タグ: 人工知能・AI

編集部注：本稿を執筆したDebbie Pope氏は、The Trevor Projectで開発部シニアマネージャーを務める人物。

—

AIや機械学習ツールが浸透し普及が進むにつれて、あらゆる組織の製品チームとエンジニアリングチームがAIを活用した革新的な製品や機能を開発するようになった。AIはデータを扱う組織なら避けては通れないパターン認識や予測、ユーザーエクスペリエンスのパーソナライゼーションなどに特に適している。

AIを適用する際に必要なのは、莫大な量のデータである。AIモデルのトレーニングには通常大規模なデータセットが必要となり、また大規模なデータセットを持つ組織はAIなら解決できるであろう課題にほぼ確実に直面している。言い換えると、データセットがまだ存在しない場合、データ収集はAI製品開発の「フェーズ1」とも言えるわけだ。

使用するデータセットが何であれ、データ収集やその他何らかの形でAI機能に人が関与しているはずだ。データ収集時やユーザーにデータを表示する際、UXデザインとデータの視覚化における指針は早期の段階で検討する必要があるだろう。

1. ユーザーエクスペリエンスを早期に検討する

ユーザーがどのようにAI製品を使用するのかをモデル開発の初期段階から理解しておくと、AIプロジェクトが明確になりチームが共有された最終目標に集中できるようになる。

例えば映画配信サービスにある「あなたにおすすめの映画」のセクションの場合、データ分析を開始する前にこの機能でユーザーに表示される内容を明確にしておくことで、チームは付加価値のあるモデル制作のみに集中できるようになる。おすすめセクションでは映画のタイトル、画像、俳優、長さがユーザーにとって重要な情報になるとユーザー調査で判明した場合、エンジニアリングチームはどのデータセットを用いてモデルをトレーニングするかを確定する際に重要なコンテキストを把握していることになる。俳優と映画の長さのデータが、おすすめのセクションの正確性の鍵となるようだ。

ユーザーエクスペリエンスは3つに分類することができる：

• 前 – ユーザーは何を達成しようとしているのか？ユーザーはどのようにしてこのエクスペリエンスに到達できるのか？ユーザーはどこへ向かうのか？ユーザーは何を期待すべきか？
• 途中 – ユーザーが判断するために何が表示されるべきか？次に何をすべきかが明確か？エラーが生じた際にどのようにして克服するか？
• 後 – ユーザーは目的を達成したか？エクスペリエンスに明確な「終わり」があるのか？フォローアップとしてのステップは何か？

モデルと関わる前、途中、後にユーザーに何が表示されるべきかを知ることで、エンジニアリングチームは最初から正確なデータでAIモデルをトレーニングし、ユーザーにとって最も役立つ結果を提供することが可能になる。

2. データの使用方法について透明性を維持する

ユーザーから収集しているデータに何が起こっているのか、そしてなぜそれが必要なのかをユーザーは認識しているだろうか。ユーザーは利用規約を読む必要があるだろうか。こういった点を解決するため、製品に理論的根拠を追記することを検討すべきである。「このデータにより、より優れたコンテンツを推奨できるようになります」といった単純な一言により、ユーザーエクスペリエンスにおける摩擦が取り除かれ、エクスペリエンスに透明性がもたらされるのだ。

The Trevor Project（トレバー・プロジェクト）のユーザーがカウンセラーに支援を求める際、カウンセラーに繋げる前に私たちがユーザーから収集する情報は、より良いサポートを提供するためのものである、ということをユーザーに明確に説明している。

モデルがユーザーにアウトプットを提示する場合は、さらに一歩進んでモデルがどのように結論を出したかを説明すべきである。グーグルの「この広告について」のオプションでは、表示される検索結果をもたらす要素について詳しく知ることができる。さらに広告のパーソナライゼーションを完全に無効にして、ユーザーが個人情報の使用をコントロールすることも可能だ。モデルの仕組みやその正確さのレベルを説明することにより、ユーザー層からの信頼が高まり、ユーザーはその結果を利用するかどうかを自分なりに決定できるようになる。結果が低精度であっても、ユーザーから追加のインサイトを収集してモデルを改善する促進剤として活用できるわけだ。

3. モデルのパフォーマンスに関するユーザーのインサイトを収集

ユーザーに対してエクスペリエンスに関するフィードバックを提供するよう促すことで、プロダクトチームはユーザーエクスペリエンスを継続的に改善することができるようになる。フィードバックの収集について検討する際、AIエンジニアリングチームが継続的なユーザーフィードバックからどのような利益を得ることができるかについて考えてみてほしい。人間はAIが検出できない明らかなエラーを発見できる場合があり、人間だけで構成されているユーザーベースは時として非常に効果的なものとなり得る。

実際のユーザーフィードバック収集の例として、グーグルがあるメールを危険であると識別した場合でもユーザー自身の見識を元にメールに「安全」のフラグを付けることができるというものが挙げられる。ユーザーによる継続的な手動での修正により、モデルは危険なメッセージがどのようなものなのかを時間の経過とともに学習することができる。

AIが正しくない理由をユーザー層が説明できる場合、モデルは著しく改善されるだろう。AIが示す結果にユーザーが違和感を感じた場合に、ユーザーが簡単にそれを報告できる方法を考えてほしい。エンジニアリングチームに重要なインサイトを集め、モデルを改善するための有用なシグナルを提供するために、ユーザーにどのような質問をするべきだろうか。エンジニアリングチームとUXデザイナーが共にモデル開発の早い段階からフィードバック収集を計画すれば、継続的で段階的な改善のためにモデルを設定することができるだろう。

4. ユーザーデータを収集する際アクセシビリティを評価する

アクセシビリティの問題が原因でデータ収集に偏りが生じ、偏りのあるデータセットでトレーニングされたAIによってAIバイアスが生じることがある。例えば主に白人男性の顔で構成されるデータセットでトレーニングされた顔認識アルゴリズムは、白人でも男性でもない人ではうまく機能しない。LGBTQの若者を直接サポートするTheTrevor Projectのような組織では、性的指向や性同一性への配慮が非常に重要だ。包括的なデータセットを外部から探し出すということは、提示したり収集したりする予定のデータが包括的であることを保証するのと同じくらい重要なのである。

ユーザーデータを収集する時、ユーザーがAIと関わる際に利用するプラットフォームとそれによりアクセスしやすくする方法を検討してみてほしい。プラットフォームの利用に支払いが必要な場合や、アクセシビリティ・ガイドラインを満たしていない場合、またはユーザーエクスペリエンスに問題がある場合、サブスクリプションを購入できない人、アクセスする際に特別な支援を必要とする人、またはテクノロジーに精通していない人からのシグナルが届きにくくなってしまう。

すべての製品リーダーやAIエンジニアは、社会から疎外され過小評価されているグループに属する人々が製品にアクセスできるようにする能力を持っている。データセットから無意識的に除外してしまっているグループを理解するということが、より包括的なAI製品を構築するための最初のステップと言えるだろう。

5. モデル開発の開始時に公平性を測定する方法を検討する

公平性と包括的なトレーニングデータの確保は密接に関連している。モデルの公平性を測定するには、そのモデルが特定の使用環境でどの程度公平性を低下させてしまうかを理解する必要がある。人のデータを使用するモデルの場合、さまざまな人口統計を用いてモデルがどのように機能するかを確認することから始めるのが良いだろう。ただし、データセットに人口統計情報が含まれていない場合、この種の公平性分析は不可能である。

モデルを設計する際、使用するデータによってアウトプットがどのように偏るか、または特定の人々が十分なサービスを受けられない可能性について考えるべきである。トレーニングに使用するデータセットやユーザーから収集するデータが公平性を測定できるほど充分なものであるかを確認し、また定期的なモデルメンテナンスの一環として、公平性を監視する方法を検討してみてほしい。公平性のしきい値を設定し、時間の経過とともにモデルの公平性が低下した場合はモデルを調整したり再トレーニングしたりするための計画を構築する必要がある。

新人でもベテランでも、AIを活用したツールを開発する技術者として、ツールがユーザーにどのように認識され、どう影響を与えるかを検討するのに早すぎることも遅すぎることも決してない。AIテクノロジーは何百万人ものユーザーにリーチすることができ、大変重要なものがかかっている使用事例に適用される可能性もある。AIのアウトプットが人々にどのように影響するかを含め、ユーザーエクスペリエンスを総合的に考えるということは、ベストプラクティスであるだけでなく倫理的にも必要不可欠なことなのである。

関連記事：「異分野融合」なくしてイノベーションは望めない

カテゴリー：人工知能・AI

タグ：コラム

[原文へ]

（翻訳：Dragonfly）

新型コロナウイルスのパンデミックによって直接顔を合わせての会議ができなくなり、我々は否応なくオンラインの世界に押し込められた。そして、Zoom、Cisco WebEx、Google Meet、Microsoft Teamsといった製品が日常の一部となってしまった。この渦中に、経験豊富な起業家が会議テクノロジーに人工知能の要素を採り入れようと3年半前に創設したスタートアップであるhuddl.ai（ハドルエーアイ）が、あえて飛び込んだ。

同社の創設者でCEOのKrishna Yarlagadda（クリシュナ・ヤーラガダ）氏は、いくつもの企業がビデオ会議のコンセプトを提案している中で、彼のスタートアップには一歩先を行くビジョンがあるという。「私たちが前に進めば、次にはインテリジェスの時代が来ます」とヤーラガダ氏はTechCrunchに話した。

同社が提供するツールには、重要な要素を特定し、会議の長いメモから鍵となる情報を拾い集める手間を省いてくれる議事録AIツールも含まれる。「そもそも、どんな会議にも目的があります。または何かの結論を求めて会議を行います。そこにHuddlの出番があります」と彼は言う。

ヤーラガダ氏は、今のソリューションは、単にクラウドルームへのリンクを提供し、クリックしたメンバーが参加できるようにするだけのものだと言う。Huddlは、そのプロセス全体に新しい構造を持ち込もうとしている。「私たちは、ユーザー中心のアーキテクチャーを開発しました。また、ミーティング・メモリーと呼ばれるレイヤーも追加しました。これは基本的に、会議の中心的な項目、つまり議題、要処置事項、モーメントを把握し、検索を可能にするものです」と同氏は説明する。

huddl.aiはそうした会議の要素をモーメントと呼び、会議の柱となる3つの要素を取り込んだ。それは、議題と参加者が会議中に記したメモ、内蔵ツールで参加者がキャプチャーしたスクリーンショット、そして、会議の内容を録音した音声だ。ユーザーは、これらの要素をまとめて検索でき、自分にもっとも関連する部分を抜き出すことができる。

さらに、SlackやSalesforceなどの企業向けアプリと統合し、必要ならば会議中に適切なツールの項目に移動することもできる。「基本的に私たちがやろうとしているのは、60分の会議の5分版を制作して、メモリーに収め、検索可能にすることです。会議の後で、このコンテンツは生きてきます。そしてAPIや統合を通じて、適切なプログラムで共有できます」と彼は話す。

例えば、営業会議で要処置項目があった場合はSalesforceに移動できる、エンジニアの会議でソフトウェアにバグが見つかった場合はJiraで共有できる。

同社は2017年に設立された。現在までに870万ドル（約9億3000万円）のシード投資を得ている。従業員数は50名。そのうち10名な米国にいて、残りはインドにいる。今年は、米国とインドの事業所で15〜20名を採用する予定だ。
画像クレジット：LeoPatrizi / Getty Images

[原文へ]

（翻訳：金井哲夫）

編集部注：Newman（ニューマン）氏は、Baker MacKenzie（ベーカーマッケンジー）の北米企業秘密部門を率いている弁護士です。本記事に掲載されている見解や意見はニューマン氏個人のものです。

—

筆者は、イノベーションを推進しつつ公衆の衛生と安全を保護するためのAI規制を長年にわたり提唱してきた者として、筆者が提案し現在は下院の討議用草案となっている「Section 102（b） of The Artificial Intelligence Data Protection Act（人工知能データ保護法第102（b）条）」法案を、米国連邦議会が超党派で成立させるのをこれ以上遅らせるべきではないと考えている。この第102（b）条で規定されるAIの倫理的使用に関する法令は、いわば防護柵として、個人の尊厳を守るためになくてはならないものだ。

人工知能データ保護法第102（b）条とはどのような法律なのだろうか。また、連邦政府がこの法案を早急に成立させる必要があるのはなぜなのだろうか。

これらの質問に答えるには、まず、我々の民主主義社会が2つの脅威に同時に直面するという歴史上まれな状況の中で人工知能（AI）がどのように使われているかを理解することが必要である。それを理解して初めて、AIが個人の尊厳に対してどのようにリスクとなるのかを認識し、米国市民が大切にしている自由を守り社会の基盤を支えるうえで前述の第102（b）条が非常に重要な措置の1つであることを理解できる。

米国では今、人種差別と警官による暴力行為を終わらせようと大規模な抗議活動が行われており、それと同時に、死をもたらす新型コロナウイルス感染症のパンデミックを鎮めようと苦戦する中で社会不安が高まっている。この二重の危機のいずれの場合においても―さらには生活のすべての側面において―我々がそれに気づいているかどうか、あるいは同意しているかどうかに関わらず、個人に関する重要な決定を下すために政府や民間組織によってAI技術が導入されている。多くの場合、AIは社会を補助する役割を担い、我々が新しい日常にできるだけ早く順応できるように助けるものとして利用されている。

しかし、これまで政策立案者たちは全体的に、AIの利用が公衆の衛生と安全に及ぼす深刻なリスクを見て見ぬふりをしてきた。今までAIといえば、そのアルゴリズムのトレーニングに使われるデータセットの公平性、偏見の有無、透明性が注目されることがほとんどだった。確かに、アルゴリズムに偏見が入り込んでいることには疑いの余地がない。雇用や融資の現場を見れば、女性や民族的少数派が不公平な方法で排除されているケースを目撃するのは簡単だ。

我々はまた、AIが想定外かつ、時には説明不能でさえある結論をデータから導き出すのを見てきた。一例として、裁判官が非暴力事件の被告に公明正大な判決を下すのをサポートする目的で導入された再犯予測アルゴリズムに関する最近の事例について考えてみよう。理由はまだ明らかにされていないが、そのアルゴリズムでは23歳より若い被告に対してより高いリスク点数が算出され、その結果、収監回数がより多い23歳以上の犯罪者よりも実刑期間が12％長くなり、収監期間も再犯予測率も軽減されなかった。

しかし、米国が直面している二重の危機は、往々にして見過ごされてきた別のもっと厄介な問題を浮き彫りにした。それは、AIアルゴリズムが正常に機能した場合でも、その結果に対して社会が倫理的な観点から不快に感じる場合にはどのように対処すべきなのか、という問題である。AIの主な目的は、正確な予測データを算出することにより、人間が決定を下す際の判断根拠を提供することである。政策立案者は今こそ、「AIで何ができるか」ではなく「AIがすべきではないこと」について措置を講じるべきだ。

政府や民間企業は、個人データを果てしなく集め続けている。現在、AIアルゴリズムは米国を含め世界中で、我々すべてに関するあらゆる種類のデータを正確に収集、分析するために利用されている。例えば、群衆の中から顔認識でデモ参加者を監視したり、一般市民が適切なソーシャルディスタンシングを守っているかどうかを判別したりするのにAIが使われている。また、接触者追跡のために携帯電話のデータが収集されており、特定の地域における新型コロナウイルスの感染状況や、抗議デモの場所、規模、暴徒化の有無を予測するために、公開されたソーシャルメディアのデータが収集されている。さらに、マスク着用や高熱の有無を分析するためのデータがドローンを使って集められていることや、入院している新型コロナウイルス感染症患者の重症化の可能性を予測するために個人の健康情報データが集められていることも忘れてはならない。

これだけの量の個人データをこれほど大規模に収集して分析するのは、AIを使わなければ不可能だ。

治安を維持し壊滅的なパンデミックを抑え込むためという大義名分の下でAIを使って携帯電話のデータ、社会的な行動、健康記録、移動パターン、ソーシャルメディアの投稿内容をはじめとする多数の個人データセットにアクセスして個人のプロフィールを把握できるということはすなわち、さまざまな政府系の機関や法人が我々にとって最もプライベートな個性、政治観、社交関係、社会的行動について恐ろしいほど正確に予測し得ること、また現実にそうなることを意味している。

このまま何の規制も課されなければ、AIがはじき出した分析結果のデータが、法執行機関、雇用者、家主、医師、保険会社をはじめ、その種のデータを収集あるいは購入し得るあらゆる個人、民間企業、政府機関によって個人に関する予測的な判断を下すために利用され、判断根拠になった予測が正確かどうかに関わりなく、その判断結果が個人の生活に影響を及ぼし、自由民主主義の根幹を揺るがすことになる。雇用の現場において面接、採用、昇進、解雇の対象者を選ぶ際にAIが果たす役割はかつてなく大きくなっており、拡大し続けている。刑事司法の分野では、収監対象者や判決内容を決めるためにAIが使われている。その他の場面でも、例えば自宅への訪問者に対する防犯チェックや、病院で特定の治療を制限すること、融資申請の却下、ソーシャルディスタンシング規制に違反した場合の罰則などにもAIが関わっている。

AIに関する規制に乗り気でない人々は、上記のような懸念を単なる仮説で大げさすぎる話として片付けてしまいがちだ。しかし、ほんの数週間前、ミシガン州に住む黒人男性のRobert Williams（ロバート・ウィリアムズ）氏が、AI顔認識のミスによって誤認逮捕されるという事件が起きた。報道や米国自由人権協会（ACLU）のプレスリリースによると、デトロイト警察はウィリアムズ氏の自宅の前庭、妻と恐怖に震える2歳と5歳の娘たちの目の前で、同氏に手錠をかけたという。警察は同氏を自宅から40分ほど離れた拘置所に連行し、一晩収容した。次の日の午後に行われた取り調べで警察官が「コンピュータの顔認識が間違っていた」と認め、同氏はやっと釈放された―この時、逮捕から約30時間が過ぎていた。

この事件はAIによる顔認識のミスが無実の市民の逮捕につながった最初の事例として広く知られることになったが、このような事件はこれからも起きるだろう。今回の事件では、法執行機関による逮捕という、国民に大きな影響を与える重大な決定を下す際にAIが主要な根拠として使われた。我々はここで、AIの顔認識が間違った人間を特定して、その人の自由を奪ったという事実だけに注目すべきではない。AIが特定の重大な決定を下す際の根拠として使われるべきでない状況を特定して、そのような状況ではたとえAIの分析結果が正しいとしてもAIの使用を禁止しなければならない。

民主主義社会に住む者として、我々は、考えたが実行しなかった犯罪のせいで逮捕されたり、最終的に必ず死に至ると分かっている病気の治療を拒否されたりすることについて、ウィリアムズ氏の誤認逮捕事件と同じくらい不快に感じることだろう。個人の自由を守るために、いわばAIの「飛行禁止区域」を設ける必要がある。ある種の重大な決定が人工知能のアルゴリズムによってはじき出された予測結果のみに依存して下されることを絶対に許してはならない。

もう少し明確に言うと、AIにインプットしたデータにも、それに基づいてアウトプットされた結果にもまったく偏見が含まれておらず、透明性と正確性にもまったく問題がないことに、関係するすべての専門家が同意している場合であっても、それをどんな形であれ予測的あるいは実質的決定に使うことを禁止する法令を設けなければならない、ということだ。確かにこれは、数学的な正確さを追求するこの世界にはそぐわないかもしれないが、それでも必要なのである。

人工知能データ保護法第102（b）条は、AIが正確な結果を算出した場合と不正確な結果を算出した場合のどちらのシナリオにおいても適切かつ合理的にデータを保護できる規制である。具体的には次の2つの方法でデータを保護する。

第一に、第102（b）条では、どのような決定においてAIを根拠の全体もしくは一部とすることが禁じられるのかが具体的に指定されている。例えば、対象組織が人工知能のみに依存して決定を下すことがAIの誤用として禁止される場合について列挙されている。それには、個人の新規採用、雇用、懲戒処分、医療行為の拒否または制限、医療行為の範囲について医療保険会社が決定を下す場合などが含まれる。社会で最近生じてきた出来事に照らして考えると、AIが人種差別や保護されたマイノリティに対するハラスメントを助長するツールとして使われるリスクをさらに抑えるために、AI使用禁止対象となる分野は今後拡大していくことだろう。

第二に、第102（b）条では、AIによる分析が全面的に禁止されるわけではないその他の分野については、意思決定のプロセスにおいて必ず人間を関与させることが義務付けられている。

第102（b）条を早急に成立させることによって、立法機関は個人の生活に影響を及ぼす重大な決定が人工知能アルゴリズムによって算出される予測データのみに基づいて下されることを防ぎ、個人の尊厳を守ることができるのである。

関連記事：コロンビアから学ぶ、テック業界と輸送産業の発展を阻む古い規制

カテゴリー：人工知能・AI

タグ：コラム　プライバシー

[原文へ]

（翻訳：Dragonfly）

ロボティクスプラットフォーム「rapyuta.io」提供のRapyuta Roboticsは7月20日、マーキュリアインベストメントおよび伊藤忠商事が共同組成したBizTech ファンド（マーキュリア・ビズテック投資事業有限責任組合）からの資金調達を発表した。調達額は非公開。

調達した資金は、複数・異種ロボットの協調連携を実現する、同社独自の群制御AIおよびソフトウェアの開発に投資する予定。同分野は、まだ世界的にも黎明期にあり、rapyuta.ioの技術を発揮できる分野であること、様々な商品を扱う倉庫物流を自動化する上で不可欠な技術となることから、戦略的な注力分野と位置づけているという。

Rapyuta Roboticsは、チューリッヒ工科大学（ETH Zürich）からスピンオフした大学発スタートアップ。2014年7月設立の同社はEU出資の研究プロジェクト「RoboEarth」出身チームにより日本で創業した。

「ロボットを便利で身近に」をビジョンに掲げ、世界でも最先端の制御技術および人工知能技術を活用した次世代クラウドロボティクス・プラットフォーム「rapyuta.io」を開発。

複数および複数種類のロボットの協調制御を得意としており、特に倉庫物流の自動化に注力している。自律移動ロボットや自動フォークリフト、ロボットアームなど、多種多様、かつ複数のロボットを、クラウドから一括管理し、協調制御や、ロボットナビゲーションなどが可能となる。

また、rapyuta.ioにより、システム構成要素を一から作り上げる必要がなくなり、ユーザーが得意とする技術分野の開発に集中できるとしている。

2020年5月には、このプラットフォーム構想の第1歩として、物流倉庫用協働型ピッキングアシスタントロボット（自律走行型のAMR、Autonomous Mobile Robot）の商用化を実現した。

マーキュリアインベストメントは、日本政策投資銀⾏が中心となり設⽴された、東証一部上場のプライベート・エクイティ投資の運⽤企業。BizTech ファンドは、マーキュリアの戦略株主である伊藤忠商事を中心に、不動産・物流業界の事業会社をパートナーに迎え、当業界の変革に挑戦する企業の⽀援を目的としている。

関連記事
・クラウドロボティクスプラットフォーム開発のRapyuta Roboticsは“物流ロボのサブスク化”を目指す

ボストン拠点のスタートアップであるActiv Surgical（アクティブ・サージカル）は、ARTIS Venturesがリードしたベンチャー投資ラウンドで1500万ドル（約16億円）を調達した。本ラウンドにはLRVHealth、DNS Capital、GreatPoint Ventures、Tao Capital Partners、Rising Tide VCも参加した。この調達によりActiv Surgicalは5月にマーケット投入したソフトウェアプラットフォームを引き続き開発を続けて性能アップを図る。

Activ SurgicalのActivEdgeプラットフォームは、実際の手術中にリアルタイムでデータを集めるために同社が開発したセンサーを搭載した外科用手術具から収集されるデータを使っている。データはさらに、機械学習やAIベースの視覚化の開発に使われる。これらは術中ミスの発生を防ぎ、最終的に患者の術後を改善するのに役立つ。

同社の主な目的は、サージカルビジョンにテクノロジー的なイノベーションをもたらすことだ。サージカルビジョンはまだ、70年以上前から使用されている蛍光染料のような手法に主に頼っている。Activは外科医が自分の目では見ることができないものについてリアルタイムにビジュアルな知見を提供するためにコンピュータービジョンを活用したいと考えている。そして最終的にはそうしたビジュアル知見を、次世代のコラボレーティブな手術ロボットや、ゆくゆくは完全自動のロボ手術を可能にするために活用するという青写真を描いている。

ActivSightはActivEdgeプラットフォームが提供する同社初のプロダクトとなる。既存の腹腔鏡と関節鏡の手術器具に取り付けることができる、小型で接続している画像用器具だ。同社は現在、このハードウェアに関し今年第4四半期までにFDA（米食品医薬品局）から使用許可を取得することを目指して取り組んでいる。また、米国でのパイロット事業で8つの病院と協業している。

同社はこれまでに3200万ドル（約34億円）を調達した。

画像クレジット: Getty Images

[原文へ]

（翻訳：Mizoguchi）