AI用語解説 AIコンパス | ページ 9 | 最新のAIがよく分かる解説

SOTAとは？AI・機械学習で使われる最高性能の意味をわかりやすく解説

「最先端技術」や「最高水準」を意味する「ソータ」という言葉を聞いたことがありますか？これは、英語の「State-Of-The-Art」の略で、ある特定の課題や分野において、現在達成できる最高性能のことを指します。研究開発の現場では、この「ソータ」という用語が頻繁に使われています。例えば、画像を認識する精度を競う競技会で、ある計算方法がこれまでの最高記録を塗り替えたとしましょう。この時、その計算方法は「ソータ」を達成した、と言えます。「ソータ」は、常に変わり続けるものです。技術が進歩するにつれて、その基準も高くなっていきます。ある時点で「ソータ」とされていた技術も、時間の流れとともに、さらに優れた技術に置き換えられてしまう可能性があります。少し具体的な例を挙げてみましょう。自動運転の技術開発において、障害物を認識する精度はとても重要です。以前は、カメラの映像のみで障害物を認識していましたが、認識精度に限界がありました。しかし、レーザー光を利用したセンサー技術が登場したことで、障害物認識の精度は飛躍的に向上し、新たな「ソータ」となりました。このように、「ソータ」は常に進化し続けています。常に最新の研究成果に注目し続けることで、技術の進歩を理解し、新たな可能性を探ることが可能になります。私たちも日々の生活の中で、様々な製品やサービスに触れる中で、「ソータ」となる技術革新に目を向け、その進化を体感してみましょう。また、ある分野で「ソータ」を達成した技術が、他の分野にも応用されることもあります。例えば、画像認識技術の進歩は、医療診断や工場の自動化など、様々な分野で活用されています。このように、「ソータ」を追いかけることは、他の分野の発展にも繋がる可能性を秘めているのです。

生成AIの様々な活用法

近年、『生成人工知能』という言葉をよく聞くようになりました。生成人工知能とは、人の知恵を模倣した技術の一種で、文章や絵、音声、計算手順などを新しく作り出すことができます。この技術は、まるで魔法のように私たちの指示に従って様々なものを作り出すため、近年急速に発展し、私たちの暮らしや仕事に大きな変化をもたらすと考えられています。例えば、文章作成の場合を考えてみましょう。今まで、私たちは自分の頭で考え、キーボードを使って文字を入力することで文章を作成していました。しかし、生成人工知能を使えば、キーワードやテーマを与えるだけで、人工知能が自動的に文章を作成してくれるのです。これは、私たちが時間をかけて行っていた作業を大幅に短縮し、より多くの時間を他の重要な業務に充てることを可能にします。また、絵を描く作業も大きく変わります。これまで、絵を描くには特別な技術や訓練が必要でした。しかし、生成人工知能を使えば、簡単な言葉で指示するだけで、人工知能が私たちの思い描いた通りの絵を描いてくれるのです。これは、絵を描くことが苦手な人でも、自分のアイデアを形にすることを可能にします。さらに、音声や計算手順の作成も、生成人工知能によって大きく変わります。音声合成技術を使えば、人工知能がまるで人間のように自然な音声で文章を読み上げてくれるようになります。また、プログラム作成支援機能を使えば、人工知能が複雑な計算手順を自動的に生成してくれるようになります。このように、生成人工知能は私たちの創造性や生産性を飛躍的に向上させる可能性を秘めています。この革新的な技術は、私たちの暮らしをどのように変え、未来にどのような影響を与えるのでしょうか。これから、生成人工知能の様々な活用方法を詳しく見ていくことで、その可能性を探っていきましょう。

L1正則化：次元圧縮でモデルをシンプルに

機械学習の目的は、未知のデータに対しても高い予測精度を持つモデルを作ることです。しかし、訓練データに過度に適合してしまうと、未知のデータに対する予測精度が下がる「過学習」という問題が発生します。この過学習を防ぐための有効な手法の一つが、正則化です。正則化には、L1正則化、L2正則化など様々な種類がありますが、ここではL1正則化について詳しく説明します。 L1正則化は、モデルのパラメータの絶対値の和を損失関数に加えることで、モデルの複雑さを抑える手法です。損失関数とは、モデルの予測値と実際の値とのずれを表す指標で、この値が小さいほどモデルの性能が良いとされます。L1正則化では、この損失関数に正則化項を加えることで、パラメータの値が小さい方向に調整されます。 L1正則化の大きな特徴は、いくつかのパラメータを完全にゼロにすることです。これは、モデルにおいて重要でない特徴量に対応するパラメータを排除することに繋がり、モデルの解釈性を高めます。例えば、ある商品の売上予測モデルにおいて、商品の色よりも価格の方が売上に大きく影響する場合、L1正則化によって色のパラメータがゼロになり、価格のパラメータのみが残るといったことが起こります。このように、L1正則化は、不要な特徴量を削除することでモデルを簡素化し、ノイズや無関係な特徴量の影響を軽減する効果があります。結果として、過学習を防ぎ、未知のデータに対しても高い予測精度を持つ、汎化性能の高いモデルを構築することが可能になります。L1正則化は、スパースモデリングと呼ばれる、少ない変数でモデルを表現する手法としても知られています。

アルゴリズム

古き良き？それとも足かせ？レガシーシステムの未来

技術の進歩は目覚ましく、絶え間なく続いています。かつては最先端を誇り、様々な分野で活躍した技術も、時の流れには逆らえず、いずれは古くなり、使われなくなってしまう運命にあります。こうした、過去の技術や設計思想に基づいて構築された既存の仕組みを、私たちは『古い仕組み』と呼んでいます。これらの古い仕組みは、長年にわたり組織の根幹を支え、まるで過去の遺産のように重要な役割を果たしてきました。しかし、現在では、未来への課題を私たちに突きつけています。それは、維持するための費用が増え続けること、安全上の危険性が高まること、そして新しい技術への対応が遅れることなど、組織の競争力を弱める深刻な問題です。古い仕組みを維持するには、専門的な知識を持った技術者が必要ですが、そのような技術者は年々減少しています。そのため、人材確保が難しくなり、費用も高騰しています。また、古い仕組みは、最新の安全対策に対応していない場合が多く、外部からの攻撃に脆弱です。さらに、技術の進歩に取り残され、新しいサービスの提供や業務効率の改善が難しくなります。しかし、長年にわたって組織の活動を支えてきた古い仕組みには、貴重な情報や熟練した技術、知識が蓄積されています。これらの財産をどのように活かし、未来へと繋いでいくかが、現代の組織にとって大きな課題となっています。古い仕組みを完全に刷新するには、多大な時間と費用がかかります。そのため、既存の仕組みの利点と欠点を正しく理解し、段階的に改善していくことが重要です。過去の遺産を未来の糧へと変えるためには、知恵と工夫が必要です。

情報配信の選択：オプトイン方式とは？意味・仕組み・活用例をわかりやすく解説

近ごろは、暮らしのあらゆる場面で情報が飛び交う時代になりました。特に、電子郵便や携帯電話への知らせの送り届けは、会社や団体にとってなくてはならない連絡手段となっています。しかし、やみくもにたくさんの知らせを送ると、受け取る側にとっては迷惑になってしまうこともあります。そこで大切になるのが、受け取る人が前もって知らせを受け取ることに同意する仕組みです。これは「オプトイン」と呼ばれ、文字通り受け取る人が自らの意思で参加することを意味します。この仕組みでは、利用者自身が知らせを受け取るかどうかの選択権を持っているということがはっきりと示されます。例えば、会員登録の際に、知らせを受け取るかどうかをチェックボックスで選ぶ方式がよく使われています。チェックを入れた人は、新商品のお知らせや割引情報などを受け取ることができます。反対に、チェックを入れない人は、これらの知らせを受け取らずに済みます。つまり、自分に必要な知らせだけを選んで受け取ることができるのです。このような仕組みは、一方的に送りつけるのではなく、受け取る側の意思を尊重しているという点で大きな意味を持ちます。望まない知らせを受け取って不快な思いをすることがなくなるため、利用者の満足度向上に繋がります。また、知らせを送る側にとっても、本当に関心のある人にだけ情報を届けられるため、より効果的な情報伝達を行うことができます。さらに、利用者との良好な関係を築くことができ、ひいては会社や団体への信頼感の向上にも繋がります。オプトインは、情報が溢れる現代社会において、より良いコミュニケーションを実現するための重要な鍵となるでしょう。

WEBサービス

L2正則化とは？過学習を防ぐ仕組み・L1との違いを初心者向けに解説

機械学習では、まるで生徒が試験対策で過去問だけをひたすら暗記するような、「過学習」という困った現象が起こることがあります。これは、学習に使ったデータには完璧に答えることができるのに、新しいデータ、つまり本番の試験には全く対応できない状態です。まるで過去問を丸暗記した生徒が、少し問題文が変わると解けなくなってしまうのと同じです。この過学習を防ぎ、真の力を身につけるための方法の一つが「正則化」です。正則化は、モデルが複雑になりすぎるのを防ぐ、いわばモデルのダイエットのようなものです。複雑なモデルは、学習データの細かな特徴まで捉えようとしてしまい、結果として過学習に陥りやすくなります。これを防ぐために、正則化はモデルのパラメータの値が大きくなりすぎないように制限を加えます。パラメータとは、モデルの性質を決める様々な値のことです。これらの値が大きくなりすぎると、モデルは学習データの些細な特徴にまで過剰に反応してしまいます。正則化によってパラメータの値を適切な範囲に抑えることで、モデルは学習データの特徴を大まかに捉え、より汎用的な能力を身につけることができます。つまり、初めて見るデータに対しても、適切な予測ができるようになるのです。正則化には色々な種類がありますが、L2正則化は、パラメータの値を全体的に小さく抑える代表的な手法です。これは、モデルを滑らかにし、極端な値を取りにくくすることで、過学習を防ぎます。まるで、ぎこちない動きをするロボットの動作を滑らかに調整するようなイメージです。このように、正則化は、機械学習モデルが未知のデータにも対応できる、真に賢いモデルとなるために重要な役割を果たしています。

AIで変わる組織の力

組織の力、すなわちこなせる仕事のことを、ここでは『組織能力』と呼びます。組織能力とは、組織が目標を達成するために必要な仕事や手順をうまく進めるための総合的な力です。これは、働く人々が持つ技量や知識、組織に積み重ねられた経験から得られた知識、使える資源、組織の仕組みなど、様々な要素が組み合わさって作られます。組織能力が高い組織は、大きく変わる市場の状況にも柔らかく対応し、他社に負けない強みを作り、続く成長を実現することができます。例えば、高い技術を持っているだけでなく、それを素早く製品作りに活かせる組織は、技術革新の激しい市場で生き残るための大切な組織能力を持っていると言えるでしょう。技術力を持っているだけでは十分ではなく、それをいかに速く製品に反映させるかが重要なのです。開発の速度が速ければ、他社よりも早く新しい製品を市場に送り出すことができ、競争で優位に立つことができます。また、お客さんの求めていることを的確に捉え、それに合わせたサービスを提供できる組織は、お客さんの満足度を高め、長く続く関係を築く上で大切な組織能力を備えていると言えます。顧客のニーズを理解し、迅速かつ的確に対応できる能力は、顧客ロイヤルティを高め、安定した収益基盤を築く上で非常に重要です。このように、組織能力は組織の成功に欠かせない要素です。組織能力を高めるためには、働く人々の教育訓練、組織内の知識共有、効率的な資源活用、組織構造の最適化など、様々な取り組みが必要です。絶えず変化する市場環境に適応し、持続的な成長を実現するためには、組織能力の強化に継続的に取り組むことが重要と言えるでしょう。

危険な転送にご注意：オープンリダイレクトの脅威

皆さんが普段見ているホームページの中には、別の場所に自動で飛ばされる仕掛けが組み込まれていることがあります。これは「転送」と呼ばれ、古い場所から新しい場所へ案内する際に役立ちます。ホームページの模様替えなどで、以前の場所がなくなった場合、自動で新しい場所へ案内してくれるので、とても便利です。まるでお店の移転のお知らせのように、迷子にならないように案内してくれるのです。しかし、この便利な仕組みは、悪用される危険性もはらんでいます。例えば、本物そっくりの偽物のホームページを作って、そこに利用者を誘い込み、大切な個人情報を入力させて盗み取ろうとする悪質な人がいます。また、知らない間に、悪い仕掛けがされたホームページに飛ばされて、パソコンやスマホに害を及ぼす仕掛けを埋め込まれる可能性もあります。まるで落とし穴のように、気づかないうちに危険な場所に落とされてしまうかもしれません。転送自体は便利な機能ですが、使い方によっては危険な道具にもなり得ることを覚えておきましょう。安全にホームページを見るためには、飛ばされる先の場所が本当に正しいのかを確認することが大切です。表示されている場所に少しでも怪しい点があれば、アクセスしない勇気も必要です。特に、覚えのない場所への転送や、長くて複雑な表示には注意が必要です。怪しいと感じたら、すぐにホームページを閉じて、詳しい人に相談してみましょう。安全なネット利用のために、日頃から転送先の確認を習慣づけることが大切です。まるで道を歩く際に、周りの様子に気を配るように、インターネットの世界でも注意深く行動することで、危険から身を守ることができるのです。

セキュリティ

シンギュラリティの先駆者、カーツワイル氏

レイ・カーツワイル氏は、様々な分野で活躍を見せる、まさに多才な人物です。発明家としては、文字を画像から読み取る技術や、人の声を機械が理解する技術、そして機械に人のように言葉を話させる技術といった、現代の情報化社会には欠かせない重要な技術を生み出しました。これらの技術は、活字を読むことが難しい人々のための読書支援機器や、キーボードを使わずに声で機械を操作する技術などに応用され、多くの人の暮らしを大きく変えました。カーツワイル氏の功績は技術開発だけにとどまりません。彼は未来学者として、技術の進歩が社会や人間にどのような影響を与えるかを深く考察し、未来を予測することに力を注いできました。技術の進歩は、まるで雪だるま式に、加速度的に進んでいくと彼は考え、未来の姿に大きな希望を抱いています。未来学者としての活動を通して、数々の賞を受賞し、世界的にその名を知られるようになりました。カーツワイル氏が開発した文字を画像から読み取る技術は、視覚に障害を持つ人々にとって、まさに画期的なものでした。それまで、点字で書かれた書籍しか読むことができなかった人々が、この技術によって、様々な印刷物を気軽に読めるようになったのです。また、彼が開発した声を機械が理解する技術は、コンピューターをより多くの人が使えるようにしました。キーボードの操作が難しい人でも、声で指示を出すことで、コンピューターを自由に操れるようになったのです。カーツワイル氏の技術は、情報技術の進歩を大きく後押しし、現代社会の発展に大きく貢献したと言えるでしょう。そして、未来学者としての彼の洞察は、私たちに未来への希望を与え、技術革新の重要性を改めて認識させてくれます。

SHRDLUとは？積み木の世界で自然言語を扱った初期AIをわかりやすく解説

シュルドゥルーは、１９７０年代初頭にマサチューセッツ工科大学でテリー・ウィノグラード氏によって開発された、初期の知能を持った計算機の仕組みです。計算機に言葉を理解させ、複雑な作業をさせるという画期的なものでした。シュルドゥルーは、画面上に映し出された仮想的な積み木の空間で、人の指示通りに積み木を動かします。この積み木の空間には、様々な形と色のブロックや、四角錐、立方体などが置かれています。利用者は日本語で指示を出すことで、シュルドゥルーに積み木を掴ませたり、移動させたり、積み重ねたりといった動作をさせることができます。例えば、「赤い立方体を青い四角錐の上に置いて」と指示すれば、シュルドゥルーは画面上でその通りに操作を行います。また、「一番大きい緑のブロックはどこにありますか？」と質問すれば、シュルドゥルーはそのブロックの位置を言葉で答えます。シュルドゥルーは、単に指示通りに積み木を動かすだけでなく、それらの積み木の状態や位置関係、指示内容の意味を理解しているように振る舞います。例えば、「緑の四角錐を動かして」と指示した後に「それを元に戻して」と指示すると、シュルドゥルーは最初の位置に四角錐を戻します。「それ」が緑の四角錐を指していることを理解しているのです。さらに、「四角錐を支えられるだけの大きさのブロックを探して」といった、より複雑な指示にも対応できました。シュルドゥルーの登場は、計算機が人の言葉を理解し、それに基づいて複雑な作業を実行できる可能性を示した重要な成果として、高く評価されています。ただし、シュルドゥルーが扱えるのは限られた仮想的な積み木の空間だけであり、現実世界の複雑な状況に対応するには限界がありました。それでも、自然な言葉を使った人間と計算機の対話という分野において、シュルドゥルーは先駆的な役割を果たし、その後の知能を持った計算機の仕組みの開発に大きな影響を与えました。

危険な開放DNSサーバ：オープンリゾルバ

開放されている名前解決用機器、いわゆる公開名前解決装置とは、誰もが自由に使えるインターネット上の名前解決用機器のことです。名前解決用機器は、私たちが普段使う場所の名前（例えば、ウェブサイトの住所）を、機械が分かる言葉（例えば、場所を示す番号）に変換する役割を担っています。例えるなら、インターネット上にある電話帳のようなものです。公開名前解決装置は、この電話帳を誰でも自由に見て、使えるように公開している状態です。本来、名前解決用機器は特定の仲間内でのみ使えるように設定されるものです。しかし、設定のミスなどで部外者にも開放されてしまう場合があります。これは、誰でも家の電話帳を自由に使えるようにしているようなもので、安全面で問題があります。例えば、悪意のある人がこの公開名前解決装置を踏み台にして、大量の場所を示す番号を別の機械に送りつけ、その機械を動作不能にさせる攻撃（サービス不能攻撃）を行う可能性があります。また、名前解決の情報を盗み見され、偽の場所に誘導される危険性もあります。偽の場所に誘導されると、個人情報やパスワードを盗まれる可能性も出てきます。自分の名前解決用機器が公開名前解決装置になっていないか確認することは、インターネットを安全に利用するために非常に大切です。確認方法はいくつかありますが、専門の検査場所を使うのが簡単です。もし自分の名前解決用機器が公開名前解決装置になっている場合は、すぐに設定を見直す必要があります。設定方法が分からない場合は、インターネット回線を提供している会社に相談するのが良いでしょう。安全なインターネット環境を守るために、公開名前解決装置の問題について正しく理解し、対策を講じるようにしましょう。

セキュリティ

ラッソ回帰：スパース性を実現する

ラッソ回帰とは、統計学において予測モデルを作る際に用いられる手法の一つです。たくさんの説明変数の中から、本当に必要な変数だけを選び出して、予測の精度を高めることを目指します。たとえば、ある商品の売れ行きを予測したいとします。売れ行きに影響を与えそうな要因として、商品の値段、広告費、気温、競合商品の数など、様々なものが考えられます。これらの要因をすべてモデルに組み込むと、モデルは複雑になり、どの要因が本当に売れ行きに影響を与えているのか分かりにくくなってしまいます。また、必要のない要因まで含めてしまうと、予測の精度が下がることもあります。このような時にラッソ回帰が役立ちます。ラッソ回帰は、不要な変数の影響を小さくするように働く性質があります。具体的には、いくつかの変数の影響をゼロにすることで、本当に重要な変数だけを選び出すことができます。料理に例えると、たくさんの材料の中から、料理の味に本当に必要な材料だけを選び出すようなものです。ラッソ回帰を使うことで、モデルをより単純で分かりやすくすることができます。また、予測の精度も向上することが期待できます。つまり、ラッソ回帰は、複雑なデータから重要な情報だけを抽出し、効率的に予測モデルを構築するのに役立つ手法と言えるでしょう。特に、変数の数が多く、どれが重要か分からない場合に有効です。ただし、ラッソ回帰は万能ではありません。データの性質によっては、他の手法の方が適している場合もあります。適切な手法を選択するためには、データの特性を理解し、様々な手法を試してみる必要があります。

アルゴリズム

大規模言語モデルの知識とは？仕組み・できること・限界を初心者向けに解説

近ごろの技術の進歩によって、大規模言語モデルはめざましい発展を遂げ、私たちの暮らしにさまざまな変化をもたらしています。かつては機械的な応答しかできなかったコンピューターが、今では人間のように自然な文章を作り出したり、複雑な問いに答えたりできるようになりました。この大きな変化の中心にあるのが、大規模言語モデルです。大規模言語モデルは、インターネット上に存在する膨大な量の文章データを読み込み、学習することで、言葉の繋がりや意味、文脈を理解する能力を獲得しています。まるで人間の脳のように、多くの知識を蓄え、それを活用して新しい文章を生成したり、問いに答えたりすることができるのです。例えば、あるテーマについて質問すれば、関連する情報をまとめて分かりやすく説明してくれたり、物語の書き出しを与えれば、続きを創作してくれたりします。大規模言語モデルが持つ可能性は計り知れません。膨大な知識を活かして、さまざまな分野での活用が期待されています。医療の現場では、患者の症状や検査結果から病気を診断する手助けをしたり、教育の場では、生徒一人ひとりに合わせた学習支援を提供したりすることが考えられます。また、翻訳や通訳、文章作成支援など、私たちの日常業務を効率化するためのツールとしても活用が期待されています。しかし、大規模言語モデルは万能ではありません。現状では、学習したデータに基づいて文章を生成しているため、事実でない情報や偏った意見が含まれる可能性があります。また、倫理的な問題や著作権の問題など、解決すべき課題も残されています。今後、大規模言語モデルを安全に活用していくためには、これらの限界を理解し、適切な対策を講じる必要があります。大規模言語モデルは発展途上の技術であり、今後の更なる進化に期待が高まります。

ルールベース機械翻訳：黎明期の挑戦

機械翻訳の始まりは、計算機がまだ広く使われていない時代まで遡ります。言葉を自動で別の言葉に変換するという試みは、当時の人々にとってまさに夢物語のような挑戦でした。そして、その夢を実現するためのはじめの大きな一歩となったのが、規則に基づいた機械翻訳、いわゆる規則翻訳です。規則翻訳は、人が言葉を理解し、翻訳するのと同じように、計算機にも文法の規則や単語帳を与え、翻訳させようという考え方です。まるで計算機に言葉の専門家のような役割を期待するような、壮大な計画でした。具体的には、まず、元の言葉の文を品詞に分解し、文法の規則に基づいて、訳したい言葉の語順に並べ替えます。次に、単語帳を使って、それぞれの言葉を訳語に置き換えます。こうして、元の言葉の文が、訳したい言葉の文に変換されるのです。しかし、この方法には大きな壁がありました。人が言葉を扱うときには、文脈や言葉の裏の意味、文化的な背景など、様々な要素を考慮に入れています。しかし、規則翻訳では、これらの要素を十分に扱うことができませんでした。例えば、「風が強い」という文を英語に翻訳する場合を考えてみましょう。単純な規則翻訳では、「wind is strong」という訳文が生成されるかもしれません。しかし、状況によっては、「It's windy」や「The wind is blowing hard」といった表現の方が自然な場合があります。このような文脈に合わせた微妙な表現の違いを、規則だけで表現することは非常に難しいのです。さらに、言葉の例外的な使い方や、新しい言葉の登場などにも対応できず、その壁は想像以上に高いものでした。このように、規則翻訳は、機械翻訳の初期段階において重要な役割を果たしましたが、その限界も明らかでした。そして、この限界を克服するために、新たな方法が模索されることになります。

開かれたデータの可能性

誰もが気軽に使える情報、それが開かれた情報、つまりオープンデータです。誰でも自由に利用したり、再配布したりできるところが大きな特徴です。たとえば、インターネットで見つけた資料を自分のブログに載せたり、講演で発表資料として使ったり、一部を編集して新しい資料を作成したりすることが、許可なく自由にできます。さらに、これらの活動は全て無料で行うことができます。情報を使うためにお金がかかることはありません。この開かれた情報は、様々な立場の組織から提供されています。国や地方自治体などの公的機関が公開している場合もあれば、企業などの民間組織が公開している場合もあります。それぞれの組織が持つ情報を広く共有することで、情報の透明性が高まり、市民一人ひとりが物事を深く理解し、社会全体のより良い意思決定に繋がると考えられています。例えば、市の予算の使い方や、地域の犯罪発生率などが公開されれば、市民は市の政策についてより深く考え、選挙での投票に役立てることができます。また、開かれた情報は新しい仕事やサービスを生み出す力も秘めています。公開されたデータを使って新しいアプリを開発したり、これまでになかったサービスを提供したりすることで、社会全体の活性化に繋がると期待されています。例えば、気象データを使って最適な農作物の栽培方法を提案するアプリや、人口統計データを使って地域に最適な店舗展開を計画するサービスなどが考えられます。このように、誰もが自由に使える情報だからこそ、その使い道は無限に広がり、社会に大きな変化をもたらす可能性を秘めているのです。

品川区、生成系AI活用フォーラム開催

近年、技術の進歩によって、ものづくりや絵描きなどを自動で行う人工知能が注目を集めています。特に会社の仕事においては、仕事のやり方を簡単にして新しい価値を生み出す力があり、多くの会社が使い方を探っています。このような状況から、品川区と東京商工会議所品川支部は、区内の会社の力をつけることと地域の経済を元気にすることを目的として、「品川新しい技術会議」を開くことになりました。この会議は、ものづくり人工知能の新しい情報や会社での使い方の例、導入するときの注意点などを学ぶことができる貴重な機会です。参加する会社の未来への考え方を広げることを目指しています。ものづくり人工知能は、文章や絵、音声、計算機の指示など、様々なものを作ることができ、その使い道はどんどん広がっています。例えば、商品の売り方では、お客さんの求めに合わせた広告や商品の説明書きを自動で作ったり、お客さんへの対応を自動化したりすることで、仕事の効率を良くしたり、お客さんの満足度を上げたりすることが期待できます。また、新しいものを研究して開発する分野では、新しい材料の開発や新しい薬を見つけることなどに役立てることもできます。このように、ものづくり人工知能は、仕事の様々な面に新しい変化をもたらす力を持っています。しかし、一方で、作ったものの権利や道徳的な問題、情報の正しさなど、解決しないといけない問題もあります。会議では、これらの問題についても深く話し合い、正しい使い方を探っていきます。ものづくり人工知能は、私たちの生活や社会を大きく変える可能性を秘めています。この会議を通して、ものづくり人工知能の最新情報や活用のヒントを得て、未来への展望を描いてみましょう。品川区と東京商工会議所品川支部は、これからも区内企業の皆様と共に、新しい技術を活用した地域経済の活性化に取り組んでいきます。

大規模言語モデルの弱点とは？LLMが得意なこと・苦手なことをわかりやすく解説

近年の技術革新により、大規模言語模型は目覚ましい発展を遂げ、膨大な資料から規則性を、多様な作業をこなせるようになりました。文章の作成や翻訳、質疑応答など、私たちの生活に役立つ場面も増えてきました。しかし、高度な専門性を要する分野においては、その実力を十分に発揮できないという課題も抱えています。例えば、法律や自然科学といった分野を考えてみましょう。法律では、過去の判例や法令に基づいて緻密な論理を展開し、結論を導き出す必要があります。自然科学では、複雑な数式を用いた計算や、実験に基づいた検証が不可欠です。大規模言語模型は、資料から規則性を見つけることは得意ですが、論理的に考えたり、計算をしたりすることは苦手です。そのため、これらの分野で正確な結果を出すことは難しいと言えるでしょう。大規模言語模型は、学習資料に含まれる単語の繋がりや出現頻度に基づいて文章を生成しています。つまり、言葉の表面的な繋がりを捉えているだけで、その背後にある深い意味や論理構造までは理解していません。そのため、一見すると正しそうに見える文章でも、論理的に破綻していたり、事実と異なる内容が含まれていたりする可能性があります。もちろん、専門的な資料を学習させることで、ある程度は専門性の高い文章を生成することも可能です。しかし、それはあくまでも学習資料に含まれる情報の組み合わせであり、真の理解に基づいたものではありません。そのため、専門家による確認や修正が必要不可欠です。今後、大規模言語模型が真に高度な専門知識を扱えるようになるためには、論理的思考力や計算能力の向上といった、さらなる技術革新が求められます。現状では、大規模言語模型を補助的な道具として活用し、最終的な判断は専門家が行うことが重要です。

過学習とは？機械学習で起きる原因・見分け方・対策を初心者向けに解説

機械学習の目的は、未知のデータに対しても正確な予測を行うことができるモデルを作ることです。しかし、学習の過程で思わぬ落とし穴にはまることがあります。それが「過学習」です。過学習とは、まるで特定の試験問題と解答だけを暗記した生徒のように、訓練データに過度に適応しすぎてしまう現象のことを指します。例えるなら、ある生徒が過去の試験問題を全て暗記して、その試験では満点を取れるようになったとします。しかし、試験の出題範囲は同じでも、新しい問題が出題された場合はどうでしょうか。暗記した内容だけでは対応できず、良い点数は取れないでしょう。これは、その生徒が問題の本質を理解するのではなく、解答だけを丸暗記してしまったからです。機械学習モデルもこれと同じことが起こります。訓練データに含まれる特徴や傾向を細部まで捉えすぎて、まるで訓練データを丸暗記したかのような状態になってしまうのです。訓練データに対する精度は非常に高いものの、新しい未知のデータに直面すると、そのデータの特徴をうまく捉えることができず、予測精度が低下してしまいます。これは、モデルが訓練データのみに特化しすぎて、データに含まれるノイズや例外的なパターンまで学習してしまったことが原因です。本来であれば、データ全体の傾向や本質的な特徴を捉えるべきなのですが、過学習状態では、それらを見失い、木を見て森を見ずの状態になってしまいます。このように、過学習は機械学習モデルの汎用性を損ない、本来の目的である未知のデータへの予測精度を低下させるため、避けるべき問題です。過学習を防ぐためには、様々な手法が用いられます。例えば、学習データの量を増やす、モデルの複雑さを抑える、正則化と呼ばれる技術を用いるなど、モデルが訓練データに過度に適応しすぎないように調整することで、汎用性の高いモデルを作ることが可能になります。

ＡＩによるリップシンク動画生成技術

映像作品や動画で、登場人物の口の動きとセリフや歌、効果音などの音声をぴったりと合わせる技術を、口パク動画と呼びます。この技術は、見ている人に自然で違和感のない映像体験を提供するためにとても重要です。口の動きと音声がずれていると、見ている人は不自然さを感じ、物語への没入感が削がれてしまいます。まるで吹き替え映画で音声がずれているように、違和感を感じてしまうのです。従来、口パク動画を作るには、アニメーターが手作業で口の動きを調整していました。一枚一枚の絵を描き、少しずつ口の形を変えていく作業は、大変な時間と労力を必要としました。また、俳優の口の動きを特殊な装置で記録し、コンピューター上で再現する技術も使われてきました。しかし、この技術は高価な機材と専門の技術者が必要で、誰でも手軽に使える方法ではありませんでした。近年、人工知能の技術を使った新たな手法が登場しました。人工知能は、大量のデータから口の動きと音声の関係性を学習し、自動的に口の動きを生成することができます。この技術により、従来の手法よりもはるかに早く、そして低コストで口パク動画を作成できるようになりました。また、人工知能は微妙な感情表現なども再現できるため、より自然で生き生きとした表現が可能になっています。この技術の進化は、映像制作の現場に大きな変革をもたらし、より多くの人が質の高い映像作品を制作できるようになる可能性を秘めています。

共に革新を起こす、オープンイノベーション

新しい考えを取り入れることは、今の時代において、会社が発展していく上で欠かせないものとなっています。これまでのように、会社の中だけで考えて新しい商品やサービスを作るやり方では、どうしても限界があります。世の中の変化はとても速く、色々な技術が複雑に絡み合っているので、会社だけで全てに対応するのは難しくなっているからです。そこで注目されているのが、「開かれた革新」という考え方です。これは、会社の外にある技術や知識、良い考えを積極的に取り入れて、新しい商品やサービス、事業の進め方を作り出す方法です。たとえば、他の会社と協力したり、大学や研究機関と共同で研究したり、一般の人から意見を募集したりするなど、様々な方法があります。この「開かれた革新」には、たくさんのメリットがあります。まず、今までよりも早く、少ない費用で新しいものを生み出すことができるようになります。また、色々な人や組織と関わることで、今までにない斬新な考えが生まれる可能性も高まります。さらに、自社だけでは気づくことができなかった問題点や課題を発見できることもあります。今の世の中は、競争がとても激しくなっています。そのような中で、生き残っていくためには、常に新しい価値を生み出し続けなければなりません。「開かれた革新」は、まさにそのための強力な手段となるでしょう。他社との協力関係を築き、社会全体の知恵を結集することで、これまでにない革新的な商品やサービスを生み出し、社会に貢献していくことができるのです。新しい考えを取り入れることは、会社を大きく成長させるだけでなく、社会全体の発展にもつながります。これからますます重要になるこの考え方を取り入れて、より良い未来を築いていく必要があるでしょう。

学習データのカットオフ：適切な活用で精度向上

機械学習の模型を作るには、たくさんの情報が必要です。しかし、良い模型を作るには、情報の量だけでは足りません。情報の質も大切です。そこで「学習情報の切り捨て」という考え方が出てきます。これは、ある基準に基づいて、学習に使う情報の一部をわざと除外する方法です。まるで彫刻家がノミでいらない石を削り落として作品の形を整えるように、情報の切り捨ては情報の集まりからいらない部分を取り除き、模型の学習に最適な情報の組み合わせを作り上げます。具体的には、ある期間外の情報や、ある条件を満たさない情報などを除外します。たとえば、最新の流行を予測する模型を作る場合、数年前のデータは現在の状況を反映していないため、学習データから除外することが考えられます。あるいは、特定の地域における商品の売れ行きを予測する模型を作る際に、他の地域の情報はかえって予測の精度を下げてしまう可能性があるため、除外する必要があるかもしれません。このように情報の切り捨ては、模型が雑音や古い情報に惑わされることなく、本当に大切な情報に集中して学習できるようにするための大切な作業です。情報の切り捨てによって、模型の正確さや信頼性を高めることができます。しかし、どのような情報を切り捨てるかは、目的に合わせて慎重に決める必要があります。切り捨てる基準を誤ると、重要な情報を失い、かえって模型の性能を低下させてしまう可能性があるからです。そのため、情報の切り捨てを行う際には、事前にデータの特性を十分に理解し、適切な基準を設定することが不可欠です。また、切り捨てた情報が本当に不要であったかを確認するために、切り捨て前と後の模型の性能を比較することも重要です。

SHAP値とは？機械学習モデルの解釈を初心者向けに解説

近ごろ、機械学習の模型、中でも深層学習の模型は目覚ましい成果を上げています。複雑な絵や写真の分類、自然で滑らかな文章の作成、更には高度な戦略ゲームの攻略など、様々な分野で目覚ましい成果を見せています。しかし、これらの模型は非常に複雑な構造をしているため、どのようにしてそのような結果を導き出したのか、その過程を人間が理解することは容易ではありません。ちょうど、複雑な計算式を解く過程を一つ一つ追わずに、ただ答えだけを見るようなものです。これを一般的に「ブラックボックス問題」と呼びます。つまり、なぜその予測結果が出力されたのか、どのような根拠に基づいているのかが分かりにくいのです。このブラックボックス問題は、様々な場面で問題を引き起こす可能性があります。例えば、医療診断支援システムが、ある患者に対して特定の病気を診断したとしましょう。しかし、その診断の根拠が分からなければ、医師は本当にその診断を信用できるのか判断できません。また、自動運転車が事故を起こした場合、なぜその事故が起きたのか原因を特定できなければ、再発防止策を立てることも難しくなります。そこで、機械学習の模型の予測結果の根拠を人間が理解できるように説明する技術が求められています。これを「説明可能な人工知能」、略して「説明可能なAI」と呼びます。説明可能なAIは、様々な方法で模型の判断根拠を明らかにします。例えば、画像認識の模型であれば、どの部分を見て判断したのかを画像上に分かりやすく表示することで、判断根拠を示してくれます。また、自然言語処理の模型であれば、どの単語が重要だったのかを強調表示することで、判断根拠を示してくれます。説明可能なAIを用いることで、模型の信頼性や透明性を高め、安心して利用できるようになります。医療、金融、自動運転など、様々な分野で説明可能なAIの導入が進められています。将来的には、説明可能なAIがより高度化し、より複雑な模型の判断根拠を人間が理解できるようになることで、人工知能と人間社会のより良い共存関係が築かれることが期待されています。

アルゴリズム

L0正則化とは？モデルの複雑さを抑える仕組みと注意点

機械学習では、学習に使ったデータに対しては高い精度を出すのに、新しいデータに対しては精度が低いという問題が起こることがあります。まるで学習データだけを丸暗記したような状態になり、新しい状況に対応できないのです。このような現象を過学習と呼びます。この過学習を防ぐための有効な手段の一つが、正則化と呼ばれる手法です。正則化は、モデルが学習データの特徴を捉えすぎるのを防ぎ、未知のデータに対しても精度良く予測できるようにするための調整役と言えるでしょう。具体的には、モデルの複雑さを示す指標を損失関数という評価基準に加えます。損失関数は、モデルの予測と実際の値とのずれを表す数値で、この値が小さいほどモデルの性能が良いとされます。ここに、正則化項と呼ばれるモデルの複雑さを示す値を足し合わせることで、モデルが複雑になりすぎるのを防ぎます。モデルが複雑になりすぎると、学習データの細かな特徴にまで過剰に反応してしまい、結果として過学習につながります。正則化項を加えることで、モデルパラメータと呼ばれる値が大きくなりすぎるのを抑制し、モデルを滑らかに、そして単純化します。例えるなら、複雑に入り組んだ曲線を、緩やかな曲線に近づけるようなイメージです。正則化項には様々な種類があり、それぞれ異なる特徴を持っています。例えば、L0正則化はモデルパラメータの数を減らすことでモデルを単純化する手法です。他にも、L1正則化やL2正則化といった手法があり、これらはモデルパラメータの大きさを抑制する働きをします。どの正則化手法を選ぶかは、扱うデータやモデルの特性によって異なります。適切な正則化手法を用いることで、過学習を防ぎ、未知のデータに対しても高い精度で予測できる、より汎用的なモデルを構築することが可能になります。

画像認識の革新：SENet

多くの写真から、写っているものが何かを当てる技術、つまり写真認識技術の進歩は目覚ましいものがあります。世界中から優れた技術を持つチームが集まり、その技術を競う大会が数多く開かれています。中でも、写真認識技術の分野で特に権威ある大会として知られるのが、イメージネット大規模視覚認識チャレンジ、略してアイエルエスブイアールシーです。この大会は、多種多様な写真の中から、何が写っているかを正確に認識する能力を競うもので、毎年世界中から精鋭チームが参加します。二〇一七年に行われたこの大会で、驚くべき成果を上げた技術があります。それが、エスイーネットという技術です。エスイーネットは、他の技術と比べて非常に高い精度で写真の認識に成功しました。なんと、誤って認識してしまう割合、つまり誤答率はわずか二・二五パーセントという驚異的な数字を記録し、見事優勝の栄冠を手にしました。これは、アイエルエスブイアールシーのような高いレベルの大会では、まさに画期的な成果と言えるでしょう。百枚の写真があれば、そのうち九十七枚以上を正しく認識できるというのは、私たちの日常生活にも大きな影響を与える可能性を秘めています。例えば、自動運転の車に搭載されれば、周囲の状況をより正確に把握することができ、安全性の向上に繋がります。また、医療の分野では、エックス線写真やエムアールアイ画像から病気をより正確に診断するのに役立つ可能性もあります。エスイーネットの革新的な構造と、それを開発したチームのたゆまぬ努力が、この輝かしい成果に繋がったと言えるでしょう。エスイーネットは、写真認識技術の分野に新たな可能性を切り開き、私たちの未来をより豊かで便利な方向へと導いてくれると期待されています。

アルゴリズム

次のページ

1 … 7 8 9 10 11 … 68