人工知能 (AI)

人工知能とは

人工知能 (AI) とは、マシンやシステムによって表される人間のような行動を広く指します。AIの最も基本的な形態では、過去の同じような行動の例から得た広範なデータを使用して、人間の行動を「模倣」するようにコンピューターがプログラムされます。その範囲は、猫と鳥の違いの認識から製造施設における複雑なアクティビティの実行まで多岐にわたります。

人工知能の詳細

ディープラーニング、戦略的思考、または別の種類のAIのどれについて話す場合でも、その使用の基本となるのは、瞬時の応答が必要な状況です。AIを導入すれば、マシンを効率的に動作させて膨大なデータを瞬時に分析し、教師あり学習、教師なし学習、または強化学習で問題を解決できます。

 

AIの黎明期

その初期の形式では人間とチェスで対戦させるなど、コンピューターにゲームをさせることができる程度でしたが、AIは今や私たちの日常生活の一部となっており、品質管理、動画分析、音声テキスト化 (自然言語処理)、自動運転、さらには医療、製造、金融サービス、エンターテインメントなどの分野でAIソリューションが活用されています。

関連するHPEのソリューション、製品、サービス

多くの企業と組織にとって強力なツール

AIは、大量のデータを生成する大企業と顧客との電話を効率的に処理する必要がある小規模組織の両方にとって非常に強力なツールになる可能性があります。AIは、ビジネスプロセスを合理化したり、より迅速にタスクを完了させたり、ヒューマンエラーをなくしたりすることができます。

 

 

エッジのAI

エッジでデータを活用して有益な情報を取得することにより、AIの新たなフロンティアを切り拓いているHPEは、お客様がデータからより迅速に価値を引き出して、イノベーション、成長、および成功の限りない機会を活かすことができるよう、自動化、予測、制御を支えるリアルタイム分析AIで成功を実現しています。

AIの簡単な歴史

1949年より前のコンピューターは、コマンドを実行することはできましたが、それらのコマンドを保存する能力がなかったため、何を実行したのかを記憶することはできませんでした。そして1950年には、Alan Turing氏が自身の著書である『計算する機械と知性』の中でインテリジェントなマシンを構築してそのインテリジェンスをテストする方法を解説し、その5年後には、Dartmouth Summer Research Project on Artificial Intelligence (DSPRAI) で世界初のAIプログラムが発表されましたが、このイベントはその後数十年にわたるAI研究のきっかけとなりました。

コンピューターは、1957年から1974年の間に高速化と低価格化が進んで身近なものとなりました。そして機械学習アルゴリズムのパフォーマンスが向上し、1970年には、DSPRAIの主催者の1人がライフ誌の中で3~8年後に平均的な人間の一般的知能を持つマシンが登場するだろうと語りましたが、こうした成功にかかわらず、作成した情報をコンピューターで効率的に保存したり、迅速に処理したりできないことがその後10年間のAIの追求を妨げる要因となりました。

AIは、アルゴリズムツールキットやより専門的なファンドの拡大とともに1980年代に復活し、John Hopefield氏とDavid Rumelhart氏によってコンピューターが経験から学習できる「ディープラーニング」手法が取り入れられました。また、Edward Feigenbaum氏によって人間の意思決定を模倣する「エキスパートシステム」が導入されました。政府による資金提供や大々的な情報の発信などがなかったにもかかわらず、AIはその後の20年で発展を遂げて数多くの大きな目標を達成し、1997年には、チェスをするコンピュータープログラムであるIBM社のDeep Blueが、世界チャンピオンであり、グランドマスターとしてチェス界に君臨していたGary Kasparov氏に勝利しました。さらに同じ年にDragon Systems社が開発した音声認識ソフトウェアがWindowsに実装され、Cynthia Breazeal氏も感情を認識して表すことができるロボットであるKismetを開発しました。

そして2016年には、Google社のAlphaGoプログラムが囲碁のプロ棋士であるLee Se-dol氏に勝利し、2017年には、ポーカーをするスーパーコンピューターであるLibratusが最も優れた人間のプレーヤーを打ち負かしました。

 

AIのタイプ

AIは、機能をベースとするAIと能力をベースとするAIという2つの主要なカテゴリに分類されます。

 

機能ベース

  • リアクティブマシン - このAIには記憶能力と過去のアクションから学習する能力がありません。IBM社のDeep Blueがこのカテゴリに該当します。
  • 制限理論 - 記憶を追加することにより、このAIは過去の情報を使用してより的確な判断を下します。GPS位置アプリケーションなどの一般的なアプリケーションがこのカテゴリに該当します。
  • 心の理論 - このAIはまだ開発中ですが、人間の心を非常に深く理解することを目標としています。
  • 自我を持つAI - 人間だけでなく、自らの感情も理解して呼び起こすことができるこのAIは、今もなお仮説的なものでしかありません。

能力ベース

  • 特化型人工知能 (ANI) - プログラムされた狭義のタスクを実行するシステムです。このAIはリアクティブと制限記憶両方の要素を兼ね備えており、今日のAIアプリケーションの大部分はこのカテゴリに該当します。
  • 汎用人工知能 (AGI) - このAIは、人間のようなトレーニング、学習、理解、および実行能力を備えています。
  • 超人工知能 (ASI) - このAIは、卓越したデータ処理、記憶、および意思決定機能を備えており、人間より的確にタスクを実行します。現在のところ、こうしたAIの実例はありません。

 

AI、機械学習、ディープラーニングの関係

AIは、マシンで人間の知能を模倣しようとするコンピューターサイエンスの1つの分野です。AIシステムはアルゴリズムに支えられており、機械学習やディープラーニングなどの手法を使用して「インテリジェントな」行動を示します。

 

機械学習

コンピューターは、搭載されているソフトウェアが以前の結果に基づいて正確に予測を行い、次々に展開されるシナリオに対応できる場合に「学習」します。機械学習は、コンピューターがパターン認識を発展させるプロセス、またはデータから継続的に学習するとともにデータに基づいて予測を行える機能を指し、特別にプログラムされていなくても、調整を加えてそのようなアクションを実行できます。AIの一種である機械学習は、分析モデルの構築プロセスを効果的に自動化し、マシンが単独で新しいシナリオに適応できるようにします。

機械学習モデルは、次の4つのステップで構築されます。
1. 問題の解決に必要なトレーニングデータセットを選択して用意する。このようなデータは、ラベルが付いていることもあれば付いていないこともあります。
2. トレーニングデータで実行するアルゴリズムを選択する。

  • データにラベルが付いている場合、アルゴリズムは回帰、決定木、またはインスタンスベースになります。
  • データにラベルが付いていない場合、アルゴリズムはクラスタリングアルゴリズム、アソシエーションアルゴリズム、またはニューラルネットワークになります。

3. アルゴリズムをトレーニングしてモデルを作成する。
4. モデルを使用して改善する。

機械学習には3つの手法がありますが、「教師あり」学習ではラベルありデータが使用され、トレーニングが少なくて済みます。「教師なし」学習は、パターンと関係を特定してラベルなしデータを分類するために使用されます。「半教師あり」学習は、小さいラベルありデータセットを使用して大きいラベルなしデータセットの分類をサポートします。

 

ディープラーニング

ディープラーニングは機械学習の一部であり、これまで開発されてきたいくつかの機械学習のアプローチを大幅に上回るパフォーマンスを備えていることが実証されています。ディープラーニングは、多層の人工ニューラルネットワーク、および人間の脳の動きに関する最新の解釈から発想を得たデータとコンピュート中心のトレーニングを組み合わせて活用します。このアプローチは、画像や音声の認識や自然言語の処理など、多くの分野で人間の能力を上回り始めており、非常に有用になっています。

ディープラーニングモデルは膨大なデータを処理し、一般的には教師なしか半教師ありに分類されます。

 

最新のAIアプリケーションを導入してデータを有効活用し、効率と競争力を向上させる

数世紀にわたる理論化、数十年にわたる研究、そして数年にわたる情報の発信を経て、AIはついに1つの機能として広く利用されることになる企業に導入され始めました。最近実施された業界調査では、回答者の50%がAIイニシアチブをすでに展開しているか、概念実証段階のAIイニシアチブがあるか、来年のうちにAIイニシアチブを展開する予定であると述べています。%E3%80%8E%E3%82%A8%E3%83%B3%E3%82%BF%E3%83%BC%E3%83%97%E3%83%A9%E3%82%A4%E3%82%BAAI%E3%82%AC%E3%82%A4%E3%83%89%3A%20%E3%83%A6%E3%83%BC%E3%82%B9%E3%82%B1%E3%83%BC%E3%82%B9%E3%81%A8%E5%B0%8E%E5%85%A5%E3%81%AE%E4%B8%BB%E3%81%AA%E9%9A%9C%E5%AE%B3%E3%81%AE%E5%85%8B%E6%9C%8D%E3%80%8F%E3%80%81451%20Research%20Pathfinder%E3%83%AC%E3%83%9D%E3%83%BC%E3%83%88%E3%80%812019%E5%B9%B47%E6%9C%88%E3%80%82

 

エンタープライズAIの導入が加速している理由

最近のアルゴリズムの進化、デジタルデータセットの普及、そして (処理能力の向上と価格の低下といった) コンピューティングの改善が相まって、エンタープライズ対応の新しいAIテクノロジーが生み出されています。ほぼすべての組織は、増え続ける膨大なデータ資産を抱えています。AIは、こうしたリソースを適切に分析する手段を提供します。

またAIは今後、デジタルトランスフォーメーションプロセスの基盤として企業に欠かせない要素になります。AIは、顧客サービスの運用や物理およびサイバーセキュリティシステムからR&D機能、ビジネス分析プロセスに至るまで、ほぼすべてのビジネスプロセスの効率と有益な情報を最適化できる、汎用性の高いテクノロジーです。

 

今日のAIの用途

AIには、結果に至るまでのプロセスではなく、どのような結果が得られるのかを定義することが可能な場合にデータから意味を抽出できる他にはない能力があります。そしてAIは、人間の能力を高めるとともに、指数関数的に増加するデータを有益な情報、アクション、および価値に変えることができます。

今日では、AIは医療、製造、政府機関といった業界において、さまざまな用途で使用されています。いくつかの具体的なユースケースとしては、次のようなものがあります。

  • 処方的メンテナンスと品質管理では、IT/OT向けのオープンフレームワークを使用して生産、製造、および小売の成果を向上させます。統合ソリューションが、エンタープライズAIベースのコンピュータービジョンの手法を実装することにより、メンテナンスに関する最善の判断を下したり、アクションを自動化したり、品質管理プロセスを強化したりします。
  • 音声および言語処理では、構造化されていない音声データを有益な情報とインテリジェンスに変え、自然言語処理、音声テキスト化分析、生体認証検査、またはライブ通話監視を使用して、マシンによる話し言葉と書き言葉の理解を自動化します。
  • 映像分析および監視は、映像を自動的に分析してイベントを検出したり、身元や環境を明らかにしたり、人を見つけたり、運用に関する有益な情報を取得したりし、幅広いワークロードや稼働状態でエッジからコアまでの映像分析システムを使用します。
  • 高度自動運転では、開発者がオープンソースサービス、機械学習、およびディープラーニングニューラルネットワーク向けに調整された最適な高度自動運転ソリューションを構築できる、スケールアウト型のデータ取り込みプラットフォームがベースとなります。

 

適切なAIパートナーを見つけることの価値

エンタープライズAIの導入の計画を立てるにあたっては、組織のAIの現状を理解し、短期的な目標と長期的な目標を達成するまでの過程でサポートを提供してくれるパートナーを見つけることがきわめて重要です。

適切なパートナーと連携することにより、企業は自社が持つすべてのデータの価値を引き出してビジネストランスフォーメーションとビジネスの成長を実現できます。これに関しては、以下を提供できるパートナーを探すようにしてください。

  • 複雑性を軽減し、既存のインフラストラクチャとの統合をサポートするエンドツーエンドのソリューション
  • アドバイザリおよびプロフェッショナルサービス
  • チームの場所、アクセスのニーズ、セキュリティ、コストの制約を考慮した、オンプレミス、クラウド、およびハイブリッドオプション
  • 現在と将来のニーズに合わせて拡張できるシステム
  • 業界に固有のソリューションを提供する、知識が豊富なパートナーのエコシステム

 

規模を問わずオンデマンドで有益な情報を提供するHPEのAI

ビジネスを変革するには、プロアクティブな制御、処方的メンテナンス、自律的なプロセス、および画期的な分析を実現するリアルタイム分析AIが必要です。インテリジェントエッジのAIにより、企業はデータから迅速に価値を引き出し、イノベーションと成長の限りない機会を得ることができます。

HPEは、多くの組織と連携してAIの新たなフロンティアでデータを最大限に活用し、必要なタイミング、場所、方法でエッジの有益な情報を役立てています。

 

AIでHPEが選ばれる理由

HPEをAIパートナーに選んだお客様は、以下を活用できます。

 

AIテクノロジーのリーダーシップとイノベーション

HPEの成果ベースのソリューションはAI専用であり、インテリジェントエッジを念頭に置いた専門的な設計となっています。

  • 幅広いHPEのハードウェアとソフトウェア
  • コンテナオーケストレーション、データ管理、およびデータファブリック用のHPE Ezmeralソフトウェアポートフォリオ
  • Arubaエッジサービスプラットフォーム

 

AIの専門知識

高度な専門知識と実績に基づくサービスと展開モデルには、次のようなものがあります。

  • HPE Pointnextのアドバイザリおよびオペレーショナルサービス
  • HPEファイナンシャルサービスの各種オプション
  • HPE GreenLakeの展開および消費モデル
  • エッジでのAIの導入を開始するためのHPE IoTトランスフォーメーションワークショップ

 

AIにおける高い競争力

HPEの強みはお客様のビジネスにメリットをもたらし、以下の実現に貢献します。

  • 自動化、予測、および制御をサポートするリアルタイム分析機能によるエッジの活用
  • エッジにおける新たな価値、ビジネス機会、モデル、およびカスタマー・エクスペリエンスの創出
  • 効率を大幅に向上させて有益な情報を得るまでの時間を短縮する、ITおよび運用テクノロジー (OT) の連携

 

複数の業界で活用されるHPEのAI

HPEのAIは、あらゆる業界の企業が専用のテクノロジーでエッジの有益な情報を引き出せるようサポートします。現在では、多くの組織が接続、自律化、膨大なデータの管理、および時間的制約のあるイベントでエッジのAIを使用できるようにしており、診療所、研究室、倉庫、企業などでのユースケースとしては、自然言語処理 (NLP)、映像分析、品質保証 (QA)、監視、セキュリティ、顧客感情分析といったものが挙げられます。

医療および生命科学業界の組織は、HPEのAIを使用して医療に関する有益な情報を引き出し、エッジで新たなレベルのケアを実現しています。これらの業界のユースケースは、ウェアラブルヘルスモニタリングやオーダーメイド医療、健康医療、コネクテッドヘルスまで多岐にわたります。またエッジのAIは、分散型検出のためのスウォームラーニング、さらには医学研究を推進したり、科学の大きな進歩を実現したりするためのその他の用途でも使用されています。

製造業界では、HPEのAIはエッジにおける生産性の向上と全体的な機器の効率化に貢献しており、そのユースケースとしては、インテリジェントな運用、サプライチェーン内の資産とプロセスの予測分析、AIによるシミュレーションなどが挙げられます。

 

AI、機械学習、ディープラーニングの関係

AIは、マシンで人間の知能を模倣しようとするコンピューターサイエンスの1つの分野です。AIシステムはアルゴリズムに支えられており、機械学習やディープラーニングなどの手法を使用して「インテリジェントな」行動を示します。

 

機械学習
コンピューターは、搭載されているソフトウェアが以前の結果に基づいて正確に予測を行い、次々に展開されるシナリオに対応できる場合に「学習」します。機械学習は、コンピューターがパターン認識を発展させるプロセス、またはデータから継続的に学習するとともにデータに基づいて予測を行える機能を指し、特別にプログラムされていなくても、調整を加えてそのようなアクションを実行できます。AIの一種である機械学習は、分析モデルの構築プロセスを効果的に自動化し、マシンが単独で新しいシナリオに適応できるようにします。

機械学習モデルは、次の4つのステップで構築されます。
1. 問題の解決に必要なトレーニングデータセットを選択して用意する。このようなデータは、ラベルが付いていることもあれば付いていないこともあります。
2. トレーニングデータで実行するアルゴリズムを選択する。

  • データにラベルが付いている場合、アルゴリズムは回帰、決定木、またはインスタンスベースになります。
  • データにラベルが付いていない場合、アルゴリズムはクラスタリングアルゴリズム、アソシエーションアルゴリズム、またはニューラルネットワークになります。

3. アルゴリズムをトレーニングしてモデルを作成する。
4. モデルを使用して改善する。

機械学習には3つの手法がありますが、「教師あり」学習ではラベルありデータが使用され、トレーニングが少なくて済みます。「教師なし」学習は、パターンと関係を特定してラベルなしデータを分類するために使用されます。「半教師あり」学習は、小さいラベルありデータセットを使用して大きいラベルなしデータセットの分類をサポートします。

 

ディープラーニング
ディープラーニングは機械学習の一部であり、これまで開発されてきたいくつかの機械学習のアプローチを大幅に上回るパフォーマンスを備えていることが実証されています。ディープラーニングは、多層の人工ニューラルネットワーク、および人間の脳の動きに関する最新の解釈から発想を得たデータとコンピュート中心のトレーニングを組み合わせて活用します。このアプローチは、画像や音声の認識や自然言語の処理など、多くの分野で人間の能力を上回り始めており、非常に有用になっています。

ディープラーニングモデルは膨大なデータを処理し、一般的には教師なしか半教師ありに分類されます。