new alien road company

AIとは何ですか?

人工知能 (AI) は、コンピューターや機械が人間の知能と問題解決能力をシミュレートできるようにするテクノロジーです。
AI は、単独で、または他のテクノロジー (センサー、地理位置情報、ロボティクスなど) と組み合わせて、人間の知能や介入が必要なタスクを実行できます。 デジタル アシスタント、GPS ガイダンス、自動運転車、生成 AI ツール (Open AI の Chat GPT など) は、日々のニュースや日常生活における AI のほんの一例にすぎません。
コンピューター サイエンスの分野として、人工知能には機械学習とディープ ラーニングが含まれます (また、一緒に言及されることもよくあります)。 これらの分野には、人間の脳の意思決定プロセスをモデルにした AI アルゴリズムの開発が含まれており、利用可能なデータから「学習」し、時間の経過とともにますます正確な分類や予測を行うことができます。
人工知能は何度も誇大宣伝のサイクルを経てきましたが、懐疑論者にとってさえ、ChatGPT のリリースは転換点を示しているように思えます。 前回、生成 AI がこれほど大きくなったとき、画期的な進歩はコンピューター ビジョンにありましたが、今では自然言語処理 (NLP) が飛躍的な進歩を遂げています。 現在、生成 AI は人間の言語だけでなく、画像、ビデオ、ソフトウェア コード、さらには分子構造を含む他の種類のデータを学習して合成することができます。
AI のアプリケーションは日々成長しています。 しかし、ビジネスにおける AI ツールの使用に関する誇大宣伝が始まるにつれて、AI の倫理と責任ある AI に関する会話が非常に重要になっています。 これらの問題に対する IBM の立場の詳細については、「AI における信頼の構築」をご覧ください。
人工知能の種類: 弱い AI と強い AI
弱い AI(狭い AI または人工狭い知能(ANI)とも呼ばれます)は、特定のタスクを実行するために訓練され、集中的に動作する AI です。 今日私たちを取り巻くほとんどの AI は、弱い AI によって動かされています。 このタイプの AI は決して弱いものではないため、「狭い」という表現がより適切かもしれません。これにより、Apple の Siri、Amazon の Alexa、IBM watsonx™、自動運転車などの非常に堅牢なアプリケーションが可能になります。
強力な AI は、汎用人工知能 (AGI) と人工超知能 (ASI) で構成されます。 AGI (汎用 AI) は、機械が人間と同等の知能を持つ AI の理論的形式です。 それは問題を解決し、学び、将来の計画を立てる能力を持つ意識を持って自己認識するでしょう。 超知能としても知られる ASI は、人間の脳の知能と能力を超えるでしょう。 強力な AI はまだ完全に理論上のものであり、現在使用されている実践例はありませんが、AI 研究者がその開発を検討していないという意味ではありません。 それまでの間、ASI の最良の例は、『2001 年宇宙の旅』の超人で不正なコンピュータ アシスタントである HAL などの SF 作品かもしれません。
ディープラーニングと機械学習の比較
機械学習とディープ ラーニングは AI の下位分野であり、ディープ ラーニングは機械学習の下位分野です。
機械学習アルゴリズムと深層学習アルゴリズムはどちらも、ニューラル ネットワークを使用して膨大な量のデータから「学習」します。 これらのニューラル ネットワークは、人間の脳の意思決定プロセスをモデルにしたプログラム構造です。 これらは、データから特徴を抽出し、データが何を表すかを予測する、相互接続されたノードのレイヤーで構成されます。
機械学習と深層学習は、使用するニューラル ネットワークの種類と、関与する人間の介入の量が異なります。 従来の機械学習アルゴリズムは、入力層、1 つまたは 2 つの「隠れ」層、および出力層を備えたニューラル ネットワークを使用します。 通常、これらのアルゴリズムは教師あり学習に限定されています。アルゴリズムがデータから特徴を抽出できるようにするには、人間の専門家によってデータが構造化またはラベル付けされる必要があります。
ディープ ラーニング アルゴリズムでは、ディープ ニューラル ネットワーク (入力層、3 つ以上 (通常は数百) の隠れ層、および出力レイアウトで構成されるネットワーク) を使用します。 これらの複数のレイヤーにより、教師なし学習が可能になります。大規模なラベルなし、非構造化データセットからの特徴の抽出が自動化されます。 人間の介入を必要としないため、ディープラーニングは本質的に大規模な機械学習を可能にします。
生成モデルの台頭
生成 AI とは、生データ (たとえば、Wikipedia のすべてやレンブラントのコレクションなど) を取得し、プロンプトに応じて統計的に確率の高い出力を生成するように「学習」できる深層学習モデルを指します。 大まかに言うと、生成モデルはトレーニング データの簡略化された表現をエンコードし、そこから抽出して元のデータと似ているが同一ではない新しい作業を作成します。

生成モデルは、数値データを分析するために統計学の分野で長年使用されてきました。 しかし、深層学習の台頭により、深層学習を画像、音声、その他の複雑なデータ型に拡張できるようになりました。 このクロスオーバーの偉業を達成した最初のクラスの AI モデルには、2013 年に導入された変分オートエンコーダー (VAE) がありました。VAE は、現実的な i を生成するために広く使用された最初の深層学習モデルでした。

魔術師とスピーチ。
MIT-IBM Watson AI Lab の生成 AI 専門家である Akash Srivastava 氏は、「VAE は、モデルを拡張しやすくすることで、深い生成モデリングへの水門を開いた」と述べています。 「私たちが今日生成 AI として考えているものの多くは、ここから始まりました。」
GPT-3、BERT、DALL-E 2 などのモデルの初期の例は、何が可能であるかを示しています。 将来的には、モデルは、最小限の微調整でさまざまなタスクに使用できる、ラベルのない広範なデータセットでトレーニングされるようになるでしょう。 単一ドメインで特定のタスクを実行するシステムは、より一般的に学習し、ドメインや問題を超えて動作する広範な AI システムに取って代わられています。 大規模なラベルのないデータセットでトレーニングされ、さまざまなアプリケーション向けに微調整された基盤モデルが、この変化を推進しています。
AI の将来については、生成 AI に関しては、基盤モデルによって企業での AI の導入が劇的に加速すると予測されています。 ラベル要件の削減により、企業は取り組みがはるかに容易になり、それによって可能になる高精度かつ効率的な AI 主導の自動化により、はるかに多くの企業が幅広いミッションクリティカルな状況に AI を導入できるようになります。 IBM にとって、最終的には基盤モデルのコンピューティング能力が、摩擦のないハイブリッド クラウド環境ですべての企業に提供されることが期待されています。
watsonx.ai の基礎モデルを探索する
人工知能アプリケーション
現在、AI システムの現実世界のアプリケーションは数多くあります。 以下に、最も一般的な使用例をいくつか示します。
音声認識
自動音声認識 (ASR)、コンピュータ音声認識、音声テキスト変換とも呼ばれる音声認識は、NLP を使用して人間の音声を文字形式に処理します。 多くのモバイル デバイスは、システムに音声認識を組み込んで、音声検索 (Siri など) を実行したり、英語や広く使用されている多くの言語でのテキスト メッセージのアクセシビリティを高めたりしています。 Don Johnston が IBM Watson Text to Speech を使用して教室でのアクセシビリティを向上させた方法をケーススタディでご覧ください。
顧客サービス
オンラインの仮想エージェントとチャットボットは、カスタマー ジャーニーにおいて人間のエージェントに取って代わりつつあります。 これらは、配送などのトピックに関するよくある質問 (FAQ) に答えたり、パーソナライズされたアドバイス、製品のクロスセル、ユーザー向けのサイズの提案を提供したりすることで、Web サイトやソーシャル メディア プラットフォームにわたる顧客エンゲージメントについての考え方を変えます。 例には、仮想エージェントを使用した e コマース サイトのメッセージング ボット、Slack や Facebook Messenger などのメッセージング アプリ、通常は仮想アシスタントや音声アシスタントによって実行されるタスクなどが含まれます。 Autodesk Inc. が IBM watsonx Assistant を使用して顧客の応答時間を 99% 短縮した方法を事例紹介でご覧ください。
コンピュータビジョン
この AI テクノロジーにより、コンピューターとシステムはデジタル画像、ビデオ、その他の視覚入力から意味のある情報を導き出し、それらの入力に基づいてアクションを実行できます。 この推奨事項を提供する機能により、画像認識タスクとは区別されます。 畳み込みニューラル ネットワークを活用したコンピューター ビジョンは、ソーシャル メディアでの写真のタグ付け、医療での放射線画像処理、自動車業界での自動運転車などに応用されています。 ProMare が IBM Maximo を使用して海洋研究に新しい方向性を設定した方法を事例紹介でご覧ください。
サプライチェーン
適応型ロボティクスは、モノのインターネット (IoT) デバイス情報、構造化データおよび非構造化データに基づいて動作し、自律的な意思決定を行います。 NLP ツールは人間の音声を理解し、言われたことに反応できます。 予測分析は、需要への対応力、在庫とネットワークの最適化、予防保守、デジタル製造に適用されます。 単なる予測ではなく階層的な検索およびパターン認識アルゴリズムは、リアルタイム データを分析し、サプライ チェーンが機械生成された拡張インテリジェンスに対応できるようにすると同時に、即座の可視性と透明性を提供します。 Hendrickson がどのように IBM Sterling を使用してリアルタイム トランザクションを推進したかをケーススタディでご覧ください。
天気予報
放送局が正確な予測を行うために依存する気象モデルは、スーパーコンピューターで実行される複雑なアルゴリズムで構成されています。 機械学習技術は、これらのモデルをより適用可能かつ正確にすることで強化します。 Emnotion がどのように IBM Cloud を使用して、天候に敏感な企業がよりプロアクティブでデータに基づいた意思決定を行えるようにしたかを事例紹介でご覧ください。
異常検知
AI モデルは、大量のデータを調べて、データセット内の異常なデータ ポイントを発見できます。 これらの異常は、機器の欠陥、人的ミス、セキュリティ侵害に対する意識を高める可能性があります。 Netox がどのように IBM QRadar を使用してデジタル ビジネスをサイバー脅威から保護したかをケーススタディでご覧ください。
人工知能の歴史: 重要な日付と名前

「考える機械」という考えは古代ギリシャにまで遡ります。 しかし、電子コンピューティングの出現以来 (およびこの記事で説明するいくつかのトピックに関連して)、人工知能の進化における重要な出来事やマイルストーンが、

次のものが含まれます。
1950年: アラン・チューリングが「Computing Machinery and Intelligence」を出版(リンクはibm.comの外にあります)。 この論文では、第二次世界大戦中にドイツの ENIGMA 暗号を解読したことで有名で、しばしば「コンピューター サイエンスの父」と呼ばれるチューリングが、「機械は考えることができるのか?」という質問をしています。 そこから、彼は現在「チューリング テスト」として有名になっているテストを提案します。このテストでは、人間の尋問者がコンピューターと人間のテキスト応答を区別しようとします。 このテストは発表されて以来、多くの精査を受けてきましたが、依然として AI の歴史の重要な部分であり、言語学に関するアイデアを利用する哲学の中で現在進行中の概念でもあります。
1956年: ジョン・マッカーシーは、ダートマス大学で開催された史上初のAIカンファレンスで「人工知能」という用語を作りました。 (マッカーシーはその後 Lisp 言語を発明します。) その年の後半、アレン ニューウェル、J.C. ショー、およびハーバート サイモンは、史上初の実行可能な AI ソフトウェア プログラムである Logic Theorist を作成しました。
1967: フランク ローゼンブラットは、試行錯誤を経て「学習」したニューラル ネットワークに基づく最初のコンピューターである Mark 1 パーセプトロンを構築しました。 わずか 1 年後、マービン ミンスキーとシーモア パパートは、「パーセプトロン」というタイトルの本を出版しました。この本は、ニューラル ネットワークに関する画期的な研究であると同時に、少なくともしばらくの間は、将来のニューラル ネットワーク研究プロジェクトに対する反論の両方となります。
1980 年代: バックプロパゲーション アルゴリズムを使用して自身を訓練するニューラル ネットワークが、AI アプリケーションで広く使用されるようになりました。
1995: Stuart Russell と Peter Norvig が『Artificial Intelligence: A Modern Approach』 (リンクは ibm.com の外にあります) を出版し、これは AI 研究における主要な教科書の 1 つになります。 その中で彼らは、合理性と思考と行動に基づいてコンピューター システムを区別する AI の 4 つの潜在的な目標または定義を詳しく掘り下げています。
1997年:IBMのディープ・ブルーがチェスの試合(そして再戦)で当時のチェスの世界チャンピオン、ガルリ・カスパロフを破った。
2004: ジョン・マッカーシーが「人工知能とは何ですか?」という論文を執筆します。 (リンクは ibm.com の外にあります)、よく引用される AI の定義を提案しています。
2011: IBM Watson が、Jeopardy でチャンピオンの Ken Jennings と Brad Rutter を破りました。
2015: Baidu の Minwa スーパーコンピューターは、畳み込みニューラル ネットワークと呼ばれる特別な種類のディープ ニューラル ネットワークを使用して、平均的な人間よりも高い精度で画像を識別および分類します。
2016: ディープ ニューラル ネットワークを活用した DeepMind の AlphaGo プログラムが、囲碁の世界チャンピオンであるイ ソドルを 5 試合で破りました。 ゲームの進行に伴って膨大な数の手が可能になることを考えると、この勝利は重要です (わずか 4 つの手で 14 兆 5,000 億以上!)。 その後、Google は DeepMind を 4 億米ドルで買収したと伝えられています。
2023: ChatGPT などの大規模な言語モデルまたは LLM の増加により、
AI のパフォーマンスと企業価値を高める可能性における大きな変化。 これらの新しい生成 AI プラクティスを使用すると、大量のラベルなしの生データでディープラーニング モデルを事前トレーニングできます。
関連ソリューション
人工知能 (AI) ソリューション
IBM の業界をリードする AI の専門知識とソリューションのポートフォリオを利用して、AI をビジネスに活用しましょう。
AI ソリューションを探索する
AIサービス
AI を追加して重要なワークフローと運用を再構築し、エクスペリエンス、リアルタイムの意思決定、ビジネス価値を最大化します。
AI サービスを探索する
サイバーセキュリティのための AI
AI はサイバーセキュリティのあり方を変え、大量のリスク データを分析して応答時間を短縮し、リソース不足のセキュリティ運用を強化しています。
サイバーセキュリティのための AI を探る
リソース
電子ブック適切な AI 基盤モデルを選択する方法
モデル選択フレームワークを使用して、ビジネス ニーズに合わせた基盤モデルを選択する方法を学びます。
トレーニングデジタル学習サブスクリプションで最大 70% 節約
今すぐ個人またはマルチユーザーのデジタル学習サブスクリプションを購入すると、100 を超えるオンライン コースの完全なカタログにアクセスでき、低価格で幅広い製品にわたってスキルを向上させることができます。
市場調査2023 Gartner Peer Insights Customers’ Choice
IBM watsonx Assistant は、2023 年 Gartner Peer Insights のエンタープライズ会話型 AI プラットフォーム向け顧客の声レポートで顧客の選択として認められました
記事AIを活用した調達戦略
機械学習がどのように需要を予測し、コストを削減できるかをご覧ください。