このレポートを読めば、人工知能に関するあなたの常識は基本的に正しいものとなるでしょう。

[[266878]]

中国における人工知能に関する議論の多くは体系化されておらず、断片的であり、人工知能の発展背景や技術体系を深く理解することは難しく、実用的な参考意義を持つことは難しい。 Deloitte DUP は最近、人工知能、特に重要な認知技術の歴史、中核技術および応用について詳しく説明したレポートを発表しました。このレポートは、人工知能と認知技術をより深く理解するのに役立ち、また、さまざまな業界の企業が人工知能アプリケーションの実際の価値を検討するのに役立ちま す。

1. 概要

近年、人工知能への関心が高まっています。2011年以降、AI関連の製品や技術を開発、商品化する企業は20億ドル以上のベンチャーキャピタルを獲得し、テクノロジー大手はAIスタートアップ企業の買収に数十億ドルを投資してきました。関連報道が飛び交い、巨額の投資やコンピューターが失業を招いているなどの問題が浮上し始めた。コンピューターは人間よりも賢く、人類の生存を脅かす可能性があるなどの発言がメディアのいたるところで引用され、大きな注目を集めた。

IBMは、認知コンピューティング・プラットフォーム「Watson」を商品化するために10億ドルを投じることを約束した。

グーグルの近年の投資は、ロボット企業8社と機械学習企業1社の買収など、主に人工知能の分野に集中している。

Facebookは、この分野で大きな進歩を遂げることを期待して、人工知能分野の第一人者であるヤン・ルカン氏を雇い、独自の人工知能研究所を設立した。

オックスフォード大学の研究者らは、機械認知技術を使った自動化により、米国の雇用の約47%が危険にさらされていることを示す報告書を発表した。

ニューヨークタイムズのベストセラー『第二の機械時代』は、デジタル技術と人工知能が大きなプラスの変化をもたらす時代が到来したが、同時に大量の失業を引き起こすなどのマイナスの影響ももたらすと結論づけている。

シリコンバレーの起業家イーロン・マスクは投資を続けることで人工知能に注力し続けている。彼は人工知能は核兵器よりも危険だとさえ信じている。

著名な理論物理学者スティーブン・ホーキングは、「リスクを回避する方法を知らない限り」人工知能の開発に成功すれば人類の歴史の終焉を意味する可能性があると考えている。

こうした大騒ぎにもかかわらず、人工知能の分野では重要なビジネス活動が数多く行われており、さまざまな業界や組織に影響を与えたり、近いうちに影響を与えたりするでしょう。ビジネスリーダーは、人工知能の意味と開発動向を徹底的に理解する必要があります。

[[266879]]

2. 人工知能と認知技術

人工知能をわかりやすく説明する最初のステップは、用語を定義し、歴史を概説し、基礎となるコアテクノロジーを説明することです。

1. 人工知能の定義

人工知能の分野には、概念や定義の多様性があり、多すぎるものもあれば、足りないものもあります。 「人工知能には普遍的な定義がない」と、この分野の創始者の一人、ニルス・ニルソンは書いている。権威ある人工知能の教科書（現在第3版）では8つの定義が示されているが、著者がどれを好んでいるかは明らかにされていない。私たちにとって、人工知能とは、人間の知能でのみ可能なタスクをコンピュータ システムがどのように実行できるかを理論的に研究することであると実際的に定義されます。たとえば、視覚認識、音声認識、不確実性下での意思決定、学習、言語翻訳などです。人間がどのように考えるかを研究するのではなく、人間がどのように考えるかではなく、人間が達成できるタスクの観点から人工知能を定義することで、神経メカニズムのレベルを回避して知能を定義し、その実用的な応用を直接探求できるようになります。注目すべきは、コンピュータがアップグレードされ、新しいタスクの課題を解決するために普及するにつれて、解決に人間の知能を必要とするタスクに対する人々の定義がますます高くなっていることです。そのため、人工知能の定義は時間とともに進化してきました。この現象は「AI 効果」と呼ばれ、要約すると「人工知能とは、人間の知能がなければ達成できない一連のタスクである」となります。

2. 人工知能の歴史

人工知能は新しい用語ではありません。実際、この分野は 1950 年代にすでに始まっており、その探究の時代は「雑音と欲望、フラストレーションと失望が交互に繰り返される時代」と表現されてきました。これは最近なされたより適切な評価です。

1950 年代には、人間の知能をシミュレートするという人工知能の大胆な目標が特定され、研究者は 1960 年代から 1970 年代にかけて一連の研究プロジェクトを立ち上げました。これらのプロジェクトにより、定理の証明、微積分の解決、計画によるコマンドへの応答、物理的動作の実行、さらには心理学者のシミュレーションや音楽の作曲などの活動など、もともと人間の能力の範囲内であった一連のタスクをコンピューターが実行できることが示されました。

しかし、過度に単純化されたアルゴリズム、不確実な環境（人生にはどこにでもある）に対処するための理論の欠如、そして計算能力の限界により、より困難で多様な問題を解決するために人工知能を使用することが著しく妨げられています。継続的な取り組みの欠如に対する失望の中で、1970 年代半ばに AI は一般の人々の意識から消えていきました。

1980年代初頭、日本は人工知能のリーダーとなるコンピュータアーキテクチャを開発するプロジェクトを立ち上げました。欧米諸国は、この分野で日本に負けるのではないかと心配し始め、この不安から人工知能への投資を再開する決断を下した。 AI テクノロジー製品の商用ベンダーは 1980 年代に登場し、Intellicorp、Symbolics、Teknowledge など、その一部は株式を公開しました。

1980 年代後半までに、フォーチュン 500 企業のほぼ半数が「エキスパート システム」を開発または使用していました。エキスパート システムとは、人間の専門家が各分野の問題を解決する方法を、問題解決能力をモデル化してシミュレートする人工知能技術です。

エキスパートシステムの可能性に対する過度の期待は、明らかな常識の欠如、専門家の暗黙知の捕捉の難しさ、大規模なシステムの構築と維持の複雑さとコストなど、エキスパートシステム自身の限界を完全に覆い隠しました。これがますます多くの人々に認識されると、人工知能研究は再び軌道から外れました。

1990 年代、人工知能の分野における技術的成果は低迷し、成果もほとんどありませんでした。代わりに、ニューラル ネットワークや遺伝的アルゴリズムなどのテクノロジが新たな注目を集めています。その理由の 1 つは、これらのテクノロジがエキスパート システムの制限の一部を回避していること、もう 1 つは新しいアルゴリズムによってこれらのテクノロジがより効率的に実行されることです。

ニューラル ネットワークの設計は脳の構造にヒントを得ています。遺伝的アルゴリズムのメカニズムは、最初に代替ソリューションを反復的に生成し、次に最悪のソリューションを排除し、最後にランダム変数を導入して新しいソリューションを生成し、それによって問題に対する最良のソリューションを「進化」させることです。

3. 人工知能の進歩の触媒

2000 年代後半までに、AI 研究、特にいくつかのコア技術の進歩を復活させる要因がいくつか出現しました。これらの重要な要素とテクニックについては、以下で詳しく説明します。

1) ムーアの法則

コンピューターの計算能力は、価格とサイズを変えずに成長し続けることができます。これは、インテルの共同創設者ゴードン・ムーアにちなんで名付けられたムーアの法則として知られています。ゴードン・ムーアは、人工知能研究者が使用するものも含め、あらゆる形態のコンピューティングから利益を得ています。数年前、高度なシステム設計は理論的には可能でしたが、必要なコンピュータ リソースが高価すぎるか実現不可能であったため、実用的ではありませんでした。現在、私たちはこれらの設計を実現するために必要なコンピューティング リソースを持っています。素晴らしい例を挙げると、今日の最新世代のマイクロプロセッサは、1971 年の第 1 世代のシングルチップ マイクロコンピュータよりも 400 万倍強力です。

2) ビッグデータ

インターネット、ソーシャルメディア、モバイルデバイス、安価なセンサーのおかげで、世界で生成されるデータの量は劇的に増加しています。このデータの価値が認識されるにつれて、それを管理および分析するための新しいテクノロジーが開発されました。ビッグデータは人工知能の発展を後押しします。これは、一部の人工知能技術が統計モデルを使用して、画像、テキスト、音声などのデータに関する確率的推論を行うためです。これらのモデルを大量のデータにさらすことで、モデルは継続的に最適化、つまり「トレーニング」されます。このような条件は、今ではどこでも利用できます。

3) インターネットとクラウドコンピューティング

ビッグデータ現象と密接に関連しているインターネットとクラウド コンピューティングは、2 つの理由から人工知能の基礎であると考えられます。まず、膨大な量のデータをネットワークに接続されたすべてのコンピューター デバイスで利用できるようになります。このデータは、人工知能の研究開発を進めるために必要なものであり、人工知能の発展を促進することができます。第二に、AI システムのトレーニングを支援するために、人々が時には明示的に、時には暗黙的に協力できる現実的な方法を提供します。たとえば、一部の研究者は、Mechanical Turk などのクラウドベースのクラウドソーシング サービスを使用して、デジタル画像を説明するために何千人もの人材を雇用しています。これにより、画像認識アルゴリズムはこれらの描写から学習できるようになります。 Google 翻訳は、ユーザーからのフィードバックと無料の貢献を分析することで、自動翻訳の品質を向上させます。

4) 新しいアルゴリズム

アルゴリズムは、設計プロセスを解決したり、タスクを完了したりするための方法です。近年、新しいアルゴリズムの開発により、機械学習の能力は大幅に向上しました。これらのアルゴリズムはそれ自体が重要ですが、コンピューター ビジョン (後述) などの他のテクノロジも可能にします。機械学習アルゴリズムは現在オープンソースで使用されており、開発者がオープンソース環境で互いの作業を補完し強化できるため、より大きな進歩につながります。

4. 認知技術

人工知能の分野と、そこから派生するさまざまなテクノロジーを区別します。一般的なメディアでは、人工知能は人間と同等かそれ以上に賢いコンピュータの出現であると描写されています。そして、以前は人間だけが実行できた特定のタスクにおいて、テクノロジーはますます進歩しています。私たちはこれらの技術を認知技術と呼んでいます (下の図を参照)。認知技術は人工知能の分野の産物であり、これまでは人間だけが実行できたタスクを実行できます。そして、それらはまさに、企業や公共部門のリーダーが注力すべきものなのです。以下では、広く採用され、急速に進歩し、多大な投資が行われている最も重要な認知技術のいくつかについて説明します。

1) コンピュータービジョン

コンピュータが画像から物体、シーン、アクティビティを認識する能力を指します。コンピューター ビジョン技術では、一連の画像処理操作やその他の技術を使用して、画像分析タスクを管理しやすいチャンクに分割します。たとえば、画像から物体のエッジやテクスチャを検出できる技術もあります。分類技術を使用すると、識別された特徴がシステムに既知のオブジェクトのクラスを表すかどうかを判断できます。

コンピュータービジョンには幅広い用途があります。これらには、病気の予測、診断、治療を改善するために使用されている医療画像分析、写真に写っている人物を自動的に識別するために Facebook が使用している顔認識、警備や監視で容疑者を識別するために使用されている顔認識、そして買い物では消費者がスマートフォンで商品の写真を撮ってより多くの購入オプションを得ることができるようになったことなどが含まれます。

関連分野としてのマシンビジョンは、一般的に産業オートメーションの分野における視覚アプリケーションを指します。これらのアプリケーションでは、コンピューターは、制約の厳しい工場環境内で生産部品などのオブジェクトを認識します。これは、制約のない環境で動作することを目指すコンピューター ビジョンよりも単純な目標です。コンピュータ ビジョンは進行中の作業ですが、マシン ビジョンは「解決済みの問題」であり、研究トピックというよりはシステム エンジニアリング トピックです。アプリケーションの範囲が拡大し続けるにつれて、コンピュータービジョン分野の新興企業は2011年以来、数億ドルのベンチャーキャピタルを集めてきました。

2) 機械学習

明示的なプログラム命令に従わずに、単にデータにさらされるだけでコンピュータ システムのパフォーマンスを向上させる能力を指します。機械学習の本質は、データ内のパターンを自動的に発見することであり、発見されたパターンを使用して予測を行うことができます。たとえば、機械学習システムに、取引時間、販売店、場所、価格、取引が正当かどうかなどのクレジットカード取引情報のデータベースを与えると、システムはクレジットカード詐欺を予測するために使用できるパターンを学習します。処理されるトランザクション データが増えるほど、予測の精度は向上します。

機械学習の応用範囲は非常に広く、大量のデータを生成するほぼすべてのアクティビティのパフォーマンスを向上させる可能性があります。これらの活動には、不正行為のスクリーニングに加えて、売上予測、在庫管理、石油・ガス探査、公衆衛生などが含まれます。機械学習は、視覚モデルを継続的にトレーニングして改善することで、大量の画像内のオブジェクトを認識する能力を向上させることができるコンピューター ビジョンなどの他の認知技術でも重要な役割を果たします。機械学習は認知技術における最も注目されている研究分野の 1 つとなり、2011 年から 2014 年の間に 10 億ドル近くのベンチャー キャピタルが集まりました。 2014年、Googleは機械学習技術を研究する企業Deepmindを4億ドルで買収した。

3) 自然言語処理

これは、テキストから意味を抽出したり、読みやすく、文体が自然で、文法的に正しいテキストから意味を自律的に解釈したりするなど、コンピューターが人間のようにテキストを処理する能力を指します。自然言語処理システムは、人間がテキストを処理する方法を理解しませんが、文書に記載されているすべての人物や場所を自動的に識別したり、文書の中心的なトピックを識別したり、人間が読める契約書の山からさまざまな契約条件を抽出して表にしたりするなど、非常に複雑で洗練された方法でテキストを処理できます。これらのタスクは、単純なテキストのマッチングとパターンのみを処理できる従来のテキスト処理ソフトウェアでは実現不可能です。自然言語処理の課題を示すありふれた例を考えてみましょう。 「時は矢のように飛ぶ」という文章では、システムが「果物はバナナのように飛ぶ」という文章に遭遇するまでは、各単語の意味は明確に見えますが、システムが「時間」を「果物」に、「矢」を「バナナ」に置き換え、「のような」と「のような」という単語の意味を変えてしまいます。

自然言語処理は、コンピューター ビジョンと同様に、目標達成に役立つさまざまな手法を組み合わせます。言語モデルは、言語表現の確率分布を予測するために構築されます。たとえば、特定の文字列または単語が特定の意味を表す最大の可能性です。選択された特徴は、テキスト内の特定の要素と組み合わせて、テキストを識別できます。これらの要素を識別することにより、特定の種類のテキストを、スパムや通常の電子メールなどの他のテキストと区別できます。機械学習を活用した分類方法が、電子メールがスパムかどうかを判断するための選別基準になります。

「time flies（時間が経つのが早い）」と「fruit flies（ミバエが飛ぶ）」の違いを理解するには文脈が非常に重要であるため、自然言語処理技術の実際の応用範囲は、特定の製品やサービスに関する顧客のフィードバックの分析、民事訴訟や政府の調査における特定の意味の自動発見、企業収益やスポーツなどのトピックに関する定型的なエッセイの自動作成など、比較的狭い範囲に限られています。

4) ロボット工学

マシンビジョンや自動計画などの認知技術を、極めて小型ながら高性能なセンサー、アクチュエーター、巧みに設計されたハードウェアに統合することで、人間と一緒に作業し、さまざまな未知の環境でさまざまなタスクを柔軟に処理できる新世代のロボットが誕生しました。例としては、ドローン、工場の現場で人間に代わって作業を行う「コボット」、おもちゃから家事ヘルパーに至るまでの消費者向け製品などが挙げられます。

5) 音声認識技術

主な焦点は、人間の音声を自動的かつ正確に書き起こすことにあります。この技術は、自然言語処理と同じ問題のいくつかに対処する必要があり、異なるアクセント、背景雑音、同音異義語（「buy」と「by」は同じ発音）の区別などへの対応が難しく、また、通常の会話の速度で動作できなければなりません。音声認識システムは、自然言語処理システムと同じ技術の一部を使用しますが、音と、特定のシーケンスや言語で出現する確率を記述する音響モデルなどの他の技術が補完されています。音声認識の主な用途には、医療用ディクテーション、音声書き込み、コンピュータ システムの音声制御、電話による顧客サービスなどがあります。たとえば、ドミノ・ピザは最近、ユーザーが音声で注文できるモバイルアプリをリリースしました。

前述の認知技術は急速に進歩し、多くの投資を集めており、他の比較的成熟した認知技術も依然としてエンタープライズ ソフトウェア システムの重要なコンポーネントです。成熟が進むこれらの認知技術には、意思決定の最適化（複雑な意思決定のプロセスを自動化したり、限られたリソース内で最適なトレードオフを行ったりすること）、計画とスケジュール（目標と観察制約を満たすための一連のアクションを設計すること）、ルールベースのシステム（知識とルールのデータベースを使用して情報から推論を導き出すプロセスを自動化するエキスパート システムの基盤を提供する）が含まれます。

3. 認知技術の普及

認知技術はすでに、あらゆる経済セクターのさまざまなビジネス機能に適用されています。

1) 銀行業務

自動不正検出システムは機械学習を使用して不正な支払い活動を示す行動パターンを識別します。音声認識技術はカスタマー サービスへの通話を自動化し、音声認識によって発信者の身元を確認できます。

2) 医療・健康分野

米国の病院の半数は、自動音声認識を使用して医師が医療指示の転記を自動的に完了できるようにしており、その使用率は急速に増加しています。マシンビジョンシステムは、マンモグラムやその他の医療効果の分析を自動的に完了します。IBMのWatsonは、自然言語処理技術を使用して大量の医学文献を読んで理解し、自動仮説生成を通じて自動診断を完了し、機械学習の助けを借りて精度を向上させます。

3) ライフサイエンス

機械学習システムは、生物学的データと化合物の活性との間の因果関係を予測するために使用され、製薬会社が最も有望な医薬品を特定するのに役立ちます。

4) メディア・エンターテインメント業界

多くの企業がデータ分析や自然言語生成技術を活用し、企業の収益状況やスポーツイベントの概要など、データに基づいた公式文書を自動的に作成しています。

5) 石油・ガス

製造業者は、鉱物資源の位置特定や掘削装置の故障診断など、多くの分野で機械学習を広く活用しています。

6) 公共部門

公共部門も、監視、コンプライアンス、不正検出などの特定の目的で認知技術を使い始めています。たとえば、ジョージア州では、自動手書き認識システムを使用して、財務開示書類や選挙献金書類のデジタル化をクラウドソーシングで行っています。

7) 小売業者

小売業者は機械学習を使用して、魅力的なクロスセル価格と効果的なプロモーションを自動的に発見します。

8) テクノロジー企業

彼らは、マシンビジョンや機械学習などの認知技術を使用して、Roombaロボット掃除機やNestスマートサーモスタットなどの製品を改良したり、まったく新しい製品を開発したりしています。

上記の例は、認知技術の潜在的なビジネス上のメリットが、自動化によってもたらされるコスト削減をはるかに上回っていることを示しています。自動化は主に以下の点で反映されています。

より迅速なアクションと意思決定（例：自動不正検出、計画、スケジュール設定）

より良い成果（例：医療診断、石油探査、需要予測）

効率性の向上（つまり、高度なスキルを持つ人材と高価な設備の有効活用）

コストの削減（例：自動電話カスタマーサービスにより人件費が削減されます）

大規模化（つまり、人間の労働では実行できない規模のタスクを実行すること）

製品とサービスのイノベーション（新機能の追加から新製品の作成まで）

4. 認知技術の影響力が高まっている理由

今後 5 年間で、認知技術がビジネスに与える影響は大幅に増大します。理由は2つあります。1つ目は、近年、技術的な性能が大幅に進歩し、継続的な研究開発が行われていることです。第二に、これらの技術の商業化には数億ドルが投資されており、多くの企業がこれらの技術の購入と導入を容易にするために、ビジネス分野全体の幅広いニーズに合わせてカスタマイズされた開発およびパッケージング ソリューションの提供に取り組んでいます。すべてのテクノロジープロバイダーが生き残るわけではありませんが、彼らの努力が総じて市場を前進させるでしょう。技術パフォーマンスの向上と商業化が相まって認知技術の応用範囲が拡大しており、この傾向は今後も続くでしょう。

1. 技術の進歩により応用範囲が拡大

認知技術が大きく進歩した例は数多くあります。たとえば、Google の音声認識システム。あるレポートによると、Google は音声認識の精度を 2012 年の 84% から現在の 98% まで向上させるのに 2 年もかかりませんでした。コンピュータービジョン技術も急速に進歩しました。コンピュータービジョンの研究者が定めた技術基準によれば、画像分類と認識の精度は2010年から2014年にかけて4倍に向上しました。 FacebookのDeepFace技術は査読報告書で高く評価され、顔認識精度は97％に達した。 2011年、IBMはクイズ番組「Jeopardy!」でWatsonが優勝できるよう、Watsonを最適化し、回答の精度を2倍にしました。現在、IBM は、Watson は当時よりも 2,400% 賢くなったと主張しています。

技術が進歩するにつれて、その応用範囲も拡大しています。例えば、音声認識の分野では、かつては機械が限られた語彙の中の単語をかろうじて認識できるようになるまでに多くのトレーニングが必要であり、音声認識技術から派生した医療アプリケーションも真に普及させることは困難でした。現在、インターネット上では毎月何百万件もの音声検索が行われています。さらに、コンピューター ビジョン テクノロジーは、以前は産業オートメーションに導入されるものとして狭義に理解されていましたが、現在では、このテクノロジーは監視、セキュリティ、さまざまな消費者向けアプリケーションに広く使用されています。 IBM は現在、Watson のアプリケーションを、競争的なゲームを超えて、医療診断から医療研究、金融アドバイス、自動コールセンターまで拡大しています。

すべての認知技術がこのような目覚ましい発展を遂げたわけではありません。機械翻訳はある程度進歩しましたが、その進歩は小さいものです。ある調査によると、アラビア語から英語への翻訳の精度は2009年から2012年の間にわずか13%しか向上しなかったことがわかりました。これらのテクノロジーはまだ完璧ではありませんが、すでに専門組織の働き方に影響を与える可能性があります。多くのプロの翻訳者は、翻訳の精度を向上させるために機械翻訳に依存しており、一部の定型的な翻訳を機械に任せて、より困難なタスクに集中しています。

多くの企業は、企業ユーザーによる購入と導入を容易にするために、認知技術をさらに開発し、特にエンタープライズレベルの製品に徐々に統合することに取り組んでいます。

2. 商業化に向けた大規模な投資

2011年から2014年5月までに、認知技術の研究に基づく製品やサービスに20億ドルを超えるベンチャーキャピタルが流入しました。同時に、100社以上の関連企業が合併または買収され、そのうちのいくつかはAmazon、Apple、Google、IBM、Facebookなどのインターネット大手に買収されました。これらすべての投資により、認知技術の商業化を加速させる多様な企業が育まれています。

ここでは、特定の企業による認知技術の商業化についての詳細は述べませんが、認知技術製品は非常に多様であることを示したいと思います。以下は、認知技術の商業化に取り組んでいる企業のリストです。このリストは完全でも固定でもありませんが、市場を牽引し育成するために使用される動的な指標です。

データ管理および分析ツールでは、主に自然言語処理や機械学習などの認知技術が使用されます。これらのツールは、自然言語処理を使用して非構造化テキストから意味を抽出したり、機械学習を使用してアナリストが大規模なデータセットの深い意味を発見できるように支援したりします。この分野の企業としては、Context Relevant（米国のビッグデータマイニング・分析企業）、Palantir Technologies（データ、テクノロジー、人間、環境を結びつけることを主張する企業）、Skytree（機械学習を使用して市場分析を行い、意思決定の基礎を提供するビッグデータ企業）などが挙げられます。

認知技術のさまざまな部分をさまざまなアプリケーションやビジネス上の意思決定に統合することで、機能性を高め、効率を向上させることができます。たとえば、Wise.io は、顧客サポート、マーケティング、販売などのビジネス上の意思決定を容易にするモジュール スイートを提供しており、機械学習モデルを使用して、どの顧客が解約する可能性が高いか、どの潜在顧客がコンバージョンする可能性が高いかを予測します。 Nuance は、音声制御を必要とするモバイル アプリを開発者が開発できるように、音声認識テクノロジを提供しています。

ポイントソリューション。多くの認知技術が成熟している兆候として、特定のビジネス問題に対するソリューションに認知技術がますます組み込まれていることが挙げられます。これらのソリューションは、企業の従来のソリューションよりも効果的になるように設計されており、認知技術に関する専門知識はほとんど必要ありません。非常に人気のあるアプリケーション分野には、広告、マーケティング、販売の自動化、予測、計画などがあります。

テクノロジープラットフォーム。このプラットフォームの目的は、高度にカスタマイズされたビジネス ソリューションを構築するための基盤を提供することです。これらは、データ管理、機械学習ツール、自然言語処理、知識表現と推論、およびこれらのカスタマイズされたソフトウェアを統合するための統一されたフレームワークを含む、さまざまな機能を提供します。

3. 新たなアプリケーション

こうしたパフォーマンスと商業化の傾向が続くと、認知技術がより広く使用され、より広く受け入れられるようになると自信を持って予測できます。機械学習、自然言語処理、マシンビジョン、ロボット工学に基づく技術を開発している企業に数億ドルの投資が殺到しており、市場に多くの新しいアプリケーションが登場する兆しとなっています。また、商業組織が認知技術を活用して自動化されたビジネスプロセスを構築し、製品やサービスを強化する大きな可能性も見ています。

5. 企業における認知技術の応用経路

認知技術は今後数年のうちに普及するでしょう。今後 2 ～ 5 年で、技術の進歩と商業化により、認知技術が企業に与える影響は拡大するでしょう。ますます多くの企業が、自社のパフォーマンスを大幅に向上させたり、競争力を高めるための新しい機能を生み出したりするための革新的なアプリケーションを見つけるようになるでしょう。 IT 部門は、これらのテクノロジに対する理解を深め、それらを適用する機会を評価し、これらのテクノロジがもたらす可能性のある価値を経営陣に伝えるために、今すぐ行動を起こすことができます。企業や公共部門の上級リーダーは、認知技術が各部門や企業全体にどのような影響を与えるか、また、これらの技術がイノベーションを刺激し、業務パフォーマンスを向上させることができるかを検討する必要があります。