AI とは何ですか?

1950 年、Alan Turing 氏は画期的な論文である「計算する機械と知性」の中で人工知能の概念を提唱し、機械が人間のように考える可能性を探求しました。Turing 氏は理論的な基盤を築きましたが、今日私たちが知っている AI は、複数の分野でテクノロジーを進歩させてきた科学者やエンジニアの共同の努力によって形作られた、数十年にわたるイノベーションの成果です。

1940 年～1980 年

1943 年、Warren McCulloch と Walter Pitts は人工ニューロンのモデルを提案し、AI の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とコンピューティングの限界により発生しました。

1980 年～2006 年

1980 年代には、政府の資金提供や研究に後押しされ、特に翻訳や文字起こしなどの分野において、AI への関心が再び高まりました。この時期、MYCIN のようなエキスパートシステムは、医療などの専門分野における人間の意思決定をシミュレーションすることで注目を集めました。ニューラルネットワークも再注目されるようになり、David Rumelhart 氏および John Hopfield 氏による画期的な深層学習手法の研究により、コンピュータが経験から学習できることが実証されました。

しかし、1987 年から 1997 年にかけて、ドットコムブームなどの社会経済的要因により、第二の「AI の冬」が訪れ、この間に研究はより細分化され、商業的にも限られたものとなりました。

潮目が変わったのは 1997 年でした。この年、広く知られているように、IBM のディープブルーがチェスの世界チャンピオンである Garry Kasparov 氏を破ったのです。これは AI にとって画期的な成果となりました。ほぼ同じ頃、Judea Pearl 氏による確率論と意思決定理論の研究がこの分野を発展させ、Geoffrey Hinton 氏などの先駆者たちの深層学習への関心が再燃したことで、ニューラルネットワークの復活の舞台が整いました。商業的な関心はまだ高まっている途中ではありましたが、これらのイノベーションは AI の次の成長段階の基盤を築きました。

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。それが機械学習の採用が拡大し、革新が促され、進歩を遂げることにつながりました。進歩には、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が含まれます。また、Google の AlphaZero は、人間のデータなしでセルフプレイを頼りにチェス、将棋、囲碁のゲームをマスターしました。

2022 年、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 への関心が新たに高まり、開発が促進されました。

AI システムは高度なテクノロジーを活用し、テキスト、画像、動画、音声などの生データを有意義なインサイトに変換します。このデータ内でパターンと関係を識別することで、AI はインテリジェントな意思決定を大規模に行うことを可能にします。これらのシステムは膨大なデータセットでトレーニングされており、人間が経験から学ぶのとよく似た態様で、時間が経過する中で継続的に学習および改善できます。インタラクションを経るごとに、AI モデルは精度を高めて、イノベーションを推進し、ビジネスに新たな機会をもたらします。

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、数学的計算を使用して情報を処理し、複雑な問題を解決します。

ニューラルネットワークについて読む

自然言語処理 (NLP)

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、収集します。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手法を使用しています。これらの手法により、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。 

NLP について読む

コンピュータビジョン

コンピュータビジョンは、深層学習の手法を使用して、動画や画像から情報やインサイトを抽出します。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モニタリングしたり、顔を認識したり、画像の詳細を分類したりできます。コンテンツモデレーションから自動運転車まで、瞬時の意思決定が不可欠なあらゆる場面で不可欠です。

コンピュータビジョンについて読む

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、声に含まれる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。

音声テキスト変換について読む

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指します。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。

生成 AI について読む

企業が AI の力をどのように活用して、イノベーションを起こし、効率を高めているのかについて、実例をいくつかご紹介します。

チャットボットとスマートアシスタント

AI を利用したチャットボットとバーチャルアシスタントは、人間のような状況認識型の会話を行うことで、顧客とのやりとりを変革しています。自然言語のクエリに対してインテリジェントで一貫した応答を提供することで、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います。これらの AI モデルは、時間が経過する中で継続的に学習および改善することで、顧客満足度と業務効率を高めるパーソナライズされたエクスペリエンスを実現します。

世界最大級のオンラインブローカーの 1 社である Deriv は、カスタマーサポート、マーケティング、採用プラットフォーム全体でデータを管理するために、AI を利用するアシスタントを実装しました。AI を活用することで、Deriv は新入社員のオンボーディング時間を 45% 短縮し、採用業務にかかる時間を 50% 短縮できました。

インテリジェントドキュメント処理 (IDP)

AI は、E メール、PDF、画像などの非構造化形式から意味のあるデータを抽出して実用的なインサイトに変換することを簡素化します。インテリジェントドキュメント処理 (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高度なテクノロジーを活用して、大量のドキュメント処理が必要となるワークフローを効率化します。

イングランドおよびウェールズの 87% 超の不動産に関する権利を管理する HM Land Registry (HMLR) は、AI をデプロイして法的ドキュメントの比較を自動化しました。AI を利用することで、ドキュメントレビューの時間を 50% 短縮し、不動産譲渡の承認プロセスを迅速化できました。HMLR が Amazon Textract をどのように利用しているのかをご覧ください。

アプリケーションパフォーマンスモニタリング (APM)

AI ベースのアプリケーションパフォーマンスモニタリングは、問題がユーザーに影響する前に予測して回避することで、企業が最高のパフォーマンスを維持するのに役立ちます。これらのツールは履歴データを分析してプロアクティブなソリューションを推奨し、継続的なアップタイムと運用効率を実現します。

Atlassian は、AI を利用した APM ツールを使用して、アプリケーションの問題を継続的にモニタリングし、優先順位を付けています。機械学習によるレコメンデーションを活用することで、同社のチームはパフォーマンスの課題をより迅速に解決し、アプリケーションの信頼性を改善することができます。APM の詳細をご覧ください。

AI のユースケースを詳しく見る

AI は業界に革命をもたらし、イノベーションを促進し、複雑なプロセスを自動化し、優れたユーザーエクスペリエンスを大規模に提供しています。

コンテンツのレコメンデーション

AI は、Netflix や Spotify などの主要なストリーミングサービスのレコメンデーションエンジンを強化し、ユーザーの好みを分析してパーソナライズされたコンテンツの提案を行います。AI は、顧客を引き付け続けることで、企業が顧客維持率を高め、顧客満足度を高めるのに役立ちます。

パーソナライズされたショッピング

e コマースプラットフォームは、AI を使って顧客の閲覧履歴や好みに基づいてパーソナライズされた商品レコメンデーションを行い、売上の増加とショッピングエクスペリエンスの改善を促進します。

医療

AI は、高度な診断、治療計画、患者モニタリングによって医療を変革しています。AI システムは、医療画像を分析して病気を早期に発見し、患者の病歴とデータに基づいて治療計画をカスタマイズするのに役立ちます。

トラフィック管理

AI は、リアルタイムデータを分析し、交通パターンを予測し、代替ルートを提案することにより、交通フローを最適化します。これにより、輸送効率が高まり、渋滞が緩和され、二酸化炭素排出量の削減に役立ちます。

保全

AI は保護活動における強力なツールであり、AI を利用したドローンや衛星画像による野生生物のモニタリング、森林破壊の防止、密猟の防止に役立ちます。AI のリアルタイムモニタリング機能は、環境保護戦略を変革しています。

生成 AI

エンタープライズグレードのセキュリティ、プライバシー、および主要な基盤モデル (FM) の選択により、生成 AI によるイノベーションを加速します。データファーストのアプローチと最先端インフラストラクチャにより、AWS はコストを最適化しながら極めて高いパフォーマンスを実現します。プロトタイプやデモを現実世界のイノベーションや目に見える生産性の向上につなげるために、あらゆる規模の組織が AWS に信頼を寄せています。

生成 AI サービスとツールを詳しく見る

AI サービス

AWS の事前トレーニング済み AI サービスは、アプリケーションやワークフロー用のすぐに使用できるインテリジェンスを提供します。AI サービスは、アプリケーションと簡単に統合し、パーソナライズされたレコメンデーション、コンタクトセンターのモダナイゼーション、安全性の向上とセキュリティの強化、カスタマーエンゲージメントの強化などの一般的なユースケースに対応します。

AI サービスを見る

機械学習

機械学習 (ML) でコストを削減しながら、データからより深いインサイトを得ましょう。AWS は、極めて包括的な一連の ML サービスと専用のインフラストラクチャにより、ML 導入ジャーニーのあらゆる段階でお客様をサポートします。Amazon SageMaker を利用することで、機械学習と基盤モデルを大規模かつ簡単に構築、トレーニング、デプロイできます。SageMaker を利用すると、データサイエンティストと ML エンジニアは、インフラストラクチャとツールを柔軟かつきめ細かくコントロールして、250 を超える FM を事前トレーニング、評価、カスタマイズ、デプロイして、パフォーマンス、レイテンシー、コストを最適化できます。

ML サービスとリソースを詳しく見る

AI インフラストラクチャ

AI を使用する場面が増えるのに伴って、インフラストラクチャリソースの使用量、管理、コストが増加します。パフォーマンスを最大化し、コストを削減して、基礎モデルのトレーニングと本番環境へのデプロイ中の複雑さを回避するために、AWS は AI のユースケース向けに最適化された専用インフラストラクチャを提供します。

目的別 AI インフラストラクチャサービスを見つける

AI のためのデータ基盤

生成 AI を含むあらゆるワークロードやユースケースをサポートするエンドツーエンドのデータ基盤向けに極めて包括的な一連のデータ機能を提供しているのは AWS だけです。エンドツーエンドの データガバナンスにより、すべてのデータに迅速かつ簡単に接続して、それらのデータを利用できるため、チームが自信をもってより迅速に行動できるようになります。また、AWS では AI がデータサービスに組み込まれており、複雑なデータ管理がより容易になるため、データの管理に費やす時間が減り、データから価値を引き出すことにより多くの時間を費やすことができます。

AI のためのエンドツーエンドのデータ基盤を構築する

AI は計り知れない可能性を秘めていますが、その価値を最大限に引き出すには、組織が克服しなければならない重要な課題がいくつかあります。

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関連法令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。

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、処理能力の高いしきい値が不可欠です。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。

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。

Alexa などの仮想アシスタントや、タスクを自動化するスマートホームデバイスを通じて、日常生活で AI を使い始めることができます。さらに、フィットネストラッキング、言語学習、予算管理のための AI を利用したアプリケーションを使用することで、日常の活動をより効率的にし、ニーズに合わせてカスタマイズできます。

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。例えば、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:

• 生成 AI の概要
• エグゼクティブのための生成 AI
• ビジネスのための生成 AI の基礎知識