生成型 AI と AI: ビジネスを前進させるための適切なテクノロジーの選択

公開: 2023-11-23

人工知能 (AI) は、機械学習、自然言語処理、コンピュータービジョン、ロボットシステム、そして最近では生成 AI を含む広範な用語です。

生成型 AI が急速に進化しているため、企業はそのテクノロジーから得られる利点、AI と生成型 AI の違いは何なのか、問題の解決にはどのテクノロジーが適しているのかを理解しようとしています。信頼できる生成 AI 開発会社として、私たちはあなたの質問に答えるためにこの記事を書きました。

読み続けてください。さらに質問がある場合は、遠慮せずにお問い合わせください。

AIと生成AIの違いは何ですか?

AI と生成 AI はどちらも、適切な問題に適用すれば、ビジネスの再構築、コストの削減、運用の最適化に役立つ強力なテクノロジーです。

各テクノロジーがどのような問題に対処できるか、またどのような課題が生じるかを見てみましょう。

AIを理解する

AI は、大量のデータを非常に高速に分析し、通常は人間の知能を必要とする複雑なタスクを実行することに特化しています。 AI アルゴリズムはデータを研究、分析し、発見されたルールとパターンに基づいて意思決定を行います。このテクノロジーは、データの最適化、異常検出、データのクラスタリングにも役立ちます。

冒頭で述べたように、AI にはいくつかのサブタイプがあります。

機械学習:これらのアルゴリズムは、構造化データ、半構造化データ、および非構造化データに基づいてトレーニングされ、パターンを発見し、それに基づいて意思決定と予測を行います。
自然言語処理 (NLP): NLP では、非構造化人間の言語からデータを抽出できます。これにより、機械が人間の書き言葉または話し言葉を理解できるようになります。
コンピュータービジョン:これらのモデルは視覚情報を解釈できます。画像やビデオから洞察を分析して抽出し、アクションや推奨事項でそれに対応できます。
ロボットシステム:さまざまなタスクを実行し、環境と対話するように訓練された (半) 自律型のマシンです。

AI は多用途であり、アルゴリズムのトレーニング内容に応じて、さまざまな役割を引き継ぐことができます。

たとえば、1 つの AI モデルは経営陣が情報に基づいたビジネス上の意思決定を行うのに役立ち、別の AI モデルは工場の機械の故障を発見し、3 つ目の AI モデルは自動運転車を運転し、4 つ目の AI モデルはビジネスデータの異常を検出してサイバー攻撃から守ります。アクセス。

AI をどこで使用するか?

アルゴリズムがパターンを学習し、それに基づいて意思決定できるあらゆるコンテキストに AI を導入できます。以下にいくつかのアプリケーション例を示します。

AI が大量の過去のデータを分析し、人間の目から逃れることができるパターンを発見することで、ビジネス上の意思決定をサポートします。
反復的な手動タスクを自動化して効率を向上させます。
高度なナビゲーション機能と意思決定機能を備えた自動運転車の運転。
データアクセスやネットワーク侵入を監視することでサイバーセキュリティの異常を検出したり、予知保全のために製造装置の異常を特定したりする。
顔認証や生体認証技術によるセキュリティ対策の強化。
音声認識技術を使用して、話し言葉を正確に転写します。
レコメンデーションエンジンを強化して、e コマース Web サイトで製品の提案をパーソナライズします。

AI をビジネスに導入する方法に関する詳細なガイドをご覧ください (無料の電子ブック付き)。

制限事項

一部の AI アルゴリズムは、特定のタスクを実行するように設計およびトレーニングされており、新しい状況に適応できません。新しいカテゴリの入力データなどの変動に直面した場合、これらのアルゴリズムは変更に対応するために再トレーニングする必要があります。
AI はトレーニングデータに過剰適合する可能性があります。つまり、アルゴリズムは特定の問題の解決には優れていますが、馴染みのないデータに直面すると失敗します。
従来の機械学習モデルなどの一部の AI アルゴリズムは、前処理なしでは非構造化データを処理できません。
ほとんどの AI モデルは、周囲のコンテキストを理解せずに、特定の問題を単独で検討します。また、コンテキストを考慮するようにアルゴリズムを教えることができたとしても、かなりコストがかかり、膨大な計算能力が必要になります。
AI は人間の知能を模倣していますが、人間レベルの推論能力は持っていません。
AI モデルはトレーニングデータに大きく依存しており、固有のバイアスがあればそれを採用します。
深層学習モデルでは、特定の出力がどのようにして得られるのかを説明できず、AI を組み込んだ医療ソフトウェアや製造ソフトウェアなど、一部のアプリケーションでは受け入れられない可能性があります。しかし、必要に応じて説明可能な AI に移行する可能性はあります。これらのアルゴリズムは強力ではありませんが、結果がどこから来たのかがわかります。

生成 AI を理解する

生成 AI の主な目的は、あたかも人間が作成したかのようなテキスト、音楽、画像などの新しいコンテンツを作成することです。大規模なデータセットでトレーニングされ、パターンを発見し、新しいものを生成しますが、テクノロジーがトレーニングデータセットから学習したルールに準拠しています。

多くの人がこのコンテンツをオリジナルだと考えていますが、生成 AI モデルは人間の創造性を大量に活用して「独自の」作品を生み出します。以下でわかるように、これにより著作権紛争が発生する可能性があります。

生成 AI アルゴリズムの特徴は何ですか?

生成 AI はパターンを学習するだけではありません。代わりに、このテクノロジーはトレーニングデータを詳しく調べて、独自に組み合わせたり置き換えたりできる機能を学習します。

シーケンス分析の場合、生成 AI モデルは主に、「注意」の概念を導入するトランスフォーマーアーキテクチャに基づいています。これは、アルゴリズムが膨大なデータセットを入力として受け取ることができることを意味します。これは、数十億のテキストページについて話していますが、文間だけでなく、章間、さらには書籍間の接続を維持して、複雑なパターンを検出することができます。この能力はテキストに適用されるだけでなく、DNA 配列、音楽、その他のコンテンツの分析にも応用できます。

ジェネレーティブ AI をどこで使用するか?

生成 AI は、想像力と創造性が必要なビジネスユースケースに適用できます。ここではいくつかの例を示します。

歌、音楽、絵、ファッションアイテムのデザインなどのアートを生み出す
研究目的および AI モデルのトレーニング用の合成データセットの作成
新製品の設計
研究論文とコードスクリプトの作成
製品デモビデオやその他の資料の作成
マーケティングキャンペーンを個々のユーザーに合わせてカスタマイズする
新規医薬品化合物の提案
複雑な文章をより分かりやすく要約する
法律分野での法廷弁論を生み出すための証拠の研究

制限事項

生成 AI は深刻な著作権紛争を引き起こす可能性があります。コンテンツを独自に作成する前に、人間が作成した大量のコンテンツをアルゴリズムが分析します。その結果、Gen AI コンテンツがトレーニングデータに非常によく似ている場合があります。 Drake と The Weekend の曲でトレーニングされた音楽生成アルゴリズムについて聞いたことがあるかもしれません。ファンに好評を博した音楽が生み出されましたが、著作権の問題により破棄されなければなりませんでした。同様のケースは他のアーティストでも起こっています。
アルゴリズムには機密情報が漏洩する可能性があります。これには、例えば、医療現場での患者データの公開などが含まれます。
生成 AI モデルは幻覚を起こす可能性があり、事実としては間違っている合理的な答えを自信を持って与えることができます。たとえば、Stack Overflow は技術的な質問に対する AI の回答の一部をレビューしたところ、回答が多くの場合不正確であることが判明しました。
自己認識を持たない生成型 AI は、奇妙で攻撃的なコメントを思いつくこともあります。その好例はマイクロソフトの生成AIチャットボットで、テクノロジー担当記者マット・オブライエンとの会話の中で彼を繰り返し太っていて醜いと呼び、さらにはヒトラーとさえ比較した。このインシデントは、アルゴリズムの潜在的な感度と、AI 通信における安全対策の重要な必要性を浮き彫りにしました。
生成 AI モデルは出典を明示していないため、生成された情報を検証するのは困難です。さらに、これらのモデルには現時点では説明可能な AI に相当する機能がありません。

生成 AI と AI の概要

要約すると、AI はデータの分析と意思決定に優れた、情報に精通した戦略家のようなものです。 Generative AI は、斬新で創造的なコンテンツを生み出すアーティストです。

さまざまな業界における AI と生成 AI

これら 3 つの例の分野で、生成 AI と AI アプリケーションがどのように異なるかを見てみましょう。

健康管理

AI は医療分野でさまざまな応用が可能です。最も顕著なものを以下に示します。

ロボット支援手術とロボット看護師の実現
診察の文字起こしや患者の詳細情報の EHR への入力などの管理タスクを自動化します。
放射線科医による腫瘍の検出と診断を支援
参加者を募集し、遵守状況を監視することで臨床試験を支援します。
医療IoTと連携して遠隔患者モニタリングをサポート
処方ミスの検出

さらに、AI はスマート病院を実現する重要なテクノロジーの 1 つです。

私たちがすでに確立したように、生成 AI は新しいコンテンツの作成に焦点を当てており、そのアプリケーションはよりクリエイティブな側面にあります。これを実現したい場合は、生成 AI を導入します。

学生とインターン向けにさまざまなトレーニングシナリオを生成
合成医療データを考え出す
新しい分子と新しい薬剤化合物を設計する
医師が患者の医療記録を照会できるようにする
患者からのフィードバック調査を作成する

さらにインスピレーションが必要な場合は、医療における生成 AI の使用例に関する最近の記事を参照してください。

ヘルスケアにおける AI の実例

マサチューセッツ総合がんセンターは、MIT と共同で、乳がんを検出できる AI システムである Sybil を開発しました。このモデルは低線量胸部コンピューター断層撮影スキャンと連携し、患者が今後 6 年間に乳がんを発症するかどうかを予測できます。
AiCure は、治験の規則に違反する可能性のある臨床試験参加者を発見できる、AI を活用した対話型医療アシスタントを提供します。このソリューションを使用すると、参加者は服薬遵守の証拠として、自分自身が服薬しているビデオを撮影することもできます。

医療における生成 AI の実例

トロント大学の研究者らは、新規で現実的なタンパク質を生成できるモデルを構築しました。彼らは、別の AI ツールである OmegaFold を使用して、得られたタンパク質の可能性を評価しました。その結果、ほとんどの配列が実際のタンパク質構造に折り畳まれていることを確認して嬉しい驚きを感じました。
別の研究チームは、臨床試験に必要な特性を備えた現実的な合成患者データを作成できる生成 AI モデルを開発しました。

小売と電子商取引

小売業における生成 AI と AI を比較すると、従来の AI は、仮想および物理店舗のオーナーに強力な分析、勤勉なロボット、精力的な店舗監視を提供できます。ここでは、小売業における AI の応用例をさらに詳しく説明します。

店内ナビゲーションで顧客をサポート
配達の梱包と補充のための AI 搭載ロボット
自動運転配送車両
コンピュータビジョンを通じて万引きや恋人関係の出来事を発見
セルフチェックアウトを有効にする
より適切な情報に基づいた顧客のセグメンテーション、製品の推奨、価格の最適化

一方、生成 AI は、次のようなより創造的なタスクを通じて顧客を引き付け、社内業務を最適化できます。

カスタマイズされたマーケティングキャンペーンの作成
SEO 指向のコンテンツを作成して e コマースストアにトラフィックを集める
没入型テクノロジーと連携して、衣服、靴、アクセサリーの仮想試着室を提供
需要の予測

小売業における Gen AI アプリケーションの詳細については、当社のブログをご覧ください。

小売業における AI の実例

私たちのポートフォリオには 2 つの興味深い例があります。

ITRex は、大手小売業者が AI 主導のビジネスインテリジェンスプラットフォームを構築するのを支援しました。これにより、クライアントの従業員は、技術的なスキルを習得することなく、組織全体からデータを取得して分析し、複雑なレポートを作成し、データを視覚化できるようになりました。
私たちのチームは、チェックアウト不要のショッピングのための ML ベースのソリューションを実装しました。コンピュータービジョンと天井に取り付けられたカメラを使用して、消費者の動きを監視し、店の棚から手に取った商品を識別します。このシステムは、スペースを再設計することなく、あらゆる店舗をチェックアウト不要の形式に変えることができます。

小売業における生成 AI の例

カルフールは ChatGPT ベースのチャットボットを導入し、予算と購入履歴に基づいて消費者にパーソナライズされたショッピングのヒントを提案しました
ウォルマートは AI を活用した生成システムを使用して需要を予測し、ウォルマートの各店舗で顧客がどの商品を必要とするかを予測しています

メディアとエンターテイメント

メディアとエンターテイメントはクリエイティブな分野であるため、生成 AI が活躍できる分野です。しかし、これは、前述した著作権の問題がさらに懸念される可能性がある場所でもあります。テクノロジーで何ができるかがここにあります。

アート、脚本、音楽、記事の制作
ユーザーの好みに基づいてビデオを編集する
長時間の読書、ポッドキャスト、スポーツイベント、その他の長いコンテンツの要約
キャプションや説明などのビデオメタデータの生成
新しい没入型ゲーム、および既存のゲームの新しい設定やキャラクターのデザイン
チャットボットと音声インタラクションを通じて視聴者を魅了する
映画のリアルな背景と視覚効果を生成する
仮想現実設定の制作

視聴者のエンゲージメントと満足度を向上させるために分析すべきデータが大量にあるため、クラシック AI にはこの分野でも興味深い応用例があります。ここではいくつかの使用例を示します。

ユーザーの行動と好みを分析してパーソナライズされたコンテンツを推奨する
著作権侵害の検出
ソーシャルメディア上の顧客感情の測定
ノイズを削減し、解像度を向上させることでビデオ品質を向上させます。
コンテンツのトレンドを予測する
AI アルゴリズムによるコンテンツフィルタリングにより、不適切なテキストやビデオを特定してブロックできます。

メディア分野における AI の例

Netflix は AI アルゴリズムを採用してユーザーデータを分析し、俳優、ジャンル、ユーザーの視聴習慣などの情報に基づいてコンテンツの推奨を提供します。 Netflix は、視聴されたすべてのコンテンツの約 80% が AI レコメンデーションシステムによって提案されていると主張しています。

また、当社のポートフォリオには、大手ソーシャルネットワーキングアプリ開発者が ITRex を利用して ML を利用した自動コンテンツポリシングソリューションを構築したプロジェクトがあります。私たちは、ライブストリームを分析して対応するアクションを実行できるコンピュータービジョンモデルを開発し、MLOps のベストプラクティスを活用してアルゴリズムの展開を高速化しました。

メディアおよびエンターテイメント分野における生成 AI の例

Runway の Generative AI は、映画「Everything Everywhere All at Once」の制作に幅広く貢献し、リアルな背景要素と視覚効果を作成しました。この映画はアカデミー賞を7部門受賞しました。

最終的な考え

上記の例からわかるように、確かな分析力を求めている場合、意思決定の支援が必要な場合、AI 搭載ロボットを使用したい場合、または退屈で単調な手動タスクを自動化したい場合、AI は会社にとって価値のある追加物となり得ます。しかし、創造性と想像力を提供し、何か新しいものを生み出せるテクノロジーが必要な場合は、生成 AI の方が適しています。

技術的な観点から見ると、生成 AI は人間の思考を模倣することを目的としているため、より複雑ですが、AI の目標は、モデルがトレーニングされた具体的なタスクを実行することです。生成 AI では、何が正しくて何が間違っているかを明確に区別することはできません。人間の解釈に依存するため、そのパフォーマンスを評価するのは困難です。

生成 AI はより多くの計算リソースを消費し、構築、トレーニング、微調整にかかる費用も高くなります。 AI の導入にかかる費用の詳細については、当社のブログをご覧ください。生成 AI については同様の数字がまだないため、このトピックについて詳しく知ることに注目してください。しかし、生成 AI モデルをゼロから構築するのは大変な作業であるとすでに言えます。比較のために、推定によると、OpenAI は約 45 テラバイトのテキストデータで ChatGPT-3 をトレーニングしました。これは100万フィートの本棚スペースに相当します。それには数百万かかるでしょう。したがって、モデルを最初から作成するのではなく、既存のモデルを微調整する必要がある場合があります。

しかし、生成 AI は比較的新しいものです。そもそも信じるべきでしょうか？

誰かが高層ビルの建設にバターが良い理由を説明するようにAIに求めたときのような、生成AIの失敗について私たちは絶えず聞いていますが、アルゴリズムは喜んでこの主張を裏付ける議論を生成しました。はい、こういったことが起こります。ただし、このテクノロジーは状況理解、共感、社会規範ではなく、数学的モデルに基づいて意思決定を行うことに注意してください。生成 AI は、その目的で構築されたタスクを非常に得意とします。

最後に、必ずしも生成 AI 対 AI である必要はありません。生成 AI は、他の AI サブタイプと連携して、ビジネス上の問題に対してさらに強力なソリューションを生み出すことができます。 AI 開発会社に相談して、どのソリューションが自社に最適であるか、または両方のテクノロジーを組み合わせて最適な結果を得る方法を理解してください。

AI を導入したいと考えていますが、どのサブタイプがビジネスニーズに最適であるかわかりませんか? ぜひご連絡ください。私たちのチームは、適切なアルゴリズムの実装/微調整を支援し、ワークフローに統合します。

この記事は元々 itrex Web サイトに掲載されたものです。