2020年第1四半期の人工知能の最新進歩

かつてはSFの世界であり、コンピューティングの世界の非現実的な夢であった人工知能が、今や現実のものとなった。 人工知能、略して AI は、機械が人間の知能をシミュレートする能力を表すために使用される用語です。 かつては人間特有のものだと考えられていた学習、論理、推論、知覚、創造性などの行動が、現在ではテクノロジーによって再現され、さまざまな業界に応用されています。

長年にわたり、AI は、グレースケールの手書き数字を認識するコンピューター ビジョンの単純な手順から進化し、顔の認識、オブジェクトの検出とインスタンスのセグメンテーションの実行、拡張現実のレンダリングなどを実行できる最新のテクノロジにまで拡張されました。 もっと。 自然言語処理技術も、質問応答や感情分析などに使用するための大規模なデータセットでトレーニングされたモデルの開発、新しい音声検出や会話型 AI 技術の台頭など、新たな分野を開拓してきました。 人工知能の分野は多様な領域と新たな次元に拡大し、さまざまなタスクのさまざまなユースケースで使用できるようになりました。

最近起こった AI の最大の進歩をいくつか紹介します。

ディープラーニングを使用して新しい強力な抗生物質を開発する:

MITチームが開発したディープラーニングモデルは、世界で最も薬剤耐性の強い細菌の一部と戦うことに成功した新たな抗生物質化合物を特定した。 新しく開発された医薬品は、わずか数日間で 1 億を超える化合物をスクリーニングできる可能性のあるコンピューター モデルを使用して選択されます。 研究者たちは、分子が特定の種類の細菌を殺すのに効果的となる化学的特徴を探すためにモデルを設計した。 研究者らは、米国FDA承認の医薬品1,700種類と、多様な構造と生物学的活性を持つ天然物800種類を含む2,500種類の分子でニューラルネットワークモデルをトレーニングした。 研究者らは、5種類の細菌株に対する実験室でのテストで、8種類の分子に抗菌作用があり、そのうち2種類が非常に強力であることを発見した。 研究者らは現在、これらの分子をさらにテストし、このプロセスに使用されるデータベースでさらにスクリーニングすることを計画している。

新しい抗生物質をスクリーニングする現在の方法はコストがかかり、時間もかかるため、このモデルはヘルスケア業界を大きく進歩させると期待されています。

製品の高度な理解と新しいショッピング体験:

Facebook の AI チームは、人々の嗜好を学習し、ショッピング プロセスを大幅に簡素化できる AI ライフスタイル アシスタントとして機能することで、ショッピングを再定義することを目指した GrokNet と呼ばれるコンピューター ビジョン モデルを開発しました。

買い物をするときに、販売されている商品の種類の多さにイライラしたり、決断できなかったりするのはよくあることです。 Facebook が開発したモデルは、最先端の画像認識モデルを使用して、個人がすでに所有しているアイテムの分析から導き出された個人の好みに基づいて、購入すべき製品を推奨します。 また、オブジェクトの仮想コピーを生成して、そのアイテムが部屋や人の体にどのようにフィットするかを視覚化することもできます。 これから買おうとしている服やアクセサリーを実際に身に着けている自分に気づくでしょう。これは、はるかに良い選択です。 試用室はすぐに不要になる可能性があります。

このアプローチでは、オブジェクト検出器を使用して、画像内の可能性のある製品の周囲のボックスを識別し、各ボックスを既知の製品のリストと照合し、すべての一致を類似性しきい値内に維持します。 画像のカテゴリ、属性、考えられる検索クエリなど、画像のさまざまなプロパティを予測できます。 また、製品認識、視覚検索、視覚的に類似した製品の推奨、ランキング、パーソナライゼーション、価格推奨などのタスクを実行するために使用できる埋め込み（「指紋」など）を予測することもできます。 このモデルは Facebook Marketplace に導入されており、すでにショッピング体験を一新しています。

ユーザーの行動を学習してビジネス プロセス ボットを自動的に作成します。

英国のスタートアップ企業 ZappyAI は、企業内のプロセスを理解し、自動化を自動的に作成するという、かつては困難だった課題に取り組んでいます。 自動化の初期の頃は、プロセス内で以前に行われたことと現在行われていることを結び付ける技術がありませんでした。 自動化ツールには、認知能力を必要とせず、大量のコーディングと構成が必要になります。

AI 駆動型システムは長期記憶を使用して、自動化できるビジネス プロセスを識別します。 実行中のビジネス プロセスに関連する決定とロジックを識別し、組織内の自動化の機会の分析を生成できます。 ZappyAI は、この AI テクノロジーを使用して組織のプロセス分析のバックボーンを実行し、企業がビジネス プロセスを理解してデジタル化するために費やす膨大な手作業の時間を節約する予定です。

小型AI — 消費者向けデバイス上で動作するAI

Google、Amazon、Apple、IBMなどの大手現代テクノロジー企業は、従来は強力なコンピューティングハードウェアが不足していたクラウドサービスとやり取りすることなく、人々の携帯電話やその他の消費者向けデバイスからAIアルゴリズムを直接実行できるようにするテクノロジーを開発しました。 「Tiny AI」と呼ばれるこの技術により、研究者は「知識蒸留」と呼ばれるプロセスを通じて、アルゴリズムの機能やパフォーマンス速度を損なうことなく、既存のAIモデルのサイズを縮小することができる。 このテクノロジーの利点としては、デバイスとクラウド間の通信がないため遅延がゼロになり、プライバシーの問題が少なくなることが挙げられます。

AIの二酸化炭素排出量の削減

ディープラーニング AI モデルのトレーニングに必要な計算能力は膨大です。マサチューセッツ大学 (アマースト) のレポートでは、その結果生じる二酸化炭素排出量は平均で約 626,000 ポンドと推定されています。 これは、平均的なアメリカの自動車がその生涯で排出する二酸化炭素量の5倍に相当します。 この問題は、異なるプロパティとリソースを持つ複数のハードウェア プラットフォームが関係するため、モデルの展開フェーズでさらに深刻になります。

MITの研究者らは、この問題に対処する「All At Once」と呼ばれるネットワークを開発し、従来のモデルによる総排出量の1,300分の1に炭素排出量を削減した。 研究者らは、手動によるネットワーク設計を排除する、比較的最近の AI の進歩である AutoML (自動機械学習) に基づいてシステムを構築しました。 単一の大規模な「OFA」ネットワークが「親」ネットワークとして機能し、「親」ネットワークから散発的にアクティブ化される多数のサブネットワークをネストします。

OFA ネットワークによって学習された重みはすべてのサブネットワークと共有され、その結果、プロセス内でサブネットワークが実質的に事前トレーニングされることになります。 推論時には、各サブネットワークは追加のトレーニングなしで、導出された重みを使用して独立して動作します。