AIは現代の技術分野で常に耳にする言葉ですが、その複雑さは混乱を招くことがあります。AIの基本を理解するには、単に流行語を知るだけでなく、その用語や概念をより深く理解することが求められます。
以下では、主要な用語を分かりやすく解説しつつ、その定義を簡単にお伝えしながら、AIの世界を解き明かします。AI用語の理解を深めることで、AIの機能をより良く把握し、組織内での議論や開発、イノベーションを効果的に進めることができます。
生成AIの概念
現代のAIシステム の基盤を形成する3つの一般的な概念があり、AI技術の能力、限界、そしてその潜在的な用途を理解する上で欠かせません。それらの3つの概念は以下の通りです：
人工知能（AI）：
人工知能（AI）はコンピュータサイエンスの広範な分野であり、人間の知能を必要とするタスクを実行できるシステムやマシンを作成することを目指しています。これには、自然言語の理解、パターンの認識、意思決定、経験からの学習などのようなタスクが含まれます。
AIの世界を深く学ぶと、「生成AI」や「従来型AI」といった用語を目にすることがあるでしょう。従来型AIは、あらかじめ定められたルールやアルゴリズムを用いて特定のタスクを実行します。（例えば、Netflixがストリーミング履歴を基に提供する視聴推奨機能、X線画像を用いた医療診断を行うコンピュータプログラム）。
生成AIは、データパターンを学習し、プロンプトに応答することで新しいコンテンツ（文章、画像など）を実際に作成します。代表的な生成AIプログラムには、ChatGPT、Bard、Midjourneyなどがあります。
機械学習（ML）
機械学習（ML）は、AIの一分野であり、コンピュータがデータから学習し、予測や意思決定を行うためのアルゴリズムや統計モデルを開発することに焦点を当てています。
従来のプログラミングとは異なり、MLでは、アルゴリズムがデータからパターンや関係を反復的に学習し、明示的にプログラムされることはありません。
> 詳しくはこちら | 機械学習（ML）とは何か？
ディープラーニング（DL）
深層学習（DL）は、機械学習の一分野であり、人間の脳のニューラルネットワークの構造と機能に触発されています。 DLアルゴリズム（人工ニューラルネットワーク）は、複数の層で構成された相互接続ノード（ニューロン）から成り、膨大な量のデータや非構造化コンテンツを一連の数学的操作を通じて処理・変換します。
機械学習 (ML) の種類
各種の機械学習は、タスクの実行や問題解決に異なるアプローチを提供し、さまざまな分野で幅広い応用が可能です。
さまざまな機械学習（ML）の種類とそれが企業の目標達成にどのように貢献するかを見ていきましょう：
教師あり学習（SL）
教師あり学習は、アルゴリズムがラベル付けされたデータから学習する方法で、トレーニング例にはすでに正しい答えが含まれています。
アルゴリズムは入力と出力のペアを受け取り、入力から出力へのマッピングを学習します。そして、新しい未知のデータに対して正確な予測を行うことを目指します。
自己教師あり学習（SSL）
自己教師あり学習（SSL）は、モデルが入力データの一部を予測する方法を学び、他の部分を文脈として利用する技術です。
これには、周囲のコンテキストに基づいてテキスト内の欠落している単語を予測するためにモデルをトレーニングすることが含まれます。基本的には、人間が明示的に注釈を付けなくてもデータ自体から学習します。
教師なし学習 (UL)
教師なし学習は、ラベル付けされていないデータを活用し、対応する出力ラベルがない状態で学習します。
その代わりに、アルゴリズムはデータセット内の隠れたパターンや構造、関係を明らかにし、類似した点をクラスタリングして表現を簡素化しようとします。
強化学習（RL）
強化学習では、エージェントが環境との相互作用を通じて順次的な意思決定を学び、累積的な報酬信号を最大化することを目指します。
教師あり学習や教師なし学習とは異なり、強化学習は、環境内で行動を取り、結果として得られる報酬を観察し、長期的な目標を達成するために行動を調整することで、試行錯誤を通じて学習することに基づいています。
モデリングの概念
モデリングの概念は、予測分析や洞察に基づいた意思決定の基盤となります。これらの三つの概念を理解することは、データ駆動型モデリングの背後にある意味を理解する上で重要です。
アルゴリズム
アルゴリズムとは、特定の問題を解決したり、特定のタスクを実行したりするために設計された、ステップバイステップの指示やルールの集合です。
機械学習（ML）およびデータサイエンスの文脈では、アルゴリズムはモデルを訓練し、入力データに基づいて予測を行うために使用されます。
ニューラルネットワーク
ニューラルネットワークは、人間の脳の構造と機能に触発された計算モデルです。
入力層、1つ以上の隠れ層、そして出力層を含む、層ごとに整理された人工ニューロンの相互接続されたネットワークで構成されています。
過剰適合
オーバーフィッティングは、機械学習モデルが訓練データの中で基盤となるパターンや関係ではなく、ノイズやランダムな変動を捉えるようになる現象です。
この現象は、モデルが利用可能な訓練データの量に対してあまりにも複雑または柔軟になると発生します。その結果、モデルは訓練データには非常に適合しますが、新しいデータポイントに対してはうまく機能しません。
評価指標
評価指標は、モデルのパフォーマンスを評価するための重要なツールです。精度から適合率や再現率まで、これらの指標を理解することは、適切な意思決定を行い、進展を促すための鍵となります。評価指標の種類を詳しく見ていきましょう：
精度
精度は、モデルが行った予測のうち正しい予測の数を、総予測数で割った比率として計算されます。
精度はモデルのパフォーマンスの一般的な概要を提供しますが、クラスの分布が不均衡なデータセットには適していない場合があります。
精度
「陽性的中率」とも呼ばれる精度（Precision）は、モデルが行った全ての陽性予測の中で、真の陽性予測が占める割合を示します。
精度は、誤検知のコストが高い場合に特に有用です。また、モデルが誤検知を回避する能力についての洞察を提供することで、正確性を補完します。
再現率
リコールは、偽陰性の数に関係なく、すべての正のインスタンスを正確に識別するモデルの能力に焦点を当てています。
これは、真陽性の数を、真陽性と偽陰性の合計で割った比率として計算されます。陽性のインスタンスを見逃すことが、陰性を誤って分類することよりも重要な場面で特に重要な指標となります。
Fスコア
Fスコアは、精度（Precision）と再現率（Recall）を組み合わせて単一の指標にまとめることで、モデルの性能をバランスよく評価します。これにより、モデルの有効性を総合的に評価することが可能になります。
精度と再現率の平均として計算され、Fスコアが高いほど全体的なパフォーマンスが優れていることを示します。
ニューラルネットワークとディープラーニング
ニューラルネットワークと深層学習は、革新の最前線に立ち、機械がデータからどのように認識し、学習し、洞察を生成するかを革命的に変えています。これらの強力なパラダイムがどのように人間の脳の働きを模倣し、コンピュータが複雑なパターンを自律的に学習し、意思決定を行うことを可能にするのかを理解していきましょう。
畳み込みニューラルネットワーク（CNN）
CNN（畳み込みニューラルネットワーク）は、画像や音声などの構造化されたグリッドデータを処理するために特別に設計された深層学習モデルです。
CNNは、生の入力データから直接階層的なパターンや特徴を自動的に学習する能力が特徴です。
生成的敵対ネットワーク（GAN）
生成的敵対ネットワーク（GAN）は、生成器と識別器の2つのニューラルネットワークから成る深層学習モデルの一種であり、これらは敵対的学習を通じて同時に訓練されます。
生成器ネットワークは、訓練データに似た合成データサンプルを生成する方法を学習し、一方で識別器ネットワークは、実際のサンプルと偽のサンプルを区別する方法を学習します。
自然言語処理（NLP）と理解（NLU）
AIのサブフィールドである自然言語処理（NLP）は、ヒューマン・コンピュータ・インタラクションの礎を築いています。これらの相互に関連する分野が、機械に人間の言語を理解し、生成し、応答する能力を与え、私たちがテクノロジーとコミュニケーションし、相互作用する方法を革新しています。その方法を学びましょう。
自然言語処理（NLP）
自然言語処理（NLP）は、コンピュータが人間の言語を理解し、解釈し、生成する能力を与えることに焦点を当てたAIの分野であり、その結果、意味があり、文脈に適した方法で言語を扱えるようにします。
NLP技術は、MLアルゴリズム、統計モデル、言語ルールを使用してテキストデータを処理および分析し、コンピュータが洞察を抽出し、意味を推論できるようにします。
自然言語理解（NLU）
自然言語理解（NLU）は、NLPのサブフィールドであり、コンピュータがテキストデータから意味、文脈、意図を抽出することによって、人間の言語の意味を理解し、解釈する能力を与えることに焦点を当てています。
さまざまなアプリケーションにおいて、自然言語理解（NLU）は、バーチャルアシスタント、チャットボット、情報検索システム、感情分析などを支えるために不可欠です。
自然言語生成（NLG）
NLGは、構造化データや他の形式の入力を、首尾一貫して文脈に適した言語に変換することで、人間のようなテキストや音声を生成し、コンピュータが自然言語で人間とコミュニケーションできるようにします。
事前に定義されたテンプレート、ルール、または統計モデルに基づいてテキストを生成するために自然言語生成（NLG）技術を採用することで、機械学習（ML）アルゴリズムを使用してパーソナライズされた適応的な応答を生成することができます。
自動音声認識（ASR）
これは、コンピュータが音声入力を分析し、それを書き起こしテキストに変換する技術です。
ASR（音声認識技術）は、音声インターフェース、バーチャルアシスタント、音声入力システム、音声操作デバイスに使用され、ハンズフリーでの操作を可能にし、ユーザーのアクセシビリティを向上させます。
業務におけるAI
AIは、企業がITインフラストラクチャや機械学習（ML）モデルを扱う方法を革新しています。AIOpsとMLOpsは、IT運用や機械学習（ML）の展開において、効率性、信頼性、革新を推進する2つの重要な方法論です。実際の運用方法は次のとおりです。
AIオペレーション
AI opsは、IT環境における監視、トラブルシューティング、インシデント管理、リソース割り当てなどのタスクを自動化し、最適化するために、さまざまなプラクティス、ツール、テクニックを組み合わせます。
これにより、組織はITインフラに関する深い洞察を得て、システムの信頼性を向上させ、IT運用全体の効率を高めることができます。
> 続きを読む |職場におけるAI
MLオペレーション
MLOpsは、機械学習（ML）モデルの開発、展開、監視、保守など、さまざまなタスクにおけるMLモデルのエンドツーエンドのライフサイクル管理に焦点を当てており、モデルが効果的かつ信頼性高く機能することを確保します。
強固なMLOpsプロセスとワークフローを確立することで、組織はソリューションの展開を加速し、モデルのパフォーマンスを向上させ、運用の負担を最小限に抑えることができます。
AIの倫理と枠組み
AIの世界では、倫理的配慮と堅牢なフレームワークが非常に重要です。AI倫理は、AI技術の責任ある開発と展開を導き、AIフレームワークは革新的で倫理的なAIソリューションを構築するために必要なツールとリソースを提供します。詳細に見てみましょう。
AI倫理
AI倫理とは、AI技術の開発、展開、使用を管理する道徳的原則、ガイドライン、及び配慮を指します。
AIシステムが社会的価値に沿って、個人やコミュニティの福祉を促進する責任ある倫理的な方法で開発・展開されることを確保することを目的としています。
AIフレームワーク
AIフレームワークは、機械学習モデルの構築と訓練のために、事前に組み込まれたコンポーネント、アルゴリズム、ツールを提供することで、AIアプリケーションとシステムの開発、展開、管理を円滑にします。
これにより、開発者に効率的かつ効果的に高度なAIソリューションを構築するためのリソースが提供され、イノベーションが加速します。
