新たな AI の冬を回避するにはどうすればよいでしょうか?

人工知能はここ数年で大きな進歩を遂げてきましたが、開発者の過剰な約束とエンドユーザーの非現実的な期待によって引き起こされた1990年代の「AIの冬」を今でも覚えている人も多いのではないでしょうか。現在、FacebookのAI責任者であるジェローム・ペセンティ氏など一部の業界関係者は、今度は意味理解の欠如により、AIが近いうちに再び問題に直面すると予測している。

[[315399]]

「ディープラーニングや現在のAI技術には多くの限界がある」とペセンティ氏は言う。「人間レベルの知能の実現にはまだまだ遠い。批判の中には実際に正当なものもある。AIは人間の偏見を伝える可能性がある、簡単に説明できない、常識がない、パターンマッチングに近く、堅牢な意味理解力がない、などだ」

また、一部のコンピューター科学者は、多くの複雑な機械学習アルゴリズムが簡単にはコピーできない「ブラックボックス」であるため、人工知能は「再現性の危機」に直面していると考えている。マギル大学のコンピュータサイエンス教授ジョエル・ピノー氏は、AIモデルの仕組みを再現し説明することでAIの透明性が確保され、将来の技術革新や研究に役立つと指摘した。これは、アルゴリズムが人間の意思決定に取って代わり、誰に懲役刑を言い渡し、誰に保釈を認めるかを決定する際に重要になる。 ”

新たな「AI の冬」を回避する方法を見てみましょう。

シンボリックAIから始める

AI モデルを説明および再現できないことは、AI を信頼できる有用なものにするために克服する必要がある大きなハードルです。この問題に対処するには、一歩下がってシンボリック AI を活用することを検討し、次にシンボリック AI (従来の知識表現、ルールベースのシステム、推論、グラフ検索) と機械学習を組み合わせるという 2 つのステップを踏むことができます。

シンボリック AI は、オントロジーと分類法を使用してデータに意味やセマンティクスを追加します。ルールベースシステムは、シンボリック AI の主要なテクノロジーです。これらのシステムは、これらのオントロジーと分類法に大きく依存しており、これらのアプローチは、正確で意味のある if/then ルールを策定するのに役立ちます。ルールとルールベースのシステムを使用する利点は、一貫性があり再現可能な結果が提供され、解釈可能な結果を​​得るのに役立つことです。

データサイロを排除

AI が現在の期待に応えるためには、IT システム全体にわたるクエリのサイロを排除し、より洗練された集計クエリを発行し、スキーマとデータの検証手段を自動化して正確な分析結果を得ることも必要です。

機械学習モデル用の多様なトレーニング データ セットを集約するには、データベース全体にわたってクエリを実行する機能、またはこの目的のために異なるソースをすばやく統合する機能が必要です。セマンティック グラフ データベースは、グラフのすべてのノードとエッジに一意の機械可読なグローバル識別子が付与される標準ベースのアプローチを通じて、統計 AI のこの前提条件をサポートします。

その結果、組織は異なるデータベースを接続してそれらに対してクエリを実行し、同時に、個人の次の健康問題の予測やタイムリーなサプライ チェーン管理などの一般的なユース ケースのソースを統合できるようになります。

このフェデレーション クエリにより、データが常に関連性を保ち、あらゆる新興テクノロジーに対して将来性を確保できるようになります。リアルタイムの意思決定に AI と分析が必要な時代において、組織にはサイロ化されたデータベース全体でスキーマと用語を再構築する時間がありません。

データの自動検証

スキーマの概念は本質的にデータ検証に関連しており、クエリ結果を信頼して分析を実行するために重要です。セマンティック ナレッジ グラフにより、自然に進化するデータ モデル、自己記述型スキーマ、JSON、JSON-LD、SHACL などのオンデマンド スキーマ オプションを通じて、すべてのスキーマの標準化が可能になります。

SHACL のようなフレームワークは、データの形状が一貫していることを確認することで自動的に実行されるデータの検証に不可欠です。現実には、明確なメカニズムがなければ、プロセスをコーディングせずにデータ品質のこの基本的な側面に照らしてデータを検証することはほぼ不可能であり、非常に時間がかかる可能性があります (タスクのサイズによって異なります)。

人工知能の時代では、自動化が差し迫っています。データ検証測定用のスクリプトを手動で生成するのは非常に時間がかかりますが、このプロセスは、コグニティブ コンピューティング自体と同様に、自動化して繰り返し実行できます。

語彙の正規化は集計クエリに役立ちます

運用 AI では、非常に高いクエリ粒度が求められますが、ナレッジ グラフの語彙と分類の標準化により、他の設定では再現が難しい順次クエリ集約がサポートされます。組織がさまざまな概念の語彙と意味を標準化すると、分類法を作成し、それらをリンクしてクエリを実行できるようになります。

たとえば、ヘルスケア分野では、特定の病気を患っているすべての患者、その病気の特定の治療法、今後 3 か月以内に予定されている移植手術、患者に処方された特定の薬剤などを照会できます。この複雑なアドホック クエリ操作は、さまざまなクエリを 1 つのクエリに集約し、異なる分類をクエリして特定の結果を取得できる機能によって、ある程度容易になります。

近い将来、データベース間のクエリ、データの自動検証、集計クエリがますます一般的になるでしょう。人工知能は企業にとって不可欠な要素となり、セマンティック ナレッジ グラフ アプローチを採用する企業が目立つようになるでしょう。