人工知能（AI）をめぐる誇大宣伝に巻き込まれるのは簡単ですが、すべて誇大宣伝だと思い込んでしまうのも同じくらい簡単です。真実はその中間にあります。あるいは、テクノロジー界の重鎮マイク・オルソン氏が示唆するように、「AGIや自動運転車などに向けられる息もつかせぬ注目は、狭い範囲に焦点を絞ったAIアプリケーションの価値を私たちに見えなくさせている」のです。彼が「狭い範囲に焦点を絞った」とは、DeepMindが「科学的に知られているほぼすべてのカタログ化タンパク質の予測構造」を公開したと発表したことを指します。
狭い？そんなわけない。この進歩はタンパク質構造へのアクセスを劇的に広げ、医学や気候変動など多様な分野における科学的発見を加速させる。しかし、ここで用いられるAIは、タンパク質構造を深く考える知覚力のある機械ではないという意味で狭い。私が以前書いたように、最高の機械学習（ML）は、人間が再現できない規模の「単なる」パターンマッチングであることが多い。
これは、AI/MLが自動運転車を実現していないからといって、目覚ましい進歩を遂げていないわけではないということを改めて認識させてくれる出来事です。重要なのは、AIの活用範囲を狭めることであり、その可能性を諦めないことです。
OKコンピュータ
AIへの正しいアプローチは、機械の得意分野を活用し、それを人間の知能で補完することです。機械は人間をはるかに超える膨大な情報を処理し、その情報を人間がより理解しやすく、仮説を立てやすい形で提示することができます。これは人間対機械ではなく、人間と機械のパートナーシップなのです。
参照:人工知能倫理ポリシー(TechRepublic Premium)
そして、データも。それも大量の。実際、機械がどれほど優秀で、人間がどれほど賢くても、データなしには既知のタンパク質すべてをマッピングすることは到底不可能だったと、EMBL副所長のユアン・バーニー氏は断言する。「世界中のAIの才能をすべて駆使しても、大量のデータなしには科学的な問題を容易に解決することはできません。」では、DeepMindの科学者たちはどこからデータを入手したのだろうか？幸いなことに、この分野にはデータ共有の伝統がある。バーニー氏はさらにこう続ける。「分子生物学、特にここの構造生物学において、データ共有というコミュニティの規範が長年確立されていることが、この研究を成功に導いている重要な要因なのです。」
これをあらゆる組織のデータサイエンスプロジェクトに適用すると、大規模に稼働するマシン、経験豊富なデータサイエンティスト、そして大量のデータの必要性が浮き彫りになります。これら3つが揃うと、AIは真に魔法のような存在になる可能性を秘めています。ただし、前述の通り、それは「知覚力のある機械」のようなものではありません。パターンマッチングなど、マシンの強みを活かせる比較的「限定的な」問題にモデルを向けることは依然として重要です。
さらに、AibleのCEOであるArijit Sengupta氏が強調しているように、データサイエンティストはモデルについて現実的であり続ける必要がある。Sengupta氏は、バークレー校で訓練を受けた大学レベルのデータサイエンスの学生と高校生を対戦させるコンテストを定期的に開催している。同氏によると、高校生が大学生にほぼ必ず勝つのは、ほとんどの企業のAIプロジェクトが失敗するのと同じ理由だ。「データサイエンティストや機械学習エンジニアは、ビジネスパフォーマンス（特定のデータセットにAIを適用することで、追加収益またはコスト削減でどれだけのお金を生み出すことができるか）ではなく、『モデルパフォーマンス』（特定のデータセットで特定のアルゴリズムがどれだけうまく予測を行うか）を見るように教えられています」。コンテストの場合、高校生はモデルの金銭的な結果に焦点を当てる点でより優れているのに対し、大学生は「派手なアルゴリズムのトレーニングに夢中になる」。
言い換えれば、物事をシンプルに保つことが大切だということです。そして、強みが増している分野に注力することが大切です。
参照:採用キット: 人工知能アーキテクト(TechRepublic)
では、企業は近い将来、AIをどこに活用すべきでしょうか？スタンフォード大学の報告書「人工知能に関する100年の研究」によると、2016年以降、AIは「目覚ましい進歩」を遂げており、特に以下の3つの主要分野で顕著な進歩が見られます。
- 自己監督型または自発的な方法で学習する
- それぞれの分野で大規模な再訓練を必要とせずに、さまざまな分野の問題を解決するために継続的に学習する
- タスク間の一般化 - システムが1つのタスクのために獲得した知識とスキルを新しい状況に適応させる
これらのパラメータを念頭に置くことで、企業はAI活用において「ほぼ失敗」から「ほぼ成功」へと移行することができます。重要なのは、AIを賢く活用することです。
開示: 私は MongoDB で働いていますが、ここで述べられている意見は私自身のものです。
