ビジネス向け生成AI

第1章. AIの可能性

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：[e-mail]

企業は、顧客ベースと市場リーチを拡大すると同時に、経費を削減し利益を上げるための新しい方法を模索している。テクノロジー、特にジェネレーティブAIは、そのような結果をもたらす1つの方法である。多くの企業はAIがその答えであることを知っているが、何から始めればいいのか、安全に行うにはどうすればいいのか、費用対効果の高いスケールはどうすればいいのかわからない。

結局のところ、AI戦略の実装には特有の課題がある。近代史上初めて、最新の先端技術が技術者にも非技術者にも手頃な価格で提供されるようになった。技術革新のスピードは、技術革新のサイクルを数年から数ヶ月、いや数週間に圧縮した。この超高速化には多くのプラス面もあるが、投資や演算子が陳腐化するリスクはかつてないほど高まっている。

本レポートは、リスクをコントロールしながらジェネレーティブAIから価値を得る方法をビジネスオーディエンスに理解してもらうことを目的としている。リスク性管理は、AIを本番稼動させるために必要なものであり、官僚的なイノベーションの阻害要因と見なすべきではない。テクノロジーとその仕組みについて深く掘り下げた後、信頼、投資収益率（ROI）、組織改革、チームビルディングといった主要な障壁を探り、最後にジェネレーティブAIゲームで勝利するための実践的なステップを紹介する。

ジェネレーティブAIの進化

ジェネレーティブAIは、ニューラルネットワークベースのマシンラーニング（ML）を進化させたものだ。アルゴリズムと統計モデルを使ってデータのパターンを分析し、推論を行う。MLの基礎は、1950年代のコンピュータ科学者アラン・チューリングに遡る。機械学習という言葉は、IBMに在籍していたアーサー・サミュエルによって作られたもので、最初の実装はチェッカーの学習とプレイに使われた。このアプローチを伝統的なMLと呼ぶことにする。

以下は、あなたが理解すべき伝統的なMLの概念である：

• トレーニングとは、大量のラベル付きデータを与えてモデルを学習させ、パターンを学習させて内部パラメータを調整するプロセスを指す。

• 推論とは、学習されたパターンを適用して出力を生成することで、新しい未知のデータに対して予測を行うために学習済みモデルを使用することである。

機械が人間のようにタスクをこなすようになったのは、2010年代初頭、人工ニューラルネットワークを使って非構造化データから学習するようにコンピューターに教えるMLの一種であるディープラーニングが開発されてからのことだ。膨大な量の非構造化データで事前学習されたモデルは、大規模言語モデル（LLM）または基盤モデル（FM）として知られている。何が技術的にAIとMLなのかについては議論が続いているが、本レポートでは現在受け入れられている定義を採用し、AIとしてまとめている。

現代AIの最新世代はジェネレーティブAI（GenAI）であり、2018年のGoogleの論文「Attention Is All You Need」で初めて説明され、エンコーディング-デコーダーアーキテクチャを用いたトランスフォーマーニューラルネットワークの概念が紹介された。エンコーディングは入力テキストを受け取り、圧縮された表現に変換し、入力の本質的な意味を捉える。一方、デコーダーはエンコードされた情報を受け取り、望ましい出力テキストを生成し、基本的にエンコードされた意味を人間の言語に翻訳する。エンコーダーは入力を「理解」し、デコーダーはその理解に基づいて出力を「プロデュース」する。 ...