AIは現実世界に対応できる準備ができているでしょうか?

人工知能技術は、今日の状況に対応し、現実世界に適用するのに苦労しています。

テクノロジーに興味があるなら、人工知能技術に魅了されないことは難しいでしょう。人工知能は、今日のテクノロジーの世界で最も話題になっているトピックの 1 つであり、特に過去 5 年間で私たちの生活に多くのものをもたらす上で大きな役割を果たしてきました。生成機能を活用して創造性の限界を押し広げたり、高度な分析機能を使用してニーズを理解したりと、多くの業界がすでに AI のパイの一部を獲得しています。しかし、これは AI が完璧であることを意味するのでしょうか?

AI が注目を集める一方で、私たちはスケールの反対側に焦点を当てることを忘れてしまうことがあります。私たち人間が人生や感情を解釈するのは困難ですが、そのデータを提供するAI技術もこの分野ではあまり成功していません。残念ながら、今日の技術を考えると、生物の予測不可能な動き（その決定のほとんどはホルモンの衝動に基づいています）を解釈し、それらのホルモンの影響を経験したことのない機械にそれを実行できると期待するのは、大きなジレンマです。

次に、生活の最も重要な側面で AI を受け入れ、使用することの課題についてお話ししましょう。

AI テクノロジーは、入力されたデータからどのように学習するのでしょうか?

AI テクノロジーは、トレーニングと呼ばれる構造化されたプロセスを通じて提供されたデータから学習します。このプロセスは、いくつかの異なるステップを含む人工知能のサブセットである機械学習の基礎となります。

まず、データ収集が不可欠です。 AI システムには、解決するように設計された特定の問題に関連する大規模で多様なデータセットが必要です。このデータセットには、目的の予測または分類を表す入力データ (特徴) と対応する出力またはラベルが含まれています。たとえば、画像認識では、データセットは画像とそれに関連付けられたラベル（画像に猫が含まれているか犬が含まれているかを識別するなど）で構成されます。

データが収集された後、前処理が行われます。このステップにより、データがトレーニングに適した形式であることが保証されます。データ前処理タスクには、エラーや不整合を除去するためのデータクリーニング、データを一貫した範囲に収めるための正規化、生データから意味のある情報を抽出する機能エンジニアリングなどが含まれます。

次の重要なステップはモデルの選択です。 AI 実践者は、当面の問題に適した機械学習モデルまたはアルゴリズムを選択します。一般的な選択肢としては、ニューラル ネットワーク (ディープラーニング用)、決定木、サポート ベクター マシンなどがあります。

モデルを選択すると、パラメータの初期化が実行されます。これらのパラメータは、モデルの動作を決定する係数または重みです。ランダムな値で初期化されます。

トレーニング ループは、モデルが実際に学習する場所です。これはいくつかの反復的なステップで構成されます。

• フォワードパスでは、モデルは入力データを取得し、現在のパラメータに基づいて予測を生成します。
• 損失関数は、これらの予測と実際のラベルの差を定量化します。目標はこの損失を最小限に抑えることです。
• 勾配降下法やバックプロパゲーションなどの最適化アルゴリズムを使用して、モデル パラメータを調整します。このステップにより、モデルの予測が継続的に改善されます。

この反復的なトレーニング プロセスは複数のエポックにわたって繰り返され、モデルがパラメータをさらに微調整できるようになります。

検証とテストは重要な段階です。検証では、モデルが新しい未知のデータにどの程度一般化できるかを評価し、テストでは、そのパフォーマンスと一般化能力をより厳密に評価します。

理論的には、モデルが十分なパフォーマンスを示したら、実際のアプリケーションに展開して、新しい、これまでに見たことのないデータに基づいて予測を行ったり、タスクを自動化したりすることができます。

AI テクノロジーはさまざまな方法でデータから学習できますが、最も一般的なアプローチは教師あり学習です。教師あり学習では、AI アルゴリズムがラベル付きデータでトレーニングされ、正しい出力が判明します。アルゴリズムは予測を行い、それを実際のラベルと比較することで、入力を出力にマッピングすることを学習します。時間が経つにつれて、アルゴリズムの精度が向上し、新しい未知のデータに対してより優れた予測ができるようになります。

では、データのラベル付けは教師あり学習において非常に重要ですが、その正確性を完全に確信できるのでしょうか? 答えは「いいえ」です。正直に言うと、人間は完璧ではありません。医学的な診断を疑ったり、刑事事件の結果が本当に公正であるかどうか疑問に思ったりするなど、自分の能力に疑問を感じる瞬間は誰にでもあります。しかし、私たちは自分自身とラベル付けされたデータを信頼することをためらうべきではありません。受け入れるのは難しいことですが、現実には、最善の意図を持っていても、私たちは誰でも間違いを犯しがちです。

機械学習アルゴリズムの別の形式は、教師なし学習と呼ばれます。これには、ラベル付けされていないデータのセットで AI システムをトレーニングすることが含まれます。つまり、アルゴリズムはすべてのデータ ポイントに対して正しい出力を生成するわけではありません。したがって、データ内のパターンと関係性を独立して識別する必要があります。たとえば、教師なし学習を使用して、同様の消費習慣を持つ顧客グループを識別できます。

さらに、AIテクノロジーはデータからリアルタイムに学習する能力を持っています。これを強化学習と呼びます。このプロセスの間、AI システムは、実行するアクションが有益であるかどうかに応じて、報酬を与えられたり、罰せられたりします。

論理的に思えますが、このアプローチは完璧からは程遠く、厳しい世界に完全に備えているわけではありません。

予測 AI はこのような複雑な世界に対応できるのでしょうか?

Wired 誌に掲載された最近の調査によると、予測 AI テクノロジーと Geolitica などのソフトウェア アプリケーションは期待したほど効果的ではないことが判明しました。実際、研究によれば、AI ソフトウェアの精度はわずか 0.6 パーセント程度に過ぎないことが判明しています。これにより、世界中の警察による人工知能技術の使用に対する懸念が高まっている。

では、何が問題なのでしょうか? 予測 AI ソフトウェアの主な問題の一つは、人生は予測可能であるという誤った仮定に依存していることです。人生は複雑な現象であり、多くの変数の影響を受けますが、その多くは予測不可能です。したがって、イベントがいつどこで発生するかを正確に予測するためにソフトウェアに頼ることは困難です。

医療分野における人工知能技術の状況もあまり良くありません。 ChatGPT は広く使用されており、一般的に最も強力な大規模言語モデル (LLM) であると考えられていますが、誤解を招きやすく、医学研究や正確な診断には不十分です。

Maryam Buholayka、Rama Zouabi、Aditya Tadinada による研究では、ChatGPT が独自に科学的な症例レポートを作成する能力を評価しました。この研究では、症例報告書の作成における ChatGPT と人間の口腔および顎顔面放射線科医のパフォーマンスを比較しました。

最終的に、ChatGPT は人間の放射線科医が作成したものと同等の品質の症例レポートを生成できることが判明しました。ただし、ChatGPT の症例報告には、鑑別診断の議論や文献のレビューなど、特定の重要な要素が含まれる可能性が低くなります。

したがって、包括的な研究では、ChatGPT はまだ独自に科学的な症例報告を書く準備ができていないと結論付けられました。では、これは私たちにとって何を意味するのでしょうか? AI テクノロジーは誰にとっても驚くべきものですが、完璧からは程遠いものです。人間による制御源や、誤ってまたは不完全に動作するアルゴリズムなど、多くの予測不可能な要因が、AI テクノロジーの日常生活への統合を遅らせています。

しかし、センサー付きのドアでさえ、かつては人間の想像力の偉業と考えられていたことを忘れてはなりません。