体験、意思決定、ビジネス価値を最大化するために生成AIを探求する

3部構成のシリーズの第1部では、生成AIとその仕組みについて説明しました。

IBM Consultingは、既存のエンタープライズAIのデプロイメントを生成AIで強化して性能を向上させ、価値実現までの時間を短縮することに具体的なビジネス価値があると考えています。これらのモデルが提供する飛躍的に強化された機能には、次の4つのカテゴリーがあります。

• コールセンターでのやり取り、財務レポートなどの文書、アナリスト記事、Eメール、ニュース、メディア・トレンドなどの例に見られる要約。
• レビュー、知識ベース、製品説明などの例で見られるセマンティック検索。
• テクニカルドキュメント、ユーザー・ストーリー、テスト・ケース、データ、画像の生成、パーソナライズされたUI、ペルソナ、マーケティング・コピーなどの例に見られるコンテンツ作成。
• コード共同作成者、パイプライン、Dockerファイル、Terraformスクリプト、ユーザー・ストーリーのGherkin形式への変換、コードとしての図、アーキテクチャーのアーティファクト、脅威モデル、アプリケーションのコードなどの例に見られるコード作成。

これらの改善により、あらゆる業界が生成AIを使用してコア・プロセスをどのように再構築できるかが簡単にわかります。

主要なユースケースは、単にコストを削減するだけではありません。従業員満足度、顧客の信頼、ビジネスの成長に貢献します。将来を見据えた可能性ではありません。というのは、企業は現在、生成AIを使用して、精度の向上や顧客の苦情に対するほぼリアルタイムの洞察など、急速なビジネス価値を実現して、洞察を発見するまでの時間を減らし、内部監査者がテストと分類の規制コンプライアンスと効率向上を維持する時間を削減しているためです。

これらの初期の事例とその成果は素晴らしいものですが、生成AIソリューションの構築に関わる作業は、次のような潜在的なリスクに細心の注意を払いながら開発される必要があります。

バイアス：他のAIモデルと同様、トレーニング・データはモデルが生成する成果に影響を与えます。基盤モデル（ファウンデーション・モデル）は、インターネットからクロールされたデータの大部分を使用してトレーニングされます。その結果、インターネット・データに本質的に存在するバイアスがトレーニングされたモデルによって採用され、モデルが生成した結果に現れる可能性があります。この影響を軽減する方法はありますが、企業はこのリスクを理解し、対処するために、ガバナンス・メカニズムを導入する必要があります。
不透明さ：また、アルゴリズムのトレーニングの「自己教師あり」の性質により、基盤モデルは完全に監査可能なわけでも透明性があるわけでもありません。
ハルシネーション：LLMは、プロンプトの構文を満たすものの、事実上は不正確な結果である「ハルシネーション」を生み出すことがあります。繰り返しになりますが、企業はこのリスクを軽減するために、強力なガバナンス・メカニズムを導入する必要があります。
知的財産：法的な影響や、潜在的に著作権のある資料でトレーニングされたモデルによって生成されるコンテンツの権利を誰が所有するのかについては、未解決の問題があります。
セキュリティー：これらのモデルは、プロンプト・インジェクション攻撃などのデータおよびセキュリティー・リスクの影響を受けやすくなっています。

生成AIプロジェクトに取り組む際、ビジネス・リーダーは、伴うリスクを軽減するために、強力なAI倫理およびガバナンス・メカニズムを確実に導入する必要があります。IBM Garage方法論を活用することで、IBMは、ビジネスリーダーが各生成AIの取り組みをリスクの高さとアウトプットの正確性について評価できるように支援します。最初の波では、お客様は、出力が人間によってレビューされ、高い精度を必要としない社内の従業員向けのユースケースを優先できます。

生成AIとLLMはAIの分野に新たなハザードをもたらします。また、当社は、これらの新しいソリューションがもたらす疑問に対するすべての答えがあることを主張するものではありません。IBM Consultingは、企業、官公庁・自治体、社会全体とのエンゲージメントにおいて慎重な内省を行い、これらの問題に対する答えを見出す際に多様な視点を確保することをお約束します。

詳細はこちらの3部構成のシリーズについては、第1回または第3回をお読みいただき、専門家にご相談ください。