人工知能開発における5つの制約問題、数千の問題を解決する5つの解決策

[[237095]]

人工知能はどこにでもあるようです。私たちはそれを自宅や携帯電話で体験します。起業家やビジネスイノベーターたちの言うことを信じるならば、私たちがいつの間にか、購入して使用するほぼすべての製品やサービスに AI が取り入れられるようになるでしょう。さらに、ビジネス上の問題解決への応用も急速に発展しています。同時に、AI の影響、つまり AI による自動化が職場、仕事、社会に与える影響についての懸念も高まっています。

Alexa、Siri、AlphaGo の恐ろしくトラフィックを生み出す勝利の真っ只中、AI テクノロジー自体、つまり機械学習とそのサブセットであるディープラーニングには、克服するためにまだ多大な努力が必要な多くの限界があるという現実を見るのが難しい場合があります。この記事は、それらの制限について説明し、経営者が AI の取り組みを妨げている原因をより深く理解できるようにすることを目的としています。その過程で、私たち (Michael Chui、James Manyika、Mehdi Miremadi) は、いくつかの制限に対処し、新たな機会の波を生み出すのに役立つ有望な進歩についても取り上げます。

私たちの洞察は、最先端の研究の分析概要（数百の実際のアプリケーション事例の研究、分析、評価）と、AI の最前線に立つ世界有数の思想家、科学者、エンジニアとのコラボレーションから生まれています。私たちは、最先端の領域がどこにあるのか、あるいは AI で先駆者がすでに何を行っているのかを適切に把握せずに、自社の取り組みのみに取り組んでいることが多い経営幹部を支援するために、この学習内容をまとめる取り組みを行ってきました。

つまり、AI の課題と限界により、政府にとって「動く標的」の問題が生じており、常に時代の先を行くのは困難です。同様に苛立たしいのは、AI 開発が現実世界の障害に遭遇し、さらなる投資への関心が低下したり、様子見の姿勢が促されたりする可能性があることです。最近のマッキンゼー・グローバル・インスティテュートの調査によると、セクター間およびセクター内での AI 導入において、先行企業と後進企業の間には大きな隔たりが存在します (表 1 を参照)。

このギャップを埋めたいと願う経営者は、AI にインテリジェントな方法で対処できなければなりません。言い換えれば、AI がイノベーション、洞察、意思決定を促進し、収益の増加や効率性の向上につながる分野だけでなく、AI がまだ価値を生み出せない分野も理解する必要があります。さらに重要なのは、文化的障壁、ビジネス対応の AI 駆動型アプリケーションを構築できる人材の不足、製品やプロセスに AI を組み込む際の「ラストマイル」の課題など、技術的な制約と組織的な制約との関係と違いを理解する必要があることです。リーダーになりたいのであれば、AI 開発の妨げとなっている主要な技術的課題を理解し、これらの制限を克服して AI 開発の軌道を変える可能性のある有望な開発プロジェクトを開発する準備をする必要があります。

課題、限界、機会

役に立つ出発点は、ディープラーニング技術の最近の進歩を調べることです。 AI における最もエキサイティングな進歩は、従来の教師あり学習に伴う通常の「特徴エンジニアリング」を一切行わずに、分類と予測の精度を飛躍的に向上させたものであると言えるでしょう。ディープラーニングでは、階層構造を持つ数百万のシミュレートされた「ニューロン」を含む大規模なニューラル ネットワークが使用されます。最も一般的なネットワークは、畳み込みニューラル ネットワークと再帰型ニューラル ネットワークと呼ばれ、トレーニング データとバックプロパゲーション アルゴリズムを通じて学習します。

多くの進歩が遂げられているものの、まだやるべきことは残っています。重要なステップは、AI 手法を問題とデータの可用性に適応させることです。これらのシステムはプログラムされるのではなく「トレーニング」されるため、複雑なタスクを正確に実行するには、さまざまなプロセスで大量のラベル付きデータが必要になることがよくあります。大規模なデータセットを取得するのは難しい場合があります。地域によってはまったく利用できない場合もありますが、利用できたとしても識別作業に多くの人的リソースが必要になる場合があります。

さらに、ディープラーニングによってトレーニングされた数学モデルがどのようにして特定の予測、推奨、または決定に到達したかを判断することは困難な場合があります。ブラック ボックスは、たとえその役割を果たしていたとしても、特に予測や決定が社会に影響を及ぼし、個人の幸福に影響を及ぼすような結果をもたらす場合には、その有用性が限られる可能性があります。このような場合、ユーザーは、アルゴリズムが法的な意味合いを持つ事実の発見から規制上の意味合いを持つビジネス上の決定（融資など）に至るまでの推奨を行う理由や、特定の状況で特定の要因（他の要因ではない）が非常に重要である理由など、操作の背後にある「理由」を知る必要がある場合があります。

これらの制限と、それらに対処し始めている解決策がどのように作用しているかについて、相互に関連する 5 つの方法を検討してみましょう。

制限 1: データラベル

現在の AI モデルのほとんどは、「教師あり学習」を通じてトレーニングされています。つまり、人間が基礎となるデータにラベルを付けて分類する必要があり、これはかなり大規模でエラーが発生しやすい作業になる可能性があります。たとえば、自動運転車の技術を開発している企業は、システムのトレーニングに役立てるために、プロトタイプ車両の何時間ものビデオフィードに手動で注釈を付けるために何百人もの人を雇用しています。一方、インストリーム モニタリング (Microsoft Research の Eric Horvitz 氏と彼の同僚が実証) など、データが自然に使用されるときにラベル付けできる有望な新しいテクノロジも登場しています。教師なしまたは半教師ありの方法により、大規模なラベル付きデータセットの必要性が軽減されます。有望な 2 つの技術は、強化学習と生成的敵対的ネットワーク (GAN) です。

強化学習。この教師なし手法により、アルゴリズムは単純に試行錯誤を通じてタスクを学習できます。このアプローチでは、「アメとムチ」アプローチを使用します。つまり、アルゴリズムがタスクを実行しようとするたびに、動作が成功した場合は「報酬」（より高いスコアなど）が与えられ、失敗した場合は「罰せられる」ことになります。学習環境が現実世界を再現している限り、繰り返しを通じて行動は改善され、多くの場合、人間の能力を超えることさえあります。

強化学習は、コンピューターにゲームをプレイさせるトレーニングで最もよく知られていますが、最近ではディープラーニング技術と組み合わせられています。例えば、2017年5月には、人工知能システムAlphaGoが囲碁の世界チャンピオンである柯潔に勝利するのに貢献しました。別の例として、Microsoft は強化学習とユーザーの好みへの適応に基づいた意思決定サービスを提供しています。強化学習の潜在的な応用範囲は、多くのビジネス分野にわたります。可能性としては、価値の上昇に対してはポイントを獲得し、損失に対してはポイントを失う AI 主導の取引ポートフォリオ、紹介主導の販売ごとにポイントを獲得する製品推奨エンジン、時間通りの配達や燃料消費の削減に対して報酬を獲得するトラック ルーティング ソフトウェアなどが挙げられます。

強化学習は、経験豊富な専門家でさえ考えたこともなかったような、これまで想像もできなかったソリューションや戦略を開発することで、AI が人間が持つ自然的および社会的限界を超越するのにも役立ちます。たとえば、最近では、AlphaGo Zero システムが、囲碁をゼロから学習した後、新しい強化学習アプローチを使用して、その前身である AlphaGo に勝利しました。これは、人間が訓練してプレイした囲碁ゲームではなく、完全にランダムなゲームから始めることを意味します。

生成的敵対ネットワーク (GAN)。この半教師あり学習アプローチでは、2 つのネットワークが互いに競争して、概念の理解を向上させ、洗練させます。たとえば、鳥の外観を認識するために、あるネットワークは本物の鳥の画像と偽物の鳥の画像を区別しようとしますが、敵対ネットワークは鳥によく似ているが実際には鳥ではない画像を作成してそのネットワークを混乱させようとします。 2 つのネットワークが適合すると、各モデルの鳥の表現がより正確になりました。

ますます信頼性の高いデータ例を生成できる GAN の能力により、人間がラベル付けしたデータセットの必要性が大幅に減少する可能性があります。たとえば、医療画像からさまざまな種類の腫瘍を識別するアルゴリズムをトレーニングするには、通常、特定の腫瘍の種類または段階について人間がラベル付けした数百万枚の画像が必要です。しかし、さまざまな種類の腫瘍のよりリアルな画像を生成するようにトレーニングされた GAN を使用することで、研究者は、はるかに小さな人間がラベル付けしたデータセットと GAN の出力を組み合わせた腫瘍検出アルゴリズムをトレーニングすることができました。

GAN の正確な病気診断への応用はまだ完了にはほど遠いですが、研究者はますます複雑な状況で GAN を使い始めています。これらは、特定のアーティストのスタイルでアートワークを理解して作成することから、衛星画像と地理的特徴の理解を使用して急速に発展している地域の正確な地図を作成することまで多岐にわたります。

制限2: 大規模なトレーニングデータセットの取得

線形モデルを使用した単純な AI 技術は、場合によっては医学やその他の分野の専門家の能力に近づくことが示されています。しかし、現在の機械学習の波では、ラベル付けされているだけでなく、十分に大きく包括的なトレーニング データセットが必要です。ディープラーニング手法では、モデルが分類タスクで比較的優れたパフォーマンスを発揮できるようになるまでに数万件のデータ レコードが必要であり、場合によっては、人間のパフォーマンスに達するまでに数百万件のデータ レコードが必要になることもあります。

複雑なのは、多くのビジネスユースケースでは、大規模なデータセットを取得または作成することが難しい場合があることです (限られた臨床試験データを使用して治療結果をより正確に予測するなど)。割り当てられたタスクに小さな変更を加えるたびに、さらにトレーニングを行うための別の大規模なデータセットが必要になります。たとえば、天候が絶えず変化する鉱山現場を自動運転車で走行することを教えるには、車両が遭遇する可能性のあるさまざまな環境条件を網羅したデータセットが必要になります。

ワンショット学習は、大規模なデータセットの必要性を減らすことができる手法であり、少数の実際のデモンストレーションや例（場合によっては 1 つだけ）が与えられた場合に AI モデルがトピックを学習できるようにします。たった 1 つの例 (たとえばピックアップ トラック) を見せられただけで、AI の能力は、あるカテゴリの複数のインスタンスを相対的な精度で認識する人間レベルの能力に近づきます。まだ開発中のこのアプローチでは、データ サイエンティストはまず、タスクのバリエーションを提示したり、画像認識の場合はオブジェクトの外観を表示したりするシミュレートされた仮想環境でモデルを事前トレーニングします。次に、AI モデルが仮想トレーニングで見たことのない現実世界のバリエーションをいくつか見せられた後、モデルはその知識を使用して正しい解決策を見つけます。

この一度の学習により、最終的にはシステムがテキストをスキャンして著作権侵害の有無を確認したり、フラグを 1 つだけ表示しただけでビデオ内の企業ロゴを認識したりできるようになる可能性があります。現在、このようなアプリケーションはまだ始まったばかりですが、その有用性と効率性により、複数の業界で AI の使用が急速に拡大する可能性があります。

制限3: 説明可能性の問題

AI システムの説明可能性は新しい問題ではありません。しかし、ディープラーニングが成功し、採用されるにつれて、ディープラーニングも進化を続け、より多様で高度なアプリケーションがもたらされる一方で、不透明性も高まっています。モデルが大きく複雑になると、特定の決定がなぜ行われたのかを人間の言葉で説明するのが難しくなります (決定がリアルタイムで行われる場合はさらに難しくなります)。これは、説明可能性が有用または実際に必要とされるアプリケーション領域で、一部の AI ツールの採用率が依然として低い理由の 1 つです。さらに、AI アプリケーションが拡大するにつれて、規制要件によって、より説明可能な AI モデルの需要が高まる可能性もあります。

モデルの透明性を向上させる上で有望な 2 つの新しいアプローチは、Local Interpretable Model-Agnostic Explanations (LIME) とアテンション テクニックです (表 2 を参照)。 LIME は、開発中に予測を行うために、トレーニングされたモデルが入力データのどの部分に最も依存しているかを特定しようとします。この手法では、一度に特定のデータ部分を考慮し、予測がどのように変化するかを観察することで、代替モデルを微調整し、より正確な解釈を開発することができます (たとえば、顔認識では鼻よりも重要な目をテストするのではなく除外するなど)。注意技術は、モデルが特定の決定を下すときに最も考慮する入力データを視覚化します (例: 画像が人間を描いているかどうかを判断するために口に注目する)。

以前から使用されているもう 1 つの手法は、一般化加法モデル (GAM) の適用です。 GAM は単一機能モデルを使用することで、機能間の相互作用を制限し、各ユーザーにとって解釈を容易にします。これらの技術を使用して AI の意思決定を解明することで、AI の応用が大きく促進されることが期待されます。

制限4: 学習の一般化可能性

人間が学習する方法とは異なり、AI モデルは経験をある環境から別の環境に転送することが困難です。実際、特定のユースケースに対してモデルが実装するものはすべて、そのユースケースにのみ適用されます。その結果、企業は、ユースケースが非常に似ている場合でも、別のモデルのトレーニングに繰り返しリソースを投入する必要があります。

この課題に対する有望な答えの 1 つは、学習の移転です。このアプローチでは、AI モデルは特定のタスクを完了するようにトレーニングされ、その後、学習内容を類似しているが異なるアクティビティにすばやく適用します。 DeepMind の研究者らは、シミュレーションによるトレーニングを実際のロボットアームに転送する実験で転移学習の可能性も実証しました。

転移学習やその他の一般的な方法が成熟するにつれて、組織は新しいアプリケーションをより迅速に構築し、既存のアプリケーションにさらに多様な機能を持たせることができるようになります。たとえば、仮想パーソナルアシスタントを作成する場合、転移学習によって、あるドメイン（音楽など）のユーザーの好みを他のドメイン（書籍）に一般化できます。ユーザーはデジタルネイティブに限定されません。たとえば、転移学習により、石油・ガス生産者は、パイプラインや掘削リグなどの他の機器の油井の予測メンテナンスを行うように AI アルゴリズムをトレーニングすることで、AI アルゴリズムの使用を拡大できるようになります。転移学習は、ビジネス インテリジェンスに革命を起こす可能性さえも秘めています。航空会社の収益を最適化する方法を理解し、天候や地域経済の変化に基づいてモデルを調整できるデータ分析 AI ツールを想像してみてください。

もう 1 つのアプローチは、複数の問題に適用できる一般化された構造に近似するものを使用することです。たとえば、DeepMind の AlphaZero は、3 つの異なるゲームで同じ構造を使用しています。一般化された構造を持つ新しいモデルは、1 日でチェスを学習するようにトレーニングでき、その後、世界チャンピオンのチェス プログラムに勝つことができます。

***、機械学習モデルを自動的に設計しようとするメタ学習技術の可能性を考慮します。たとえば、Google Brain は AutoML を使用して、大規模なデータセット内の画像を分類するためのニューラル ネットワークを自動的に設計します。これらのテクノロジーは現在、人間の設計と同等のパフォーマンスを発揮します。特に多くの組織が人材不足に直面し続けている中、これは有望な展開です。メタ学習法は、人間の能力を超え、より良い結果を生み出す可能性もあります。しかし重要なのは、これらの技術はまだ初期段階にあるということです。

制限5: データとアルゴリズムの偏り

これまで、私たちは職場ですでに適用している技術的ソリューションを通じて克服できるいくつかの制限に焦点を当ててきました。そのいくつかについては上で説明しました。偏見もまた課題です。人間の好み（意識的または無意識的）が、どのデータ ポイントを使用し、どのデータ ポイントを無視するかを選択する際に役割を果たす場合、潜在的に有害な社会的結果をもたらす可能性があります。さらに、データ収集のプロセスと頻度自体がグループ間で一貫性のない動作をもたらす場合、アルゴリズムがデータを分析し、学習し、予測を行う方法が簡単に失敗する可能性があります。悪影響としては、誤った採用決定、不正確な科学的または医学的予測、歪んだ財務モデルおよび刑事司法決定、法の秤への（仮想の）指の不適切な使用などが挙げられます。多くの場合、これらのバイアスは、「高度なデータサイエンス」、「独自のデータとアルゴリズム」、または「客観的な分析」というベールの下で見落とされたり無視されたりします。

機械学習や AI アルゴリズムを新しい領域に導入するにつれて、これらの潜在的なバイアスの問題がデータセットやアルゴリズムに組み込まれる例が増える可能性があります。こうした偏見は、多くの場合、深く根付いています。なぜなら、偏見を特定し、対処するための措置を講じるには、データ サイエンスの手法を熟知し、データ収集を含む既存の社会的力についてさらに深いメタ理解をする必要があるためです。全体として、偏見の排除はこれまでで最も困難な障害の一つであり、社会にとって最も憂慮すべきものの一つであることが証明されています。

学術、非営利、民間部門でこれらの問題に対処する研究を進めるためのベストプラクティスを開発する取り組みに加え、複数の研究活動が進行中です。課題は深刻化し、さらに多くの問題が発生する可能性が高いため、これらのいずれもすぐには実現しないでしょう。たとえば、多くの学習および統計ベースの予測方法では、暗黙的に未来は過去と同じであると想定していることを考慮してください。変化を促進しようとしているのに、過去の行動に基づいた決定が進歩を妨げている（あるいは、さらに悪いことに、変化への抵抗に基づいている）社会文化的状況において、私たちは何をすべきでしょうか。ビジネスリーダーを含む多くのリーダーが、近いうちにこれらの質問に対する答えを求めるようになるかもしれません。

動く標的を攻撃する

ここで説明した制限が解決され、ここで説明した高度な技術の多くが商業的に広く実装されるまでには、おそらく数年かかるでしょう。しかし、AI の応用範囲は驚くほど広く、AI の唯一の限界は想像力である可能性を示唆しています。ここでは、先頭に立ち続けるために、あるいは少なくともあまり遅れを取らないために奮闘しているリーダー向けのヒントをいくつか紹介します。

宿題をこなし、調整し、ペースを維持してください。ほとんどのマネージャーは畳み込みニューラル ネットワークと再帰型ニューラル ネットワークの違いを知る必要はありませんが、現在のツールの機能、近い将来の進歩の可能性、そして将来への見通しについて大まかに理解しておく必要があります。 データ サイエンスと機械学習の専門家に関する知識を活用し、AI の先駆者と話し合って知識を深め、AI カンファレンスに 1 つか 2 つ参加して実際の情報を入手してください。ニュース メディアは役に立ちますが、誇大宣伝の一部になることもあります。スタンフォード大学を拠点とする 100 年にわたる AI 研究プロジェクトである AI Index など、知識豊富な実務家による継続的な追跡研究も、一歩先を行くためのもう 1 つの方法です。

洗練されたデータ戦略を採用します。システムによって生成されたデータに隠された貴重な洞察を引き出すには、AI アルゴリズムが必要です。さまざまなシステムからデータのプールを収集するために必要なテクノロジーだけでなく、データの可用性と取得、データのラベル付け、データ ガバナンスにも重点を置いた包括的なデータ戦略を開発することで、貢献できます。新しい技術により、AI アルゴリズムのトレーニングに必要なデータの量が削減されると期待されていますが、大量のデータを必要とする教師あり学習が現在でも主流の技術となっています。必要なデータの量を最小限に抑えるように設計された手法でも、依然としてある程度のデータが必要になります。ここで重要なのは、独自のデータ ポイントを完全に理解し、それをどのように活用するかを理解することです。

横向きに考えましょう。転移学習技術はまだ初期段階ですが、複数の分野で AI ソリューションを活用する方法があります。大型倉庫設備の予知保全などの問題を解決した場合、同じソリューションを消費者向け製品にも適用できるでしょうか? 効果的な購入後ソリューションを複数の流通チャネルで使用できるでしょうか? 各事業部門に知識の共有を促し、最新の AI ソリューションを会社の複数の領域でどのように使用できるかを明らかにしましょう。

先駆者になりましょう。今日の AI テクノロジーとユースケースに追いつくだけでは、長期的に競争力を維持するには不十分です。データ サイエンス スタッフまたはパートナーに外部の専門家と連携してもらい、この記事で説明したような新しいテクノロジーを使用して、ブレークスルーにつながる大きな影響力を持つユース ケースを解決します。また、何が可能で何が利用できるかを理解してください。音声、視覚、感情検出などの標準的なアプリケーション向けの多くの機械学習ツール、データセット、トレーニング済みモデルが広く利用可能です。これらはオープンソースである場合もあれば、先駆的な研究者や企業によって作成されたアプリケーション プログラミング インターフェイス (API) を通じて実装される場合もあります。これらの可能性に注目することで、先行者になる可能性や先行者利益を得られる可能性が高まります。

AI の可能性は非常に大きく、このビジョンを実現するために必要なテクノロジー、ツール、プロセスはまだ完全には実現されていません。テクノロジーを進歩させて、成功したリードフォロワーになれると考えているなら、もう一度考え直してください。特に目標が急速に変化し、AI ツールが現在何ができて何ができないのかを理解していない場合は、即時の観点から飛躍することは非常に困難です。研究者や AI の先駆者たちが今日の最も困難な問題のいくつかに取り組む準備をしている今こそ、AI の最前線で何が起こっているかを理解し始めるべき時です。そうすることで、組織が新しい可能性を学び、開発し、さらには前進させることができるようになります。

わあ、私はAIの発展に楽観的ですが、ブレークスルーはソフトウェアではないかもしれません。AIの本当のブレークスルーは、まだハードウェア、チップ、チップ、チップにあります。3回言わなければなりません。私たちのさまざまなチップはすでに十分に複雑ですが、現在のチップは特定のルールに従って設計されています。これらのルールは、AIの自立を妨げている可能性が非常に高いです。これらのルールを解放し、チップに革命的な変化をもたらすことで、ソフトウェアは革命的なものになります。AIはこれに基づいて進化を加速できますが、進化したAIは人間とどのような関係があるのでしょうか？人類は何の利益のために進歩を追求するのでしょうか? AIの進化はAIの幸福を追求するものなのか、それとも人類の幸福を追求するものなのか?