人工知能（AI）とは

人工知能（AI）は、コンピュータにさまざまな高度な機能を実行できるようにさせる一連のテクノロジーであり、音声や文字の言語の表示、理解、翻訳や、データの分析、おすすめの作成などの能力が含まれます。

AI は最新のコンピューティングにおけるイノベーションの基盤であり、個人と企業に価値をもたらします。たとえば、光学式文字認識（OCR）は AI を使用して画像とドキュメントからテキストとデータを抽出し、非構造化コンテンツをビジネスにすぐに使える構造化データに変換し、価値ある分析情報を引き出します。

準備ができたら新規のお客様には、Google Cloud で使用できる無料クレジット $300 分を差し上げます。

無料で使ってみるお問い合わせ

Google は、Gartner® により 2022 マジッククアドラント™（Cloud AI Developer Services）リーダーに選出されました

レポートを取得

人工知能の定義

人工知能は、通常は人間の知性を必要とするような方法で、または人が分析できないような規模のデータを扱う方法で、推論、学習、行動を行えるコンピュータとマシンの構築に関する科学分野です。

AI は、コンピュータサイエンス、データ分析と統計、ハードウェアとソフトウェアのエンジニアリング、言語学、神経科学、さらには哲学や心理学など、さまざまな分野をカバーする広範な分野です。

ビジネス用の運用レベルでは、AI は主に機械学習とディープラーニングに基づく一連のテクノロジーであり、データ分析、予測と予報、オブジェクト分類、自然言語処理、おすすめ、インテリジェントなデータ取得などで使用されます。

人工知能の種類

人工知能は、開発の段階または実行されるアクションに応じて、いくつかの形に整理できます。

たとえば、AI 開発の 4 つのステージが一般に認識されています。

リアクティブマシン: 事前にプログラムされたルールに基づいて、さまざまな刺激にしか反応しない制限付き AI。メモリを使用しないため、新しいデータで学習できません。 1997 年にチェスチャンピオンのガリーカスパロフを打ち負かした IBM のディープブルーは、リアクティブマシンの一例です。
メモリの制限: 最新の AI のほとんどはメモリが制限されていると見なされます。通常は人工ニューラルネットワークやその他のトレーニングモデルを通じて、新しいデータを使用してトレーニングすることで、時間の経過とともにメモリの使用を改善できます。機械学習のサブセットであるディープラーニングは、メモリが制限された人工知能とみなされます。
心の理論: 心の理論 AI はまだ存在していませんが、研究の可能性は拡大しています。これは人間の心をエミュレートでき、人間の判断と同等の意思決定機能を持つ AI です。たとえば、人間の感情を認識して記憶し、社会状況に対応できます。
自己認識: 心の理論 AI より一歩上の自己認識 AI は、自身の存在を認識し、知的能力と感情的能力を備えた神話的な機械を指します。人。心の理論 AI と同様に、自己認識 AI は存在しません。

さまざまなタイプの人工知能は、機械が何をできるかによって大まかに分類できます。私たちが現在人工知能と呼んでいるものはすべて、そのプログラムとトレーニングに基づいて狭いアクション群しか実行できないという点で、「狭い」インテリジェンスとみなされます。たとえば、オブジェクト分類に使用される AI アルゴリズムは、自然言語処理を行えません。Google 検索は、予測分析（仮想アシスタント）と同様に、狭い AI の一種です。

人工知能（AGI）とは、機械が人間のように「検知、思考、行動」できるようにする能力です。 AGI は現在存在していません。次のレベルは人工知能（ASI）で、これはあらゆる面で人間よりも優れたマシンが機能できるようになります。

人工知能のトレーニングモデル

多くのビジネスが AI といえば「トレーニングデータ」と言うでしょう。これは何を意味するでしょうか。メモリが制限された人工知能は、新しいデータでトレーニングすることで時間の経過とともに改善される AI です。ズムを使用してモデルをトレーニングする、人工知能のサブセットです。

大まかに言うと、次の 3 種類の学習モデルが機械学習でよく使用されます。

教師あり学習は、ラベル付けされたトレーニングデータ（構造化データ）を使用して特定の入力を出力にマッピングする機械学習モデルです。簡単に言うと、猫の写真を認識し、猫とラベル付けされた画像をフィードするようにアルゴリズムをトレーニングします。

教師なし学習は、ラベルなしデータ（非構造化データ）に基づいてパターンを学習する機械学習モデルです。教師あり学習とは異なり、最終結果は事前にはわかりません。むしろ、アルゴリズムがデータを基に学習し、属性に基づいてデータをグループに分類します。たとえば、教師なし学習はパターンマッチングと記述的モデリングに適しています。

教師あり学習と教師なし学習に加えて、部分的に教師あり学習という混合アプローチが採用されることがあり、データの一部のみにラベルが付けられます。半教師あり学習では最終的な結果がわかっていますが、アルゴリズムで、目的の結果を達成するためにデータを整理して構造化する方法を把握する必要があります。

強化学習は、大まかに「実際にやってみて学ぶ」と表現できる機械学習モデルです。「エージェント」は、パフォーマンスが望ましい範囲内になるまで、試行とエラー（フィードバックループ）によって定義されたタスクを実行して学習します。エージェントは、タスクのパフォーマンスが高い場合はポジティブな強化が行われ、パフォーマンスが低い場合はネガティブな強化が行われます。強化学習の例として、ロボットの手がボールを拾えるように教えるというものがあります。

一般的なタイプの人工ニューラルネットワーク

AI の一般的なトレーニングモデルの 1 つは人工ニューラルネットワークで、人間の脳を大まかにベースにしたモデルです。

ニューラルネットワークは、データを分類、分析するのに使用される計算ノードである人工ニューロンのシステム（パセプトロンと呼ばれることもあります）です。データは、ニューラルネットワークの第 1 層に供給され、各パセプトロンが決定を行ったのち、その情報を次の層の複数のノードに渡します。3 層を超えるトレーニングモデルは、「ディープニューラルネットワーク」または「ディープラーニング」と呼ばれます。最新のニューラルネットワークの中には、数百から数千のレイヤを持つものもあります。最終パセプトロンの出力は、オブジェクトの分類やデータ内のパターンの発見など、ニューラルネットワークに設定されたタスクを遂行します。

最も一般的なタイプの人工ニューラルネットワークとしては、次のようなものがあります。

フィードフォワードニューラルネットワーク（FF）は最も古い形式のニューラルネットワークの 1 つであり、出力が得られるまで、データは人工ニューロンのレイヤ間で一方向に流れます。最近のフィードフォワードニューラルネットワークのほとんどは、複数のレイヤ（および複数の「非表示」レイヤ）がある「ディープフィードフォワード」と考えられます。フィードフォワードニューラルネットワークは通常、「バックプロパゲーション」と呼ばれる誤り訂正アルゴリズムとペアになっています。簡単に言うと、ニューラルネットワークの結果で始まり、最初に戻り、エラーを検出することで、ニューラルネットワークの精度を改善できます。シンプルでありながら強力なニューラルネットワークの多くは、ディープフィードフォワードです。

再帰型ニューラルネットワーク（RNN）は、一般的に時系列データまたはシーケンスを含むデータを使用するという点でフィードフォワードニューラルネットワークとは異なります。ネットワークの各ノードに重みを使用するフィードフォワードニューラルネットワークとは異なり、再帰ニューラルネットワークには、現在のレイヤの出力に付随する、前のレイヤで発生した内容の「メモリ」があります。たとえば、自然言語処理を実行する場合、RNN はセンテンスの中で使用されている他の単語を「注意事項」として覚えておくことができます。RNN は、多くの場合、音声認識、翻訳、画像に説明を追加するために使用されます。

長期/短期メモリ（LSTM）は、RNN の高度な形式で、メモリを使用して以前のレイヤで起こったことを「記憶」できます。RNN と LTSM の違いは、LTSM は「メモリセル」を使用して数年前に起こったことを記憶できることです。LSTM は音声認識と予測によく使用されます。

畳み込みニューラルネットワーク（CNN）には、最新の人工知能に一般的なニューラルネットワークが含まれています。画像認識でよく使用される CNN は、複数の異なるレイヤ（畳み込み層、プール層）を使用し、画像のさまざまな部分をフィルタリングしてから、画像をつなぎ合わせます（完全に接続したレイヤの状態）。以前の畳み込みレイヤでは、色やエッジなどの画像の単純な特徴を探してから、追加のレイヤで複雑な特徴を探すことができます。

敵対的生成ネットワーク（GAN） は、ゲームで 2 つのニューラルネットワークを相互に競合させ、最終的に出力の精度を高めます。一方のネットワーク（ジェネレータ）は、もう一方のネットワーク（弁別子）が true または false の証明を試みる例を作成します。GAN は、リアルな画像の作成や、アート作品の作成にも使用されてきました。

AI のメリット

自動化

AI は、ワークフローとプロセスを自動化したり、人間のチームから独立して自律的に作業したりできます。たとえば、AI は、ネットワークトラフィックを継続的にモニタリングして分析することで、サイバーセキュリティの各側面を自動化できます。同様に、スマートファクトリーには AI が数十種類も使われています。たとえば、ロボットが工場の現場をナビゲートする、製品の欠陥を検査する、デジタルツインを作成する、あるいは効率と出力を測定するためにリアルタイム分析を行う、といった用途に使用されています。

人的エラーの削減

AI は、データ処理、分析、製造における組み立て、その他のタスクにおける手動によるエラーを、毎回同じプロセスに従う自動化とアルゴリズムによって排除できます。

繰り返しのタスクを排除する

AI を使用して反復作業を行うことで、人的資源を解放して、影響の大きい問題に取り組むことができます。AI を利用してプロセス（ドキュメントの検証、通話の文字起こし、閉店時間などの簡単な質問への回答）を自動化できます。ロボットは多くの場合、人間の代わりに「退屈な、汚れる、または危険な」タスクを実行します。