千葉銀行が挑んだ行員のAI・機械学習研修、業務課題で試作開発まで

千葉銀行は、アンケートや問い合わせ窓口を通じて長年にわたり膨大なテキストデータを蓄えてきた一方で、それを活かす専門知識や手法が行内に不足していました。行員の多くはマーケティングやビジネス、システムの専門家であり、データサイエンスやAI・機械学習を扱うスキルセットまでは備えていません。このデータリテラシーの差が、顧客や地域について読み取れるはずの分析情報を実際の経営判断へつなげる妨げになっていた、というのが出発点です。

編集部の見立てでは、困りごとの核心はツールでもデータでもなく、AIで何ができて何ができないかを見極められる人が行内にいなかったこと、その一点に集約されるのではないでしょうか。金融サービスは扱う情報の機密性が高く、選択を誤ったときに信用が損なわれる度合いも大きいため、経営幹部はAIや機械学習の活用に慎重になりやすい。判断材料を自前で持てない組織ほど、検討を重ねるほどに調査段階から先へ進めなくなります。

機械学習の経験がない参加者を前提に、理論から積み上げるカリキュラムをわざわざ設計し直した点が、この取り組みの起点になっています。テキスト分析、コンピュータビジョン、生成AIといった応用領域を支える考え方を、Googleのエンジニアが直接講義する構成です。ツールの操作手順から入るのではなく仕組みの理解を先に置く順序は、次に別の技術が現れても効き続ける土台をつくります。

学んだ内容を、自行の業務に結びついたユースケースへそのまま接続した設計も効いています。参加者はエンジニアの指導のもとで、行内の事務規定に関する問い合わせに答えるGemini Proベースのチャット機能や、文章と画像の生成を組み合わせた広告クリエイティブ生成システムなど、複数の試作品を自分たちの手で組み上げました。題材が架空の練習問題ではなく実際の銀行業務から選ばれているため、動くものができた時点で、自分の部署のどこに当てはめられるかという発想が自然に立ち上がります。

作り方だけでなく、評価と見極めの手順まで研修の射程に入れた設計は、この事例で最も再現価値が高い部分だと考えられます。参加者は回答の精度を上げる方法、AIモデルの性能を評価する方法、そしてデータソースの扱いで注意すべき点についてアドバイスを受けています。技術解説イベントにGoogleの機械学習エキスパートが招かれ、行員側から関心のある分野の詳しい講義をリクエストできる形も併走しました。学ぶ側が受け取る中身を選べる仕組みは、研修を一度きりのイベントで終わらせないための工夫。

研修を受けた行員はAI・機械学習を活用するための手がかりを得て、銀行業務でのAI活用への期待を高めています。その経験を自分の部署へ持ち帰る動きも生まれ、チーム内での技術への関心が広がりました。AIプログラミングの実体験と認識の向上により、機械学習をどう使うか、どの業務領域に当てはめるかを以前より自信を持って判断できるようになった参加者が多く、ソリューションを実際のプロジェクトへ取り込む際のタイムラインやワークフローについての理解も得られています。なお、この過程で作られたのは試作品であり、本番稼働や定量的な効果までは示されていません。