2019年の人工知能の予測と展望

2019 年に人工知能の分野はどのように進化するでしょうか? 過去数年と比べてどのように変化するでしょうか?

[[254630]]

人工知能は、大企業から新興企業まで、世界中の企業におけるイノベーションを牽引しています。市場調査レポート「テクノロジーと垂直産業の観点から見た人工知能市場 - 世界的な機会分析と業界予測」によると、2018年から2025年にかけて、世界の人工知能市場規模は2016年の40億6,500万米ドルから1,694億1,100万米ドルに拡大し、年平均成長率は55.6%になると予想されています。このレポートでは、AI 市場をテクノロジー、業種、地域別にセグメント化しています。人工知能技術は、機械学習、自然言語処理、画像処理、音声認識に分類されます。 2016 年には、収益の面で機械学習セグメントが人工知能市場を支配し、人工知能業界のソリューションに対する需要の増加により、この傾向は今後も続くと予想されます。 Statistaによると、収益の大部分はエンタープライズアプリケーション市場向けAIから得られています。

2019 年の人工知能分野に関する予測をいくつか紹介します。

IBM、Google、Microsoft、Amazon、機械学習APIプロバイダーは、AIに組み込まれた差別や偏見に対抗するため、より包括的なデータセットをリリースする予定だ。

機械学習は、Amazon のスマート アシスタント Alexa の音声認識、Facebook の自動写真タグ付け機能の顔認識、自動運転車の歩行者検出、さらには電子商取引 Web サイトへのアクセスに基づいて靴の広告を表示するかどうかの決定など、さまざまな分野にうまく適用されている人工知能の主な形式です。機械学習では、人間の意思決定とラベルの既存のデータ記録から意思決定が学習されます。そこで、犬と猫の違いをコンピューターに教えるために、犬のラベル付き画像と猫のラベル付き画像をコンピューターにたくさん見せて、2 つの違いを学習させます。この一見無害なアプローチは、偏見という深刻な問題をもたらします。人間が付けたラベルや判断を盲目的にコンピューターに入力すると、コンピューターは人間の偏見をそのまま再現してしまう可能性があります。悪名高いマイクロソフトのTayロボットは警告だ。

さらに悪いが、より微妙なのは、データ自体が、私たちが理解したい広範な人口を代表していないことから生じる偏りです。たとえば、今年初めにジョイ・ブオラウミとティムニット・ゲブルが行った研究では、人の性別を分類するタスクにおいて、主流の市販のコンピュータービジョン製品は肌の色の薄い男性の画像を入力するとパフォーマンスが良く、肌の色の濃い女性の画像を入力するとパフォーマンスが最悪になることが示されました。これらの分類器をトレーニングするデータセットに、正しくラベル付けされた有色人種が十分に含まれておらず、より広範な文化的違い（出身地に関係なく）が捉えられていない場合、これは大きな問題です。

こうした包括的でないデータセットでトレーニングされた機械学習モデルが、過小評価されている個人に関して下した決定には、明らかに欠陥があります。 2019 年には、主流のコンピューター ビジョン製品を持つ大企業が、より包括的なデータセットを公開するようになると思われます。これらのデータセットは、地理、人種、性別、文化的概念、その他の側面にわたってよりバランスが取れたものとなり、公開されることで研究者が人工知能における偏見を最小限に抑えるための研究を行うよう促されます。

AIによる意思決定をより説明可能にする製品が主流になるにつれ、ヘルスケアや金融サービスではAIの採用が拡大するだろう。

AI がアルゴリズムに基づいて簡単に説明できる決定を下すと、生活ははるかにシンプルになります。たとえば、アルゴリズムはまず頭痛があるかどうかを学習し、次に発熱があるかどうかを確認し、最後にインフルエンザであると結論付けますが、このプロセスは説明可能です。アルゴリズムがどのように決定を下すか、その予測が正しいか間違っているかが説明できる限り、そのアルゴリズムには大きな価値があります。

医療のように、生死に関わる決定を機械を使って行うような分野では、機械が特定の行動を推奨した理由を遡及的に理解できることは、明らかに非常に重要です。これは金融などの分野でも重要です。 AI アルゴリズムが融資を拒否した場合、その理由を理解することが重要です。特に、理由なく差別していないことを確認することが重要です。人工知能が成功するにつれて、多くの層のニューラル ネットワークを使用するディープラーニングと呼ばれる技術への依存度が高まってきました (名前に「ディープ」が含まれているのはそのためです)。これらのシステムでは、何が起こったのか、なぜ機械がそのような決定を下したのかを明確に説明する方法がありません。このシステムは、患者の状態や病歴に関するさまざまな症状、測定値、画像、データを取得し、非常に正確な診断結果を出す、極めて精密なブラックボックスのようなものです。

たとえば、Google AI は、あなたの目を検査することで、心臓病のリスクがあるかどうかを予測できます。あなたの目に何が起こっているのでしょうか? 自分の目に何か問題があると簡単に推測する人はいないでしょう。2019 年には、スタートアップ企業や大企業が金融やヘルスケアなどの業界で AI の導入を推進しようとしているため、これらの業界専用の商用サポート システムが登場し、ディープ ニューラル ネットワークの検討に役立ち、AI 予測をより適切に説明できるようになります。企業はこれらの予測を説明するプロセスを完全に自動化しようと試みるだろうが、成功の鍵となるのは、人間が「ブラックボックス」を調査してその決定をよりよく理解し、機械の背後にいる人間が独自の説明を提供できるようにすることだろう。

アルゴリズム対アルゴリズム。 「フェイクニュース」に加え、他分野のAIシステムもAI攻撃を受ける

リアルな偽の画像や動画を生成する技術が進歩し続け、機械学習アルゴリズムを騙す新しい方法（フェイクニュースなど）が登場するにつれ、自動運転車やその他のミッションクリティカルなシステムは新たな安全上の問題に直面することになります。これまで、世間の注目は画像、動画、音声、つまり「フェイクメディア」や「フェイクニュース」の蔓延に集中してきましたが、2019年には、説得力はあるものの偽りの構造化および非構造化テキストデータの生成が実証され、信用スコアリングや文書からのデータ抽出などの問題に対する自動意思決定で機械がミスを犯すようになるでしょう。

転移学習とシミュレーションが主流になり、企業はコールドスタートの問題を克服し、高いトレーニングデータ蓄積コストを回避することができます。

ほとんどの AI プロジェクトの成功は、高品質のラベル付きデータがあるかどうかに大きく依存します。ほとんどのプロジェクトは、通常、問題に関する既存のデータがないか、既存のすべてのデータに手動でラベルを付けるのが難しいため、この問題で失敗します。

たとえば、顧客が製品を購入するかどうかを予測するといった単純なことでも、最初は顧客がいない場合にはコールド スタートの問題が発生します。ビジネスが成長しなければ、強力なテクノロジーを活用するために不可欠な「ビッグデータ」を獲得することはできません。さらに悪いことに、専門知識が必要な場合（腫瘍のラベル付けなど）、何千ものラベル付きデータを取得するには法外な費用がかかります。

AI 研究の活発な分野は、この課題にどのように対処するかということです。少量のデータしかない場合、強力なディープラーニング技術をどのように活用できるでしょうか? 2019 年には、企業内で 2 つのアプローチの採用が拡大するでしょう。効果的なアプローチの 1 つは転移学習です。転移学習では、大量のデータがある 1 つのドメインから学習したモデルを使用して、はるかに少ないデータがある別のドメインで学習するようにマシンを再トレーニングします。たとえば、Landing AI™ は、不良品のほんの数例を使用して、生産ライン上の対象物の欠陥を検出することができます。誰でも、ImageNet のような大規模なデータセットから画像について多くのことを学習したモデルから始めて、特殊なオブジェクト分類器 (たとえば、損傷した車や家を区別して保険を自動的に処理する) をトレーニングできるようになりました。フィールドは同じデータ型に基づいている必要もありません。研究者たちは、画像データベースから学習したモデルを使用して、センサーデータを取得するための分類器をトレーニングしました。

2 番目のアプローチは、合成データの生成とシミュレーションです。生成的敵対ネットワークを使用すると、非常に現実的なデータを作成できます。 Nvidia は、生成的敵対ネットワークを使用して、架空だが非常に魅力的な有名人の顔を生成したことで有名です。自動運転車のメーカーは、実生活よりも長い距離にわたって運転アルゴリズムを訓練できる仮想シミュレーションも作成している。たとえば、Waymo の自動運転車はシミュレーションでは 50 億マイル走行しましたが、実際の道路ではわずか 8 マイルしか走行していません。 2019 年、企業はシミュレーション、仮想現実、合成データを使用して機械学習で大きな進歩を遂げるでしょう。以前は、データの制限によりこれが不可能でした。

プライバシー要件の高まりにより、エッジデバイス上でのAIの活用が促進され、大手インターネット企業は競争上の優位性を得るためにエッジAIに投資するだろう。

消費者が大手インターネット企業にすべてのデータを渡すことに警戒心を強めるにつれ、クラウドにデータをアップロードする必要のないサービスを提供する企業が競争上の優位性を得ることになるだろう。業界では一般的に、製品サービスでは、顔認識や音声認識などの高価な機械学習操作を実行するためにクラウドを使用する必要があると考えています。しかし、ハードウェアの進歩とプライバシー保護に対する人々の意識の高まりにより、より多くの機械学習操作が携帯電話や小型のエッジデバイスで直接実行されるようになり、機密性の高い可能性のあるデータを中央サーバーに送信する必要性が減ります。このトレンドはまだ初期段階にあり、Apple などの企業はクラウドではなくモバイル デバイス上でスマート処理 (機械学習モデルの実行) を行っています (例: CoreML と専用の Neural Engine チップを使用、Google も TPU エッジ製品を発表)。 2019 年には、モビリティ、スマート ホーム、IoT エコシステムによってエッジ デバイスでの機械学習が促進され、この傾向は加速するでしょう。