AIを支える人間マイクロワーカーの真実

AIを支える人間マイクロ ワーカーの真実 - AIの「人間労働代替」を支える隠れた仕組みとは - B-frontier研究所 高橋 浩

問題意識 • AI普及によって既存の人間労働は大幅にAI に代替されると喧伝されてきた。 • これに関係して、「人間と機械との競争」も話 題になった。（ｴﾘｯｸ・ﾌﾞﾘﾆｮﾙﾌｿﾝ、ｱﾝﾄﾞﾘｭｰ・ﾏｶ ﾌｨｰ,2013年） • しかし、AIもある程度進展してきた今日、本当 の真実はどうなんだろうか？ • そして、その真実の一部は見え出してきたの ではないか？ • そんな問題意識から、今までとはやや異なる 真実の兆しを探索する。 2

目次 1. はじめに 2. プラットフォーム労働者としての人間マ イクロワーカー 3. 自動運転車の場合 4. マイクロワーキング活動の分析 5. マイクロワーク規模見積り 6. AI時代の人間労働の真実 3

1. はじめに はじめに • AIがもたらす将来の予測は、・・・多くの分野で 「機械が人間の労働を代替する」が一般的なよう に見える。 • 現在の労働のかなりの部分がAIによって代替可 能との報告もあった。（例：米国の仕事の47%が 自動化可能：2013年） ・・・マイケル・オズボーン「未来の雇用」他 • そうなれば、データとAIによる自動化で繁栄する 未来世界では、潜在的に失業の危機が到来す るのか？ • あるいは、増大する労働余剰をどうするのか？

日本も、労働人口の 49％が人工知能やロボット等で代替可能と の報告も・・・野村総研とオズボーン氏との共同研究 野村総研、“日本の労働人口の 49％が人工知能やロボット等で代替可能に”、2015 年 12 月 2 日

だがここに、やや見逃されてきた視点は・・ • 今日のAIは「データに対する貪欲な 欲求を備えた機械学習アルゴリズム」 に強く依存しているということ • このこと自体が人間の労働と関わる 部分はないのだろうか？ • これは、 • 教師あり機械学習モデル • 教師なし機械学習モデル • 強化学習モデル のいずれでも、基本的には同様か？（特にアルゴリ ズムの精度や品質のチェックなどにおいては）

想起される基本条件 • AIは、それに貢献する最先端アルゴリズムと、 それを生み出す高スキル保有技術者、コン ピュータ科学者に依存するだけでなく、・・ • データ作成、強化、精査（チェック）のための、 場合によってははるかに基本的な人間の労働 力を必要としているのではないか？

現状からの推測 • 現状はまだAI自動化の途上にあり、大規模展 開には至っていないが、・・例えば – 不適切なWebコンテンツへのフラグ付け – 画像のラベル付け – テキストの一部転記、あるいは翻訳、など に人間の労働支援がある。 • これは、AI普及後の世界が労働集約型支援 を必要としていることを示唆していないだろう か？

これが部分的にでも真実なら • 人々の苦労を解決するAI自動化の神話 は、・・・機械と人間の活動の新たな混合形態 への移行を意味するだけ、とも言えるので は？ • しかも、「自動化のラストマイル」を人間が担う 場合は、人間の仕事は絶え間なく発生し、高 スキル労働者と低スキル労働者の二極分化 が一層進行する懸念もあるのでは？

マイクロワーカーの登場 • 他形態のデジタル人間労働者と同様に、・・・マイ クロワーカーもサービスプロバイダーとクライアント 間の経済活動の仕組みとしてのプラットフォーム出 現を契機に登場した。 • 代表例はAmazon Mechanical Turk(AMT) Mechanical Turkの由来: 18世紀の偽の（トルコ人の） チェスプレイマシン Wikipediaより

初期事例の状況 • 当初は長期的雇用者と従業員の関係ではな く、1回限りの独立したビジネスと解釈された。 • Amazon Mechanical Turk(AMT)の 元々の目的は、Amazonカタログから重複を 削除するために開発されたものであった。 • しかも、当初は内部サービスであった。 • しかし、それが、用途が拡大するのに伴い、 外部サービスとして公開された。 – AMTの労働者は約50万人、時給の中央値は 1.38ドルと推定されたこともある。

類似の事例が登場 • AMTに続いて、類似の多くのサービスが登 場した。・・・代表例は、 – MicrosoftのUHRS（Universal Human Relevance System：普遍的な人間関連性システム）、など Universal Human Relevance System UHRSの サービス 内容例 画像注釈 音声関連 ビデオ注釈 音声文字変 テキスト注 その他 （Image （speach （Video 換（Speech 釈（Text annotation） relevance) annotation） transcription） annotation） AI絡みの内容が多い

その後、AIに特化した専門サービスが 続々と登場 Appen：世界で最もイノベー • Appen • Figure Eight • Mighty AI • Clickworker ティブな人工知能システムの構 築、継続的改善に欠かせない 画像、文章、発話、音声、映像、 その他のデータの収集、ラベリ ングサービスを提供（7万以上の 地域・170か国をカバー、235を 超える言語と方言に対応可能、 100万人以上のAI支援型データ アノテーション・プラットフォーム。 テクノロジー、自動車、金融サー ビス、小売、医療、政府機関が、 当社のトレーニングデータを活 用） Appen HPより • このような傾向は何を意味するのだろ うか？

２．プラットフォーム労働者としての人間マイクロワーカー 作業形態の変化 • これらサービスの利用形態は比較的長いプロ ジェクトを任せる形に変化しつつある。 • また、特定の請負業者に完全に割り当てるの ではなく、プラットフォームを介して匿名の多数 の貢献者に分散される傾向にある。 • 「クラウドワーク」と呼ばれたり、あるいは「クラ ウドソーシング」の中に含まれていたりするこ ともある。

マイクロワークを分離する必要性 • データ経済に直接結びついていない様々な 形態のプラットフォーム労働もある。 – 翻訳、テキストライティングなどの専門職種 – より単純で殆ど保証されていないフリーランス労 働、など • データ経済に直結したマイクロワークはこれら と区別されるべきである。

当面のAIに特化したマイクロワーク 想定ユーザーのプロフィール • 機械学習を使用して下記のようなアプリケー ションの開発を意図している企業/研究所など – チャットボット – ハンズフリー音声アシスタント – 自動医療画像分析 – 自動運転車 – ドローン – など

デジタル労働プラットフォーム中での 当該領域の位置づけ デジタル労働プラットフォームの分類 適応領域 ﾌﾘｰﾗﾝｽ市場 （例：Upwork） マイクロワーカー (例:AMT,Clickworker) Webベース 商用のデジタル労 働プラットフォーム ｺﾝﾃﾝﾂﾍﾞｰｽのｸﾘｴｲﾃｨﾌﾞｸﾗｳ ﾄﾞﾜｰｸ(例:ggdesigns) 宿泊施設 (例:Airbnb) Locationベース 交通手段 (例:Uber, Lyft) 配達(例:UberEats, Deliver00) 家庭サービス (例:Taskrabbit) AI特化領域 それ以外の領域

背景の機械学習の仕組み • 現在の機械学習の品質はアルゴリズムととも にデータに大きく依存している。 • 例えば、音声アシスタントは潜在的ユーザー リクエストの膨大な音声データセットを整える ことが必要である。 • 「教師あり機械学習モデル」では、大量の データだけでなく、注釈付きの高品質データ が必要である。

教師あり機械学習の例 • 模範的入出力ペアに基づいて入力を出力に マッピングする関数（アルゴリズム）を推定す る。 • 例えば、「犬」と他動物の画像を区別するには、 – 「犬」と「その他」のどちらなのかを指示するタグ付 きデータ（画像）が必要である。 – これらの多くのタグ付き画像を学習した後に、ア ルゴリズムは、新たなタグなし画像を分析し、 「犬」であるかどうかを判断することができる。

AI企業とデータの関係 • AI企業は、生データだけでなく、画像などにタ グを関連付けて意味を追加したデータ資源に 大きく依存している。 • そこで、適切な意味ある注釈を付加する手段 を如何に確保するかが、決定的に重要になる。 • 注釈の内容と付加手段は、対象によって様々 で、方法は一貫しない。 • ここに、人間の労働に期待せざるを得ない背 景がある。

データの特性からの示唆 • 現在、「データの大洪水」のレトリックが広がっ ているが、・・・しかし、それにも関わらず、適 切なデータが常に利用可能あるいはアクセス 可能という訳ではない。 • また、適切なデータが利用できる場合でも、 適切な注釈が不足していることも多い。 • AI自動化の推進には、これらの問題を解決す る対策が強く求められる。

マイクロワークへの期待 • マイクロワーカーには、満たされていない データへのニーズ（適切な注釈付けなど）に、 正確かつ適切に対応することが強く望まれる。 • データの生成と注釈付けの仕事が最終的に も完全には自動化されないと信じるなら、・・ • マイクロワークはAI自動化の一時的入力では なく、構造的に必要なものということになる。

３．自動運転車関連の場合 自動運転車の要件 • 自動運転車分野は、AI適応の非常に大きな 分野である。 • それとともに、“安全な交通遵守の確保” という前例のない高品質な要件が厳然として 存在する。 • この要件は、おそらくマイクロワークの全体像 を一変させるだろうと推測される。

自動運転車の開発競争 • 参入企業は関連技術開発を維持するととも に、必要なデータ確保に関わるマイクロワー カーサービスプロバイダーを必要としている。 • 各企業はデータ要件や仕様を提示し、サービ スプロバイダーを競争させることができる。 • その結果、自動運転車ニーズに特化した専 門サービスプロバイダーを急増させることに なる。

自動運転車に関わるAIベース・イノ ベーションは多様 • 全てが省力化や完全自動運転車を目指して いる訳ではない。 • ドライバーは、ハンズフリースピーチインタ フェースによるサービスなど、様々な支援を 通じた改善を望んでいる。 • 自動運転車でも、最終的な乗客との責任の 分担もあり、人間の「安全ドライバー」を必要 とする場合がある。

自動運転車向けAI専門サービスプロ バイダーの例 プラットフォーム名 本社所在国 設立年度 Lionbridge 米国 1996年 Appen オーストラリア 1996年 Clickworks ドイツ 2005年 Figure Eight 米国 2007年 Microworkers 米国 2009年 Mighty AI 米国 2014年 IsAHit フランス 2016年 Wirk フランス 2018年 備考 Appenが2019年に買収 • これらの企業は自動車会社にAIサービス提供 を明示的に宣伝している。

具体的なサービス例 • 画像分析 – 品質（ぼやけた画像の検出など）、コンテンツ、設定 （都市環境あるいは高速道路）などで画像を分類 • オブジェクト検出/タグ付け – 境界ボックス、ポリゴン、アウトラインなどを使用して、 画像内の交通オブジェクト（自転車、バス、樹木など） を識別 • ランドマーク検出 – 画像内の特徴と兆候を正確に特定 • 意味セグメンテーション – 画像の全ての点をオブジェクトに割り当てるピクセル レベルのオブジェクト検出

AI専門サービスへ移行の背景 • 完全な１画像の正確なセグメンテーションに 最大1時間半かかるような場合もある。 • そのため、サービス利用者（企業）は、これら をAMTのような汎用プラットフォームの使用 から、高価でもより優れたAI専門プラット フォームに移行する傾向がある。 • これらのAI専門サービスプロバイダーは単な る仲介ではなく、はるかに労働力管理とワー クフローの最適化を志向している。

彼等のビジネスモデルの特徴 • 様々なプラットフォームから構成されている。 – 労働者（マイクロワーカー）募集のためのプラット フォーム – ユーザー（自動車会社）登録、サインイン、タスク割り 当て、日常的業務監視などのためのプラットフォーム – タスク実行のためのユーザーインタフェースを担当す るプラットフォーム – 別のユーザーとの連絡用プラットフォーム – など • 要求の厳しい自動車会社は、このような複雑な 構造を高く評価する側面がある（競合他社から ユーザー企業を保護するため）。

自動運転車の一側面である コネクテッドカーにおける音声 アシスタントの例 • 人間と機械の相互作用のための効果的音声 インタフェース開発から開始する必要がある。 • それには、学習のための大規模な音声デー タセットの作成から始める必要がある。 – 言語毎、現在のトピック、操作手順などを尋ねる 様々な単語や文例 – 広範囲のローカルアクセント、声域と音色、コンテ キスト条件（バックグラウンドノイズなど）のカバー

音声アシストに関する最近の事例 IsAHitの例 • ２０１６年に設立 • クライアントはフランス企業のみ • マイクロワーカーはフランス語圏の低所得のアフ リカ諸国（例えば、マダガスカル）メンバーが中 心 Wirkの例 • ２０１８年に設立 • 著名なAI絡みのデータサービス機能を提供 • フランス居住者（ネイティブスピーカー）の中から のみマイクロワーカーを募集

多様なプラットフォームの構成（例） 音声関係でネイティブ住民のみ マイクロワーカー募集用 プラットフォーム ユーザー登録、サインイ ン、タスク割り当て、日 常的業務監視用プラッ トフォーム 音声関係で同一言語圏内の 低所得メンバー中心 ユーザーインタフェース 用プラットフォーム 別のユーザーとの連絡 用プラットフォーム

プラットフォームの特性 • 音声アシスタント的サービスでは、言語や国 固有の知識との相関が発生する。 • ニーズによっては国際的プラットフォームと ローカルプラットフォームが発生する。 • 国や言語の側面を取り除くことができるデー タ、あるいはできないデータに応じて、マイク ロワーカーの需要と供給は自在に変化したり、 チャネル化したりする。

AI製品にクリティカルなマイクロワーク の登場 • 自動運転車に戦略的に投資する自動車メー カーに適合するようなAI特化マイクロワーク サービスプロバイダーが登場している。 • 自動運転車も完全に人間ドライバーを置き換 えるだけでなく、機械が人間ドライバーに付随 する多様なニーズが存在する。 • このようなニーズでは、コンピュータや携帯電 話の全ての機能にアクセスする音声インタ フェースが要求される。

自動運転車絡みのその他のニーズ • 機械がドライバーの感情を、言葉に加えて学 ぶことが出来るようになれば、注意が散漫な 運転行動を予測し、他の機械に警告を発する ことができる。 • このような方法の高度化を通じても、AIは交 通安全の将来の方法を提案することができる。

４．マイクロワーキング活動の分析 マイクロワークプラットフォームの役割 • 代表例は音声制御デバイスを訓練するため の音声発話データの収集（言語の違い、音声、 地域のアクセント、スラッグ、など） • 提示されるデータ注釈は、会話内トピックの 分類、感情の決定、意図の分類、品詞の識 別、などと多様 • この延長で、細部やニュアンスを識別する人間 の能力が求められる。 – 自動運転車、医療画像解析などの高感度アプリ ケーションとの親和性 – 究極では、ピクセル精度での注釈の必要性

マイクロワークプラットフォームの役割（続） • マイクロワークプラットフォームは人間のデー タ注釈の精度、規模、速度で激しく競争する。 • マイクロワーカーにデータの一部（サブセット） に注釈を付けてもらい、アルゴリズムはそれ らの注釈を学習して、残りのデータに適用す るようなアルゴリズム競争も発生する。 • このような、人間と機械間の労働力分配の最 適化が絶えず志向される。 • これは、人間とコンピュータの更なる緊密な 統合化へと向かう。

「AIなりすまし」としてのマイクロワーカー • 機械学習は強力なハードウェア、高度な頭脳、 および最高品質のデータを必要とするため、費 用が嵩む。 • 企業は最先端の技術を脇に置いて、作業をマイ クロタスクに分割し、プラットフォームを介して低賃 金労働に下請けする方が安いと感じるかもしれな い。 • 人間がコンピュータの仕事を盗む⇒「AIなりすま し」 – AMTの背後にあるアイディアは、「偽のチェスプレイ マシンを実際には内部に隠れた人間によって操作さ せる」こと

労働者をアルゴリズムと区別できない ようにする方向性 • より一般的には、 「アルゴリズムが自律的にアク ティビティを完了できない場合は常に、人間のオペ レーターに制御を渡すという考え方」 • レストラン予約を行うアシスタント：Google Duplex でも採用されたアプローチ – 通話の最大25%は人間によって行われている（2019 年時点） • 「AIなりすまし」には資格のある従業員が関与す ることもある（特に初期） – 電子メールベースのスケジュールアシスタント：Julie Deskで採用された方法（80%は機械、20%は人間が 分担）

AI普及の実態（推定） • AI「誕生」は実際には継続的なプロセス • その間、常にマイクロワークによって支援され る側面がある。 • マイクロワークプラットフォームはこれらの ニーズを満たすために人間の労働力を提供 する。 • しかし、これらの傾向は明示的には宣伝されな い傾向がある。

「AI検証」としてのマイクロワーカー • 「人間の労働者がスマートアシスタント（AI） とユーザーとの会話を聞いていた」ことがニュー スになったことがあった（2019年春）。 • 人間の仕事の中身は、スマートアシスタント がユーザーの発言を正しく理解しているかど うかを確認することであった。 – 誤解、不正確、スペル間違いなどが有る場合は 文字起こし、テキスト追加なども行っていた。 – これらの作業は将来同じ過ちを犯さないようにア ルゴリズムを修正することにも役立つ（既に訓練 されたアルゴリズムの追加訓練用データになる）。

「AI検証」のその他の例 • 検索エンジンあるいは会話型エージェントの 出力がユーザーの要求にどの程度関連して いたかの評価などもある。 – OCRソフトによる文字読み取り時の文字判定結果 の確認なども含まれる。 • これらも、AI実装製品が市場に出荷された後 にも人間の労働が介入することがある事例と 言える。

AIの貢献の実態（推定） • 人間が実行する出力チェックには企業やプ ラットフォームの評判を大きく損なう可能性の あるプライバシー漏洩のチェックなども含まれ る。 • このような分野への人間関与の場合は、より 一層、マイクロワーカーの貢献を公にし難いこ とがある。

以上をまとめると・・・ マイクロワークの主要な３つの機能は 「AI準備」 「AI検証」 「AIなりすまし」 出力 機械 データの生成 データ(画像、音 声、ﾋﾞﾃﾞｵ、ﾃｷｽ ﾄ,・・)への注釈 90% プロセスに介 入。一部は 人間が分担 〇 出力結果を人 間が判定 人間 10% × 一部で追加 データを作成

５．マイクロワーク規模見積り マイクロワークの規模見積りは 極めて困難 • 分解されたマイクロタスクは単純で短く、時に は「ゲーム化された」性質があり、労働者を誤 解させたり、労働として認識されないことがあ る。 • 従って、労働力調査などでは、これらのタスク を報告しないことがある。 – 収入の補足と考えている場合、二次的活動と考 えていたり、 – 不定期に対応している場合、記載もれなど

マイクロワーカー数カウントの注意点 • 複数プラットフォームが共存する可能性が高 いので、一国のワーカー数を特定する場合、 非居住者を除外し、二重カウントを回避など の処置が必要になる。 • サインアップ数（登録数）とアクティブワーカー 数を区別する必要がある。 – このような傾向はマイクロワークが断片化されれ ばされるほど、不明確さの度合いが増す。 – マイクロワークは次々に断片化されるので、どの まとまりでカウントするかの基盤も不明確になる。

フランスのマイクロワーカー数推定 プラットフォーム 名 世界中の登 本社所在 録ユーザー 国 数 平均 月間ユニー ク訪問者数 フランスの平 均月間ユニー ク訪問者数 Amazon Mechanical Turk 米国 500,000 588,976 N/A AI特化型 Microworkers 米国 1,215,829 174,808 1,835 AI特化型 Clickworker(*1) ドイツ 1,200,000 242,579 14,700 7,000,000 1,083,000 20,250 豪州 1,000,000 260,699 9,645 フランス 50,000 7,647 6,958 50,000 28,064 8,116 ClixSense(*2) AI特化型 Appen(*3) Foule Factory(*4) Ferpection SimilarWeb.comデータも活用して推定している。 *1:MicrosoftのUHRSへの接続経路にもなっている。 *2:Figure Eight（米国）への接続経路も提供している。 *3:Figure Eight（米国）を買収した。 *4:フランス語のサイト。AI分野も含むが汎用型 Paola Tubaro, Clément Le Ludec and Antonio A. Casilli, “Counting ‘micro-workers’: societal and methodological challenges around new forms of labour”, Work Organisation, Labour & Globalisation , Vol. 14, No. 1 (2020), pp. 67-82.

前頁表の補足情報 • 列３（世界中の登録ユーザー数）： – 本表の範囲では、全世界でのマイクロワーカー登録 者数は約1100万人 – AI特化型のマイクロワーカー登録者数は300~400 万人程度 • 列４（平均月間ユニーク訪問者数）： – Amazonを除いて、列３の数より（1/7~1/4程度に） 減少している。 • 列５（フランスの平均月間ユニーク訪問者数）： – 本表の範囲では、フランスの月間AI特化マイクロワー カー数は2.5～3万人程度と思われる。

前記表データに基づく若干の考察 • AI特化型マイクロワーカーの登録者は先進国 では北米、ヨーロッパを中心に、二次的利用 に留まることが多いと思われる。 • しかし、低所得国、新興国では、先進国を中 心とした大規模デジタル企業による当該サー ビスの需要の高まりに対応するため、フルタイ ムのマイクロワーク・サービスを提供する可能性 が今後高まると予想される。

前記表データに基づく若干の考察(続) • その際、当該サービス提供プロバイダー（本 社は先進国に存在）は、顧客企業を引き付け るため、準備出来る労働力のプールを増強し、 アピールする可能性がある。 • 結果、顧客企業の（時には急激な）需要増加 に対応できるように、人間の膨大な量を過剰 に準備することが起こりうる。 • これが、労働者の報酬を押し下げる可能性が ある。

６．AI時代の人間労働の真実 人間マイクロワーカーの継続性 • 機械学習の殆どのユースケースでは、変化 する条件に継続的に適応するために、新たな データを継続的に取得することが必要になる。 • 結果、人間がより正確で、より収益性の高い 結果を得るためのデータ生成をする必要性 は着実に高まると予想される。

人間マイクロワーカーの継続性（続） • 「AI検証」は、既存アルゴリズムを再トレーニ ングして新たな状況に適応させるために使用 されるデータ作成に有効なため、人間の品質 チェック能力への期待は高まる。 • これは、「教師なし機械学習モデルの進展に よって人間の必要性はなくなる」との考えを却 下する可能性がある。

「AIなりすまし」も体系的 • 「AIなりすまし」は「AI準備」と「AI検証」間の必 要な接続を保証し、失敗した時のアルゴリズ ム補正にも役立つ。 • また、AIよりも安価にタスクを実行できる人間 が存在する限り、機械の替わりに使用するの に有利な手段を提供し続ける。

AI時代の人間労働は？ • 結局、完全な自動化がすぐに期待されるとい うことはないのではないか？ • そして、人間労働はAIに関わる各種業界（自 動車業界、医療業界、など）の継続にこれか らも重要な役割を果たし続けるのではない か？

残された課題 • マイクロワーカーの労働条件や、場合によっ てはやりがいの無い労働内容への懸念 • 人間労働の二極分化や賃金の安い特定新興 国への労働の偏在の問題 • 結果、やりがいのないタスクを実行すると不 安定になる可能性や個人データに不本意に アクセスしたり、ひどく欺瞞的ななりすましを 目撃したりする際の倫理的ジレンマの発生、 など • それがまた、労働の実態を公開しにくくし、新 たな問題を誘発する懸念に繋がる、など

AI時代の人間労働の真実 • プラットフォームは人間の貢献に価値があること は示すが、その一方、これらの人間が誰であり、 どのような条件で働いているかなどをユーザー に伝えることはない。 • 結果、ユーザーはマイクロワーカーについて知ら ない（知らされない）。 • 人間の介入がどの程度の範囲かはAI業界の関 係者にとってすら不明確かもしれない。 • そして、完全な自動化の約束の信頼性が危機に 瀕する時に、人間の貢献者の役割を曖昧にするイ ンセンティブが最も高まる。 • そのため、より一層の透明性が必要とされる状 況と思われるが、透明化が進むかどうかは明ら かではない。

マイクロワーカー活用の真実 • GAFAMもマイクロワーカーを活用することで巨大 化した側面があった（Google検索なども含め） – プラットフォームは労働を標準化、断片化させ、そうする ことで、価値を生み出す面があるので • その際、データ所有権などが法的に曖昧なまま 事実が先行した。 • AI「誕生」と普及の現代においても同様のことが 発生する可能性がある。 • 先進的データ活用やAI導入の取組みはこのよう な事実をよく念頭に置いた対応や挑戦が必要で ある。