LLMsとヘルスケアのためのジェネレーティブAI

第2章. AIのブラックボックスの中を覗く

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]

大規模言語モデル(LLM)や 生成AIツールがヘルスケア・アプリケーションにフィルターリングされるにつれ、複雑で不透明な要素、つまりこれらのシステムの内部動作を不明瞭に見せる固有の「ブラックボックス」性がもたらされる。このことは、LLMの利用を考えている臨床医や医療リーダーに当然の疑問を投げかける。これらのAIシステムは一体どのようにして臨床能力を開発するのだろうか？トレーニングの舞台裏では何が行われているのか？このような新しいツールのブラックボックス的な性質は、LLMの推奨や思考プロセスを、医療やヘルスケアに本格的に利用するにはあまりに不可解なものにしてしまうのだろうか？

第2章では、今日のニュースを賑わしているAIシステムの中身に迫る。トランスフォーマー、自己注意メカニズム、ニューラルネットワーク、その他の技術要素が、ヘルスケア知識をどのように摂取し、推論能力をどのように発達させるかを論じる。各要素の背後にある数学の完全な説明は一般的な読者のニーズを超えるが、LLMがどのように機能するかについてわかりやすく説明する。ブラックボックスの内部を覗き見ることで、「魔法」という概念を払拭し、不透明さが残る中でも、責任あるAIの導入を手の届くところにもたらす。

LLMと生成AI

機械学習のサブセットであるディープラーニングは、何層ものアルゴリズムを使ってデータを処理し、人間の思考プロセスを模倣する。すべてのディープラーニングシステムはニューラルネットワークで構成されているため、ディープラーニングとニューラルネットワークという用語は同じ意味で使われている。ニューラルネットワークの概念は、AIを進歩させる画期的なものだ。これは、人間の脳における生物学的ニューロンの働きから着想を得ている。¹ ディープラーニングを使用するLLMでは、情報は各層を通過し、前の層の出力が次の層の入力となる。ネットワークの最初の層は入力層と呼ばれ、最後の層は出力層と呼ばれる。各層は通常、単純なアルゴリズムである。iPhoneやアンドロイド携帯の顔認識や、Google検索でオブジェクトを視覚的に認識して検索するのに使われている基礎技術は、ディープラーニングだ。アレクサやSiriのようなツールで人間の音声を理解するには、ニューラルネットワークが必要だ。LLMや生成AIがどのようにして誕生したのか、AIの歴史を簡単に見てみよう。

1970年代、最初のAIの冬が到来し、AIへの資金と関心が低下した。この資金不足の影響により、ディープラーニングもAI研究も制限された。幸いなことに、資金がなくても研究を続ける個人もいた。さまざまな楽観的すぎる個人や組織が、AIの「即座の」可能性を誇張していたのだ。

AIとディープラーニングが次に大きく進化したのは1999年頃で、コンピュータのデータ処理が高速化し始め、ディープラーニングモデルを実行する方法としてGPU（グラフィカル・プロセッシング・ユニット）が導入され、発見された。GPUが画像を処理することで、より高速な処理が可能となり、計算速度が向上した。この時期にニューラルネットワークが有用となり、その用途と価値が高まった。

2011年までにGPUの速度は大幅に向上し、2012年にはGoogle Brainが、ラベルのないデータを与えられたニューラルネットワークが、繰り返しパターンを見つけるというプロジェクトの結果を発表した。 ...