生成AIとは何か、基盤モデルとは何か、それらが重要な理由とは何か

2022年11月の発売以来、OpenAI社のChatGPTは、生成AIが私たちの生活や仕事のあり方を劇的に変革する可能性を示すことで、消費者と企業リーダーの両方の想像力をかき立てています。ChatGPT が社会に与える影響の範囲が拡大し続ける中、ビジネスや官公庁・自治体の組織は依然として対応を急いでおり、従業員によるこのテクノロジーの使用に関するポリシーを作成したり、 ChatGPTへのアクセスを制限したりしています。

その中で最も賢明なものは、AIを組織に適用する方法を評価し、すでに来ている未来に備えることです。企業の中でも最も先進的な企業は、AIを後から付け加えるものから、AIを中核に据えたクリティカルなワークフローの再構築へと考え方を変えています。

世界の生成AI市場は変曲点を迎えており、2030年までに80億米ドルの評価額、年平均成長率34.6％と推定されています。それまでに8,500万以上の仕事が未処理になると予想されるため、ビジネスリーダーや利害関係者が期待する効率、効果、エクスペリエンスを提供するには、AIとオートメーションを使用してよりインテリジェントなオペレーションを作成する必要があります。

生成AIは、従業員の能力を強化し、企業の生産性を高める魅力的な機会を提供します。しかし、経営幹部が生成AIソリューションを研究するにつれて、さらに多くの疑問が明らかになりました。どのユースケースが自社のビジネスに最大の価値をもたらすのか、などです。どのAIテクノロジーが私のニーズに最も適していますか？安全ですか？それは持続可能でしょうか?どのように統治されているのですか?また、AIプロジェクトを成功させるにはどうすればよいでしょうか。

IBM Consulting、IBM Technology、IBM Researchは、基盤モデルに数年間取り組んできました。IBM Consulting、IBM Technology、IBM Researchは、企業全体にAIを責任を持ってデプロイすることから価値を引き出すために必要なことについて、根拠を持った視点を開発してきました。

その名前が示すように、生成AIは画像、音楽、音声、コード、動画、テキストを生成し、既存のデータを解釈して操作します。生成AIは新しい概念ではなく、生成AIを支える機械学習技術は過去10年間で進化してきました。最新のアプローチは、「トランスフォーマー」と呼ばれるNeural Networksアーキテクチャーに基づいています。Transformerアーキテクチャーと教師なし学習を組み合わせることで、複数のデータ・モダリティーを処理できる既存のベンチマークを上回るパフォーマンスを実現する大規模な基盤モデルが出現しました。

これらの大規模モデルは、より高度で複雑なモデルを開発するための出発点となるため、基礎モデルと呼ばれます。基盤モデルの上に構築することで、特定のユースケースやドメインに合わせた、より専門的で洗練されたモデルを作成できます。GPT-3、BERT、T5、DALL-Eなどのモデルの初期の例では、何が可能なのか（短いプロンプトを入力するだけで、システムがパラメーターに基づいて、レポート全文または複雑な画像を生成するということ）が示されました。

大規模言語モデル（LLM）は、NLPタスク用に大量のテキスト・データで明示的に学習し、通常は1億を超える大量のパラメーターを含んでいます。これらは、さまざまなタスクのための自然言語テキストの処理と生成を容易にします。それぞれのモデルには長所と短所があり、どれを使用するかの選択は、特定のNLPタスクと分析対象のデータの特性によって異なります。特定の仕事に使用する適切なLLMを選択するには、LLMの専門知識が必要です。

BERTは、文中の単語間の双方向の関係を理解するように設計されており、主にタスクの分類、質問応答、named entity recognitionに使用されます。一方、GPTは、主に言語翻訳、要約、コンテンツ作成などのテキスト生成タスクに使用される単方向トランスフォーマー・ベースのモデルです。T5も変換器ベースのモデルですが、BERTやGPTとは異なり、テキスト・トゥ・テキスト・アプローチで学習され、言語翻訳、要約、質問応答など、さまざまな自然言語処理タスクに合わせて微調整が可能です。

大量のデータで事前にトレーニングされたこれらの基盤モデルは、AI開発ライフサイクルの大幅な加速を実現し、企業が特定のユースケースに合わせて微調整に集中できるようにします。ドメインごとにカスタムNLPモデルを構築するのとは対照的に、基盤モデルを使用することで、企業は価値実現までの時間を数カ月から数週間に短縮できます。IBM Consultingは、クライアント・エンゲージメントにおいて、コールセンターのトランスクリプトの要約、レビューの分析など、NLPのユースケースの価値実現までの時間を最大70%短縮しています。

基盤モデルをトレーニングし維持するコストを考慮すると、企業はユースケースに合わせて基盤モデルを組み込んでデプロイする方法を選択する必要があります。コスト、労力、データ・プライバシー、知的財産、セキュリティーなど、ユースケースや意思決定点に特有の考慮事項があります。企業内では、これらの決定ポイントに対してトレードオフを行い、1つまたは複数のデプロイメント・オプションを使用することが可能です。

基盤モデルは、ラベル付け要件を軽減することで、ビジネスにおけるAI導入を劇的に加速させます。これにより、企業はAIを試し、効率的なAI駆動型のオートメーションとアプリケーションを構築し、より幅広いミッションクリティカルな状況にAIをデプロイすることが容易になります。IBM Consultingの目標は、摩擦のないハイブリッドクラウド環境において、基盤モデルの力をすべての企業に提供することです。

詳しくは、生成AIを使用してエクスペリエンス、意思決定、ビジネス価値を最大化する方法、またIBM ConsultingがAIに価値ある責任あるアプローチをもたらす方法をご覧ください。