AI とは
人工知能 (AI) は、人間のような問題解決能力を備えたテクノロジーです。駆動中の AI は人間の知性をシミュレートしているように見えます。画像を認識したり、詩を書いたり、データに基づいた予測を行ったりすることができます。
現代の組織は、スマートセンサー、人間が作成したコンテンツ、モニタリングツール、システムログなど、さまざまなソースから大量のデータを収集しています。人工知能技術はデータを分析し、それを使用して事業運営を効果的に支援します。例えば、AI テクノロジーは、カスタマーサポートでの人間の会話に応答したり、マーケティング用のオリジナルの画像やテキストを作成したり、分析のためのスマートな提案を行ったりすることができます。
結局のところ、人工知能とは、カスタマイズされたユーザーインタラクションや複雑な問題解決のためのソフトウェアをよりスマートにすることです。
AI テクノロジーにはどのような種類がありますか?
AI アプリケーションとテクノロジーは、ここ数年で飛躍的に増加しています。お客様がこれまでに目にした可能性があるいくつかの一般的な AI テクノロジーの例を以下に示します。
AI の歴史
1950 年の論文「Computing Machinery and Intelligence」の中で、Alan Turing 氏は機械が考えることができるかどうかを考察しました。この論文では、チューリングが最初に「人工知能」という用語を作り出し、それを理論的および哲学的概念として提示しました。 しかし、今日私たちが認識しているように、AI は多くの科学者とエンジニアが数十年にわたってともに取り組んできた成果です。
1940 年～1980 年
1943 年、Warren McCulloch 氏と Walter Pitts 氏は人工ニューロンのモデルを提案し、AI におけるコアテクノロジーであるニューラルネットワークの基礎を築きました。
その直後の 1950 年、Alan Turing 氏が『Computing Machinery and Intelligence』を出版し、マシンインテリジェンスを評価するための Turing テストの概念を世に広めました。
これは、大学院生の Marvin Minsky 氏と Dean Edmonds 氏が SNARC として知られる最初のニューラルネットマシンを構築し、Frank Rosenblatt 氏がニューラルネットワークの最も初期のモデルの 1 つである Perceptron を開発し、Joseph Weizenbaum 氏が 1951 年から 1969 年の間にロジェリアンの心理療法士をシミュレートした最初のチャットボットの 1 つである ELIZA を作成することにつながりました。
1969 年から 1979 年にかけて、Marvin Minsky 氏は、ニューラルネットワークの限界を実証しました。その結果、ニューラルネットワークの研究は一時的に衰退しました。最初の「AI の冬」は、資金の削減と、ハードウェアおよびコンピューティングの限界を理由として発生しました。
1980 年～2006 年
1980 年代には、主に翻訳と文字起こしにおける AI 研究への関心が再び高まり、政府からの資金援助を呼び込みました。この間、MYCIN などのエキスパートシステムは、医学などの特定の領域における人間の意思決定プロセスをシミュレートすることで人気を博しました。1980 年代にニューラルネットワークが再び盛り上がりを見せたことで、David Rumelhart 氏と John Hopfield 氏は、深層学習の手法に関する論文を発表し、コンピュータが経験から学ぶことができることを示しました
1987 年から 1997 年にかけて、他の社会経済的要因とドットコムブームを理由として、第 2 の AI の冬が訪れました。チームがさまざまなユースケースにわたってドメイン固有の問題を解決するようになり、AI 研究はより細分化されました。
1997 年から 2006 年頃にかけて、IBM の Deep Blue チェスソフトウェアが、チェスの世界チャンピオンである Garry Kasparov 氏を破るなど、AI の分野で大きな成果が見られました。これに加えて、Judea Pearl 氏は、AI 研究における確率論と決定理論を扱った書籍を出版し、Geoffrey Hinton 氏らは深層学習を普及させ、ニューラルネットワークの再興につながりました。しかし、商業的利益は依然として限られていました。
2007 年～現在
2007 年から 2018 年にかけて、クラウドコンピューティングの進歩により、コンピューティング能力と AI インフラストラクチャがより利用しやすくなりました。このことは、機械学習の採用、イノベーション、進歩の拡大につながりました。進歩としては、Alex Krizhevsky 氏、Ilya Sutskever 氏、Geoffrey Hinton 氏が開発した AlexNet と呼ばれる畳み込みニューラルネットワーク (CNN) アーキテクチャが ImageNet コンペティションで優勝し、画像認識における深層学習の力を示したことなどがあります。また、Google の AlphaZero は、人間のデータなしで Self-play に依拠して、チェス、将棋、囲碁をマスターしました。
2022 年、人工知能 (AI) と自然言語処理 (NLP) を使用して、OpenAI の ChatGPT のように人間のような会話をし、タスクを完了するチャットボットは、その会話能力で広く知られるようになり、AI への関心があらためて高まり、開発が促進されました。
未来の AI
現在の人工知能技術はすべて、あらかじめ決められたパラメーターのセット内で機能します。たとえば、画像認識と生成のトレーニングを受けた AI モデルでは、Web サイトを構築できません。
AGI は、人間のような知能と自己学習能力を備えたソフトウェアを作成しようとする理論的 AI 研究分野です。目的は、トレーニングや開発が行われているとは限らないタスクをソフトウェアで実行することです。
AGI は、自律的な自己制御、合理的な自己理解、新しいスキルを習得する能力を備えた AI システムを開発するための理論的追求です。作成時には教えられていなかった設定や状況における複雑な問題を解決できます。人間の能力を備えた AGI は、依然として理論的な概念であり、研究目標でもあります。これは AI の未来の可能性の 1 つです。
今日、AI はどのように使用されていますか?
今日、AI はあらゆる場面で利用されており、お気に入りのアプリケーションを強化するために舞台裏で機能しています。
ビジネス向けの人工知能の例
人工知能には幅広い用途があります。すべてを網羅しているわけではありませんが、ここでは組織向けの AI の多様なユースケースに焦点を当てた例をご紹介します。
チャットボットとスマートアシスタント
AI 搭載のチャットボットとスマートアシスタントは、より高度で人間のような会話をします。複雑な自然言語のコンテキストを理解し、顧客からの問い合わせに対して首尾一貫した回答を生成できます。カスタマーサポート、バーチャルアシスタンス、コンテンツ生成に優れており、パーソナライズされたインタラクションを行います。これらのモデルの継続的な学習機能により、時間の経過とともに適応させてパフォーマンスを向上させることができ、ユーザーエクスペリエンスと効率が向上します。
例えば、世界最大のオンラインブローカーの 1 つである Deriv は、さまざまなプラットフォームに分散された膨大な量のデータにアクセスするという課題に直面していました。AI を活用したアシスタントを実装して、カスタマーサポート、マーケティング、採用にかけた複数のソースからデータを取得して処理しました。Deriv は AI を活用して、新入社員のオンボーディングに費やす時間を 45% 削減し、採用作業時間を 50% 短縮しました。
インテリジェントなドキュメント処理
インテリジェントドキュメント処理 (IDP) は、構造化されていないドキュメント形式を使用可能なデータに変換します。例えば、電子メール、画像、PDF などのビジネス文書を構造化された情報に変換します。IDP は、自然言語処理 (NLP)、深層学習、コンピュータビジョンなどの AI テクノロジーを使用して、データの抽出、分類、検証を行います。
例えば、HM Land Registry (HMLR) は、イングランドとウェールズの 87％ 以上の不動産所有権を扱っています。HMLR のケースワーカーは、不動産取引に関連する複雑な法的文書を比較および審査します。この組織は、文書の比較を自動化する AI アプリケーションを導入しました。これにより、レビュー時間が 50% 短縮され、不動産譲渡の承認プロセスが強化されました。詳細については、HMLR が Amazon Textract をどのように使用しているかをご覧ください。
アプリケーションパフォーマンスモニタリング
アプリケーションパフォーマンスモニタリング (APM) は、ソフトウェアツールとテレメトリデータを使用して、ビジネスクリティカルなアプリケーションのパフォーマンスをモニタリングするプロセスです。AI ベースの APM ツールは、履歴データを使用して問題が発生する前に予測します。また、デベロッパーに実用的な解決策を提案することで、問題をリアルタイムで解決することもできます。この戦略により、アプリケーションの効果的な稼働が維持され、ボトルネックが解消されます。
例えば、Atlassian はチームワークと組織を効率化する製品を製造しています。Atlassian は AI APM ツールを使用して、アプリケーションを継続的にモニタリングし、潜在的な問題を検出して、重大度の優先順位付けを行っています。この機能により、チームは機械学習を活用した推奨事項に迅速に対応し、パフォーマンスの低下を解決できます。
予知保全
AI を活用した予知保全は、大量のデータを使用して、運用、システム、またはサービスのダウンタイムにつながる可能性のある問題を特定します。予知保全により、企業は潜在的な問題が発生する前に対処できるため、ダウンタイムが短縮され、中断を防ぐことができます。
例えば、Baxter は世界中に 70 の製造拠点を構え、24 時間 365 日体制で医療技術を提供しています。Baxter は予知保全を採用して、産業機器の異常状態を自動的に検出しています。ユーザーは効果的なソリューションを事前に実装して、ダウンタイムを減らし、運用効率を向上させることができます。詳細については、Baxter が Amazon Monitron をどのように使用しているかをご覧ください。
医学研究
医学研究では、AI を使用してプロセスを合理化し、反復的なタスクを自動化して、大量のデータを処理しています。AI テクノロジーを医学研究に使用することで、医薬品の発見と開発をエンドツーエンドで促進し、医療記録を転記し、新製品の市場投入までの時間を短縮できます。
実際の例として、C2i Genomics は人工知能を使用して、大規模でカスタマイズ可能なゲノムパイプラインと臨床検査を実施しています。計算ソリューションをカバーすることで、研究者は臨床パフォーマンスと方法開発に集中できます。また、エンジニアリングチームは AI を活用してリソースの需要、エンジニアリングのメンテナンス、NRE コストを削減しています。詳細については、C2i Genomics が AWS HealthOmics をどのように使用しているかをご覧ください。
ビジネスにとっての人工知能の利点
組織は AI 機能を統合して、ビジネスプロセスを最適化し、カスタマーエクスペリエンスを改善するとともに、イノベーションを加速できます。
機械学習、深層学習、人工知能の違いは何でしょうか?
人工知能 (AI) は、機械をより人間らしいものにするためのさまざまな戦略と技術の総称です。AI には、自動運転車から、ロボット掃除機や Alexa のようなスマートアシスタントまで、あらゆるものが含まれます。機械学習と深層学習は AI に包含されますが、すべての AI アクティビティが機械学習と深層学習であるとは限りません。例えば、深層学習の非常に高度な形態である生成 AI は人間のような創造力を発揮します。
機械学習
人工知能と機械学習という用語は多くの場所で同じ意味で使われていますが、厳密には機械学習は人工知能の他の多くの分野の 1 つです。これは、データを相関させるためのアルゴリズムと統計モデルを開発する科学です。コンピュータシステムは、機械学習アルゴリズムを使用して、大量の履歴データを処理し、データパターンを識別します。現況では、機械学習とは、機械学習モデルと呼ばれる一連の統計的手法を指します。このような手法は、単独で使用することも、他のより複雑な AI 手法をサポートすることもできます。
深層学習
深層学習は機械学習をさらに一歩進めます。深層学習モデルは、連携して情報を学習および処理するニューラルネットワークを使用します。これらは数百万のソフトウェアコンポーネントで構成され、小さなデータ単位で微細な数学演算を実行してより大きな問題を解決します。例えば、画像内の個々のピクセルを処理してその画像を分類します。現代の AI システムは、多くの場合、複数のディープニューラルネットワークを組み合わせて、詩を書いたり、テキストプロンプトから画像を作成したりするなどの複雑なタスクを実行します。
人工知能はどのように機能しますか?
人工知能システムは、さまざまなテクノロジーを使用して機能します。具体的な内容はさまざまですが、基本的な原則は変わりません。つまり、テキスト、画像、動画、音声などのすべてのデータタイプを数値表現に変換し、それらの間のパターンと関係を数学的に識別することです。したがって、人工知能技術にはトレーニングが必要です。それにより、人間が既存の知識アーカイブから学ぶのと同様に、「学習」するために大量の既存のデータセットにさらされます。人工知能を機能させる技術のいくつかを以下に示します。
ニューラルネットワーク
人工ニューラルネットワークは、人工知能技術の中核を成しています。それらは人間の脳で起こる処理を反映しています。脳には、情報を処理および分析する何百万ものニューロンが含まれています。人工ニューラルネットワークは、情報をまとめて処理する人工ニューロンを使用します。各人工ニューロンまたはノードは、数学計算を使用して情報を処理し、複雑な問題を解決します。
自然言語処理
自然言語処理 (NLP) では、ニューラルネットワークを使用してテキストデータの意味を解釈、理解、収集を行います。人間の言語の解読と理解に特化したさまざまなコンピューティング技術を使用しています。これらの技術により、機械は単語、文法構文、単語の組み合わせを処理して人間のテキストを処理したり、新しいテキストを生成したりすることができます。自然言語処理は、文書の要約、チャットボット、感情分析の実施に不可欠です。
コンピュータビジョン
コンピュータビジョンは、深層学習技術を使用して、動画や画像から情報や洞察を抽出します。それを使用して、オンラインコンテンツに不適切な画像がないか監視したり、顔を認識したり、画像の詳細を分類したりできます。自動運転車やトラックでは、環境を監視し、瞬時に決定を下すことが不可欠です。
音声認識
音声認識ソフトウェアは、深層学習モデルを使用して人間の音声を解釈し、単語を識別し、意味を検出します。ニューラルネットワークは、音声をテキストに書き起こし、声の感情を示すことができます。バーチャルアシスタントやコールセンターソフトウェアなどのテクノロジーでは、音声認識を使用して意味を識別し、関連するタスクを実行できます。
生成 AI
生成 AI とは、単純なテキストプロンプトから画像、動画、テキスト、音声などの新しいコンテンツやアーティファクトを作成する人工知能システムをいいます。データ分析に限定された従来の AI とは異なり、生成 AI は深層学習と大量のデータセットを活用して、高品質で人間のようなクリエイティブなアウトプットを生み出します。刺激的でクリエイティブなアプリケーションを可能にする一方で、偏見、有害なコンテンツ、知的財産に関する懸念も存在します。全体として、生成 AI は、人間の言語や新しいコンテンツやアーティファクトを人間のように生成するための AI 機能を大きく進化させたものです。
AI アプリケーションアーキテクチャの主要なコンポーネントは何ですか?
人工知能アーキテクチャは 3 つのコアレイヤーで構成されています。すべてのレイヤーは、AI に必要なコンピューティングリソースとメモリリソースを提供する IT インフラストラクチャ上で実行されます。
初心者向け AI トレーニングオプション
AI トレーニングは通常、プログラミングとコンピューターサイエンスの基礎から始まります。数学、統計学、線形代数とともに、Python などの言語を学ぶ必要があります。
その後、より専門的なトレーニングに進むことができます。人工知能、機械学習、またはデータサイエンスの修士号を取得して、理解を深め、実践的な経験を積んでください。これらのプログラムでは通常、ニューラルネットワーク、自然言語処理、コンピュータビジョンなどのトピックを詳細に扱います。
ただし、正規教育だけが唯一の道ではありません。オンラインコースを使用して自分のペースで学習し、特定のスキルを習得できます。たとえば、 の AWS での生成 AI トレーニングには、次のようなトピックに関する AWS エキスパートによる認定が含まれます：
人工知能の実装における課題は何ですか?
いくつかの課題が AI の実装と使用を複雑にしています。最も一般的な課題となっている障害のいくつかを以下に示します。
AI ガバナンス
データガバナンスポリシーは、規制上の制限とプライバシー法を遵守する必要があります。AI を実装するには、データ品質、プライバシー、セキュリティを管理する必要があります。顧客データおよびプライバシー保護について責任を負うことになります。データセキュリティを管理するには、組織は AI モデルが各レイヤーの顧客データをどのように使用し、インタラクションするかを理解している必要があります。
データ制限
偏りのない AI システムをトレーニングするには、大量のデータを入力する必要があります。トレーニングデータを取り扱い処理するのに十分なストレージ容量が必要です。同様に、トレーニングに使用するデータの正確性を確保するには、効果的な管理プロセスとデータ品質プロセスを導入する必要があります。
責任ある AI
責任ある AI とは、AI システムの社会的および環境的影響を大規模に考慮した AI 開発です。他の新しいテクノロジーと同様に、人工知能システムはユーザー、社会、環境に変革をもたらします。責任ある AI を実現するには、好ましい影響力を高め、AI の開発と利用方法に関する公平性と透明性を優先させる必要があります。責任ある AI は、AI の革新とデータ主導の意思決定により、市民的自由と人権が侵害されないようにします。組織は、急速に発展する AI 分野で競争力を維持しながら、責任ある AI を構築することが難しいと感じています。
技術的な問題
機械学習で AI をトレーニングすると、膨大なリソースを消費します。深層学習テクノロジーが機能するためには、高い処理能力の閾値が不可欠です。AI アプリケーションを実行し、モデルをトレーニングするには、堅牢な計算インフラストラクチャが必要です。処理能力にはコストがかかり、AI システムのスケーラビリティが制限されることがあります。
AWS は人工知能の要件をどのようにサポートできますか?
AWS を利用することで、ビルダーやデータサイエンティストからビジネスアナリストや学生に至るまで、より多くの人々が AI にアクセスできるようになります。AWS は、最も包括的な一連の AI サービス、ツール、リソースにより、100,000 を超えるお客様のビジネスの要求を満たし、データの価値を最大限引き出すために、深い専門知識を活用しています。お客様は AWS を利用して、プライバシー、エンドツーエンドのセキュリティ、AI ガバナンスの基盤を構築およびスケールし、前例のない速度で変革できます。AI on AWS には、既成のインテリジェンスのための事前トレーニング済みの AI サービスと AI インフラストラクチャが含まれ、パフォーマンスを最大化してコストを削減できます。