AI と ML の比較

AI は幅広い分野であり、人間の知能に関連する認知機能を模倣する能力を持つ機械やコンピュータを構築するための技術の使用を指します。たとえば、話し言葉や書き言葉を読み、理解し、それに応え、データを分析し、推奨事項を提案します。

機能の観点から見ると、AI は大きく次の 3 つのタイプに分類されます。

• 特化型人工知能（ANI）: 現在一般的に使用されている特化型 AI（画像認識など）
• 汎用人工知能（AGI）: あらゆる知的タスクを実行できる人間レベルの AI
• スーパー 人工 知能（ASI）: 人間の知性を超える理論上の AI。ANI が普及している一方で、AGI の追求は現在の研究の大きな焦点となっています。

AI は多くの場合、それ自体がシステムと考えられていますが、複雑な問題を解決するために推論、学習、および行動できるようにするために、システム内に実装された一連のテクノロジーです。

ML は AI のサブセットであり、マシンやシステムの経験に基づく自動的な学習と改善を可能にします。明示的なプログラミングではなく、ML はアルゴリズムを使用して大量のデータを分析し、分析情報から学習して情報に基づいた意思決定を行います。

ML アルゴリズムのパフォーマンスは、トレーニングを重ねたり、より多くのデータを処理したりすることで徐々に高まります。その結果、出力されるのが ML モデルです。つまり、トレーニング データに対してアルゴリズムを実行して学習した結果です。 使用されるデータが多くなるほど、モデルは改善されます。

AI と ML はまったく同じものではありませんが、密接に関連しています。以下は、AI と ML の相互関係を理解するための最も簡単な説明です。

• AI は、機械やシステムが人間のように感知、推論、行動、または適応できるようにする広範なコンセプトです
• ML は AI のアプリケーションであり、マシンがデータから知識を抽出して、自律的に学習できるようにします

AI と ML の違いをわかりやすく説明するために、傘を使ってそれぞれを分類してみましょう。AI は、さまざまな個別のアプローチやアルゴリズムを含む包括的な用語です。その AI という傘の下に ML があり、ディープ ラーニング、ロボット工学、エキスパート システム、自然言語処理などの主なサブフィールドも傘下に含まれます。

AI には、人間の知能を模倣できる機械という概念が含まれていますが、ML はそうではありません。ML は、パターンを特定することで、特定のタスクを行う方法を機械に教え、正確な結果を提供することを目的としています。

Google Nest デバイスに「今日の通勤時間はどれくらい？」と尋ねたとしましょう。このケースでは、マシンに質問すると、オフィスまで車で移動した場合の推定所要時間についての回答が返ってきます。ここでの全体的な目標は、デバイスでタスクを正常に実行することです。タスクは通常、実際の環境でユーザー自身が実行する必要があります（通勤時間の調査など）。

この例のコンテキストにおいて、システム全体で ML を使用する目的は、タスクを実行できるようにすることではありません。たとえば、リアルタイムの交通機関や交通状況のデータを分析して、交通の流れの大きさと密度を予測するようにアルゴリズムをトレーニングします。ただし、範囲は、パターンと予測精度の特定、当該タスクのパフォーマンスを最大化するためのデータからの学習に限定されます。

• AI により、マシンが人間の知能をシミュレートして問題を解決できる
• 複雑なタスクを実行できるインテリジェント システムを開発することが目標である
• 人間のように複雑なタスクを解決できるシステムを構築する
• AI は幅広い用途に活用できる
• AI は、人間の意思決定を模倣できるようにシステム内でテクノロジーを使用する
• AI は、構造化データ、半構造化データ、非構造化データなど、あらゆる種類のデータに対応する
• AI システムは、論理と意思決定ツリーを使用して学習、推論、自己修正を行う

• ML により、マシンが過去のデータから自律的に学習できるようになる
• 目標は、データから学習して出力の精度を高めるマシンを構築することである
• 特定のタスクを実施して正確な結果を出せるように、データを使用して機械をトレーニングする
• ML の利用範囲は限られている
• ML は自己学習アルゴリズムを使用して予測モデルを生成する
• ML では構造化データと半構造化データのみを使用できる
• ML システムは学習に統計モデルを利用し、新しいデータが提供されると自己修正を実行できる

AI と ML が単独で機能することはほとんどありません。ML は、より広範な AI システムが学習、適応し、時間の経過とともにパフォーマンスを向上させることを可能にするエンジンとして機能します。

ML を統合した AI システムの現在の機能は、次のようないくつかの重要な分野によって定義されます。

マルチモーダル AI: この機能は、従来のテキストに加えて、テキスト、画像、動画、コード、音声など、さまざまなデータソースを統合します。ML モデルはこの多様なデータでトレーニングされ、AI アプリケーションは、テキストと音声コマンドの組み合わせを使用した情報検索など、高度でパーソナライズされたカスタマー エクスペリエンスを提供できるようになります。

高度な推論とエージェント AI: 最新の AI モデルは高度な推論能力を備えており、基本的なパターン認識だけでなく、複雑な意思決定や目標達成のための段階的な計画の作成を行うことができます。エージェント AI は、ML でトレーニングされたモデルを使用して、個人や企業の代わりに複数ステップのワークフローを自律的に実行およびオーケストレートします。

高度なパーソナライズとリアルタイムの最適化: e コマースや小売では、ML アルゴリズムが膨大な量の顧客データを分析してパターンを特定し、需要を予測します。一方、包括的な AI システムがこれらの予測を使用して、パーソナライズされた商品のおすすめを提供し、サプライ チェーン プロセスをリアルタイムで最適化します。

診断の強化: 医療分野では、ML モデルは何百万枚もの医用画像と患者の記録でトレーニングされ、がんや心血管疾患などの状態を正確に特定します。AI システムは、ML によって得られた分析情報を利用して診断を支援し、患者のリアルタイムのモニタリング データを臨床医に提供します。

さまざまな業界の企業が、AI と ML をさまざまな方法で活用して、働き方や事業運営を変革しています。AI と ML の機能を戦略とシステムに組み込むことで、組織はデータと利用可能なリソースの使用方法を再考し、生産性と効率性を高め、予測分析によるデータドリブンな意思決定を強化し、カスタマー エクスペリエンスと従業員エクスペリエンスを改善に役立ちます。

AI と ML の一般的な応用例をいくつかご紹介します。

患者の医療記録の分析と分析情報、結果の予測とモデリング、医薬品開発の加速、診断の強化、患者のモニタリング、臨床記録からの情報抽出。

生産機械のモニタリング、予測メンテナンス、IoT 分析、運用効率。

インベントリとサプライ チェーンの最適化、需要予測、画像検索、パーソナライズされたオファーとエクスペリエンス、レコメンデーション エンジン。

リスク評価と分析、不正行為の検出、自動取引、サービス処理の最適化。

インテリジェント ネットワークとネットワークの最適化、予測メンテナンス、ビジネス プロセスの自動化、アップグレード計画、容量予測。