AIが本当に成功する方法

[[412385]]

人工知能は現在、特に自動運転車でより広く深く活用されています。人工知能を使用してコードを記述し、Googleチップのフロアプランを設計することは、人々の人工知能への信頼を示すこともできます。

AI に関する誇大宣伝の一部は単なる誇大宣伝に過ぎないことが多いため、多くの企業が AI で実際に成功していることを忘れがちです。ここで私たちが話しているのは、人工知能を使った「完全自動運転」のテスラの継続的なマーケティングについてではない。業界アナリストのベネディクト・エバンス氏は、「自動運転は実際には完全な自動運転ではない」と指摘している。

最近の調査によると、人工知能が機能するためには、企業は十分な資金と良質なデータの両方を必要とするだろう。これらの要素が整っていると仮定すると、AI が人々の生活の向上に前進している分野、つまり AI の応用が単なるマーケティングや誇大宣伝にとどまらない分野をいくつか見ることができます。

人工知能によるコード作成

機械知能を通じて人間の生産性を高める最近の最も目立った実験は、GitHub の Copilot です。スマートフォン（または Gmail など）が入力時に単語やフレーズを推奨するのと同様に、Copilot は使用するコード行や関数を推奨することで開発者を支援します。 Copilot は、GitHub 上の何十億行ものコードでトレーニングされており、開発者がより少ないコードでより良いコードを書けるようにすることで、生産性の向上を約束します。

Copilot が機能するかどうかはまだわかりませんが、必ず機能するとは言い切れません。しかし、多くの開発者が急いでこれを試し、その開発の可能性を称賛しています。しかし、業界関係者の間では、Copilot によって生成されたコードが正しいと期待すべきではないという懸念もあります。一方、このタイプのアプリケーションはまだ初期段階にあり、初期データセットを超えたトレーニングはほとんど行われていません。より多くの人が Copilot を使用し、強化学習の推奨事項の使用方法を学ぶにつれて、推奨事項は改善されるはずです。ただし、どのコード セグメントを使用するか、またそれをどのように使用するかについては、まだ決定する必要があります。セキュリティ上の理由から、Copilot を使用して生成されたコードにも注意する必要があります。

著作権やオープンソースに関する懸念もあります。これは理論的には良いように思えると考える人もいますが、開発者がコードを書く習慣に戻ると、こうした懸念は消えていきます。重要なのは、開発者が Copilot のコード提案を実際のプログラミング シナリオで役立つと感じるかどうかであり、それが実際に可能であるという事実ではありません。人工知能は単に人間の創造性を高めるものであり、人間に取って代わるものではありません。

真の自動運転

もちろん、自動運転車の現状は、完全に自律的ではないが、より多くの作業を引き受けることによってドライバーを支援することができる。自動運転車は、故障する可能性のある GPS に依存しているため、多少の障害となる可能性があります。しかし、サイエンス・ロボティクス誌で説明されているように、カリフォルニア工科大学の科学者たちは、視覚的な地形依存ナビゲーションのために季節に依存しない深度変換技術を開発した。つまり、自動車などの自律システムは、周囲の地形が雪、落ち葉、草などで覆われているかどうかに基づいて、自分の位置を判断できるのです。

現在のアプローチでは、地図/地形データが車両が「見る」地形とほぼ正確に一致する必要がありますが、大雪やその他の要因によりこれが妨げられる可能性があります。カリフォルニア工科大学の科学者たちは、自己教師あり学習と呼ばれる異なるアプローチを採用した。ほとんどのコンピューター ビジョン戦略では、大規模なデータ セットをキュレートしてアルゴリズムに見たものを認識する方法を教える人間の注釈者に依存していますが、この戦略ではアルゴリズムが独自に学習します。 AI は、人間が見逃す可能性のある詳細や特徴を抽出して、画像内のパターンを探します。このディープラーニングのアプローチを使用することで、科学者は機械が周囲の世界を認識し、反応する方法を改善する非常に正確な方法を生み出しました。

しかし、車の周囲にある物体は車である可能性が高いため、カリフォルニア工科大学が採用したアプローチは役に立たないかもしれない。しかし、フロリダ・アトランティック大学工学・コンピュータサイエンス学部の科学者による新たな研究は、人間のドライバーの感情から学び、それに応じて運転スタイルを変えることを目指している。この特許取得済みの新しい方法はまだ誰も使用していませんが、自動運転の安全性と信頼性に対する新しいアプローチを示唆しています。

信頼の問題

これらはすべてまだ多少推測の域を出ないが、Google はチップ設計で一定の成功を収めている。 Nature で説明されているように、Google のエンジニアは、人工知能を使用してコンピューター チップの物理的なレイアウトを設計するという、チップ レイアウト計画に対する新しいアプローチを採用しました。エンジニアは何十年もこの作業を自動化しようと試みてきましたが、成功していません。しかし、Google のチップ設計者は機械学習を活用して、チップのフロアプランニングを強化学習の問題としてアプローチする方法の開発に数か月を費やし、チップの豊富で転送可能な表現を学習できるエッジベースのグラフ畳み込みニューラル ネットワーク アーキテクチャを開発しました。

これを実現するために、Google のエンジニアは 10,000 個のチップからなるフロアプランのセットを使用して AI エージェントを事前トレーニングしました。次に、エンジニアが指摘するように、強化学習技術を使用して、人工エージェントは過去の成功から「学習」し、次に配置するブロックを決定します。フロアプランニングの任意のステップで、トレーニングされたエージェントは、これまでに構築した部分的なフロアプランを含むチップの開発の「状態」を評価し、学習した戦略を適用して、次のマクロブロックを配置する場所など、最適なアクションを決定します。

これは印象的な動きだが、さらに印象的なのは、これが現在 Google で生産に使用されていることだ。つまり、Google は自社の AI 技術が開発に貢献したチップレイアウトマップを信頼しているということだ。

IBM も UQ360 と呼ばれる同様のプロジェクトを開発しました。人工知能が直面している課題の一つは、人々がその結果を信頼したがらないことだ。データ駆動型であることは重要ですが、人々がそのデータや機械がそのデータを使って何を行うかを完全に信頼していなければ、AI を信頼することは不可能です。 UQ360 は、データ サイエンスの専門家や開発者に、AI の透明性の一般的な実践として機械学習モデルの不確実性を推定、評価、改善、伝達するプロセスを簡素化する高度なアルゴリズムへのアクセスを提供する、Python パッケージを備えたオープン ソース ツールキットです。

つまり、AI がやろうとしていることを企業がどの程度信頼しているかを AI を使って推定するのです。

これは大きな前進であり、増加する AI アプリケーションに対する人々の信頼を高めることになります。ロボットが人間の仕事を奪うと言われて何年も経っているにもかかわらず、人工知能はユーザーの興味と購入機会を一致させることがまだ苦手です。人工知能のいくつかの応用は現実のものとなりつつあるので、誇大宣伝する必要はありません。