1. ガートナー: 2018 年から 2020 年までの AI 成熟度曲線の概要

最近、世界的に有名なテクノロジー調査・分析会社であるガートナーが、「2020 年人工知能テクノロジー成熟度曲線レポート (Hype Cycle for Artificial Intelligence, 2020)」を発表しました。

人工知能の分野はますます強力になってきているのでしょうか?それともまだかなり「遅れている」のでしょうか?

過去 3 年間の Gartner のレポートを比較すると、非常に興味深いことがわかります。一部のテクノロジは徐々に時代遅れになり、廃止され、一部のテクノロジはまだ停滞しており、一部のテクノロジは非常に急速に進歩しています。

東方林宇はまず、2018年から2020年までの成熟曲線をリストアップして、皆さんの視力をテストします。

1. 2020 年の人工知能のハイプ サイクル (Hype Cycle for Artificial Intelligence, 2020) は次のとおりです。

AI成熟度曲線 2020

2. 2019 年人工知能技術成熟度曲線レポート (人工知能のハイプ サイクル、2019) は、以下のとおりです。

AI 成熟度曲線 2019

3. 2018 年の人工知能のハイプ サイクル (Hype Cycle for Artificial Intelligence, 2018) は次のとおりです。

AI 成熟度曲線 2018

2. 近年の人工知能分野における注目技術の紹介

強化学習、生成的敵対的ネットワーク (GAN)、転移学習、グラフ学習、自己教師あり学習、連合学習…

近年、人工知能の分野ではさまざまな新しい技術が登場しており、その対応には目が回ったり疲れたりするほどです...

ディープラーニングの分野を例にとると、近年の主な進歩は次のようになります。

2012: AlexNet と Dropout メソッドを適用して ImageNet を処理します。

2013: 深層強化学習を使用して Atari ゲームをプレイします。

2014: 「注意」と Adam オプティマイザーを備えたエンコーダー/デコーダー ネットワーク。

2014/2015: 生成的敵対ネットワーク (GAN)

2015: 残差ネットワーク (ResNet);

2017: トランスフォーマーモデル;

2018: BERT と NLP モデルの微調整。

2019/2020 以降: BIG 言語モデル、GPT-3 言語モデル、自己教師学習…

2020 年後半、人工知能分野における画期的な革命的技術である GPT-3 言語モデルが、デビューすると同時にピークに達しました。

これは一体何の「ブラックテクノロジー」なのでしょうか？

簡単に言えば、これは OpenAI が大々的に発表した 1,750 億のパラメータを持つ自己回帰言語モデルです。

GPT-3 は人工知能の分野に新たな革命をもたらしました。

パラメータ数で言えば、当時世界最大のディープラーニングモデルであったTuring NLPの10倍に相当します。

機能面では、質問に答えたり、翻訳したり、記事を書いたりすることができ、数学的な計算機能も備えています。

AIの専門家がGPT-3について語ったとき、彼らは次のようにコメントしました。 「生命、宇宙、そしてすべてのものに対する答えは、たった4兆3980億のパラメータです。」 ——なんてクールな答えでしょう。

下の図をご覧ください。GPT モデルの助けを借りて、左端の列は入力された半分の画像、中央の 4 つの列は自動的に完成された画像、右端の列は元の画像です。

GPTモデルは遮蔽された画像を認識する

最も衝撃的なのは、GPT3 が特別なトレーニングなしでこれらのタスクを完了できることです。

結論としては、使用した人は皆、良いと言うことです。

技術の進歩には終わりがない。

3. ナレッジグラフ技術の典型的な導入

本稿では、2018年から2020年までの人工知能技術成熟度曲線レポートと比較して、最も急速に成長している技術の1つであり、そのシナリオ価値が広く検証されているナレッジグラフ技術に焦点を当てています。

このレポートに基づいて、まずこのテクノロジーに関する分析を行うことができます。

ナレッジ グラフ テクノロジーは、構造化されていないデータ内の高次の相関関係をより適切に明らかにする能力を実証しているため、高く評価されています。

ナレッジ グラフは、一般ナレッジ グラフと業界ナレッジ グラフに分けられます。

ナレッジ グラフの基盤レイヤーでは、自然言語処理 (NLP) と関連するテキスト分析テクノロジが使用されます。ナレッジ グラフは、非構造化リソース分析から抽出されたデータを保存するのに非常に適しています。また、構造とコンテンツを暗黙的に提供するメタデータを含む構造化データを保存し、さまざまなユースケースの処理をサポートする情報をエンコードすることもできます。

Gartner が推奨しているように、IT リーダーは、特にデータがさまざまなソースや形式から取得される場合、ナレッジ グラフをエンティティとその関係に関するデータを保存するデータベースとして考える必要があります。たとえば、コンテンツ サービス プラットフォーム内のドキュメント、データ ソース内の更新、ビデオ内のオーディオ、データベース内のテーブルなどです。

データと分析を担当する IT リーダーは、データと分析のガバナンスと管理にナレッジ グラフを組み込む必要があります。データ サイロの継続を防ぐために、複数のナレッジ グラフを相互運用する方法を研究して確立する必要があります。

ガートナーは、ナレッジグラフが以下の分野に適用されていると指摘しています。

1. デジタルワークプレイス（コラボレーション、共有、洞察など）

2. 自動化。たとえば、コンテンツから RPA へのデータ抽出など。

3. 機械学習をサポートします。たとえば、トレーニング データの強化などです。

4. データ分析。例えば、拡張分析、特にビジネスインテリジェンスの文脈における拡張分析レポートとサイバーセキュリティ。

5. デジタルコマース（例：製品情報の管理や推奨など）

6. データ管理。たとえば、メタデータ管理、データ カタログ、データ構造など。

一般知識グラフは主に百科事典の知識に基づいており、知識の幅広さを重視しています。データソースは一般に比較的単一です。たとえば、私たちがよく使用する検索エンジンは一般知識グラフです。

業界ナレッジグラフは、専門分野向けの独自アプリケーションです。金融、電力、公安など、各業界の知識に基づいて構築されており、知識の深さと豊富なデータソースが特徴です。したがって、業界ナレッジグラフは、さまざまな垂直分野のセグメント化されたシナリオの価値をより明確に強調できます。

金融ナレッジグラフを例にとると、グラフィカルモデルを用いて知識の関係を記述し、エンティティをモデル化する技術的手法であり、金融​​機関内外のデータから、企業、法人、業界、イベント、製品、金融機関の業務などのエンティティ間の複雑な関係を識別、発見、推論することを目的とした、エンティティ関係の計算可能なモデルです。

[[343342]]

ナレッジグラフチェーンネットワーク

一方では、グラフ関連のコンピューティングとマイニング技術を使用して、リスク管理と監査を強化し、企業、顧客、従業員の公開グラフと個人グラフを構築し、関係特性を包括的に記録し、融資前、融資中、融資後などのアプリケーションシナリオを構築し、リストプールを階層的かつ分類さ​​れた方法で管理し、動的なリスク警告監視を実施して、ナレッジグラフ技術に基づくインテリジェントなリスク管理を実現します。

一方、資金移動などの関係を通じて、顧客同士のマッチングを実現し、インテリジェントなマーケティングリードの推奨を強化することができます。複雑なビジネス関係を管理する能力を効果的に向上させ、ビッグデータ ナレッジ グラフ テクノロジーを使用してマーケティングの機会と潜在的なリスクを迅速に発見します。

デフォルトの顧客モデル

下の図は、ガートナーがリストアップしたエンタープライズ AI 成熟度モデルです。これを参考にして、自社の AI 成熟度がどの段階にあるかを確認できます。

エンタープライズ AI 成熟モデル

業界のナレッジグラフに関して言えば、金融業界は現在最も多くのナレッジグラフを使用している業界です。

iResearch のレポートによると、金融分野における主要なナレッジグラフ ベンダーとプレーヤーは次のとおりです。

金融業界の主流ナレッジグラフベンダー