2020年に注目すべき8つのAIトレンド

自動化、ハードウェア、モデル開発などの新たな開発が、2020 年の AI を形作るでしょう。

O'Reilly の副社長である Roger Magoulas 氏が、2020 年の人工知能の開発を形作る (または加速させる) 自動化、ハードウェア、ツール、モデル開発などのトレンドにおける新たな展開について説明します。

[[313544]]

1. AI導入が加速している兆候がある

AI の分野では、より複雑な AI モデルが実稼働に入ること、AI 機能を高めてより大規模なデータセットに基づいてより迅速に結果を提供する特殊なハードウェア、AI スタック全体へのアクセスを民主化する簡素化されたツール、ほぼすべてのデバイスで AI を実行できるようにする小型ツール、どこからでも AI リソースにアクセスできるようにする AI ツールへのクラウド コンピューティング アクセスなどの要因によって、導入が加速する準備が整っていることがわかります。

複数のソースからのデータの統合、複雑なビジネスおよびロジスティックスの課題、データをより有用にするための競合するインセンティブなどにより、AI および自動化テクノロジーはオプションから必須へと進化します。 AI プロセスは、画像認識、要約、タグ付け、複雑な監視と応答など、従来の手続き型ロジックやプログラミングが処理できるものとは異なる、ますます多様化する自動化タスクを独自に処理できます。

実際、2019年の調査では、回答者の半数以上が人工知能（特にディープラーニング）が将来のプロジェクトや製品の一部になると答えており、大多数の企業が機械学習の導入を始めています。

2. データとAIの境界線が曖昧になっている

競争力を維持するために、データ サイエンティストは少なくとも機械学習とディープラーニングを習得する必要があります。同時に、現在の AI システムは大量のデータを必要とするモデルに依存しているため、AI の専門家には高品質のデータと安全で効率的なデータ パイプラインが必要になります。これらの分野が融合するにつれて、データ プロフェッショナルは AI の基礎的な理解を必要とし、AI エキスパートはデータ実践の強固な基盤を必要とし、データ ガバナンスに対するより正式な取り組みが必要になる可能性があります。

3. 新しくてシンプルなツール、インフラ、ハードウェアが開発されている

私たちは機械学習の非常に経験的な時代に生きています。機械学習開発ツールでは、データ、実験、モデル検索、モデルの展開、監視の重要性の高まりを考慮する必要があります。同時に、オープンソース フレームワークとライブラリ、クラウド プラットフォーム、独自のソフトウェア ツール、SaaS のエコシステムが拡大するにつれて、AI 開発のさまざまな段階の管理が容易になっています。

4. 新しいモデルやアプローチが登場している

ディープラーニングは多くの興味深い研究を推進し続けていますが、エンドツーエンドのソリューションのほとんどはハイブリッド システムです。 2020 年には、ベイズやその他のモデルベースの方法、ツリー検索、進化、ナレッジグラフ、シミュレーション プラットフォームなど、他のコンポーネントと方法の重要な役割についてさらに学びます。強化学習の新たなユースケースも出現すると予想されます。ニューラル ネットワークに基づかない機械学習アプローチにおいて、刺激的な発展が見られるようになるかもしれません。

5. 新たな開発が新たなアプリケーションを生み出す

コンピューター ビジョンと音声/スピーチ (「目と耳」) テクノロジの進歩は、パーソナライズされたカスタム サイズの衣服を製造したり、自律型収穫ロボットを駆動したり、熟練したチャットボットのロジックを提供したりできる新しい製品やサービスの創出を促進しています。ロボット（「腕と脚」）や自動運転車の研究が注目されており、市場投入に近づいています。

新たなスタートアップの波も、新しい人工知能や自動化技術を使用して、「従来のデータ」をターゲットにしています。これには、テキスト（新しい自然言語処理および自然言語理解ソリューション、チャットボット）、時系列および時間データ、トランザクション データ、ログが含まれます。

従来のエンタープライズ ソフトウェア ベンダーもスタートアップ企業も、特定の業界や分野向けの AI アプリケーションの開発に躍起になっています。これは、企業がすでに基本的な分析に投資している分野で AI を使用しているという最近の McKinsey & Company の調査結果と一致しています。

6. すべてのデータには固有の偏りがあるという前提の下で公平性に対処する

ソフトウェア品質保証の世界からヒントを得て、AI モデルに取り組む人は、データには組み込みまたは体系的なバイアスや、ソフトウェア内での誤った仮定など公平性に関連するその他の問題があることを想定する必要があり、これらの問題を検出、修正、対処するには正式なプロセスが必要です。

偏見を明らかにして公平性を確保することは容易ではなく、さまざまな視点から調査して確認すると最も効果的です。それは、不平等や偏見、認知的多様性、社会経済的多様性、文化的多様性、身体的多様性を明らかにするプロセスに意図的な多様性を組み込み、プロセスを改善し、重要なことを見逃すリスクを減らすことを意味します。

7. 機械による欺瞞は依然として深刻な課題である

ディープフェイクは、自動検出システムが不自然なまばたきのパターン、一貫性のない照明、顔のゆがみ、唇の動きと発話の不一致、小さく独特な顔の動きの欠如（例えば、ドナルド・トランプ米大統領が質問に答える前に唇を上げる様子）を探すことができることを示している。

しかし、ディープフェイク技術はどんどん進歩しています。新しい形態の機械による欺瞞が出現するにつれて、自動化された検出方法をできるだけ早く開発する必要があります。しかし、自動検出だけでは不十分な場合があります。検出モデル自体を使用することで、検出器を競合他社よりも優位に保つことができます。たとえば、不自然なちらつきパターンを検出するアルゴリズムをリリースしてから数か月以内に、次世代のディープフェイク ジェネレーターはシステムにちらつき機能を統合しました。

画像が撮影または変更されたときに自動的に透かしを入れて画像を識別したり、ブロックチェーン技術を使用してコンテンツが信頼できるソースからのものであることを確認したりできるプログラムは、部分的な解決策となる可能性がありますが、ディープフェイクが改良されるにつれて、デジタルコンテンツへの信頼は低下します。規制は導入されているかもしれないが、イノベーションを妨げない効果的な規制への道はまだ遠い。

8. AIを最大限に活用するには、企業は従業員の再教育が必要

AI ツールが使いやすくなるにつれて、AI のユースケースが増加し、AI プロジェクトが展開され、部門横断的なチームが AI プロジェクトに引き込まれるようになります。従来のデータ チーム以外の従業員もデータ リテラシーを備えている必要があります。実際、ガートナーは、2020 年までに 80% の組織が従業員のスキルを向上させるために社内データ リテラシー プログラムを導入すると予測しています。

しかし、トレーニングは継続的な取り組みであり、AI と機械学習をうまく実装するには、企業は従業員の再教育に対してより総合的なアプローチを取る必要があります。多くの企業にとって、これは最も困難でありながら最もやりがいのあるプロセスとなる可能性があります。また、チームがより広範なコミュニティに定期的に参加し、成功した AI 実装とソリューションの幅広い分野を確認する機会を持つことも重要です。

再訓練は多様性を再考することも意味します。真に有用な AI モデルと関連テクノロジーをうまく実装したいと考えている組織にとって、公平性と偏見の問題を検出するために多様性を強化および拡大することの重要性がさらに高まっています。予想どおり、ほとんどの AI プロジェクトでは人間のタスクが追加されるため、人間の要素を幅広く包括的に組み込むことが、幅広い受け入れと成功の重要な要素になります。