2025年7月24日に、「SAS Innovate On Tour Tokyo」が開催された。5月に開催されたSAS Innovate（米オーランド開催）での発表内容やメッセージを、日本市場向けに届ける場だ。ちなみにSAS Institute（以下、SAS）は、2026年に創業50周年を迎える。間違いなく“最古のアナリティクスベンダー”の一社といえるが、今年のInnovateでは「量子AI」など、関心を呼ぶ新たなキーワードも出てきた。東京でのイベント開催に際し、同社で技術責任者を務める一人であるディーパック・ラマナタン（Deepak Ramanathan）氏にインタビューを行う機会があったため、5月のオーランドで見聞きした内容も踏まえ、気になったことを訊いてきた。
SASはこの1年間、どんな世界を創り上げてきた？
──2024年と2025年のSAS Innovateに、現地（米国）でも、そして日本でも参加させていただきましたが、この1年間、つまり2024年から2025年にかけて、SASはどのような進化や成果の進捗を歩んできたとお考えですか。
ラマナタン氏：2024年のSAS Innovate（ラスベガス開催）で行われた最も大きな発表は、やはりプログラミング環境の「SAS Viya Workbench（以下、Workbench）」だったでしょう。そこからは1年かけて、Workbenchの様々な機能強化を行ってきました。
その中で我々が重んじてきたコンセプトがあります。まずは「単一のプラットフォーム」であることです。SAS言語だけでなく、PythonやR言語を使う人たちも同じプラットフォームの中でプログラミングができる環境を作り上げてきました。我々が目指し、期待する世界というのは、オープンソースだろうがSASだろうが、皆さんが同じプラットフォームで共に協働し、実証を行い、成果を出せる世界です。
この世界をさらに確立するためには今以上の機能強化も必要ですし、複数のクラウド環境にも対応させなければなりません。現在はAWS（Amazon Web Services）とMicrosoft Azureに対応しています。
──2024年には生成AI時代の加速に向けた新たな挑戦もたくさんスタートされているかと思いますが、そこから1年で新たに顕在化した課題や発見はありましたか。
ラマナタン氏：生成AIの普及と共に重視すべきは、「意思決定をどのように進めるか」という問題です。そして、SASはこの問題に応えるプラットフォームを提供しています。
Workbenchは、モデルを構築することにおいては非常に優れていますが、それを本番環境へと移行し、運用化まで漕ぎつけるためには、やはりエンタープライズ・プラットフォームが必要となります。そのプラットフォームというのは「SAS Viya（以下、Viya）」のことですね。これは今後も変わりません。構築したモデルをViyaが取得すると、それをいかに意思決定に組み込み、そのモデルをどう「エージェント」としてデプロイするかを検討します。そして、他のアプリケーションがそのエージェントを使えるようにします。
ここでポイントとなる潮流は、組織が「複数のエージェントを持てるようになった」点です。Viyaではエージェントのためのオーケストレーションのレイヤーも提供していますので、たとえばユーザーが「エージェント1」「エージェント2」「エージェント3」をデプロイし、次にそれらのエージェントからフィードバックを得て、それをモデルにフィードバックする、という一連のプロセスがすべて自動で完了できるのです。
ここまでを踏まえて総括すると、Workbenchは優れた開発者プラットフォームで、Viyaはオーケストレーション・プラットフォームだといえます。この2つを合わせることで、ユーザーは思い描くモデルを好きな言語で構築し、それをデプロイし、生成AIのエージェントとして運用化までほぼ自動で実現できるようになります。
こうした世界の実現と強化に、我々はこの1年間注力してきたといえるでしょう。
今年の関心テーマ「量子AI」はそもそも何がすごいのか？
［Vice President, Global Technology Practice, SAS Institute Pte Ltd］
──今年のSAS Innovateでも興味深いトピックが何度も出てきました。「量子AI（量子×AI）」です。改めて、そもそも量子AIとは何を可能にするテクノロジーなのでしょうか。
ラマナタン氏：まず基本的な前提として、量子コンピューターには複数の応用分野があります。材料科学や創薬は最たる例ですね。新たな材料を発見するためには非常に多くのシミュレーションが必要であり、ここに量子コンピューティングが役立ちます。新しい薬剤分子を特定する際にも、現在は非常に長い時間を必要とします。
他にもまだまだ想定されるユースケースはありますが、SASが関心を持ち、実際に取り組んでデプロイしている応用分野についてお話ししましょう。それは「最適化」です。
現実世界の問題を数理モデルに置き換えて最適な解決策を見つけ出す「オペレーションズ・リサーチ（OR）」は企業から公共、軍事まであらゆる分野での最適化に応用されていますが、多くの制約を抱える複雑なモデルです。1つの制約を追加すると、そのモデルが2時間実行される。3つ追加すると、500時間実行されるといった具合に……。これは線形的にスケーリングする世界ではないのです。
こうした従来のORでは完了までに数日、数ヵ月、数年かかっていたような問題が、量子コンピューティングでは凄まじいスピードで解決できるようになります。SASはすでに量子AIの実証機能を一部の顧客向けに提供していますが、ある顧客ではモデルの実行にかかる時間が98％削減され、精度においては300％も向上したという報告をSAS Innovateでも発表しました。
──一部の顧客向けとはいえ、かなり早い機能実装だと思いました。
ラマナタン氏：これほど量子に注目するのは、SASが統計学の会社だからです。そもそもORとは統計学的なプロセスですからね。量子コンピューティングが登場した時から、このテクノロジーをSASはどうユーザーのビジネスに役立てられるかを考えてきました。
──一方で、量子がどう実用化できるものなのか、まだピンと来ていない方も多いのではないでしょうか。
ラマナタン氏：そうですね。まだまだ正解や現実的な解がある領域ではありません。SASはD-Wave社の量子メカニズムを使用していますが、市場には次々と新しいプレイヤーが参入し、各々が量子コンピューティングを提供しています。
とはいえ、結局のところ我々が直面するのは、ビジネス上の問題を量子コンピューティングに適した形に、いかに定式化するかだと思います。SASで行われている研究の多くは、このような課題意識を背景とした「ハイブリッド・アプローチ」のためのものです。
──ハイブリッド・アプローチとは？
ラマナタン氏：CPUで解決するのに適した問題もあれば、GPUで解決するのに適した問題もあります。そこに、新たに量子コンピューティングで解決すべき問題が出てきました。様々な問題に対し、最も適した方法で柔軟に取り組むのがハイブリッド・アプローチです。
これに対しSASは、それがCPUの問題なのか、GPUの問題なのか、それとも量子で解決すべき問題なのか、ユーザーが労力をかけて知る必要がないようにハイブリッドなケイパビリティ（能力）を構築したいのです。
先ほどの話に、今の話を適用してみましょう。ユーザーは好きな言語でいつも通りプログラミングを行い、SASのプラットフォームは「これは量子で解決すべき問題だ」と判断すればそれを量子コンピューターに、「CPUで解決すべき問題だ」と判断すればCPUに渡します。ユーザーはここで悩む心配はありません。これが、私たちが研究を進めている量子AIのテーマです。それをどのように実装し、実行するか……。
量子AIを使いこなすために必要なスキルセットとは？
──量子AIを企業で活用するためには、何か新しいスキルを持つ人材が必要になるのでしょうか。
ラマナタン氏：まずは新たなリソースとして、量子コンピューティングの能力を持つ人材が必要になるでしょう。そして技術的なスキルの観点では、データサイエンスやORの専門性を持つ人材が、既存スキルの延長線上にあるものとして量子のテクニックを身につけていくことになるでしょう。
ただし最も注目すべきスキルセットとして我々が考えているのは、「問題を定式化する」スキルです。その問題がどのような量子コンピューティングの問題であってもです。量子コンピューティングから恩恵を受けるであろう産業はたくさんあります。材料科学、創薬、製造など。この記事を読んでいる方がどの産業に身を置かれているのかによって、解決すべき課題は異なりますよね。これを、皆さん自身が量子コンピューティングで解決できるように定式化するのです。
「責任あるAI」は今に始まったバズワードではない、四半世紀を振り返ってみよう
──生成AIが登場した時もそうでしたが、革新的なテクノロジーが出てくると、それに盲目になってしまう人が少なくありません。そこで、最新のAIを確実に使いこなすために押さえておくべき前提があれば教えてください。特に「責任あるAI」を今後も大切にしていくためには、何が必要でしょうか。
ラマナタン氏：そうですね……では少し遠回りになりますが、今からおよそ四半世紀前（約25年前）を振り返ってみましょうか。当時は、世界中で普及していたアナリティクスの多くは、特定の統計学的アルゴリズムの集まりでした。
銀行であれば、信用に関する意思決定のためにロジスティック回帰を用いていました。通信会社でもロジスティック回帰が使われていました。ネットワークから離脱する可能性もある人を予測するためです。そして製造業では、SQC（統計的品質管理）や実験計画法、信頼性チャートなどが使われていました。これらは、どんな企業でも使われていたような基本的な統計学のスタックでした。
しかし、次第により多くのデータが入ってきます。2010年頃には、ビッグデータに関する大きなハイプ・サイクルがありましたね。今やビッグデータは当たり前の概念ですが、当時は皆が「このビッグデータをいったいどうすればいいのか？」と考えていました。
そのあたりからアルゴリズムの洗練が加速し始めました。連続的に発生するデータをリアルタイムで処理する「ストリーミング・アナリティクス」や、「機械学習（ML）」が使われ始めました。そして、そのスタックは2015年から2019年あたりにかけて、最初のAIのレイヤーを得るためにさらに高度化していきました。
さて、このレイヤーの上に、2023年に最初の大規模言語モデル（LLM）が登場し始めました。これらのLLMは、まだアナリティクス、つまり統計学を動かしていました。トランスフォーマー（Transformer）やニューラルネットワークを通して……。
さて、25年間をざっと振り返ってみました。ここまでの一連の流れを一言でまとめると、「統計学が洗練され続けてきた」ということです。
ようやく「責任あるAI」の話になりますが、そもそも責任あるAIとは、こうした土台の上にあるものだと考える必要があります。たとえば銀行であれば、責任あるAIとは「適切な人物に、適切な融資を確実に行う」ためのものです。そしてそのレイヤーの下には、「責任あるアナリティクス」があったのです。
過去に責任あるAIが多く出現した時期を挙げるとすれば、MLが台頭した時期でしょう。MLは自動化という点で大きなインパクトをもたらしました。自動での実行やデプロイの拡大が、責任あるAIの必要性を生み出したのです。MLは規制の厳しい金融、医薬品・医療などの世界で特に普及していきましたよね。ですから、すべてのプロセスを責任ある方法で確実に行うために、ある種必然的に責任あるAIが求められていったのです。
そして今、その必要性が新たな段階を迎えています。世界中で政府と民間が一緒になって、自分たちが行うアナリティクス、AIが説明可能なもので、ガバナンスの効いたものであることが求められつつあります。いわば、産業や技術の「成長」と「規制」を両輪で推進しているような構図ですね。
──日本企業に生成AIが完全に浸透するのはいつ頃になりそうでしょうか。
ラマナタン氏：今はまだ、多くの組織では従来のアナリティクスやMLが用いられていますね。ただし、生成AIへの投資は拡大しています。私が思うに、世の人々がそれを受け入れるまでには、あと1～2年はかかるでしょう。もちろん、アーリーアダプターというのは常に存在しますが。
ただし日本全体の傾向で見れば、保守的な姿勢の方が多いようには思います。その最新のテクノロジーは確実に機能するのか、確実に顧客に価値をもたらすのか、といった慎重さがそうさせているのでしょう。とはいえ、確実性さえ周知されればすぐに波が広がっていくはずです。
SASとしても、日本の皆さんに信頼されるブランドを今後も維持・構築していきたいです。実は2026年は、SASの創業50周年なんです。これからも皆さんが我々のパートナーであり続け、我々が皆さんのパートナーであり続けられることを願っています。
アナリティクスやORをはじめ、これまで40年以上にわたりSASは皆さんと様々な問題を解決し、新たな世界を発見してきました。そして今、新たなAIの世界へと旅立つ時が来ています。日本が、そして世界がAIに軸足を移す中で、AIカンパニーとして我々は信頼され、頼っていただける存在であり続けます。
Enjoyed this article? Sign up for our newsletter to receive regular insights and stay connected.