AIで拓くスポーツとビジネスの未来――藤井慶輔准教授が語るデータ分析の最前線、人と技術が協調する意思決定の境界線（中編）

―AIを活用したスポーツアナリティクスの難しさや課題は、どこにあるのでしょうか。

色々あります。まずは、使える人が少ないということです。AIはあくまでも手段なので、必ずしも使う必要はありません。例えば、自動でデータを取得する、予測を行うとか、定量的に例えば100試合、1000試合で評価する。これは人間にはできない作業でもあります。なので、そういう場合にAIが必要になってきます。

データの種類としては、映像や選手位置データか、あるいはイベントデータと言われる、パスやシュート、ドリブルが行われた位置や種類などのデータなどです。これらは現在のAI技術でも自動で完璧に取得できることは難しく、一部の限られたリーグやチームしか利用できないというのも課題です。さらにそれらを自由自在に操って、そこから知見を得る。AIを使わなくても良い場面もあるのですが、少なくともその生のデータを扱ってチームとして欲しいものを提供できる人たちがまだまだ少ないのではないかと思っています。そのようなところに、AIを活用したスポーツアナリティクスの難しさや課題があるのではないかと考えています。

―藤井先生が最終的に目指されているのは、「スポーツのデジタルツイン構想」と伺っています。その意味合いをご説明ください。

「スポーツのデジタルツイン構想を目指している」と言っていたのは、2023年辺りまでですね。最近は、「デジタルツイン」という言葉はあまり使っていません。単に場面を再現するだけでなく、評価や提案も数値で行う「デジタルモデリング」と最近は表現しています。

―失礼しました。それでは、「スポーツのデジタルモデリング構想」についてお聞かせください。

今行われているサッカーワールドカップでも、バーチャルな人間が11対11でプレイをしていて、色々な自由視点でユーザーが見ることができます。ああいうのが一つのデジタルツイン的な形かなと思います。ただ、それよりも先を考えたいと思っています。

あれは三次元で再構成しているのですが、それだけだと実は知見がまだ得られません。それだと単なる座標のデータだからです。そこから人間が理解して実行できるような形にする作業が必要になってきます。最近は、そちらの方が重要なのではないかと思っています。

ワールドカップなど本当に限られた大会以外は、選手の3Dメッシュ（身体の形）をデータとして出していません。Jリーグは選手を点で表したデータならあります。でも、バスケットボールのBリーグにはなかったりする。そういう状況なのです。そのため、あるデータをフルに使って本当に欲しい情報に変換するという、それが究極的な姿と考えています。

―ここからは、藤井先生のご専門であるスポーツアナリティクスとメイン読者であるビジネスパーソンとをトランスフォームするお話ができればと思っています。藤井先生の専門性を生かして、ビジネス現場にどう置いていくかというところで示唆をご教示いただきたいと思います。その前に今お話を聞いていて、やはりAIでデータを収集して、そして分析して、評価・提案していくという流れですが、今GPU（画像処理を行うコンピュータの部品）を含む計算機の性能もかなり高くなっているので、将来的にはリアルタイムで戦術を提案してくれる時代が来ると思いますか。

それは、将来的には十分あると思います。

―学習データが増えれば増えるほど、戦術モデルみたいなのが出来上がってきて、サッカーで言えば、ミッドフィルダーをここに置けばこういうふうにクロスまでつながりシュートが入る確率が高まるという予測もできるということですよね。

はい、将来的にはそうですね。

―そうなると、ルールが変わってくる可能性もありますか。

それはもう、現時点でも細かく変わっています。

―あ、そうなのですか。

はい。やはり、サッカーのワールドカップだと様々な技術が導入されています。前回と今回で得られるデータはそこまで大きく変わりませんが、機械と人間が上手く協調しながら、スピーディーにデータを取得し、試合を進められるようになっています。

―なるほど。

野球のストライク判定も新しい技術やルールが導入されていますね。

―そうですね、はい。

いろいろ技術やルールが変わってきていますね。

―ワールドカップも前の大会からですね、ボールの中にチップを入れていたりします。

そうですね。ゴール判定や、オフサイド判定にも活かされています。

―すごいなと思ってしまいます。いかに今まで人が間違いをしていたのかも明白になりそうです。藤井先生が問題意識として、主観に頼っていたところから、科学的なアプローチをしようということで、スポーツというフィールドの中で今ご活躍されていると思います。これは、企業活動においても同じです。結構、製造業では暗黙知で進めていたりします。はっきり言ってスポーツは逆にデジタル化しやすいと思います。これが、例えば製造業における技術伝承や属人化部分の形式化という部分で、藤井先生のスポーツ科学の分野からビジネスフィールドに置き換えた場合、何か示唆になるようなデータ化するヒントがありますか。

対象によりますが、一般的には、今の大規模言語モデルだけでは、細かな身体運動の領域に入り込みづらいという点を考慮する必要があると思っています。

―外から見て、映像として撮れる部分は藤井先生の手掛けておられる分野からすると容易にできる気がします。例えば、ファクトリーワーク（工場での仕事全般）の技術的な部分で、動きさえ取れればということですかね。あと、脳科学の部分を組み合わせてセンサーとかが入ってくると、感覚的なものを組み合わせることで、アノテーション（データにラベルやタグを付けて情報を付加し、AIや機械学習が正しく学習・認識できるようにする作業）が実現できたりするのでしょうか。

そうですね。神経科学も昔すごく興味があり、色々な実験系を考えてみたりしました。座ってやるような作業だと脳活動は計測しやすいのですが、動いてしまうと難しいですね。

私もスポーツだけを研究しているわけではなく色々なテーマを手掛けています。その共通点として、動いている映像が撮影できれば、ある程度同じような分析が可能な場合が多い点があります。技術伝承において動いている映像が取れて、データも取れるのであれば、技術的に同じアプローチができるかと思います。

逆に止まっていたりすると結構難しいです。結局、技術的に難しいのは、思考やその体の内部で起こっていることをセンサーや映像から取りきれない点です。そのため、必要なアウトプットが運動として出てくるのであれば、それはまだやりやすいと言えます。一方、止まっていたりして、しかもセンサーでも取れないみたいな話になると結構難しいです。その一方で、テキストにさえできれば、言語モデルが非常に発達しているので、そういったアプローチももちろんあるかなと思います。ただ、動きというのは基本テキストにできないことが多いので注意が必要です。

一方、座ってできるような作業では、脳活動など、運動中では取れない情報が得られたりします。なので、細かな感情や思考の中身までは今は難しそうですが、どこの脳部位の活動が行われているのかとか、それによって色々な知見が得られるというのはあると思います。むしろ科学的な研究の多くは実験条件を統制したいので、なるべく動かないようにするのが原則で、そのような研究の方が多いと思います。

―ありがとうございます。藤井先生の情報を見させていただきました。やはり、藤井先生もAI万能論に流されずに、ヒューマン・イン・ザ・ループ（AIの自動化プロセスに人間の判断を組み込む設計思想）というか、最終的に介在する人間の役割が必要だというお考えだと思います。問題は、この境界線です。数値化できたものと、やはり数値化できなくて、人間が判定するものがあります。藤井先生が研究されているスポーツの領域では、どこに境界線があるのですか。

そもそも、スポーツの領域は、プレーは人間がするということが前提です。そして、ルールやその運用も人間が決めます。ここまでは変わらないと思います。その意味では、境界線は少なくともそこにはあります。一方で、審判の役割の一部がAIによって行われるということがあり、そこでは運用方法は厳密に決められていると思いますが、結果としてうまくいっているかどうかというと議論の余地があると思います。

審判の話はまだ議論がしやすいですが、上手さの評価となると更に難しくなると思います。今は、AIが正しいか正しくないかに関わらず、何でも出せるようになりましたよね。そのため、何を信頼して、どう次の意思決定につなげるか。それはもう本当にあらゆる分野で重要になっていると思います。結局人の営みであるということは変わらなくて、チームによっては先生、コーチがいないみたいな場合もあるでしょうし、トップチームだと体制や構造があって、その中で本当に使える情報、コミュニケーションに必要な情報がピタッとハマるように、使えるようになっていくのが理想だと考えています。一般論では難しいですが、その現場ごとにその境界線を引いていくのは、確かに重要だと思います。

―ありがとうございます。次に、藤井先生の研究で印象的だったのは、得点シーンだけではなくて、得点に直接は関わらない地味なプレイの価値も重要視されている点です。私の質問が、どうしてもビジネスのところに持っていく傾向にあるので、アナロジー的な話になります。例えばセールス、営業の人だったら売上や利益など、そういった数値化しやすいものだと結構評価しやすいですよね。 人事評価とかにおいても。 他方、バックオフィスの人たちは、やはりそういった数値化できないところがどうしてもあったりします。結果として表れてくる行動の価値を AIで測る際に、例えば企業の人事評価とかにおいて、どういう点にKPIを設けたら良いか。何かヒントがあれば言っていただきたいです。

はい。スポーツの話でもこういったような話がよくあります。サッカーだと、アシスト数や得点数など、誰でもわかるようなものから評価していきます。しかし、それだとチームの守備に貢献するような動きや、味方を助けるような動きをする選手は評価されないのかということで、様々な方法が提案されてきました。今まで評価されていない動きを評価しようというのは、我々も研究していますが、次の問題は数多くの指標がある中で、「この組織に重要なものは本当に何なのか」という、そういう問題になると思っています。

気をつけないといけないのは、万能の評価指標はない場合が多いことです。何かしら万能になる領域もあるかもしれませんが、そうではない可能性を常に頭に入れつつ、現場の暗黙知とすり合わせをし続けることが重要かと思います。今は野球、サッカー、バスケなどで指標がたくさん生まれていますが、次は、この組織にとって本当に何が重要なのかを見抜く力が重要になるかと思います。

―AIでも見抜く力があると思いますが、やはり最終的にはヒューマン・イン・ザ・ループで人が見ないといけないと思います。藤井先生が関わるデータアナリストや学生はそういった評価ができる人だと思います。一方、日本企業にはまだそこまでデータ分析や統計、AIを手掛ける方は少ないと感じます。それで、AIが出したものをそのまま鵜呑みにして経営に生かしていくのは、非常に危険だと思います。最終的には、やはり人が意思決定しないといけないと思いますが、藤井先生は何が求められると思いますか。その意思決定者に、データアナリストではない普通の人がなるとしたら。

AIの細かいアルゴリズムや、その実装を全て理解しなくて良いとは思います。その測ったデータがどこまでの正確さがあってとか、出てきた分析結果がどれだけ不確実性があるかの理解と、本来測るべきことに沿ったような指標になっているかなどをチェックできるかどうか、違和感を持てるかどうか、そういったところが大事になっていくのではないかと思います。

―その違和感というのは、やはり経験とかもありますよね。