人工知能の商業化における問題点をどう解決するか?

「2018年中国人工知能商業上陸研究報告」によると、過去1年間、業界は人工知能に大きな期待を寄せ、さまざまなアプリケーションが次々と登場したが、利益は少なかった。 2017年、中国のAIスタートアップ企業は累計500億元以上の資金調達を受けたが、2017年に中国のAI商用スタートアップ企業トップ100社が生み出した累計収益は100億元未満で、AI企業の90％以上が赤字だった。業界全体では、2017年に世界の情報通信分野で最大のホットスポットであった人工知能業界は、騒々しくはあったものの進歩はほとんどなく、商業化の苦しみに直面していると一般的に考えられており、これは確かに考えさせられることです。人工知能は、新たな技術の波として、最終的には商業化を通じてさまざまな産業に力を与えることができ、この方法でのみ持続可能な発展を達成することができます。技術力だけがあっても商業化が欠けている企業は市場の試練に耐えることができません。

[[237416]]

この記事では、現在の人工知能技術の進歩と合わせて、3つの側面から人工知能を商業化する方法について詳細に議論します。

1. 人工知能アプリケーションの実装における4つの重要な要素

1. アプリケーションシナリオの境界を明確にする

現在、人工知能はまだ弱い人工知能の段階にあり、その商業的実装は段階的に行われるべきであり、すぐに結果を出そうと焦るべきではありません。現在の人工知能技術は、一部の問題しか解決できません。人工知能を商用化するためには、解決すべき問題領域を明確にし、適用シナリオの境界を明確にして、人工知能の機能を特定の境界内に限定する必要があります。このようなAIソリューションだけが、より実用的になります。

2. 閉じたデータフィードバックループ

中国のBAT、そしてグーグル、マイクロソフト、アップル、テスラなどの海外の巨大企業には、共通点が1つある。それは、閉ループのデータフィードバックループだ。 BaiduやGoogleなどのインターネット企業は、ユーザーが入力した情報を通じて、ユーザーの直接データをタイムリーに取得できます。特定のテクノロジーを通じて、顧客体験を向上させることができます。端末からデータを収集し、そのデータを使用してモデルをトレーニングします。このようにして、モデルを使用してユーザーエクスペリエンスを向上させることができます。ユーザー側はデータを繰り返し生成し、閉じたデータフィードバックループを形成します。

3. 大量かつ高品質なデータ

近年、クラウドコンピューティング、ビッグデータ、モノのインターネット、人工知能などの情報技術の急速な発展と、伝統産業のデジタル化に伴い、データ量は幾何級数的な成長を見せています。IDCの統計によると、2020年に世界のデータ総量は44ZBに達すると予想されており、中国のデータ量は8060EBに達し、世界のデータ総量の18％を占めることになります。動画や音声などのデータでは、意味の抽出に重点が置かれる分析が増えています。ディープラーニングに代表される人工知能技術は、本質的には多層構造のニューラルネットワークです。膨大なデータに頼ることでのみ、その学習品質は理想的な結果を達成できます。

4. 高性能コンピューティングハードウェア

ディープラーニングモデルは、予備トレーニング、クラウド推論、ターミナル推論の3段階に分けられます。最初の2つの段階では、大量の計算が必要になります。現在、CPU + GPUアーキテクチャは、ほとんどの企業にとって第一の選択肢となっています。 FPGA の性能と電力の比率は巨大な市場を生み出しています。Baidu は FPGA を使用して Baidu Brain の専用 AI チップを構築しており、Microsoft も Intel の Stratix 10 FPGA チップをベースに Brainwave プラットフォームを構築しました。端末推論リンクでは、端末デバイスの要件が異なるため、カスタマイズされた低電力、低コストの組み込みソリューションが必要であり、Cambrian の 1A プロセッサなど、市場競争が多様化しています。

前の章の議論を通じて、人工知能を実装したい場合は、4 つの重要な要素を把握する必要があることがわかりました。将来的には、これら 4 つの側面から相乗効果を形成し、人工知能アプリケーションの実装を加速することができます。アプリケーション シナリオと高性能コンピューティング ハードウェアの構築は、人工知能アプリケーションの実装における最優先事項になります。では、人工知能はどの分野に最初に導入されるのでしょうか。これも多くの人々の注目の的となっています。このテーマについてさらに議論しましょう。

2. 人工知能はどの分野で最初に導入されるでしょうか?

近い将来、人工知能はほとんどの産業に力を与え、ゲームのルールを変えるでしょう。ご存知のように、人工知能は大量のデータを処理するのに最適です。ビッグデータは人工知能の応用の基盤でもあります。大量のデータを生成できる業界は、人工知能の実装に非常に役立ちます。これらの業界には、金融、小売、企業およびサービス、医療などの業界が含まれます。次に、特定の業界を分析します。

1. 金融セクター

長い間、リスクの制御と運用の制限により、金融サービスは常に多くのボトルネックを抱えています最良のデータは、金融セクターにあります。「最初に、金融セクターは比較的孤立していて非常に明確です。金融分野は他の分野と混合されていません。保険は保険であり、銀行は銀行です。請求書は請求書です。これが、金融分野で人工知能を簡単に実装できる理由です。金融分野での人工知能の適用は、主に機械学習、音声認識、ビジョンなどを通じて、投資リスクを大幅に減らすことができます。ここで強調する必要があるのは、人工知能技術は人間に取って代わるものではなく、人間がよりよい仕事をするのを助けるものであるということです。

2. 小売業

小売業における人工知能の応用は、主にビッグデータの分析を通じて、倉庫、物流、ショッピングガイドのインテリジェントな管理と制御を実施し、コストを節約し、効率を向上させ、ショッピングプロセスを簡素化することです。人工知能は、コンピュータービジョンとパターン認識、消費者分析、インテリジェント在庫管理など、小売業界で多くの応用シナリオを持っています。ここでは、コンピュータービジョンとパターン認識を例に挙げて簡単に説明します。電子商取引プラットフォームには毎日大量の写真があり、コンピュータービジョンやパターン認識などのディープラーニング技術を通じて、それらを分析して識別することができます。情報が不完全な場合は、写真の重要な要素を自動的に識別できるため、消費者により便利な体験を提供できます。

[[237417]]

3. エンタープライズレベルのサービス

アルゴリズムとビッグデータ処理システムの使用により、人工知能は顔認識やインテリジェントインタラクションなどの機能を備え、データを分析して顧客のポートレートを描写する能力を備え、サービスとマーケティングの精度を高めることができます。機械学習は人工知能の基礎であるため、エンタープライズサービス分野におけるその応用シナリオは非常に広範囲にわたります。たとえば、iCarbonX は AI 技術を使用して健康データを分析し、病院、製薬会社、健康管理会社などに人口健康指標の分析と予測を提供します。GTCOM はディープラーニング、ニューラルネットワークなどの技術を使用して、顧客に大規模な機械翻訳とセマンティック検索サービスを提供します。Cause and Effect Tree は AI 投資ロボットを使用して、企業の投資決定を支援します。

4. 医療分野

医療と健康分野における人工知能の応用分野には、バーチャルアシスタント、医療画像、薬物マイニング、栄養、バイオテクノロジー、救急室/病院管理、健康管理などが含まれます。近年、スマート医療の人気は徐々に高まっており、画像認識、ディープラーニング、ニューラルネットワーク技術の継続的な進歩により、医療業界と人工知能の深い統合が大きく促進されました。一方、社会の進歩と人々の健康への関心の高まりに伴い、医療技術の向上と人命の延長に対する切実なニーズが高まっていますが、実際の状況は、医療資源の不均等な分配、新薬開発サイクルの長さ、高コストなどの問題を抱えています。高品質の医療サービスに対する需要は、人工知能技術によって推進される医療業界の変革とアップグレードの波の台頭を大いに刺激しました。

これまで、人工知能が最初に導入される可能性が高い4つの主要分野について述べてきましたが、具体的な導入方法はまだ明確ではありません。著者は、現在の人工知能の全体的な状況を理解した上で、参考までに人工知能の具体的な導入計画を以下に提示します。

3. 人工知能の導入に向けた具体的な計画

[[237418]]

ステップ1: 人工知能が商業的価値をもたらす応用シナリオを見つける

人工知能の適切な商用応用シナリオを見つけるには、人工知能がどのような面で人間よりも優れているかを理解する必要があります。現時点では、すべての仕事が人工知能に置き換えられるわけではありませんが、膨大な量のデータの処理と分類に関しては、人工知能は人間よりも優れた仕事をすることができます。この段階では、人工知能は単純で反復的なタスクの実行において人間に取って代わることができます。上級のホワイトカラー労働者であっても、情報の入力、検索、分析、プロセスの繰り返しの最適化など、単純な繰り返し作業が業務に含まれます。これらの仕事はあらゆる分野に及びます。機械が人間に取って代わることはなくても、人工知能を使って仕事の効率を上げることは共通の要求です。

人工知能が人間の仕事に取って代わることができる仕事がわかったら、さらに「現在、生産効率を妨げているものは何なのか」という疑問について考えてみましょう。この疑問に答えられれば、実用的な応用シナリオを見つけるのは簡単です。たとえば、企業の会計担当者は、関連する財務データを繰り返し入力して分析する必要があります。この種の作業は、人工知能によって効率化できるでしょうか?

ステップ2: 迅速な検証と反復、大規模な実装

人工知能を実装するには、少なくとも 2 つの条件を満たす必要があります。1 つはデータ基盤があること、もう 1 つは適切なチーム構造があることです。人工知能の応用シナリオを見つける方法について説明しました。完全なデータが揃い、チームの準備が整ったら、次に行うことは、AI ベースのプロセス設計プロトタイプを検証することです。技術的なプロトタイプが実現可能であることが確認されたら、反復して最終的に大規模に実装します。

結論

上記の内容は人工知能の商業化の基本的な枠組みですが、実際の運用プロセスではいくつかの実際的な問題に遭遇します。人工知能技術はまだ完全に成熟していないため、実装プロセスには依然として一定の制限があります。これは大きな挑戦であるだけでなく、業界の発展のチャンスでもあります。人工知能の商業化で最初に突破口を開くことができた人は、将来のこの競争で大きな優位性を得るでしょう。