00:00:00 サプライチェーンにおける計算資源の紹介
00:02:21 サプライチェーンにおける計算資源の重要性
00:07:04 サプライチェーンの文脈におけるメカニカル・シンパシー
00:09:38 コンピューティングハードウェアによる意思決定
00:12:42 深みのない専門知識の錯覚
00:13:59 現代のサプライチェーンがコンピューティングに依存する理由
00:18:32 ハードウェアの速度が意思決定に与える影響
00:21:40 ソフトウェアの非効率がコストを増加させる
00:24:42 トランザクションデータベースの特性と制限
00:27:59 非効率から生じるクラウドコストの増加
00:30:09 よりシンプルで低コストなソフトウェアレシピ
00:32:40 計算資源の極端な無駄遣い
00:36:14 ハードウェアの進歩とソフトウェアの遅れ
00:40:48 ベンダー選定知識の重要性
00:45:15 理論と実践の知識
00:50:00 コンピュータ効率の桁違いの向上
00:54:33 在庫補充におけるパフォーマンスの考慮事項
00:56:18 結果の品質向上のための反復プロセス
00:58:50 混乱はリエンジニアリングを必要とする
01:00:18 実務者への次のステップ
01:02:17 ベンダーの非効率性に対する支払い
01:05:04 意思決定の財務的影響
01:07:16 競合他社の理解不足
01:08:40 締めの言葉
概要
最近のLokadTVエピソードで、Lokadのコミュニケーション責任者コナー・ドハティが、LokadのCEOジョアネス・ヴェルモレルと、サプライチェーン最適化における計算資源の重要な役割について対談しました。ヴェルモレルは、情報に基づいたサプライチェーンの意思決定を行うためには、ハードウェアとソフトウェアの両方を理解する必要があると強調しました。彼はこの基礎知識を、問題を未然に防ぎ効果的な意思決定を行うために不可欠な基本的地理知識に例えました。ヴェルモレルは、コンピュータが意思決定を機械化するためのツールに過ぎない一方で、その能力と限界を把握することが非常に重要であると指摘しました。この理解はプログラミングパラダイムにも及び、実務者が資源を最適化し、より良い成果を導くことを可能にします。
詳細な概要
最近のLokadTVのエピソードで、Lokadのコミュニケーション責任者であるコナー・ドハティは、予測的サプライチェーン最適化を専門とするフランスのソフトウェア企業LokadのCEO兼創業者であるジョアネス・ヴェルモレルと、示唆に富む議論を交わしました。この対話は、単なるコンピュータの使用をはるかに超える、サプライチェーン内の計算資源という複雑な世界に踏み込みます。これには、これらの機械が最適に動作する仕組みを微妙に理解することが求められ、この考え方をヴェルモレルは「メカニカル・シンパシー」と呼んでいます。
ドハティは、ハードウェアとソフトウェアの両方を包含する計算資源の広範な範囲を強調することで議論を始めました。彼はヴェルモレルに作業上の定義を求め、ヴェルモレルは計算資源とは現代のコンピュータを構成する全てのハードウェアのクラスを含むと説明しました。この分類は多少恣意的な面はあるものの、過去70年にわたって進化し、CPUやメモリといった、計算エコシステム内の特定の目的に応じた明確なカテゴリが形成されました。
ヴェルモレルは、サプライチェーン管理の文脈において、これらの資源の重要性を強調しました。彼は、サプライチェーンの意思決定はコンピュータの助けを借りて行うのが最適であるという前提を受け入れるならば、その計算を支えるハードウェアを理解することが決定的に重要になると主張しました。この理解は、単に物理的なコンポーネントを知ることだけでなく、より広範なデバイスのクラスとその計算能力を把握することにも関わります。
その後、ドハティはこの情報をサプライチェーンの実務者向けに整理し、彼らがどのようにしてこの知識を日々の業務に取り入れるべきかを問いかけました。ヴェルモレルは、コンピュータは本質的に意思決定が得意なわけではなく、意思決定プロセスを機械化するための最良のツールに過ぎないと明確にしました。この機械化は、何世紀にもわたって進歩を推進してきたものであり、現在ではコンピュータの利用を通じてホワイトカラーの仕事にも広がっています。
ヴェルモレルは、計算資源に関する基礎知識を基本的な地理知識に例えました。国の位置を地図上で知ることが不可欠とされるのと同様に、コンピューティングハードウェアの基礎を理解することは、サプライチェーンの実務者にとって基本的な知識となります。この知識は、様々な潜在的な問題を未然に防ぎ、基盤となる計算インフラを十分に理解した上で意思決定が行われることを保証します。
ドハティはさらに、この基礎知識の深さについて掘り下げ、USBポートの位置のような単純なことを知ることなのか、あるいはSSDドライブの動作のような複雑な概念を理解することなのかを問いただしました。ヴェルモレルは、基本的には何十年もにわたって計算分野で継続している抽象概念と安定した関心事のクラスを理解することが重要であると答えました。これには、メモリ、ストレージ、帯域幅、算術計算、入出力プロセスなどが含まれます.
その後、会話はこの基礎知識がどのようにしてより良い意思決定につながるかという点に移りました。ヴェルモレルは、ハードウェアの基本的な理解がなければ、意思決定プロセスがまるで魔法のように感じられ、ある方法が利用可能なハードウェアに適しているかどうかを評価するのが困難になると説明しました。彼はこの点を説明するために、車の選択という類推を用いました。車を選ぶにはその使用目的を把握する必要があるのと同様に、コンピューティング資源の選定には、それらの能力と制限についての知識が不可欠です.
ヴェルモレルはまた、プログラミングパラダイムの重要性と、それが意思決定プロセスにどのように組み込まれるかにも触れました。彼は、特定のユースケースが常に明確であるとは限らないものの、静的解析、配列プログラミング、バージョン管理といった概念の基礎知識を持つことが極めて重要であると指摘しました。この知識は、実務者が「暗闇の中で手探りする」ことを避け、使用する計算ツールについて情報に基づいた決定を行うのに役立ちます.
結論として、ヴェルモレルは現代のサプライチェーンの実践が計算ハードウェアに大きく依存していると強調しました。たとえ自社を低技術だと考える企業であっても、複雑なアルゴリズムであれ、Excelのような単純なツールであれ、コンピュータに大いに依存しています。したがって、計算資源に関する基礎知識は、単に有益であるだけでなく、効果的なサプライチェーン管理にとって不可欠です。この知識は実務者が情報に基づいた意思決定を行い、計算資源を最適化し、最終的には組織にとってより良い成果をもたらすことを可能にします.
完全な書き起こし
Conor Doherty: LokadTVへお帰りください。本日は、ジョアネスとともにサプライチェーンにおける計算資源について議論します。ご覧の通り、これは単にコンピュータの使い方を知る以上のものです。むしろ、コンピュータが最適に動作する仕組みを十分に理解することが求められます。これをメカニカル・シンパシーと呼び、後ほど説明するように、良好なメカニカル・シンパシーは計算資源のより良い活用、そして最終的にはより良い意思決定へとつながります。いつものように、内容を気に入っていただけたら、YouTubeチャンネルの登録やLinkedInでのフォローを検討してください。それでは、本日の対話をお楽しみください.
では、ジョアネス、サプライチェーンにおける計算資源というのは非常に大きな概念です。これはハードウェアとソフトウェアの両方を包含しています。今日の対話の趣旨とサプライチェーンの実務者を念頭に置くと、計算資源の良い作業上の定義とは何でしょうか?
Joannes Vermorel: 計算資源とは、現代のコンピュータを構成する全てのハードウェアのクラスを指す一般的な用語です。今日では、これらのクラス間の区別はやや恣意的ですが、それもほんのわずかです。自然界には、CPU(セントラルプロセッシングユニット)と呼ぶべきものや、メモリなどと呼ぶべき別のデバイスのクラスが存在するという決まりはありません。これは、コンピュータ設計と市場の役割が共に進化した結果、特定の目的に対して非常に競争力のあるデバイスを提供する企業が形成されるニッチ市場が生まれたためです。コンピュータ登場から70年を経た今、私たちはすべてを一括して行うのではなく、計算の各構成要素として機能する非常に明確な計算デバイスのクラスを持っています.
では、なぜこれが重要なのでしょうか?私が計算資源と呼ぶものは、広義にはハードウェアを、そして暗黙のうちに計算を実行するために提供されるデバイスのクラス全体を指しています。なぜサプライチェーンにとって重要なのか?それは、サプライチェーンを意思決定のプロセスと捉え、これらの計算がコンピュータによってより効率的に行われるという信念のもとに進めるならば、これが文字通りその計算を支える物理層となるからです。この信念は決して大それたものではありません。現在のコンピュータは十分に有能であると実証されています。しかしながら、大規模なサプライチェーンが行う何百万もの意思決定が、いずれはコンピュータによって実施されるというビジョンからすべては始まるのです.
したがって、これを考え始めるならば、このハードウェア層に少し注意を払う必要があります。過去40年間で状況ははるかに複雑になっています。コンピュータは依然として進化していますが、その進化は90年代末までのものと比べ、はるかに複雑で直感的ではない方法で進んでいます.
Conor Doherty: さて、まとめると、コンピュータは意思決定に優れているということですね。しかし、これを聞いているサプライチェーンの実務者にとって、今日の対話はどのように関係するのでしょうか?彼らにとっての要点、すなわち最上位の見解は何でしょうか?
Joannes Vermorel: まず第一に、コンピュータは特に意思決定に長けているわけではありません。コンピュータは単に私たちが持っているツールに過ぎず、現状、意思決定プロセスを機械化する実行可能な選択肢は存在しません。これは一種の信念の行為です。なぜ機械化を望むのか?それは、機械化が過去2世紀、いや3世紀にわたって進歩を推進してきたからです。20世紀では、ブルーカラーの仕事の機械化により、生産性が100倍もの驚異的な向上を遂げました。そして21世紀では、ホワイトカラーの仕事に対して同様の現象が見られ、これもコンピュータのおかげです。他の手段で同様の現象が起こる平行宇宙を想像することもできますが、今のところ最善とされるのはコンピュータです.
では、なぜこれが重要なのでしょうか?私は、計算資源およびコンピューティングハードウェアを基礎知識の一部として扱うべきだと考えます。カナダの位置を世界地図上で知っていることがいつ役に立ったのでしょうか?ロシアがブラジルと国境を接していないことを知っていたのはいつでしょう?これらは日常的には、例えば基本的な世界地理の知識が実用的であるとは一見明らかでない事柄です。しかし、この聴衆の大多数に尋ねれば、それは重要だと答えるでしょう。中国、カナダ、またはロシアのいずれかを世界地図上で示すことができない人を、あなたはどう思うでしょうか?それは非常に奇妙に感じられ、そのような人に多くの役割を任せるとは思えないでしょう.
つまり、ある意味では些細な雑学と捉えることもできますが、同時にそれは基礎知識でもあります。もしそれについて何も知らなければ、様々な問題が生じるでしょう。どのような問題かは、状況、企業、業界によって大きく異なりますが、一連の問題が発生することが予想されます。私は、コンピューティングハードウェアや計算資源に関する知識は、サプライチェーンの実務者が十分に認識しておくべき基礎知識の一部だと信じています。彼らは、フォーミュラワンから借用された「メカニカル・シンパシー」と呼ばれる、これらの事柄に対する十分な理解を持つべきです.
Conor Doherty: ええ、あなたの使う類推はとても気に入りました。これを用いてこの点をより詳しく掘り下げてみたいと思います。もし基礎知識が、ブラジルとロシアが国境を共有していないことを知っていることだとするならば、それは地理知識の一つの粒度です。もう一方では、南アフリカがいくつの首都を持っているかを知っていることがあります。これらは質的に異なる層、すなわち異なる粒度の地理的認識です。この違いをハードウェアや計算資源に当てはめた場合、あなたがいう基礎知識とは、私のマウスのUSBポートがどこにあるかを知っていることなのか、それともSSDドライブがどのように機能するかを理解していることなのか?ここで求められる知識の規模はどの程度のものなのでしょうか?
Joannes Vermorel: 私が話しているのは、むしろ抽象概念の理解についてです。コンピューティングハードウェアには尽きることのない雑学があります。すべてのデバイスやその価格を知る必要はありません。もしオタクであれば、そのような情報を読むのは楽しいでしょうし、私も同様です。しかし、本質的には非常に大きく確立された資源のクラスに関する知識が重要なのです。これは多少アーキテクチャに依存しますが、これらのアーキテクチャは少なくとも50年は非常に安定しているため、今後もその傾向は続くと考えられます.
私たちが話しているのは、メモリ、不揮発性メモリ、永続的記憶装置、帯域幅、算術計算、入出力(I/O)、スループット、待機時間といったものです。これらすべての事柄は、何十年にもわたって関心事として存在し、安定したクラスとして認識されてきました。これが、基礎知識として、各関心事のクラスとそれに対応する計算ハードウェアが何であるかを理解するという意味です。現代のコンピュータで何かを実行するために、これらすべてはどのように組み合わされるのでしょうか?
もし階層の観点から一歩引くと、結局のところ、あなたはこのコンピューティングハードウェアのおかげで意思決定プロセスを計算させたいと考えているのです。ハードウェアレベルで何が起こっているのか全く知らなければ、それは完全に魔法のようなものです。手元にあるハードウェアに方法が適しているかどうかを理解できる可能性はどれほどあるのでしょうか?超詳細な理解を求めているのではなく、単にそれが全く動作するかどうかの基本的な理解を求めているのです。
コナー・ドハティ: 例えば、あなたはこんなフレーズを使いますね…すみません、一歩戻りましょう。あなたはいくつかのプログラミングパラダイムに名前を付けました。たぶんあなたの講義の一つからだったと思います。プログラミングパラダイム、静的解析、RAプログラミング、差分プログラミング、バージョン管理、永続性、これらすべての概念について話しました。私の質問は、これらがあなたの言うより良い意思決定を行うためにどのように組み合わさっているのか、ということです。
ヨアネス・ヴェルモレル: これは基礎知識ですから、具体的なユースケースを私に期待しないでください。まるで基本的な地理を知っていれば十分なように。最後にそれを絶対に知る必要があったのはいつでしたか?おそらく一度もありません。それは常に背景に存在しています。問題は、もし基礎知識の層が欠けていると、あなたは闇の中を手探りで進むことになり、自分が闇の中にいることすら気づかず、理解していないことがこれほど多いとは思っていないという点です。これが私の主張です。
少し引いて考えましょう。あなたはコンピュータで意思決定を生み出したいと考えているのです。つまり、あなたはおそらく多くのベンダーを選ぶことになるでしょう。そしてクラウドから計算資源を購入またはレンタルします。あなたはすべてをIT部門に完全に委任することもできますが、なぜIT部門が何も理解していない分野のハードウェア選定に秀でていると思うのでしょうか?例えば、私が「親愛なるIT、最高の車を選んでくれ」と言ったとしましょう、具体性は無しに。するとITは「では、フォーミュラ1をお持ちします」と言い、あなたは「でも実際には、ビーチ沿いの砂丘を走りたいんだ」と言った場合、そのフォーミュラ1レーサーは砂で走るようには設計されていないため、全く酷い乗り物だとわかります。
もしあなたが「良いものを選んでくれ」とだけ言えば、彼らは本質的に良いもの、例えばフォーミュラ1のようなものを選ぶでしょう。それは特定の用途においては良い車ですが、「8人家族が乗れる車が欲しい」と言えば、良いの定義は全く変わってきます。私たちは、IT、計算ハードウェア、そして計算に関するものは専門家の領域だという幻想を抱いています。まるで車を選ぶのと同じで、私も車の専門家ではないので、ただ車の部門に良い車を選んでもらい、それで済ませるのです。しかし、その人たちは「良い」の意味すら多岐にわたるため、ランダムに何か選んでしまうのです。そしてあなたは結果を受け取って「このフォーミュラ1はコストが途方もなく高い。二人目を乗せることすらできないし、砂の上では10メートル以上走る前に車輪がトラクションを失ってしまう」と不満を述べるのです。もしそれが車であれば、人々はそれが馬鹿げていると同意するでしょう。
しかしコンピュータ関連のこととなると、ほとんどの企業では、このような無関心が全く容認されているのです。ただ、ここでまたサプライチェーンの実践に立ち返ると、現代のサプライチェーンはこの計算ハードウェアに極めて依存しています。サプライチェーンは何十年も前にデジタル化され、たとえ自らを低技術だと思っている企業でさえ、単なるExcelのためだけでもコンピュータに莫大な依存をしているのです。
もしあなたが日常的にそれらのツールに依存しているのであれば、非常に精緻な方法でそれに依存しているということです。例えば、私は水の供給に依存していますが、水道水について何も知る必要はありません。なぜなら、水という製品は非常にシンプルだからです。化学的にも単純で、「水道水」と言えば、消毒目的で少量のミネラルと塩素が加えられた99.99%のH2Oを期待するだけで十分なのです。
ですからご覧の通り、温度も10度から20度の間であるといった程度の話です。つまり、それは極めてシンプルなものです。だからこそ、あなたは「水道水を手に入れれば、それは飲むのに十分だ」という抽象化のレイヤーに甘んじることができるのです。しかし問題は、計算資源は多次元的なものであり、水のようなシンプルさではなく、車のように多様な定義が存在するということです。
もし私が「良い水とは何か」と問ったとしても、たとえ非常に特定の実験や超純水を必要とする工業的プロセスの場合を除けば、人生で遭遇するほとんどの状況において、基本的な水道水で十分なのです。ですから、そのことについて何も知る必要がないわけです。しかし、もし車のような多次元の製品を扱う場合、購入するためには車について一つや二つは知っておく必要があるのです。
ですから、改めてサプライチェーンの実務者に申し上げると、実際にはあなたは膨大な事柄を行うために計算資源に極度に依存しているのです。そしてこれらの事柄は将来さらに普及していくでしょう。では、なぜあなたはその物理層について全く無知でいられると思うのでしょうか?
コナー・ドハティ: さて、いくつかのポイントがありますが、その一つは、サプライチェーンが明らかに非常に複雑であるということです。あなたは多くの事柄を解決しようとしており、状況は文脈に依存します。例えば、もしかすると砂漠で走る車が欲しいかもしれませんし、丘で走るためかもしれませんし、都市での利用かもしれません。これらはすべて異なる文脈ですが、それでも少なくとも我々が企業において計算資源をどのように活用すべきかと考える共通の特性が存在するのです。そこで、もう少し詳しく説明していただけますか?
ヨアネス・ヴェルモレル: ええ、つまり、たとえばあなたが基準として取引履歴の解析を行いたいとしましょう。そうなると、そのデータは保存されなければなりません。では、そのデータはどこに保存されるのでしょうか?どのようなハードウェアで?そのハードウェアの特性はどうなるのでしょうか?もしデータを保存してからアクセスする場合、何らかの影響があるでしょうか?答えは、はい、影響があります。簡単な例として、もしあなたがそのデータを回転ディスクに保存すると考えてみましょう。
それがあなた自身の回転ディスクであろうと、クラウドコンピューティングプラットフォームからレンタルしたものであろうと関係ありません。もしデータが回転しているディスクに保存されているなら、データの一部にアクセスする際、ディスクは平均して半回転しなければならないのです。なぜなら、データはディスク上のどこにでも存在し得るからです。つまり、アクセスしたいデータの位置に到達するために、ディスクは平均して半回転する必要があるのです。
さて、それはどういった結果をもたらすのでしょうか?答えは、ディスクがどれだけ高速で回転できるかにかかっています。通常、ディスクは1分間に約7,000回転し、ごく高性能なドライブであれば11,000回転または12,000回転に達するかもしれませんが、それが限界です。つまり、1分間の回転数ということです。そうなると、待機時間という観点では、どのデータにアクセスするにも約20ミリ秒程度かかると予期すべきなのです。
だから、「20ミリ秒は短い」と思うかもしれません。しかし果たしてそれは本当に短いのでしょうか?なぜなら、20ミリ秒ということは、ディスク上を飛び回ってデータにアクセスする場合、1秒間に50個程度のデータしかアクセスできないということになるからです。もし何百万、何千万ものレコードを取得しなければならなければ、すぐに状況は途方もなく遅延するようになります。今、「でも、私のディスクはテラバイトのデータを保存できる」と言うかもしれません。
はい、しかし、ディスク上をあれほど頻繁にジャンプしてデータを取得しなければならないために、もしそれが日数単位の時間を要するのであれば、全く良いとは言えません。ですから、より小容量のディスクを多数用いることで、ジャンプ時のスループットを向上させるか、あるいは全く別のクラスのストレージ、例えばSSD(ソリッドステートドライブ)を採用することで、ランダムアクセスの待ち時間を大幅に削減することが考えられます。
しかしご覧の通り、計算資源やそれを提供する各種計算ハードウェアについて全く知識がなければ、こういった疑問すらあなたの思考に浮かばないでしょう。そして、知らないことで実際に悪影響が生じるのでしょうか?つまり、知らなかったことがあなたに害を及ぼす可能性があるということです。私はそう考えます。なぜなら、結局のところ、あなたはそれらを直接あるいは間接的に大量に購入することになるからです。
もしあなたのIT部門がただクラウドの計算資源を購入するだけであれば直接購入することになりますが、また、サプライチェーンソフトウェアのベンダーを選ぶ場合には間接的にもこれらを購入することになるのです。なぜなら、ベンダーを選ぶということは、あなたが望む結果を得るために計算資源を利用する特定の方法を選択することになるからです。そしてここで私が伝えたいのは、もし平均的なソフトウェアベンダーにこの件に関して何らかの能力があると考えるのであれば、それはまったくの幻想であるということです。
明らかにこれは意見的な見解ですが、私の競合相手、つまりLokadの競合相手の大多数を見ると、彼らの経営陣とその関心からして、一般的に言えば計算ハードウェアに対する興味も、機械的な共感も全く持っていません。その結果、彼らのソフトウェアは非常に非効率的であるのも不思議ではありません。なぜなら、ハードウェアに全く注意を払わなければ、最終的にその上に構築されるソフトウェアがハードウェアをうまく活用すると考える理由がないからです。
再び、これはちょうど、望む道路状況にかかわらずフォーミュラ1を選び、その結果としてビーチでは酷い乗り物になってしまうのと同じことなのです。驚くべきことではありません。計算ハードウェアに一切注意を払わなかった場合に、このような結果になるのです。
ですから、もし理想的な世界であれば、コンサルタントやソフトウェアベンダーと信頼し合え、そのような人々があなたのために正しい意思決定をしてくれるでしょう。しかし現実には、サプライチェーンの実務者の大多数が全く無知であるため、ソフトウェアベンダーもまた全く無知でいても構うのです。結局、クライアントがソフトウェアやソリューションを購入する際にその違いを見抜けないのであれば、どうして彼らが無知であってはいけるのでしょうか?それが顧客にとって打撃となるまでは問題にならないのです。
コナー・ドハティ: さて、まず最初に、意見を持つこと自体に何の問題もありません。これこそが私たちのあるべき姿です。しかし、あなたが最終的に、企業がベンダーからソフトウェアを購入する、つまり望むものを得るために資源を消費するという話をしたとき、実際にどのようにより良い計算資源の利用が意思決定に影響し、現実世界での選択に結びつくのか、もう少し具体的に説明していただけますか?
ヨアネス・ヴェルモレル: つまり、意思決定があるということは、その意思決定を最終的に生み出すための数値レシピを組み立てる方法が沢山あるということです。問題は、もしあなたの計算資源の利用方法が非常に非効率的であるならば、例えば、リレーショナルな取引データベース、すなわちSQLデータベースを使って、金銭とは全く関係のない分析のための数値レシピ、計算処理を行おうとすると、少なくとも100倍、場合によっては300倍といったオーバーヘッドがかかることになるのです。
そしてなぜそうなるのでしょうか?それは、このソフトウェア層、すなわちトランザクション層が、非常に興味深い特性、つまりACIDとして知られる4つの特性(原子性、一貫性、独立性、耐久性)を提供するからです。これらの特性は、例えば、サプライヤーへの支払いを宣言する際に、送金が実行され、銀行に注文が出されたのに、システムが途中でクラッシュしたためにサプライヤーの請求書が記録されていないといった状況に陥らないよう保証してくれるのです。
理論的には、すでに送金注文を出しているのに、サプライヤーの請求書の記録が残っていないという状況が発生し、システム再起動時に二度目の支払いが発生し、結果的にサプライヤーに二重払いしてしまう可能性さえあるのです。これがトランザクション層で起こりうる問題であり、基本的に、ある口座が増加し別の口座(会計上)が減少する動作が論理的に同時に行われることを保証するために非常に重要なのです。
しかし、もしこの種のソフトウェアパラダイムを使って分析用の処理を構築すると、信じられないほど非効率的になってしまいます。そして、ちなみに驚くべきことに、これは私の競合相手の99%が実際に行っていることなのです。では、これは意思決定という観点でどういう意味になるのでしょうか?もし計算資源の利用が最初から100倍のオーバーヘッドを伴うならば、非常に単純な数値レシピにしか頼れなくなるということです。なぜなら、ほんの少しでも複雑さが加われば、計算資源の予算が全く足りなくなってしまうからです。つまり、コストがすぐに途方もなく高騰してしまうのです。
ご覧の通り、これは宣伝文句ではありません。もし計算資源の予算を制御しなければ、莫大な支出に繋がる可能性があるのです。たとえば、私の同業者、つまり重い分析負荷を扱うSaaS企業の仲間たちが提出するS1という、米国で公開する際に発行しなければならない書類を見ると、過去3~4年間の支出の内訳が詳細に示されているのです。
多くの分析系ソフトウェア企業、例えばLokadのような企業は、実際にはサプライチェーンに特化しているわけではなく、詐欺検出やシステムログの処理など、あらゆる用途に対応できます。彼らは通常、支出の半分をクラウドコンピューティングリソースに向けています。つまり、支出額は非常に大きいのです。非常に高額なエンジニアや営業部門に多額の給与を支払っているにもかかわらず、彼らは依然として支出の半分をクラウドプロバイダーに振り向けています。ですから、コンピューティングリソースのコストは無視できるという考えは、Lokadのような分析系ソフトウェアベンダーにとっては全くのナンセンスなのです。
知能システムではなく、レポートや無能さのシステムの場合、その支出は非常に大きくなり得ます。非効率であれば、100倍も多く費やすことになります。すでに収益の半分をコンピューティングリソースに費やしている場合、さらに100倍の支出は全く現実的ではありません。予算内に収めるためにはどうするか? そう、単に価格を上げるのです。実際に彼らはそうしており、価格を2倍、あるいは4倍程度には上げられても、100倍に跳ね上げることはできません。
そのため、ほとんどのソフトウェアベンダーは、顧客に不利益をもたらすほど単純で安価な手法に走るのです。現実として、ベンダーとしては、よりまともな方法を採用する余裕はなく、それはあまりにも高額になるからです。なぜなら、彼らはコンピューティングリソースを極端に無駄に使っているからです。
Conor Doherty: さて、改めて思うのですが、あなたがコンピューティングリソースの配分方法について語るとき、それは根本的により良い意思決定を追求するためだと考えているわけです。あなたの考えでは、それが解決すべき問題です。しかし、すべての企業、もしくはすべての企業が同じパラダイムを適用しているわけではありません。例えば、あなたの会社がサービスレベルや予測精度の追求を最優先しているとすれば、それが目指すべきゴールです。そんな状況下で、コンピューティングリソースの配分はどのように変わるのでしょうか? ぜひご意見をお聞かせください。
Joannes Vermorel: では、あなたは自分自身のために目標を設定したのですね。この点については異論はありません。私が「より良い意思決定」と言うとき、それはあなたが設定した任意の指標、任意の目標に基づいたものを意味します。つまり、もしより良いサービスレベルを望むのであれば、それで構いません。あなたはすでに目標を設定しており、その目標に沿ってより良い意思決定を導き出すために利用できる処理能力、つまりコンピューティングリソースを持っているのです。
さて、私のほぼすべての競合他社に共通する基礎的なパラダイムを明らかにしましょう。そのパラダイムとは、エンジニアが何かに取り掛かり、その作業が資金で手に入る最高のハードウェアと適合した時点で、その作業を中断して成果物をクライアントに販売し始める、というものです。具体的には、例えば小売ネットワークのための在庫補充を行う場合、仮に2,000万のSKUがあるとしましょう。まず、いろいろ試してみるもののうまくいかず、結局、例えばsafety stock分析という、コンピューティングリソースの面では極めて単純な方法に戻るわけです。
そして、私のシステムは非常に高価なコンピューティングハードウェアに対して非効率的であるため、何とか動かすことができるのです。そしてそこで作業を中止し、その成果物をクライアントに販売する。では、このパラダイムにおける考え方とは何だったのでしょうか? これは実際、20世紀90年代後半までのソフトウェア業界で支配的だったパラダイムです。そのパラダイムとは、コンピューティングハードウェアが指数関数的に進化しているという考え方に基づいています。つまり、資金で手に入る最高のハードウェアを投入し、動作するようになれば、その制限の中で何とか機能している、たとえコストがとんでもなく高く、コンピューティングリソースを十分に活用できていなくても問題はない、ということです。
なぜでしょう? それは、すべての指標においてコンピューティングハードウェアが指数関数的に進化しているからです。これがムーアの法則と呼ばれていますが、実際には他にもあらゆる分野で多くの法則が存在しました。すべてのコンピューティングリソースが進化し、あらゆる指標が向上していたため、これが90年代にマイクロソフトを非常に成功させた考え方の一つでもあったのです。つまり、動作すれば性能がどれほど悪くても問題ではなく、5年後にはコンピューティングハードウェアが劇的に進化し、現在のリソースが取るに足らないものになるという考えです。
これは90年代の終わりまでは通用していましたが、この分野では本質的に2000年以降、改善されていない指標のカテゴリーが存在するのです。例えば、CPUとメモリ間のレイテンシは、ここ20年ほとんど変わっていません。光速の制約を受けているため、今後も近い将来変わることはないでしょう。
もう一つの要素は、やはり光速です。長距離のインターネットパケットは、現在おおよそ光速の3分の2の速さで伝送されています。したがって、パケットの速度を上げる余地はほとんどありません。帯域幅を増やせば多くのパケットを送ることは可能ですが、パケットそのものの生の速度に関しては、今や物理の限界、少なくとも私たちが知る物理の限界に非常に近づいているのです。
このように、90年代末のソフトウェア業界で非常に一般的だった「とにかく動くものを作って売ればよい。性能のことは気にするな。どうせ無駄な努力だ」というパラダイムがあります。ハードウェア業界はすべてを劇的に向上させるため、これらの性能に関する懸念は数年以内に無意味なものとなるという考え方でした。
興味深いことに、現代でもコンピューティングハードウェアは素晴らしい進歩を遂げていますが、その進歩は非常に微妙なものになっています。依然として指数関数的な進歩はありますが、特定の分野に限られており、すべての指標が向上しているわけではありません。興味深いのは、B2Cソフトウェア業界の大部分がこの点に非常に注目しているということです。例えば、ビデオゲーム業界はこうした細部に非常に注意を払っています。しかし、エンタープライズソフトウェアに関しては、その99%が90年代末の状況に甘んじ、5年後にはコンピューティングハードウェアの進歩によってシステムのコストが取るに足らないものになるかのように運用しているのです。しかし、実際はそうではありません。
実際、企業が管理するデータ量が増加し続けているため、ほとんどのソフトウェアベンダーにとって、システムを稼働させ続けるために必要な費用は、コンピューティングハードウェアの価格低下のペースを上回って増加していく状況に陥っています。つまり、年々、ほぼ同じレベルの意思決定プロセスの品質、もしくは完全自動化されていない場合の意思決定支援を維持するために、さらに多くの費用を費やすことになるのです。
Conor Doherty: さて、ハードウェアやコンピューティングの進歩は、あなたの言うところの「微妙になっている」という表現がぴったりですね。もはや指数関数的な飛躍ではなく、微妙な進展になっています。
Joannes Vermorel: つまり、次元ではなく、特定の方向に沿った進歩ということです。90年代には、すべての面で物事が進歩していたのが興味深い点でした。向上しない指標は一つもありませんでした。しかし、現在では文字通り10年も改善していない指標が多く存在します。
例えば、コンピュータから放出できる熱の量を考えてみてください。コンピュータは熱を放出しなければなりません。銅配線やファンなど、コンピュータ内部の熱を排出して過熱を防ぐためのさまざまな方法があります。しかし、空気を用いた冷却の実現可能な限界にはすでに到達しています。これらの限界は20年前に既に達成されているのです。水を使用すれば多少の性能向上は可能ですが、非常に高級な方法として液体窒素を使えばさらに性能が上がるかもしれません。実用的とは言えませんが、良いベンチマークのためには可能です。
つまり、私たちは限界に達しているのです。熱を2倍に排出するような魔法のような素材は存在しません。確かにダイヤモンドを使うことも考えられます。ダイヤモンドは素晴らしい熱伝導体ですが、何キログラムものダイヤモンドを用いて熱を排出するという考えは、まだ先の話です。たとえそれでも、すでに優れた導体である銅と比べれば、わずかな向上にしかならないでしょう。
Conor Doherty: それは、実際に私の主張をさらに裏付けるものですね。では、話を締めくくるために、もしも…
では、先ほどの例を取り上げましょう。つまり、銅線とダイヤモンドの熱伝導率の違いについて話していました。コンピュータ内の熱放出特性からわずかにでも性能を引き出すためには、非常に繊細で専門的なコンピュータ工学の知識が必要になります。では、本題に戻りますが、あなたが説明するようなごく僅かなマージンの中で、基礎知識を高めることは、どのようにしてより優れたサプライチェーン・パフォーマンスに結びつくのでしょうか?
Joannes Vermorel: いや、基礎知識というものは、全体の状況を明らかにするものだと思います。あなたのIT部門は、方向性としても正しいものを購入しているのでしょうか?その点について何か見当がついていますか?そもそも、IT部門とその問題について議論できなければ、彼らが購入しているものがわずかでも合理的であると期待する理由はどこにあるのでしょうか?
改めて例えるなら、F1カーでビーチに行くようなものです。全く意味がありません。まさに、賭け金が何であるか全く理解していない人々が直面する状況です。ベンダーを選ぶとき、彼らがコンピューティングリソースをどのように消費して、より良い意思決定やその支援を提供しているのかについて、知的な議論を交わせるでしょうか?彼らは、我々が持つコンピューティングハードウェアに適った方法でリソースを使用しているのでしょうか?そのアーキテクチャは意味を成しているのでしょうか、それとも全く無意味なのでしょうか?
また、車を例にとると、私たちは直感的にさまざまなことを理解しています。例えば空力学です。もし、空力の法則を大きく逸脱している車を見たなら、「これは空気抵抗が非常に大きく、燃費がひどいだろう」と直感するはずです。それ以外の解釈はあり得ません。つまり、基礎知識があれば直感的に理解できるのです。非常に低い車を見たときに、「空力が良い」「この車はおそらく速く走れる」と誰かに言われる必要はないのです。
その通りです。流体力学の問題点などをわざわざ考える必要すらありません。直感的に理解できるのです。もしより良い意思決定を目指すのであれば、直感的に機能不全な部分を見抜くことができるでしょうか?私の言いたいのは、クライアントやサプライチェーンの実務者の99.9%がこの問題に全く無知であり、ほんの一握りのオタクだけがその点に精通しているということです。無知であれば、エコシステム全体、ソフトウェアベンダー、ソリューションベンダー、コンサルタントは「注意を払う必要はない」と考えるのも当然です。顧客が注意を払わなければ、なぜ彼らが注意を払うはずがあるのでしょうか?
もしガソリンが無料な国に住んでいるなら、自動車メーカーが車の燃費に注意を払う理由は何でしょうか? ガソリンが無料であれば、顧客にとってはほとんど無関係な問題になるのです。顧客が注意を払わなければ、自動車ベンダーも注意を払わないのです。ソフトウェアベンダーに目を向ければ、顧客が無知で注意を払わなければ、なぜエンタープライズベンダーが注意を払うべきなのでしょうか? 答えは、彼らは注意を払わないということです。実際、彼らは注意を払っていません。
だからこそ、今や多くの人々はエンタープライズソフトウェアを見るたびに驚くのです。クリックして、ただレポートを見たいだけ、最小限の操作をしたいだけなのに、何秒もかかってしまうのです。応答速度という点で、エンタープライズソフトウェアは平均して非常に劣っており、非常に遅いのです。例としてGoogleでウェブ検索を行えば、50ミリ秒、あるいは100ミリ秒以内に検索結果の概要を提示してくれます。これは非常に高速で快適です。
逆に、たとえば「このSKUの状態を確認したい」という非常に基本的な操作すら、何秒もかかってしまいます。興味深いのは、2024年の最新のコンピューティングハードウェアであっても数秒かかるという点です。20年前、性能が100倍劣るハードウェアであっても、すでに1秒かかっていたのです。何が起こったかというと、余分なコンピューティングハードウェア、すなわちそのハードウェアの潜在能力が、非効率なソフトウェアによって浪費されているからです。
Conor Doherty: ありがとう。基礎知識について語るあなたの話を聞いていると、そこには理論的側面と実践的側面の両方があるように思えたのですが、その点についてあなたの考えを聞かせてほしいです。先ほどの例え話、つまり車を砂漠に持っていく場合、それが砂漠に最適な車なのかという話を引き合いに出しましたが、基礎知識には理論的なものと実践的なものの両方があるのだと感じました。
つまり、内燃機関がどのように動作するかという理論的な基礎知識、すなわち車が動く仕組みを理解する知識が必要です。それは理論的な理解です。同時に、実践的な基礎知識も必要です。たとえば、タイヤがパンクした場合、自分でタイヤを交換するための技能や基本的な知識があるか、エンジンが始動しない場合の簡単な修理ができるか、といったことです。そして、砂漠のような孤立した環境で運転するのであれば、理論的知識に加えて、少なくとも基本的な実践知識が不可欠となるのです。
さて、本題に戻りますが、人々が持つべき理論的基礎知識についてはかなり詳しく述べられました。実践的な基礎知識に関して、皆が習得しておくべきスキルは何かあるとお考えですか?
Joannes Vermorel: そうですね、実践的な観点から見ると、どのような価格帯を話しているのか、いくつかのアイデアを持っておくことが重要です。例えば、1テラバイトのストレージの費用はどれくらいですか?1テラバイトのメモリは大体どれくらいの費用でしょうか?2 GHzの計算スループットを持つCPUの費用はどれくらいですか?もし、桁違いにならない数字を推測できれば、それだけで非常に有用です。コンピュータに関する物事では、通常、人々の推測は桁違いにずれてしまうものです。
再び、もし私が車の重量を尋ね、その車を実際に見せたとしたら、あなたの推測は約50%の誤差を含むかもしれません。たとえば、「1.5トンだ」と言い、実際には電気自動車で2トン以上であると判明するかもしれません。しかし、それでも同じ桁の範疇内です。車を見て「20キログラム」や「500トン」とは言いません。しかし、永続的なストレージ1テラバイトの最安値コストを尋ねると、10,000から2などと、全く見当がつかない価格を言い当てる人もいます。
Joannes Vermorel: また、1秒間に1000億回の算術演算が可能なチップ、つまりそのような能力を持つチップセットの費用はいくらかと尋ねた場合、「分からない、10万ユーロか、あるいは50ドル」と答える人もいます。これこそが、実践的な知識として価格帯の概略を持つことの重要性を示しています。厳密な数字でなくても、桁の位が把握できれば、合理的な判断を下すことができるのです。
コンピューティングリソースの非常に奇妙な点は、なんと15桁もの桁違いが存在することにあります。これは非常にユニークで、他のどの分野でも、ここまで桁が広がっているものは知りません。15桁というのは、一方では一回の加算や乗算といった単位の計算を意味し、他方では事実上、何十億の何十億という数字を意味するのです。これは実に広大な桁のスペクトルを示しています。
これが人の理解を超える難解さの一因です。そして、コンピューティングリソースの無駄遣いによるミスが発生する理由も、車の例えにあるように、最悪の車でも最高の車に比べれば燃費が10倍程度しか劣らないという点にあります。たとえば、100キロ走る際、非常に効率的な車ならガソリン5リットルで済むでしょう。
一方、大型SUVなどの非効率な車だと、例えば50リットル必要になるでしょう。10倍の差です。しかしコンピュータの場合はそうではなく、最も効率的なシステムであれば100キロ走るのに5センチリットル、最も非効率なシステムでは同じ距離で5立方メートルを消費するといった具合です。つまり、桁違いの差が存在するのです。そして実践的な観点からは、価格帯の目安だけでなく、どこが進化しているか、どこが停滞しているかも把握しておく必要があるのです。
Conor Doherty: つまり、どこが変化していて、どこが変わらないという意味ですか?
Joannes Vermorel: 例えば、GPUはネットワークトレンドにおいて急速に進化しています。過去5年間でGPUは目覚ましい進化を遂げ、今後5年間も同様に急速な進化が見込まれています。これは、急速に進化するコンピューティングリソースの一カテゴリーです。彼らは1秒あたりの演算回数という面で進化しているだけでなく、メモリの容量においても向上しています。非常に素晴らしい状況です。同様に、CPUもその軌道上にあり、進化の速度は多少劣るかもしれませんが、コア数やCPU内部のL3メモリの容量において依然として急速に進化しています。
それでもなお急速に進化しています。一方、DRAMに目を向けると、DRAMはコンピュータのメインメモリ、すなわち揮発性メモリとして利用されています。コンピュータの電源を切ると内容は失われます。過去10年間、DRAMはほとんど進化していません。製造業者はごくわずかで、世界には大体4つの工場しか存在しません。したがって、この市場では、価格の大幅な低下などはほとんど期待できず、短期間での大きな変化も見込めません。つまり、実践的な観点では、ある程度の桁の感覚と、価格帯、さらにはプロフェッショナルグレードのハードウェアがコンシューマグレードと比べてどれだけ異なるのかという直感を持っておくことが重要なのです。
見る対象によっては、手に入る最高のものが単なるコンシューマグレードのハードウェアであり、企業で購入できるものもわずかに優れているだけという場合があります。しかし、他の分野では、企業が購入できるものは、一般的にコンシューマ市場向けとされるものよりも桁違いに優れている場合もあります。このような知識を持っていると、市場を正しく捉え、適切なベンダーを選び、あるいは無能なベンダーを排除するのに大いに役立ちます。つまり、コンサルタント、ベンダー、そして社内プロジェクトすべてにおいて、その無能さをフィルタリングできるのです。それが肝心なのです。
Conor Doherty: コストについて何度も触れましたが、主に物理的なハードウェア調達の直接的なコストについて話されました。計算リソースの管理に疎いことによる直接的・間接的コストについて、どれほどの桁違いになるのでしょうか?たとえば、大手小売企業、オムニチャネルのネットワークといったシナリオを想定した場合、計算リソースの管理に疎いことで失う可能性のある金額の概ねの桁数はどれくらいになるのでしょうか?
Joannes Vermorel: 保守的な見積もりとしては、サプライチェーンの最適化取り組みの90%以上が失敗していると言えます。そして、その90%の大部分、つまりほぼ全てのソフトウェア関連の取り組みが失敗しており、その大部分は、理由は一つではありませんが、主に性能の低さによるものです。さて、性能について考える際には、さまざまな視点から検討する必要があります。たとえば、毎日在庫補充を行う必要がある場合、すべての計算が24時間以内に完了しなければなりません。
これは当然の前提です。毎日計算を実行したいなら、24時間以内に完了しなければならず、さもなければ問題が生じます。これが、利用できる時間の上限です。ところで、もし計算リソースを2倍に追加すれば、計算が2倍速くなると考えるかもしれませんが、必然的な関係ではありません。なぜなら、採用するソフトウェアアーキテクチャに大きく依存するからです。いわゆる「スケールアウト」に適さない多くのアーキテクチャやデザインパターンが存在するため、ハードウェアを追加しても必ずしも速度向上が得られるわけではありません。
Conor Doherty: 本質的には収穫逓減ということですね。
Joannes Vermorel: そうです、場合によってはリターンが全く得られないこともあります。追加のリソースを投入しても全く速度が上がらないこともあり、これはその追加分の計算リソースを有効に活用するためのソフトウェア設計次第なのです。さて、話を進めましょう。仮に在庫補充の計算が4時間で完了するシステムを手に入れ、「素晴らしい、小売ネットワークではたった4時間で済む」と考えたとしましょう。1日は24時間あるので、計算は夜間に実施されることになりそうです。しかし、それで満足でしょうか?
私の答えは「いいえ、全く満足できません」です。なぜなら、本番環境で一度きりの実行結果だけを見ているのではなく、数値レシピは調整が必要であり、満足のいく最終結果に収束するまで、何度も反復して試行する必要があるからです。この実験プロセスは、はるかにコストがかかるものとなるでしょう。
理由は多岐にわたります。まず、実験を開始する段階では効率を重視しておらず、満足のいく意思決定ができるレシピを見出した後でようやく効率化が図られるのです。したがって、新しいレシピの試作段階では効率が低いのはごく当然であり、本格的に計算リソースの消費を最適化し始めた後に効率が向上するのです。
これが一つ目の問題です。しかしもう一つは、計算が完了するまで結果を待ち、評価し、次の反復を行うために、人件費を支払わなければならないという点です。そして、先に述べた失敗するサプライチェーン・ソフトウェアの取り組みのように、このプロセスが極端に遅くなる可能性があるのです。たとえば、先ほど4時間と述べた計算時間が、実験環境が最適でないためにさらに2倍遅くなるとしましょう。
つまり、8時間かかるということです。1日に実験できる回数は1回に限られ、500回の反復が必要なら、全体で2年もかかってしまいます。あまりにも遅すぎるため、実験担当者が転職し始めるといった問題も発生し、共に働くエンジニアが40年も一緒にいられるわけではありません。結果として、プロジェクトに携わった人々が辞め、新たな人材を投入せざるを得なくなり、既存の実験結果を自然に引き継げなくなるのです。
ご覧の通り、この種の問題は多くの課題を生み出します。たとえ満足のいく数値レシピに収束したとしても、あなたはたった一度の disruption(ロックダウンなど)の影響で、再びレシピを再設計しなければならなくなる可能性があります。もし反復プロセスが非常に遅ければ、次々と発生する混乱に体系的に対処できなくなるでしょう。混乱への解決策を最終的に構築した時には、すでに別の問題に直面しているのです。だからこそ、反復を非常に迅速に行える、極めて高性能なシステムが必要なのです。
さらにもう一つ、次の反復へ移行する際に、パフォーマンス面で手抜きをすることも可能です。なぜなら、ある実験から次の実験へ移る際、ほとんど同じ計算を再実行する場合があるからです。実際、ほんのわずかな違いしかない同じ数値レシピを繰り返すのであれば、毎回すべての計算をやり直す必要はないのではないでしょうか?もし賢いアプローチを取れば、一度計算した内容の大部分を再利用し、毎回全てを再計算することなく、はるかに迅速に反復処理を行うことができるでしょう。
しかし、これは自分の計算リソースがどこに使われ、何が無駄になっているのか、どの処理を2回あるいは10回も繰り返しているのかを理解し、本来は一度だけ行うべきことを特定できた場合にのみ有効です。
Conor Doherty: さて、ジョアネスさん、今日聴いている皆さんは「この人に賛同する。信頼できる。信頼に足る」と皆口を揃えていると思います。では、平均的なサプライチェーンの実務者やCレベルの方々が、「もっと賢明になりたい」と考えた場合、次に直ちに取るべきステップは何でしょうか?
Joannes Vermorel: まずは、コンピュータの仕組みについての入門書を読むことをお勧めします。コンピュータがどのように動作しているのかを解説した本は数多く存在し、たとえばクラウドコンピューティングプロバイダーが何を販売しているのかを理解するのにも役立ちます。実際、価格はすべて公開されていますので、Microsoft Azureにアクセスして「ストレージ、CPU、仮想マシン、帯域幅などの価格帯はどれくらいか」と確認することができます。もちろん、これには数時間の学習が必要ですが、入門レベルの本で十分です。実際、高校生や中学生向けの本もあり、それで十分な知識を得ることが可能です。
そして、技術革新の話題が持ち上がった際には、ベンダーやコンサルタントに「計算リソースについてどう考えていますか?我々は自身の設定した指標や目標に基づいて、最良の意思決定を行いたいのです」と問いかけてください。購入する生の計算リソースがどのように最適な意思決定に結び付くのか、その関係について議論に参加するのです。もし、あなたが大量に購入しようとしている相手がその点について全く理解していなければ、その相手からは離れるべきです。これが私の提言です。これをリトマス試験紙として、そもそも専門家であるべきではない、全く無能な人物を見抜くために活用してください。
なぜなら、最終的にそのようなベンダーを選べば、彼らの非効率性の代償を支払うことになるからです。そしてそのコストは二重に膨らみます。一つは、計算リソースだけでなく、実に高価なハードウェア費用を支払う必要がある点です。一般的に、Lokadはサブスクリプション販売時、計算リソースだけに関しては競合他社よりもかなり低いコストで済んでおり、設置や保守のための人件費、エンジニアリングコストまでは含んでいません。単にハードウェア費用だけでも、Lokadは低価格を実現しています。
これが一つ目の問題ですが、さらに大きな問題として、ベンダーはあなたを非常に単純なレシピに縛り付け、「これが科学の提供する最高の解決策だ」と説得しようとする点があります。しかし、実際にはそれは彼らが計算リソースを適切に活用できないことの表れに過ぎません。そのため、安全在庫のような、極めて単純な考え方が今なお根強く残っているのです。ベンダー自身も内心では、それが全くのでたらめだと理解しているにもかかわらず、計算リソースの非効率な使用により、より優れた解決策を検討することすら実に非現実的になっているのです。
つまり、費用は二重になっている:直接費用、すなわち意味もなく計算資源に対して浪費される支出と、次に二次的な費用があり、それは「単純なレシピ」に追い込まれて最終的には実務者としてスプレッドシートを使って、システムから生じる狂気を手作業で正さざるを得なくなるというものです。なぜなら?そのシステムはあまりにも単純なレシピを使っており、微妙なニュアンスをすべてあなたに委ねてしまっているからです。
Conor Doherty: 実はね、先ほど使った例え―いや厳密には例えではなく、実際の経験則のようなものがあったよね。あなたは「もしクラウドコンピューティングの1テラバイトがどれくらいの費用になるか、あるいはどれくらいかかるかという大雑把な感覚すら掴めなければ、それは基本的に問題だ」と言ったじゃないか。そして、これを言うのは興味深い。なぜなら、個人生活の中でも、例えばカフェに入ってコーヒーを注文し、『はい、45ユーロです』と言われたら、多くの人は驚くだろうし、思わず「ちょっと、そんなのはおかしい。あなたが実際に請求すべき金額がどれくらいかは分からないけれど、45ユーロは高すぎる」と思い、たいていその場を離れてしまうからだ。
たとえ観光地であっても、「45じゃない、それは違う」と言うに違いない。しかし、結局のところそれが何かを決定づけるわけではない。つまり、そのことで破滅することはないし、恐らく財政的に自滅することもない。そんなことで仕事を失うこともないのだ。
しかし、同じような直感、生存本能、あるいは全体的な賢明さが、「さて、会社が使用する計算資源やソフトウェアについて非常に高額な決断を下さなければならない」という場合には、全く欠如しているかもしれない。直接的および間接的な長期コスト、短期的な間接コストと長期コストについて全く見当がつかないのだ。たとえば、「なんと、1秒あたり555,000かかる」とかね。ま、実際そうかもしれない。わからないが、おそらくそうではないだろう。でも、要点は、こういった質問に答えられなければ、自分のプロフェッショナルな知識に莫大な穴があるということであり、それを埋めるべきだということだ。
Joannes Vermorel: そうですね、やはりサプライチェーンの実務者にとっては少々要求が厳しいかもしれませんが、何がかかっているかというと、莫大な予算です。つまり、大企業は喜んで数百万、時には何千万ユーロあるいはドルを、年間でそのようなシステムに投じているのです。そして、あれほどの金額を使いながら、ベンダーを含め誰一人として、その基本的な問題について理解していないのには、いつも全く当惑させられます。
再び、これは非常に高価なもの、たとえば建物を買うようなものです。つまり、建物を買って、しかもその建物の建材、コンクリートが何であるか全く分からない建築家がいるようなものです。「どういうことだ、確かめるべきだ。もしかすると、その建物は段ボールか、コンクリートか、木材か、あるいはマシュマロでできているのかもしれない。どうでもいい、ただペンキを塗れば全部同じに見える」と言ってしまうのです。
ご存じのように、改めて申し上げると、コンピュータやソフトウェア、つまりソフトウェア産業はこの点で非常に特殊です。膨大な資金が動いている一方で、誰もがその本質をまったく理解していなくてもいいという暗黙の了解が存在しています。そして、私にとってこの業界は非常に興味深いのです。
そして私はほとんどの競合―つまり経営陣と―話をしてきましたが、皆がこの種の「機械的シンパシー」、すなわちその背後にある基本的な仕組みに対する理解を全く持っていないことに、いつも驚かされます。
また、これは例えばフォーミュラ1のドライバーが「俺は四つの車輪を持っている。アクセルと車輪の間では何が起こっているんだ?魔法さ、魔法だ。何かが起こっている。確かに大きな音はする、分かっている。でもそれ以外は、ただ何かが起こっているだけだ」と言うようなものです。つまり、私の車に対する見方は「何か」であるということです。このレベルの細かさなら、人々は正気ではないと思うでしょう。車を有効に使いたいのであれば、もっと多くのことを理解しているべきです。
そして私の考えでは、サプライチェーンの実務者は、フォーミュラ1のドライバーがフォーミュラ1カーを使うのと同様に、毎日膨大なデジタルツールを使用しています。だからこそ、何が起こっているのか、これらの仕組みがどのように機能しているのかを少しでも理解し、情報に基づいた判断を下せるよう、ある種の機械的シンパシーを持つ必要があるのです。少なくとも、全く意味不明なものを売られて、完全に防げた失敗に繋がらないようにするために。
Conor Doherty: 自分自身でこれ以上上手く表現する方法はなかったでしょう。ありがとうございました。そして、本当にお時間をいただき感謝します。これ以上質問はありません。ご視聴、本当にありがとうございました。また次回お会いしましょう。