複合 AI: エンタープライズ AI の成功の鍵

最近、Dynatrace は、AI への投資が増加し続けるにつれて、「複合 AI」が企業による AI の活用を成功させる重要な要素となることを示す世界的なレポートを発表しました。 Dynatrace は、テクノロジーリーダーの 83% が AI が不可欠であると考えている一方で、95% が生成型 AI (GenAI) は他の種類の AI の支援があればより効果的になると考えていると指摘しました。

このレポートでは、企業は複合 AI アプローチを採用する必要がある、つまり組織が複数の種類の AI を組み合わせる必要があると主張しています。これらには、GenAI、予測および/または因果 AI、および可観測性、セキュリティ、ビジネス イベントなどのさまざまなデータ ソースが含まれる場合があります。このアプローチにより、より高度な推論が可能になり、AI 出力の精度、関連性、意味が向上します。

人工知能は単純な技術ではないことがわかります。人工知能には複数のタイプ、方法、データ、シナリオが含まれており、それぞれに利点と限界があります。 AI の潜在能力を最大限に引き出すには、単一の AI テクノロジーだけでは不十分です。より高度な推論と、より正確で意味のある、コンテキストに応じた AI 出力を提供するには、さまざまな AI テクノロジーとデータ ソースを組み合わせる必要があります。これは複合 AI の概念であり、生成型、予測型、因果型などの複数のタイプの AI と、観測可能性、セキュリティ、ビジネス イベントなどのさまざまなデータ ソースを組み合わせることを指します。複合 AI は、複雑な問題を解決し、より価値のあるソリューションを提供し、変化する環境により適切に適応するのに役立つため、企業による AI 導入を成功させる重要な要素となります。

この記事では、Dynatrace のグローバル レポートに基づいて、複合 AI の概念、アプリケーション、価値、および複合 AI の利点と課題を分析します。複合AIの重要性と可能性をより深く理解し、複合AIを効果的に導入して企業の競争力とイノベーションを強化する方法を理解することが目的です。

01 複合人工知能の概念

ご存知のとおり、人工知能はコンピュータサイエンス、数学、統計、心理学、哲学などの分野が関わる学際的な分野です。人工知能により、コンピュータや機械は、知覚、理解、学習、推論、意思決定、創造など、人間と同様の知能を持つことができます。人工知能の研究開発は数十年の歴史があり、この間、多くの浮き沈みと変化を経験し、さまざまなタイプ、方法、データ、シナリオの人工知能技術が形成されてきましたが、それぞれに長所と限界があります。

近年急速に発展している生成AIは、ディープラーニングなどの技術を用いて、データからテキスト、画像、音声などの新しいコンテンツを生成します。生成 AI の利点は、仮想アシスタント、パーソナライズされた推奨事項、インテリジェント コンテンツなどの新しい製品やサービスの作成に役立つことです。生成 AI の限界は、生成されたコンテンツが事実と一致しなかったり、常識に反したり、他人の感情を傷つけたりするなど、不正確さ、不合理性、非倫理的な問題が発生する可能性があることです。

予測 AI の開発の歴史は、最初の統計学習理論と機械学習アルゴリズムが登場した 1950 年代にまで遡ります。予測 AI は、統計学習などの技術を使用して、分類、回帰、クラスタリングなどのデータのパターンと傾向を検出します。予測 AI の利点は、パフォーマンス監視、障害予測、異常検出など、既存の製品やサービスの最適化に役立つことです。予測 AI の限界としては、予測結果が実際の状況と一致しない、ノイズや異常の影響を受ける、説明可能性に欠ける、などが挙げられます。

因果 AI は、データとアルゴリズムを使用して因果関係を推測するタイプの AI です。組織がデータの背後にある原因と影響を理解し、より適切な意思決定と介入を行うのに役立ちます。因果 AI の応用分野としては、医療、社会科学、経済、教育、政策立案などが挙げられます。因果人工知能の中核となる概念は因果グラフです。因果グラフは、ノードと矢印を使用して変数と因果関係を表すグラフィカル モデルです。因果図は、データが生成されるメカニズムと、介入や実験を通じてデータの分布をどのように変更できるかを表すために使用できます。因果図は、「これを実行すると、何が起こるか？」や「なぜこの変数はあの変数に影響を与えるのか？」といった因果関係の質問に答えるためにも使用できます。

さまざまな種類の AI テクノロジーに加えて、可観測性、セキュリティ、ビジネス イベントなどのさまざまなデータ ソースもあります。可観測性データとは、アプリケーションのパフォーマンス、ソフトウェア開発とセキュリティの実践、IT インフラストラクチャ、ユーザー エクスペリエンスに関連するデータのことです。セキュリティ データとは、サイバーセキュリティ、データ保護、プライバシー コンプライアンスに関連するデータのことです。ビジネス イベント データとは、ビジネス プロセス、トランザクション、顧客の行動、満足度に関連するデータのことです。データ ソースが異なれば、提供される情報や価値も異なり、品質、セキュリティ、プライバシーの要件や課題も異なります。

複合 AI とは、さまざまな種類の AI テクノロジーとデータ ソースを組み合わせて、より高度な推論と、より正確で意味のあるコンテキストに応じた AI 出力を提供することを指します。複合 AI は、複雑な問題を解決し、より価値のあるソリューションを提供し、変化する環境により適切に適応するのに役立ちます。複合 AI の核心は、さまざまな AI 技術とデータ ソースの利点を活用し、さまざまな AI 技術とデータ ソースの制限を補い、AI 技術とデータ ソースの相乗効果と補完性を実現することです。

02 複合AIの統合と調整

複合 AI の統合と適応とは、さまざまな種類の AI テクノロジーとデータ ソースを組み合わせて、より高度な推論と、より正確で意味のあるコンテキストに応じた AI 出力を提供することです。複合AIの統合・調整には、AIの目的、範囲、方法、品質、セキュリティ、プライバシー、AIの評価・監督など、さまざまな側面を考慮する必要があります。したがって、いくつかの基本的な概念と原則が必要です。

目標とは、診断、予測、生成、推奨など、人工知能が解決したい問題や実現したい機能のことです。 AI の目標によって、AI 出力の種類、形式、内容、および AI 出力の価値と影響が決まります。人工知能の設計、実装、評価を容易にするために、人工知能の目標は明確で、具体的で、定量化可能で、達成可能である必要があります。

医療、教育、金融、製造など、関与する分野やシナリオを設定することも必要です。人工知能の範囲は、人工知能の入力と出力のソース、特性、要件、および人工知能の入力と出力の複雑さと難しさを決定します。 AI の取得、処理、適用を容易にするために、AI の範囲は適切、合理的、実現可能、かつ拡張可能である必要があります。

選択される手法とは、生成型、予測型、因果型の人工知能のほか、ディープラーニング、統計学習、因果推論など、人工知能に採用される技術やアルゴリズムのことです。方法によって、AI 出力の品質、信頼性、解釈可能性、および AI 出力の長所と限界が決まります。 AI の最適化、検証、更新を容易にするために、AI 手法は適切、効果的、革新的、かつ改善可能である必要があります。

データ品質とは、データの正確性、完全性、一貫性、適時性、関連性を指します。データの品質は、AI 出力の正確性、合理性、倫理性、および AI 出力の信頼性と受容性に影響します。人工知能の学習、推論、生成を促進するには、データの質が高く、安定していて、明確で、新しいものでなければなりません。

また、データの暗号化、承認、監査、バックアップ、削除など、データのセキュリティとプライバシー、およびデータの保護とコンプライアンスも考慮する必要があります。データ セキュリティとプライバシーは、AI 出力の安全性、合法性、説明責任、および AI 出力のリスクと結果に影響します。人工知能の防止、対応、修正を容易にするために、データのセキュリティとプライバシーは強力かつ厳格で、規制され、合法である必要があります。

重要なのは、AI の評価と監督、AI 出力のテスト、評価、フィードバック、監視を含む AI 出力の検査と改善です。 AI の評価と監督は、AI の出力の効率と有効性だけでなく、AI の出力の革新と開発にも影響を及ぼします。 AI の調整、最適化、更新を容易にするために、AI の評価と監督は継続的、包括的、客観的、タイムリーなものでなければなりません。

複合 AI の統合と調整は、より高レベルの推論だけでなく、より正確で意味のある、コンテキストに応じた AI 出力を提供するための多面的なプロセスです。これは、多くの時間、リソース、専門知識、そして高度な調整とコラボレーションを必要とするプロセスです。

03複合人工知能の応用

複合 AI の応用は、さまざまな種類の AI テクノロジとデータ ソースを使用して複雑な問題を解決し、より高度な推論とより価値のある出力を提供することです。これは、複数の種類の AI を組み合わせて、より高度な推論とより優れたパフォーマンスを実現する方法です。複合AIの応用分野は非常に広範囲です。例えば、自然言語処理の分野では、生成AI、予測AI、因果AIなどの技術を利用して、自然言語を生成、理解、翻訳するために複合AIを使用できます。

複合人工知能の応用は、医療、教育、金融、製造、エンターテインメント、セキュリティなど、さまざまな業界や分野に展開できます。

ヘルスケア分野では、複合 AI は生成 AI、予測 AI、因果 AI に加え、可観測性、セキュリティ、ビジネス イベント データを組み合わせて、より正確な診断、治療、予防ソリューションや、よりパーソナライズされた医療サービスを提供できます。たとえば、生成 AI は、医療画像、遺伝子配列、医療記録、その他のデータから、病変、変異、診断などの新しい医療情報を生成できます。予測人工知能は、医療モニタリング、テスト、評価データから、状態、リスク、影響などのパターンと傾向を発見できます。因果 AI は、薬物、手術、ライフスタイルなどの医療介入、治療、予防に関するデータから因果関係を推測できます。観測可能性データは、医療機器、システム、プロセスの監視と分析を提供し、可用性と信頼性を向上させることができます。セキュリティ データは、医療データとプライバシーの保護とコンプライアンスを提供し、データの悪用や漏洩を防止します。ビジネス イベント データは、医療サービスと満足度の測定と改善を提供し、収益と利益を増加させます。

教育分野における複合人工知能は、生成的、予測的、因果的な人工知能と学習者の行動、能力、嗜好データを組み合わせて、より優れた指導、評価、フィードバック、そしてより適切な学習パスを提供します。たとえば、生成型人工知能は、教科書、コース、ナレッジグラフなどのデータに基づいて、質問、回答、例などの新しい教育コンテンツを作成できます。予測 AI は、学習活動、成績、フィードバック、学習レベル、向上率、学習スタイルなどのデータに基づいて、パターンや傾向を発見するのに役立ちます。因果人工知能は、教育介入、戦略、効果、その他のデータ（教授法、学習リソース、学習成果など）に基づいて因果関係を推測するのに役立ちます。学習者の行動、能力、好みのデータにより、人工知能は学習者をより深く理解し、よりパーソナライズされカスタマイズされたサービスを提供できるようになり、学習者はより効率的かつ効果的に学習できるようになります。

複合型人工知能は金融分野で大きな役割を果たしています。生成的、予測的、因果的な人工知能を市場、顧客、リスクデータと組み合わせて使用​​することで、より優れた金融ソリューションとサービスを提供できます。たとえば、生成型人工知能は、さまざまなデータに基づいて、見積もり、提案、戦略などの新しい金融情報を提供することができます。予測 AI は、価格、需要、行動などのさまざまなデータに基づいて、財務パターンや傾向を発見するのに役立ちます。因果人工知能は、さまざまなデータに基づいて、影響、リスク、リターンなどの財務の因果関係を分析するのに役立ちます。市場データは、市場の状況をよりよく理解して分析し、市場の透明性と効率性を向上させるのに役立ちます。顧客データにより、当社は顧客をより深く理解してサービスを提供できるようになり、顧客の忠誠心と満足度を向上させることができます。リスク データにより、リスクをより適切に特定および管理し、リスクの制御可能性と予測可能性を向上させることができます。

04 複合人工知能の価値

複合 AI は AI の信頼性と適用性を向上させることができます。複合 AI は、さまざまな種類の AI テクノロジーとデータ ソースを組み合わせることで、さまざまな AI テクノロジーとデータ ソースの利点を活用し、さまざまな AI テクノロジーとデータ ソースの制限を補い、AI テクノロジーとデータ ソース間の相乗効果と補完性を実現します。このようにして、複合 AI は、より包括的、正確、合理的、倫理的な AI 出力を提供して、主要なビジネス ユース ケースをサポートし、一貫性のない、互換性のない、または質の低い AI 出力の問題を回避できます。

「GenAI に、特定の問題を解決するためにユーザーが信頼できる意味のあるコンテンツを生成させることは非常に困難です」と Dynatrace の CTO、Bernd Greifeneder 氏は語ります。「チームは、GenAI にどのようなコンテンツを生成するか、また GenAI によって生成されたコンテンツの正確性をどのように検証するかを知らせるための適切なプロンプトを設計するために、多くの時間と労力を費やす必要があります。」

同氏はさらに次のように付け加えた。「これを行うには、すべての AI が同じように作られているわけではないことを理解することが重要です。GenAI の多くのユースケース、特にソフトウェア コードの最適化やセキュリティの脆弱性への対処などの複雑なユースケースでは、複合 AI が必要です。複合 AI とは、因果 AI (システムの動作の原因と結果を見つけることができる) や予測 AI (過去のデータに基づいて将来のイベントを予測できる) など、さまざまな種類の AI を組み合わせて、GenAI に必要なコンテキストを提供することです。」

「企業がこれらの異なるタイプの AI と高品質のデータを組み合わせるための適切な戦略を策定できれば、開発、運用、セキュリティ チームの生産性を劇的に向上させ、永続的なビジネス価値を実現できます。」

複合 AI は、さまざまな種類の AI テクノロジーとデータ ソースを組み合わせて、より高度な推論とより価値のある出力を提供できます。生成 AI (データから新しいコンテンツを生成できる)、予測 AI (過去のデータに基づいて将来のイベントを予測できる)、因果 AI (データ内の因果関係を見つけることができる) を連携させることで、AI がより正確で意味のある、文脈に沿ったコンテンツを生成できるようになります。また、可観測性データ（システムのパフォーマンスとステータスを監視および分析できる）、セキュリティ データ（データの使用と転送を保護および遵守できる）、ビジネス イベント データ（ビジネス プロセスと結果を測定および改善できる）などのさまざまなデータ ソースを操作できるため、人工知能はより包括的で信頼性が高く関連性の高いデータを使用できるようになります。

参照: https://aimagazine.com/data-and-analytics/composite-ai-could-drive-success-as-investments-increase