コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。
ジャンプ先

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、現代のコンピューティングにおけるイノベーションの根幹をなすものです。プロセスを自動化して大規模なデータセットに対する分析情報を提供することで、個人と企業にとっての価値を引き出します。自身で倉庫内を移動できるロボットから、継続的に分析と改善を行うサイバーセキュリティ システム、会話の内容を理解し、情報に基づいて行動できる仮想アシスタントまで、AI のユースケースは多岐にわたります。機械学習(ML)は、特に機械学習により、トレーニング データに基づいてモデルを作成し、より正確な予測を生成する AI の中でも特に重要なサブセットです。

機械学習の詳細については、Google Cloud の AI プロダクトをご覧ください。機械学習モデルのトレーニング、デプロイ、管理のための Google の統合プラットフォームであるVertex AI、Speech-to-Text などの API、コールセンターの自動化や仮想エージェント向けの CCAI、医療、貸付、その他の業種向けの業種別ソリューションがあります。

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、開発の段階や実行されるアクションに応じて、いくつかの方法で整理できます。

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。

  1. 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。
  2. 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。
  3. 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。 
  4. 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。

実行できる内容ごとに人工知能を広範に分類すると、より有益です。Google 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 セット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、自然言語処理を実行できません。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、最終結果は事前にわかりません。アルゴリズムがデータから学習し、属性に基づいて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、分析する計算ノードである人工ニューロンのシステム(Perceptron 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 レイヤに供給され、各 Perceptron が決定し、その情報を次のレイヤの複数のノードに渡します。レイヤが 4 つ以上のトレーニング 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があるものがあります。Perceptron の最終的な出力は、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完了します。

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 か false かの証明を試行するサンプルを作成します。GAN は、現実的な画像の作成や、アート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側面を自動化します。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、ロボットがコンピュータ ビジョンを使用して製造現場を移動したり、製品の欠陥を検査したり、デジタルツインを作成したり、リアルタイム分析を使用して効率と出力を測定したりします。

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。

高速かつ正確

AI は人間よりも多くの情報を迅速に処理し、パターンを見つけ出し、人間が見落とす可能性のあるデータの関係性を検出できます。

無制限な可用性

AI は、時間帯、休憩の必要性、その他の人間の負担に制限されません。クラウドで実行する場合、AI と機械学習は「常にオン」にでき、割り当てられたタスクに継続的に取り組みます。

研究開発の加速

大量のデータを迅速に分析する能力は、研究開発におけるブレークスルーの加速につながる可能性があります。たとえば、AI は潜在的な新しい医薬品治療の予測モデリングや、ヒトゲノムの定量化に使用されてきました。

Google Cloud でビジネスの課題を解決する

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。
使ってみる
お客様独自の課題については、Google Cloud のセールス スペシャリストまで詳しくご相談ください。
お問い合わせ

人工知能のアプリケーションとユースケース

音声認識

音声を文字テキストに自動的に変換します。

画像認識

画像のさまざまな側面を識別し、分類します。

翻訳

文字または単語をある言語から別の言語に翻訳します。

予測モデリング

データをマイニングして、高度な粒度で特定の結果を予測します。

データ分析

ビジネス インテリジェンスのデータのパターンと関係を見つけます。

サイバーセキュリティ

サイバー攻撃や脅威がないかネットワークを自律的にスキャンします。

Google は、信頼できるクラウド プラットフォーム上に高度な人工知能関連プロダクト、ソリューション、アプリケーションを多数提供し、企業が AI のアルゴリズムやモデルを簡単に構築して実装できるようにします。

Vertex AICCAIDocAI、AI API などのプロダクトを使用することで、組織は、自社が作成、収集、分析しているデータを、どのような形式でもすべて理解して、実用的なビジネス上の意思決定を行うことができます。