生成AIと予測AIの違いとは

多くの生成AIツールは予測力を備えているようです。ChatGPTのような対話型AIチャットボットは、曲や詩の次の一節を提案することができます。DALL-EやMidjourneyのようなソフトウェアは、自然言語の説明からオリジナルのアートやリアルな画像を作成できます。GitHub Copilotなどのコード補完ツールでは、次の数行のコードを提案することができます。

しかし、生成AIは予測AIではありません。予測AIは独自クラスの人工知能であり、あまり知られていないアプローチかもしれませんが、企業にとっても強力なツールです。この2つのテクノロジーと、それぞれの主な違いについて見ていきましょう。

生成AI（生成AI）は、音声、画像、ソフトウェア・コード、テキスト、ビデオなどの生成されたオリジナル・コンテンツを使用して、ユーザーのプロンプトやリクエストに応答する人工知能です。

生成AIモデルは、大量の未加工データでトレーニングされています。これらのモデルでは、トレーニング・データに含まれるエンコードされたパターンと関係を利用してユーザーの要求を理解し、元のデータと似たような、しかし完全に同じではない、関連性の高い新しいコンテンツを作成します。

ほとんどの生成AIモデルでは、プロンプトが表示されたときに統計的に確率の高いアウトプットを生成するように「学習」するディープラーニングモデルの一種である基盤モデルから始まります。大規模言語モデル（LLM）はテキスト生成の一般的な基盤モデルですが、コンテンツ生成の種類に応じて他の基盤モデルも存在します。

予測AIは、統計分析と機械学習アルゴリズムを組み合わせて、データ・パターンを見つけ、将来の結果を予測します。過去のデータから洞察を抽出し、最も起こる可能性の高い今後のイベント、成果、傾向について正確に予測します。

予測AIモデルは予測分析の速度と精度を向上させ、通常はビジネス予測に活用して売上を予測し、製品やサービスの需要を見積もり、顧客体験をパーソナライズし、物流を最適化します。つまり、予測AIは、企業がビジネスで取るべき次のステップについて、情報に基づいた意思決定を行うのに役立ちます。

生成AIと予測AIはどちらもAIの一形態ですが、異なるものです。2つのAIテクノロジーの違いは次のとおりです。

生成AIは、何百万ものサンプル・コンテンツを含む大規模なデータセットでトレーニングされます。予測AIは、より小規模でよりターゲットを絞ったデータセットをインプット・データとして使用できます。

どちらのAIシステムも予測要素を用いてアウトプットを生成しますが、生成AIは斬新なコンテンツを作成するのに対し、予測AIは将来の出来事や結果を予測します。

ほとんどの生成AIモデルは、次のアーキテクチャーに依存しています。

• 拡散モデルは、まずトレーニング用データをランダム化して識別不能にするためにデータにノイズを追加します。次に、アルゴリズムをトレーニングして、アルゴリズムでノイズを繰り返し拡散させて、目的の出力を得られるようにします。

• 敵対的生成ネットワーク（GAN）は、新しいコンテンツを生成するジェネレーターと、生成されたコンテンツの精度と品質を評価する識別器の2つのニューラル・ネットワークで構成されています。この2つの敵対的AIアルゴリズムにより、モデルが生成する出力の品質がさらに高まります。

• トランスフォーマーモデルは、注意の概念を使用して、シーケンス内のデータで最も重要なものを決定します。その後、トランスフォーマーはこの自己注意メカニズムを使用して、データ・シーケンス全体を同時に処理し、シーケンス内のデータのコンテキストをキャプチャし、トレーニング・データをデータとそのコンテキストを表す埋め込みまたはハイパーパラメーターにエンコードします。

• 変分オートエンコーダー（VAE）は、トレーニング・データの圧縮表現を学習し、学習した表現のバリエーションを作成して新しいサンプル・データを生成するモデルです。

一方、多くの予測AIモデルは、次の統計アルゴリズムと機械学習モデルを適用しています。

• クラスタリングは、基礎となるデータ・パターンを理解するために、類似性に基づいてさまざまなデータ・ポイントまたは観測結果をグループまたはクラスターに分類します。
• 決定木は、最適な分類のための分割統治戦略を実装します。同様に、ランダム・フォレスト・アルゴリズムは複数の決定木の出力を組み合わせて単一の結果を導き出します。
• 回帰モデルは、変数間の相関関係を判定します。たとえば、線形回帰は2つの変数間の線形関係を表します。
• 時系列法は、過去のデータを時系列にプロットされた一連のデータポイントとしてモデル化し、将来のトレンドを予測する。

ほとんどの生成AIモデルは、成果の背後にある意思決定プロセスを理解することが困難または不可能であることが多いため、説明可能性に欠けています。逆に、予測AIによる推定値は、数値と統計に基づいているため、より説明しやすくなります。しかし、これらの推定値の解釈は依然として人間の判断に依存しており、誤った解釈は誤った行動につながる可能性があります。

AIを使用するかどうかの選択は、さまざまな要因によって決まります。IBM AI Academyのビジネスに適したAIユースケースの選択に関するビデオで、IBMクライアントエンジニアリングの主任AIエンジニアであるNicholas Renotte氏によれば、「最終的に、生成AI、AI、機械学習ツールに適したユースケースを選択するには、多数の可動部分に注意を払う必要があります」最適なテクノロジーで問題を的確に解決していることを確認する必要があります。

生成AIと予測AIのどちらを使用するかを決定する際も同じことが当てはまります。「ビジネスに導入するなら、ユースケースが生成AIの利用に適しているか、それとも別のAI技術やツールの方が合っているのかを真剣に検討する必要があります」とRenotte氏は言います。「例えば、多くの企業が財務予測を生成したいと考えていますが、特にわずかなコストでそれができるモデルがある場合、一般的に生成AIソリューションは必要ありません。」

生成AIはコンテンツ作成に優れているため、多様なユースケースがあります。テクノロジーが進歩するにつれて、さらにその用途は増え続ける可能性があります。ここでは、生成AIアプリケーションを導入できるさまざまな業種・業務をご紹介します。

• カスタマー・サービス：組織は、生成AI搭載のチャットボットとバーチャル・アシスタントを使用して、リアルタイムのサポートを提供し、パーソナライズされた応答を提供し、顧客に代わってアクションを開始できます。
  
  
• ゲーム：生成AIモデルは、ビデオ・ゲームや仮想シミュレーション用の現実世界の環境、実物のようなキャラクター、動的なアニメーション、鮮明な視覚効果の作成を支援します。
  
  
• ヘルスケア：生成AIは合成データを作成し、医療用画像システムをトレーニングおよびテストして、患者のプライバシーをより適切に保護できます。生成AIはまったく新しい分子を提案することもでき、創薬プロセスを加速します。
  
  
• マーケティングと広告：生成AIは、魅力的なビジュアルをデザインし、各ターゲットオーディエンスに合わせてカスタマイズされた説得力のある広告や販売コピーを作成できます。
  
  
• ソフトウェア開発：コード生成ツールは、新しいコードを書くプロセスをスピードアップし、デバッグやテストのフェーズを自動化できます。

予測AIは、主に金融、小売、Eコマース、製造の分野で使用されています。以下に、予測AIのユースケースをいくつかご紹介します。

• 財務予測：金融機関は、予測AIモデルを使用して、市場の傾向、株価、その他の経済要因を予測します。

• 不正アクセス検知：銀行は予測AIを利用して、不正行為を示唆する不審な取引をリアルタイムで発見します。

• インベントリー管理：予測AIは売上と需要を予測することで、企業がインベントリー・レベルを計画し、管理するのに役立ちます。

• パーソナライズされた推奨事項：予測AIモデルは、顧客行動データのパターンを分析し、よりカスタマイズされた提案を提供して、顧客体験の向上につなげられます。

• サプライチェーン管理：予測AIは、物流とオペレーション、生産計画、リソース割り当て、ワークロードのスケジュールの最適化に役立ちます。

これら2つのテクノロジーのどちらかを選択することは、必ずしも二者択一ではありません。企業は、生成AIと予測AIの両方を導入し、戦略的に連携して使用することでビジネスにメリットをもたらすことができます。

IBM watsonxプラットフォームと、それがAI目標の達成をどのように加速させるかについて詳しくご覧ください。watsonx.ai上に構築されたモデルの生成AI機能を活用して、パターンや異常を発見し、ニーズに合わせて正確な予測や予想を行うことができます。