2019年の人工知能予測

[[253703]]

プライバシーやデータバイアス規制などの問題から、モデルのトレーニングやセルフサービス AI まで、人々は AI 分野におけるより重要な進歩を期待しています。

2018年に人工知能技術は急速に発展しました。テクノロジーを追うアナリストがいなくても、ポップカルチャー、メディア、政治、そしてもちろんAlexaのようなパーソナルテクノロジーにおけるAIブームから逃れることは難しい。

これを念頭に、アナリスト機関は2019年の人工知能の発展について予測を行い、今後数年間の人工知能技術の長期的かつ詳細な動向も列挙した。そして、人工知能技術の発展の方向性をさまざまな側面から概説します。

AI は、良くも悪くも、人々の生活にこれまで以上に深くその魔法をかけていくでしょう。今日では、AI が生成した音声は人間の声と区別がつきません。これは Google が今年、新しい Duplex デジタル アシスタント テクノロジーで実証しました。同様に、AI が生成した「ディープフェイク」動画、音声、ロボットも、本物の人間と区別がつかなくなってきています。

2019年までに、これらの「生成AI」技術はさらに進歩するでしょう。さらに重要なのは、開発者の AI DevOps ツールチェーンに組み込むことで、AI 対応の製品やサービスにこれらが組み込まれるケースが増えることです。この技術の進歩は、より多くのグローバル文化を刺激し、より多くの政治的議論を巻き起こし、ハリウッドのSF作家たちに想像力の工場で処理するためのより多くの素材を提供するだろう。

AI 規制が近づいています: 顔認識は、最も広く普及し、議論を呼んでいる AI の応用分野の 1 つです。顔認識がスマートフォン、スマートカメラ、オンラインメディアアプリケーションで普及するにつれ、AI アプリケーションを対象とした規制がさらに増えることは間違いありません。 2019年には、プライバシーや偏見の問題に焦点を当て、多くの国や地域で顔認識を規制することが予想されます。顔認識に関する規制の多くは、消費者に顔認識の使用を拒否する権利を与えること、顔認識がどのように使用されているかを検査すること、顔データがどのように管理されているかを完全に把握すること、そして企業のデータベースから顔認識データを永久に削除することを要求することに重点が置かれることになる。

新しい規制の中には、顔認識のあらゆるアプリケーションに全面的に適用されるものもあれば、法執行、医療、電子商取引、ソーシャル メディア、自律走行車などの分野を規定する既存の規則の範囲内で段階的に適用されるものもあります。

AI 開発フレームワークは、オープンな業界エコシステム内で互換性を持つようになります。標準の AI DevOps 抽象化レイヤーの出現により、より多くの開発者が任意の言語で構築し、任意のフレームワーク、パイプライン、ターゲット ハードウェア、クラウド、またはサーバー プラットフォームで最適に実行できるように作業をコンパイルできるようになります。過去数年間、Keras などの高レベル AI API、ONNX などの共有 AI モデル表現、NNVM や TensorRT などのクロスプラットフォーム AI モデル コンパイラーが広く採用されてきました。 2019 年には、これらおよびその他の標準的な AI パイプライン抽象化の採用が拡大し、開発エコシステムが強化され、AI ソリューション プロバイダーの垂直的な独自スタックへのロックインの可能性が減少します。

自動化されたエンドツーエンドの AI DevOps パイプラインが標準的なプラクティスになります。AI は多くの企業にとって産業化されたプロセスとなり、データの準備からモデリング、トレーニング、提供まで、あらゆるプロセスを自動化する業界初のツールを生み出しています。 2019 年には、AI ツールによって、特徴エンジニアリングなど、これまでは専門家の判断が必要だったタスクに自動化が拡張され、宣言的な特徴仕様に基づくワンクリックの視覚化ツールで専門家がこれらのモデルを構築、クリック、トレーニング、展開できるツールを通じて、これらの機能へのアクセスが民主化されます。

AI は産業化された運用ビジネス機能になりつつあります。エンドツーエンドのツールチェーン自動化を通じて、AI の産業化はすでにあらゆる企業に浸透しています。 2019 年には、AI ワークベンチ ベンダーが、オンライン運用実験、自動モデル ベンチマーク、24 時間 365 日の A/B テスト、継続的なチャレンジャー展開、ターボチャージャー統合、ライフサイクル モデル ガバナンスなどの産業グレードの機能で自社製品を差別化していくことが予想されます。

Kubernetes によってオーケストレーションされるコンテナは、AI パイプラインの不可欠な部分になりつつあります。現在、多くの AI ツール ベンダーが、クラウド ネイティブ コンピューティング環境でのコンテナ化された統計モデルの構築と展開をサポートしています。 2019 年末までに、この急成長している市場セグメントのほとんどのベンダーは、Kubernetes クラスターでのオーケストレーションのための、ますます異種化するパイプラインでの統合 AI モデルの導入をサポートするようになります。この傾向が勢いを増すにつれ、ほとんどのツールベンダーは、フレームワーク、プラットフォーム、クラウドに依存しないデータ サイエンス DevOps ワークフローをサポートするために、新しい Kubeflow プロジェクトを実装するようになります。

主流の AI 開発フレームワークは、優れたクラウドからエッジまでのコンピューティング パフォーマンスを実現するために再設計されます。AI の魔法の一部は、あらゆる開発、運用、エッジ プラットフォームで利用可能な最速のランタイム エンジンに実装されることから生まれます。 2019 年には、ほとんどのクラウド プラットフォーム ベンダーが、クラウドからエッジ コンピューティング環境の GPU やその他の主要なハードウェア アクセラレータで実行されるすべての AI DevOps パイプライン機能を高速化するように設計された、このフレームワークやその他の主要な AI フレームワークのバージョンを導入すると予想されます。

Google は、深化する TensorFlow スタックを中心に、データ サイエンス業界のツールチェーンを推進し続けています。2018 年には、AI 開発者が Google のオープンソース TensorFlow フレームワークを採用し、同社はスタックの開発と AI コミュニティの進化への関与に新たな多額の投資を行いました。 TensorFlow は主要な AI 開発フレームワークです。 2019 年には、TensorFlow スタックが業界団体に提出され、将来の開発とガバナンスが正式に決定される予定です。また、TensorFlow がオープンソース プロジェクトのエコシステムのどこに位置づけられようとも、進化する Kubernetes コンテナ化エコシステムとの融合が進み、Kubeflow などの AI DevOps 中心のプロジェクトで多くの重複が発生すると予測しています。

ほとんどのデータ サイエンティストは、オンライン マーケットプレイスから認定された高性能 AI アルゴリズム、トレーニング済みモデル、トレーニング データを購入します。開発者が対象のアプリケーション ドメインで利用可能な最高のアルゴリズム、モデル、データを使用して AI イニシアチブを開始できる場合、AI イニシアチブはより速く進歩します。 2019 年には、多くのベンダーがこれらの理由から、社内で開発された AI 資産の再利用とパートナーが開発した同等の資産の公開の両方に対して潜在的な収益化の機会を提供するために、これらのマーケットプレイスを立ち上げました。

AI トレーニング データのラベル付けのほとんどは、オンデマンド クラウド コンピューティング サービスを通じて自動化されます。AI の主なトレーニング方法は依然として教師あり学習であり、人間によるデータ ラベル付けという労働集約的で時間のかかるプロセスに依存しています。 2019 年には、自動化されたオンデマンドのトレーニング データ ラベリング サービスが、すべてのデータ サイエンス DevOps パイプライン ツールの標準コンポーネントになると予想されます。

強化学習は AI への主流のアプローチになります。教師あり学習は、標準的なデータ サイエンス ワークフローにおけるいくつかの方法の 1 つになりつつあります。 2019 年には、AI 業界では、Intel Coach や Ray RL など、最も広く採用されている強化学習フレームワークをワークベンチに組み込み始めるでしょう。今後 10 年間で、ほとんどの AI DevOps ワークフローは、強化学習と教師あり学習および教師なし学習をシームレスに組み合わせて、実稼働エンタープライズ アプリケーションにさらに高度な組み込みインテリジェンスを提供するようになります。

人工知能はビジネス インテリジェンスの民主化を加速します。人工知能は、ビジネス インテリジェンス市場を内部的にも外部的にも再形成しています。過去数年間のビジネス インテリジェンスにおける中心的なトレンドの 1 つは、テクノロジの従来の重点である履歴分析から、AI を活用した予測分析、検索、予測ツールの新世代へと移行し、これまでは高度な訓練を受けたデータ サイエンティストが必要だった多くの作業をビジネス ユーザーが実行できるようにすることです。 2019 年には、より多くの BI ベンダーが広範な AI を統合して複雑なデータから予測的な洞察を自動的に抽出するとともに、セルフサービスのシンプルさ、インメモリのインタラクティブ性、次善のアクションのガイダンスを提供するソリューションでこれらの高度な機能を提供するようになります。

AI リスク軽減制御は、データ サイエンス パイプライン ツールで利用できる標準パターンになります。AI にはリスクが伴います。その一部はテクノロジーの特定のビルドにおける設計上の制限から生じ、その他はライブ AI アプリケーションの不適切なランタイム ガバナンスから生じ、その他は AI テクノロジーの不可解なブラック ボックスの複雑さから生じます。 2019 年には、より多くの商用 AI 開発ツールに標準のワークフローとテンプレートが組み込まれ、プライバシー侵害、社会経済的偏見、敵対的脆弱性、説明可能性の欠如、および成果物アプリケーションで発生する可能性のあるその他のリスク要因を軽減するようになります。

AI データ サイエンス チーム向けのワークベンチにより、下流の再現性が確保されます。コンプライアンス、透明性、その他の社会的要件により、AI 駆動型アルゴリズムの結果の再現性がますます求められます。ワークフローに再現性を組み込むために、より多くのデータ サイエンス チームがワークベンチに依存して、AI 成果物の開発に使用される特定のプロセスの信頼性の高い監査証跡を維持するようになります。 2019 年には、これらのプラットフォームのベンダーがさらに増え、モデル、データ、コード、その他の成果物の豊富な監査証跡を維持する能力を強化し、AI アプリケーション系統の下流での再現性を確立することが予想されます。

AI ベンチマーク フレームワークが具体化され、採用されるようになる: AI ソフトウェア、ハードウェア、クラウド コンピューティング サービスのさまざまなスタックの比較パフォーマンスを評価することは困難です。 AI 分野がワークロードに最適化されたアーキテクチャへと移行するにつれ、トレーニング、推論、その他のワークロードに最適なターゲット スタックを実務者が評価するのに役立つ標準ベンチマーク フレームワークの必要性が高まっています。過去 1 年間で、AI 業界では、さまざまなワークロードを実行する際にさまざまなハードウェア/ソフトウェア スタックの相対的なパフォーマンスをベンチマークおよび評価するための、オープンで透明性が高く、ベンダーに依存しないフレームワークが急速に開発されました。これらの取り組みの中で最も有望なのは MLPerf です。これは、業界の参加、タスクの幅広さ、対象範囲に含まれるターゲットのハードウェア/ソフトウェア環境の範囲、今日のトップベンチマークに役立つフレームワークの構築の進捗状況に基づいて AI の課題を評価します。

2019 年には、MLPerf のベンチマーク スイートが、多くの AI ハードウェア、ソフトウェア、クラウド コンピューティング サービス プロバイダーが提供するツールに組み込まれると予想されます。これらのベンダーの多くは、新製品リリースの標準的な方法として MLPerf ベンチマークの公開を開始するでしょう。

GPU は没入型 AI アプリケーションにおけるその役割を拡大します。グラフィックス プロセッシング ユニットは長年にわたり AI 革命の中心となってきました。 2019 年には、スマート複合現実、スマート カメラ、ゲーム、および高忠実度のリアルタイム処理に依存するその他のデバイスやアプリケーションの採用により、GPU のコア画像処理アクセラレーション機能がさらに重要になります。 NVIDIA が最近発表した Turing GPU は、リアルタイム レイ トレーシング、解像度スケーリング、可変レート シェーディング、オブジェクト検出、その他の画像処理機能を備えているため、ハードウェア アクセラレータ テクノロジとして最適です。

AI システムオンチップがハードウェア アクセラレータ製品を支配する: AI ハードウェア アクセラレータは、エッジ、高性能コンピューティング、ハイパーコンバージド サーバー、クラウド ストレージ アーキテクチャに至るまで、分散クラウド コンピューティングのあらゆるレイヤーに浸透し始めています。 2019 年には、GPU、テンソル コア プロセッシング ユニット、フィールド プログラマブル ゲート アレイなどのハードウェアなど、一連の新しいハードウェア イノベーションが発表される予定です。これにより、これらのアプリケーション領域やその他のアプリケーション領域で、より高速で効率的かつ正確な AI 処理が可能になります。 2019 年以降、ハードウェア ベンダーは、スマート ロボットやモバイル アプリケーションなどの分野における非常に特殊な組み込み AI ワークロード向けに、SoC 展開に AI アクセラレータ テクノロジーをますます組み込むようになるでしょう。

クライアント側のトレーニングが AI の主流になる: これまで、クライアント側のトレーニングは AI アプリケーションを最適化するためのニッチなアプローチでした。従来、クライアント側のトレーニングでは、集中型データ環境で人間がトレーニングした AI モデルほど正確な AI モデルを生成することができませんでした。ただし、クライアント側のトレーニングはエッジ アプリケーションの新しい世界に適しており、各デバイスの AI モデルをそのノードによって感知された特定のデータに基づいて継続的に更新できるようになります。 2019 年には、エッジ コンピューティング、モバイル、ロボティック プロセス オートメーション アプリケーションにおける AI モデル学習において、クライアント側のトレーニングが重要になります。これはすでに多くのiOSアプリのデバイス内AIトレーニングの標準となっており、Face IDが一貫してユーザーを認識できるようにしたり、写真アプリで人物の写真を正確にグループ化したり、iPhoneの予測キーボードを調整したり、Apple Watchがアクティビティデータからユーザーパターンを自動的に学習したりするのに役立っています。

AI はクローズドループ IT 運用管理を推進し​​ています。過去数年間、組み込みの機械学習ツールにより、手動の方法のみよりもスケーラブルかつ予測可能、迅速かつ効率的に多くのタスクを自動化および加速できるため、AI は IT 運用管理の不可欠な部分になりました。 2019 年には、このトレンド (一部では「AIOps」と呼ばれている) が、オペレーターや企業が高性能コンピューティング環境を構築するハイパーコンバージド インフラストラクチャ ソリューションに浸透していくでしょう。今後数年間で、多くのデータ サイエンティストが、データ センターのストレージ、コンピューティング、その他のハードウェアおよびネットワーク リソースを 24 時間 365 日自己最適化できるようにする AI 駆動型管理バックプレーンを設計するチームに加わることになります。

ブロックチェーンは AI エコシステムに参入します: AI コミュニティはブロックチェーンのさまざまな用途を模索し始めています。スタートアップの範囲は過去 1 年間で拡大し、AI コンピューティング エージェントのバックボーン、データ交換、ミドルウェア バス、監査ログ、データ レイクなどの分散トレーニングとして機能するプラットフォームを提供しています。これらの展開はまだ成熟しておらず、AI 開発者エコシステムで広く採用されていません。 2019 年には、主要なパブリック クラウド ソリューション プロバイダー (特に AWS、Microsoft Azure、Google Cloud Platform、IBM Cloud) が、特定のエコシステム要件を満たすために、より有望なスタートアップ企業の一部を買収し、それぞれの AI ツールチェーン ポートフォリオに追加する可能性があります。専用の分散型信頼スーパー アプリケーションのメリットを享受できます。

何か足りないものはありますか？もちろんです。このリストには、チャットボット、スマートカメラ、自律走行車など、AI のトレンドについてはまだ触れられていません。

AI は私たちの生活のあらゆる分野におけるイノベーションの肥沃な土壌であるため、AI が辿る可能性のあるあらゆる進化の道を予測しようとするのは無駄です。数年前とは異なり、AI はあらゆる場所に存在し、その導入は加速するでしょう。