生成AIと予測AIの主な違いと実際の応用

翻訳者 |陳俊

レビュー | Chonglou

近年、予測 AI は、高度な推奨アルゴリズム、リスク評価モデル、不正検出ツールを通じて、この分野の企業の投資収益率を押し上げています。しかし、今年初めに突如登場したGenerative AIは、世界中で一気に話題となりました。コンテンツ生成や顧客サービスに大規模言語モデル (LLM) を使用する方法や、ビジュアルコンテンツ作成に拡散モデルを使用する方法について、誰もが話しています。では、生産性向上の主な推進力として、生成 AI が予測 AI に取って代わるのでしょうか?

この質問に答えるために、この記事では、これら 2 つのカテゴリの人工知能手法を推進する主要な機械学習テクノロジー、それらに関連する固有の利点と課題、およびそれらを適用できる実際のビジネスアプリケーションについて説明します。

基本的な定義

生成 AI と予測 AI は、ビジネスやその他の分野で幅広い用途を持つ 2 つの強力な AI タイプであることは否定できません。どちらも機械学習を使用してデータから「知識」を獲得しますが、学習方法と目標は異なります。

予測 AI は、履歴データに基づいて将来のイベントや結果を予測するためによく使用されます。つまり、履歴データのパターンを識別し、そのパターンを使用して将来の傾向を予測することによって機能します。たとえば、顧客の購入履歴データセットに基づいてインテリジェントモデルをトレーニングし、来月解約する可能性が最も高い顧客を予測できます。
生成 AI は、テキスト、画像、音楽、コードなどの新しいコンテンツを作成するためによく使用されます。既存のデータから学習して、トレーニングデータに類似した新しいデータを生成します。たとえば、広告サンプルのデータセットでトレーニングすることで、新しくクリエイティブで効果的な広告を生成することができます。

上の表に示されているように、両者の基本的な違いは、予測 AI の出力は予測であるのに対し、生成 AI の出力は新しいコンテンツであるということです。以下に、典型的なエリアの例をいくつか示します。

自然言語処理 (NLP): 予測 NLP モデルは、テキストをスパムと非スパムなどの定義済みカテゴリに分類できます。一方、生成 NLP モデルは、ソーシャルメディアの投稿や製品の説明などの特定のプロンプトに基づいて新しいテキストを作成できます。
画像処理: 畳み込みニューラルネットワーク (CNN) などの予測画像処理モデルは、画像を事前定義されたラベルに分類し、たとえば食料品店の棚にあるさまざまな製品を識別することができます。生成モデルは、拡散モデルを活用して、広告キャンペーンの仮想モデルなど、トレーニングデータになかった新しい画像を作成できます。
創薬: 予測創薬モデルは、新しい化合物が有毒であるか、治療薬としての可能性を秘めているかを予測できます。たとえば、生殖薬の生成モデルは、より効率的で毒性の少ない新しい分子構造を作り出すことができます。

ビジネスニーズに適した実装を選択するには、これら 2 種類の AI を駆動するさまざまな機械学習アルゴリズムのそれぞれの利点と欠点を理解する必要があります。

予測的および生成的 AI アルゴリズムの仕組み

予測 AI は多くの場合、データにラベルを付ける教師あり機械学習に基づいています。ここでのラベル付きデータとは、正しい入力と出力のペアまたはシーケンスを使用してデータに注釈を付けることを意味します。モデルは、入力データと出力データ間の数学的関係を学習することで、新しいデータに関する予測を行います。

予測 AI アルゴリズムは、線形回帰、ロジスティック回帰、決定木、ランダムフォレストなどの基本的な機械学習モデルに基づいて、連続変数 (販売量など) やバイナリ変数 (顧客が解約するかどうかなど) を含むさまざまな種類の情報を予測できます。場合によっては、ディープラーニングアルゴリズムと強化学習は、データ内の複雑なパターンを学習できるため、予測 AI タスクで優れたパフォーマンスを発揮することが実証されており、顧客行動の予測、不正行為の検出、結果の診断などのタスクに最適です。

上の図は、予測 AI が入力データのセットに基づいて、バイナリ変数 (ある人が心臓病を患っているかどうか) を予測する方法を示しています。医療提供者が予測 AI を使用して心臓病のリスクがある患者を特定したい場合、過去の患者の履歴データを使用して、さまざまな特性 (患者の人口統計、健康状態、治療状況など) が心臓病とどのように関連しているかを理解する場合があります。機械学習モデルは予期しないパターンを発見し、どの患者が心臓病を発症する可能性が高いかを正確に予測することができます。これにより、医療提供者は個別の予防計画を策定できます。

予測 AI と比較して、生成 AI は通常、教師なし学習または半教師あり学習アルゴリズムを使用してモデルをトレーニングします。つまり、教師なし学習アルゴリズムはラベルなしデータから学習できますが、半教師あり学習アルゴリズムはラベルなしデータと最小限のラベル付きデータの組み合わせから学習します。一般的に、大量のラベル付きデータは必要ありません。トレーニングデータの一部をマスクしてモデルをトレーニングするだけで、マスクされたデータを復元できます。たとえば、大規模な言語モデルは、トレーニングデータ内の一部のトークンを特殊なトークン (例: [MASK]) にランダムに置き換えることによってトレーニングされます。このようなモデルは、前後の単語のコンテキストに基づいてマスクされたトークンを予測することを学習します。下の図は、BERT アーキテクチャにおけるマスキングプロセスを示しています。

もう 1 つの一般的な生成 AI モデルは、画像やビデオの生成と編集に使用される拡散モデルです。これらのモデルは、画像にノイズを追加し、ニューラルネットワークをトレーニングしてノイズを除去することによって構築されます。

上の図に示すプロセスは、まずデータセット画像にノイズを追加し、次にモデルをトレーニングして不足している情報を推測し、拡散モデルを構築するというものです。 LLM モデルと拡散モデルは、トレーニングに十分な量のラベルなしデータがある場合に優れたパフォーマンスを発揮します。ただし、特定のユースケースの結果を改善するために、開発者は強化学習を使用し、人間からのフィードバックを取り入れて、少量のラベル付きデータで生成されたモデルを微調整し、敵対的応答の数を減らしてモデルの全体的なパフォーマンスを向上させることがよくあります。

実際のアプリケーションでは、マーケティングは生成 AI の恩恵を受ける最初のビジネス分野の 1 つです。たとえば、ブログ投稿やソーシャルメディア投稿などのクリエイティブコンテンツを生成するには、マーケティング組織はまず、そのユースケースで許容できるパフォーマンスを示す前処理済みの LLM を選択できます。その後、機関クライアントの既存のコンテンツデータセットに基づいてモデルを微調整できます。トレーニングが完了すると、モデルを使用して、組織の顧客のニーズに合わせた新しいコンテンツ出力を生成できるようになります。

利点と欠点

予測 AI には、一般的に 2 つの主な利点があります。

高精度: 予測 AI モデルは、製品の推奨、不正検出、リスク評価などの多くのタスクで非常に高い精度を達成するようにトレーニングできます。
自動化: 予測 AI は、タスクを自動化することで、人間の労働者がより戦略的かつ創造的な作業に集中できるようにします。

もちろん、予測 AI には次の 3 つの課題もあります。

ラベル付きデータの要件: 予測 AI モデルにはラベル付きデータが必要ですが、その収集にはコストと時間がかかります。
成功のハードルが高すぎる: 実際には、予測 AI アプリケーションには高い精度が求められることが多く、複雑な影響要因がある特定のタスクではそれを達成するのが難しい場合があります。
モデルのメンテナンス: 予測 AI モデルの精度を維持するために、新しいデータに基づいて定期的かつ継続的にトレーニングする必要があります。これは、リソースが限られている企業にとっても課題となる可能性があります。

生成 AI アルゴリズムの利点を見てみましょう。

生産性と効率性の向上: 生成 AI は、コンテンツの作成、コードの記述、グラフィックスの設計と構築のプロセスを高速化し、企業の時間とコストを大幅に節約します。
創造性: 生成 AI は、人間が思いつかなかった新しいアイデアを生み出すことができます。これにより、企業は新しい製品やサービスを開発し、既存の製品やサービスを改善することができます。

もちろん、非常に新しいテクノロジーである生成 AI も多くの課題に直面しています。

信頼性の欠如: 生成 AI アプリケーションは、多くの場合、信頼性が非常に低いという問題を抱えています。誤った情報や誤解を招く情報が生成される可能性があり、通常は人間の介入が必要になります。
前処理済みモデルへの依存: 企業は、インテリジェントなアプリケーションを生成するために、外部で作成された前処理済みモデルに依存する必要があることがよくあります。これにより、モデルとその出力に対する制御が制限される可能性があります。
著作権と知的財産の問題: 生成 AI モデルは著作権で保護されたデータに基づいてトレーニングされるため、モデルによって生成されたコンテンツの著作権を実際に誰が所有しているかは不明である可能性があります。

上記 2 種類の AI の長所と短所によって、適用できる主な分野が大きく決まると言えます。

現実世界のアプリケーション

まず、予測 AI の応用分野を見てみましょう。非常に正確な予測機能と、AI モデルをトレーニングするのに十分なラベル付きデータへのアクセスにより、予測によってタスクを完全に自動化できます。したがって、適用可能なシナリオは次のとおりです。

製品推奨システム: 予測 AI を使用すると、顧客の過去の購入履歴や閲覧行動に基づいて製品を推奨できます。
不正検出システム: 予測 AI は、さまざまな不正な取引や活動の特定に役立ちます。
リスク評価システム: 予測 AI モデルにより、企業はローンの不履行、保険金請求、顧客離れなどのビジネスリスクイベントを評価できます。
需要予測システム: 予測 AI は、製品やサービスの需要を正確に予測することで、企業が生産や在庫レベルを計画し、さまざまなマーケティングキャンペーンを策定するのに役立ちます。
予測保守システム: このタイプの AI を使用すると、機械や設備が故障する可能性が高い時期を予測できるため、企業はコストのかかるダウンタイムを回避し、資産の寿命を延ばすことができます。

予測 AI とは異なり、生成 AI では最適な出力を生成する必要はありません。自動的に生成される結果が「十分に良い」ものであれば、企業の生産性と効率性の向上に役立ちます。ただし、生成 AI アプリケーションは必ずしも信頼できるとは限らず、展開時に誤った情報や予期しない出力が生成される可能性があることに注意することが重要です。この制限を考慮すると、生成 AI は、正確さが重要ではない実験的な状況 (AI チャットボットなど) や、人間の入力が必要な場合 (モデルの出力を公開、送信、または実行する前に、人間がすべてのモデル出力を確認して編集する必要がある場合など) に最適です。

生成 AI アプリケーションの典型的な例を以下に示します。

コンテンツ作成: 生成 AI モデルにより、ブログ投稿、製品説明、ソーシャルメディア広告の生成を高速化できます。たとえば、作成者はコンテンツの出力をガイドする詳細な指示を提供し、結果のコンテンツを確認して編集することができます。
画像生成: 生成 AI を使用すると、製品の設計、マーケティング、エンターテイメント用のリアルな画像やビデオを生成できます。そこから、デザイナーは、最初から作成することなく、自動的に生成されたビジュアルコンテンツを確認、編集、配置できます。
コード生成: 生成 AI モデルは、ソフトウェアアプリケーションのコードを記述したり、開発者にコードの変更を提案したりするために使用できます。これにより、開発者はコードを実行する前に確認および編集できます。
創薬: 生成 AI は、新しい薬剤候補を特定し、その特性を予測することで薬剤開発を加速できます。人間は、その品質を管理および保証し、生成された薬剤モデルを評価するだけで済みます。

まとめ

まとめると、予測 AI は、高精度の自動化プロセスと人間による監督が不要なことから、依然としてハイエンド AI 市場を支配しています。生成 AI は、多くのビジネスアプリケーションに革命を起こす可能性を秘めた、急速に発展している新興分野です。生成 AI が予測 AI と同等に生産性向上の大きな原動力となるかどうかはまだわかりませんが、その可能性を過小評価することはできません。