϡʔςΟϯάɺڧԽ͞Εͨ"*ɺ*P5 ͷਐԽɺ((௨৴ٕज़ χϡʔϥϧΠϯλʔϑΣʔεɺφϊςΫϊϩ δʔɺ෼ࢄܕίϯϐϡʔςΟϯά ৽ͨͳ ϏδωεϞσϧ σδλϧࢿ࢈ɺΦʔϓϯόϯΩϯάɺϑΟϯ ςοΫαʔϏε τʔΫϯΤίϊϛʔɺσδλϧ*%ɺۚ༥"1*Τ ίγεςϜ Ϣχόʔαϧجຊॴಘɺσʔλࢢ৔ɺ"*ʹΑΔ ۚ༥αʔϏεͷ׬શࣗಈԽ ސ٬ମݧͷ޲্ ΦϯϥΠϯόϯΩϯάɺϞόΠϧΞϓϦɺ νϟοτϘοτ ύʔιφϥΠζ͞Εͨۚ༥αʔϏεɺ73"3ٕ ज़Λ׆༻ͨ͠ސ٬ମݧ ΠϯλʔϑΣʔεͷͳ͍ۚ༥αʔϏεɺγʔϜ Ϩεͳσʔλ࿈ܞɺڧԽ͞Εͨ"*Ξγελϯτ ηΩϡϦςΟͱϓ ϥΠόγʔ αΠόʔηΩϡϦςΟରࡦɺσʔλอޢ๏ɺϒ ϩοΫνΣʔϯٕज़ ΫΥϯλϜηΩϡϦςΟɺϓϥΠόγʔڧԽٕ ज़ɺ৽ͨͳن੍ θϩτϥετωοτϫʔΫɺ׬શಗ໊Խٕज़ɺ "*Λ׆༻ͨ͠αΠόʔηΩϡϦςΟରࡦ ܧଓతͳ Πϊϕʔγϣϯ ΠϯΩϡϕʔγϣϯϓϩάϥϜɺΠϊϕʔγϣ ϯϥϘ σβΠϯγϯΩϯάɺσδλϧϑΝʔετઓུɺ ૊৫શମͰͷΠϊϕʔγϣϯਪਐ "*ʹΑΔΠϊϕʔγϣϯൃݟɺΠϊϕʔγϣ ϯɾΤίγεςϜͷߏஙɺ࣋ଓՄೳͳΠϊϕʔ γϣϯ ૊৫จԽͷมֵ ΞδϟΠϧ։ൃɺΫϩεϑΝϯΫγϣφϧνʔ ϜɺϦʔμʔγοϓ ΠϊϕʔγϣϯจԽɺࣦഊΛڪΕͳ͍෩౔ɺଟ ༷ੑͱแઁੑ ஌ࣝڞ༗ɺ෼ࢄܕ૊৫ɺࣗݾ૊৫ԽνʔϜ ύʔτφʔγοϓͷ ڧԽ ϑΟϯςοΫελʔτΞοϓͱͷఏܞɺҟۀछ اۀͱͷڠۀ άϩʔόϧͳఏܞɺελʔτΞοϓΤίγες Ϝͷߏங ϓϥοτϑΥʔϜઓུɺڝ߹اۀؒͷڠۀɺ ΦʔϓϯΠϊϕʔγϣϯ ࣋ଓՄೳੑͱ ࣾձతΠϯύΫτ &4(౤ࢿɺαεςφϒϧϑΝΠφϯεɺࣾձ՝ ୊ղܾ ؀ڥߩݙܕۚ༥αʔϏεɺαʔΩϡϥʔΤίϊ ϛʔࢧԉ ΫϦʔϯΤωϧΪʔۚ༥ɺࣾձతΠϯύΫτ౤ ࢿɺۚ༥แઁ ϦϞʔτϫʔΫ ͷීٴ ςϨϫʔΫɺࡏ୐ۈ຿ɺΦϯϥΠϯձٞ ׬શϦϞʔτϫʔΫɺ෼ࢄܕ૊৫ɺσδλϧϊ Ϛυੜ׆ Ծ૝ΦϑΟεɺ73"3Λ׆༻ͨ͠ϦϞʔτίϥ ϘϨʔγϣϯ ্هҎ֎ σʔλ෼ੳɺϨΪϡϨʔγϣϯςοΫɺΦϯϥ Πϯڭҭ ਓࡐҭ੒ͷॏࢹɺΤγΧϧ"*ɺࣗಈԽͱ৬ۀͷ มԽ σδλϧਓؒɺ"*ͷྙཧنൣɺϢχόʔαϧج ຊॴಘͷ࣮ݱ
28. ϝλόʔε 社会性 空間性 経済性 同 時 性 永続性 ⾝ 体 性 商取引や⾦融取引、投資などができ そのための⾦銭や資産の 授受ができる ⼈のつながり、コミュニティの形成 組織運営ができ ⾃律した社会活動ができる 空間的な広がりがあり その中での移動や活動ができる また、⾃由な活動ができる 誰かの意志によって 存在や消滅が左右されない 時間的な継続性が保証されている 現 実 世 界 か ら 切 り 離 さ れ た メ タ バ 0 ス と ⼀ 体 と な 6 た 没 ⼊ 感 や ⾝ 体 感 覚 が あ る 参 加 者 が リ ア ル タ イ ム に 体 験 を 共 有 で き る 参 加 者 の ⼈ 数 に 制 限 が な い メタバース 同時に多数の⼈が参加できる オンラインの3次元仮想空間 予めシナリオが⽤意されたゲーム世界とは異なる ⾃⼰組織化 メタバースの住⼈が ⾃らルールや仕組みを作り ⾃⼰組織化して増殖する 創造性 メタバースの内の 活動や資産、仕組みなどを 誰もが創造できる ݱ࣮ੈքͱؔ܎Λ࣋ͬͨύϥϨϧϫʔϧυ ʢݱ࣮ੈքʹฒߦͯ͠ଘࡏ͢Δࣗ཯ɾಠཱͨ͠ੈքʣ
29. DXデザイナー
30. %9σβΠφʔཆ੒ߨ࠲Λडߨ͢΂͖اۀ 社内のDXや新規事業プロジェクトでの悩み ܦݧ๛෋ͳ%9ਓࡐͷ࠾༻͕ඇৗʹࠔ೉ɺ·ͨ͸࠾༻ͯ͠΋ఆண͠ͳ͍ ࣾ಺Ͱ༻ҙ͞Ε͍ͯΔݚम͚ͩͰ͸ɺ࣮ફʹ׆͔͢ͷ͕೉͍͠ ख୳ΓͰϓϩδΣΫτΛਐΊ͍ͯΔ͕ɺࠓͷਐΊํʹෆ͕҆͋Δ %9σβΠφʔཆ੒ߨ࠲Ͱ͸ɺҎԼΛ࣮ݱ͠·͢ɻ ଞ෦ॺ·ͨ͸֎෦ͷ*5ਓࡐͱڠௐ͠ɺ੒ՌΛ࠷େԽͤ͞ΔϓϩδΣΫτͷਪਐ ࣮ફ౤ೖલʹ͓͚Δɺద੾ͳ໾ׂ΍λΠϓݟۃΊ ϓϩδΣΫτΛޮ཰తɾޮՌతʹਐΊΔͨΊͷجຊతͳϑϨʔϜϫʔΫशಘ
31. %9σβΠφʔͱ͸ %9ਓࡐ %9σβΠφʔਓࡐ ඞཁεΩϧ %9ਓࡐͷཁૉͰ͋ΔϏδωεɺ σʔλαΠΤϯεɺσʔλΤϯδ χΞϦϯάΛߴ͍ϨϕϧͰόϥϯ εΑ͘शಘ ϏδωεΛ࣠ʹɺ%9ʹඞཁͳ σʔλαΠΤϯεɾΞʔΩςΫ νϟ˞Λऔಘ ඞཁͳ࣮ફܦݧ ଟ͘ͷϓϩδΣΫτܦݧ͕ඞཁ ϓϩδΣΫτܦݧ͕ແ͍ɾઙ͘ͱ΋ ֶशํ๏࣍ୈͰҭ੒Մೳ ҭ੒೉қ౓ ඇৗʹߴ͍ %9ਓࡐͱൺֱͯ͠΍΍༰қ ҭ੒ظؒ ਺೥ఔ౓ ࠷୹ϱ݄ ※アーキテクチャ：データエンジニアと会話ができ、 システムやプロダクトを設計・形にするスキル ଟ͘ͷاۀ͕໨ࢦ͍ͯ͠Δ%9ਓࡐͱ͸ҟͳΓɺϏδωεʹ࣠଍Λ࣋ͪɺ %9ʹඞཁͳٕज़஌ࣝΛ࣋ͬͨਓࡐ͕%9σβΠφʔͰ͢ɻ
32. %9σβΠφʔͷಛ௃ ߹ಉݚमɺάϧʔϓϫʔΫɺݸਓϫʔΫͷछྨͰߏ੒ ߲໨ ໨త ಺༰ ߹ಉݚम ʢશճʣ Ξ΢τϓοτ͓Αͼ ؾ͖ͮͷ৔ άϧʔϓͰͷ੒ՌൃදΛߦ͏ɻ ଞάϧʔϓͷൃද΍ࣗάϧʔϓ΁ͷϑΟʔυόοΫͰಘͨ ؾ͖ͮΛجʹɺཌ೔͔Β৽ͨͳςʔϚͷݸਓϫʔΫʹྟΉɻ άϧʔϓϫʔΫ ʢશճʣ ߹ಉݚमʹ޲͚ͨ ٞ࿦ͷ৔ ߹ಉݚमͰͷൃදʹ޲͚ͯɺάϧʔϓ಺Ͱ՝୊ʹऔΓ૊Ήɻ ଞऀͱͷٞ࿦Λ௨ͯ͡ɺϓϩδΣΫτਪਐʹ͔ܽͤͳ͍ ʮڞײɾ܏ௌྗʯ΍ʮ՝୊ઃఆʯ౳ͷίϯϐςϯγʔΛ৳ ͹͍ͯ͘͠ɻ ݸਓϫʔΫ ʢຖि࣮ࢪʣ Πϯϓοτͷ৔ άϧʔϓϫʔΫʹ޲͚ɺΦϯϥΠϯಈըֶश౳Λ༻͍ͯ஌ ࣝΠϯϓοτΛߦ͏ɻ ֤ϫʔΫ͝ͱʹݸਓ՝୊͕ઃఆ͞Ε͓ͯΓɺςʔϚʹ͓͚ Δ஌͕ࣝఆண͍ͯ͠Δͷ͔ΛଌΔ͜ͱ͕Մೳɻ
33. ຊߨ࠲ͷର৅૚ɾΰʔϧΠϝʔδ ຊߨ࠲͸ɺ%9෦ॺ΍৽نࣄۀ෦ॺʹܞΘΔՄೳੑͷ͋Δํ͔Βɺ࣮ࡍʹࢼߦࡨޡ ͰਐΊ͍ͯΔํ·ͰΛର৅ͱ͍ͯ͠·͢ɻ %9ਪਐϓϩϑΣογϣφϧͷํ͸ର৅֎Ͱ͢ 33 ˙ର৅ͱ͢Δਓ෺૾ʢ#FGPSFʣ ˙डߨޙͷΰʔϧΠϝʔδ ʢ"GUFSʣ • σδλϧ஌ࣝΛલఏͱͨ͠ۀ຿਱ߦ ͕ظ଴͞Ε͍ͯΔ • ٕज़෼໺ΛۃΊΔΑΓ΋ɺϏδωε ্ͷ੒ՌΛظ଴͞Ε͍ͯΔ • কདྷతʹձࣾͷมֵΛ୲͍ͬͯ͘͜ ͱ͕ظ଴͞Ε͍ͯΔ • ৽نϏδωε૑ग़΍طଘϏδωεͷ ࠶ߏஙͷݕ౼ • σδλϧσʔλલఏͷϏδωεʹඞ ཁͳɺσʔλ෼ੳํ๏ͷशಘ • ٕज़ਓࡐͷ஌ࣝ΍ࢥߟΛ౿·͑ͨɺ ԁ׈ͳίϛϡχέʔγϣϯ
34. Ωϟϯϖʔϯ͓໰͍߹ΘͤϑΥʔϜɿ IUUQTXXXMQPOHBFTIJQKKQJORVJSZ
35. リスキリング・アンラーン
36. ϦεΩϦϯά
37. Ξϯϥʔϯ
39. 型
40. 型があるから型破り。 型が無ければ、それは形無し。
41. ·ͣ͸ܕΛ֮͑Δɿͦͷखஈ͕ۚ༥"*੒ޭύλʔϯ ʢग़యʣۚ༥"*੒ޭύλʔϯʢ೔ܦ#1
42. ·ͱΊ ՝୊ɾ໰୊ղܾͷͨΊͷ෼ੳख๏ ՝୊ʹରͯ͠ɺՊֶతख๏΍෼ੳख๏Λ༻͍ͯɺղܾ ࡦΛಋ͖ग़͢ख๏ɻԾઆݕূɺ1&45෼ੳɺϦαʔνɺ γφϦΦϓϥϯχϯά͕୅දతɻ %9σβΠφʔ Ϗδωεʹ࣠଍Λ࣋ͪɺ%9ʹඞཁͳٕज़஌ࣝΛ ࣋ͬͨεΩϧΛ࣋ͭ͜ͱɻ ϦεΩϦϯάɾΞϯϥʔϯ ैདྷͷϏδωεϓϩηε΍׳शɺՁ஋؍ͳͲΛࣺͯڈΓɺ ৽͍͠σδλϧจԽ΍ϚΠϯυηοτΛशಘ͢Δ͜ͱͰɺ σδλϧ࣌୅ʹ͓͍ͯڝ૪ྗΛҡ࣋ɾ޲্͢Δɻ ܕ 型があるから型破り。 型が無ければ、それは形無し。