はてなブックマーク

これらの数字は、日本のAI技術導入の遅れを顕著に表しています。 急成長する世界の生成AI市場 米国のボストン・コンサルティング・グループの予測によれば、世界の生成AI市場規模は2024年に約350億ドル（約5兆6,000億円）に達し、2026年にはその2倍を超える880億ドルまで成長すると見込まれています。さらに、2027年には1,210億ドルにまで拡大すると分析しています。 同グループは、この成長に伴い、特に金融業界とヘルスケア業界において大きな事業機会が創出される可能性を示唆しています。 AI導入状況 IT・通信、小売、製造、金融、医療など、様々な産業でAI導入が進んでいます。具体例として、LINE、伊藤園、メルカリの事例を紹介します。 ※事例参照：https://metaversesouken.com/ai/generative_ai/case-study/ 1. LINE：エンジニ

ソフトウェアエンジニア兼イラストレーターで、AI専門メディアGenerative AIとZeniteqを運営するジム・クライブ・モンジュ（Jim Clyde Monge）氏（詳細は同氏のLinkedInページを参照）がMediumに投稿した記事『Perplexityが「Pages」を発表 – 最強のAI記事ジェネレーター』では、検索AIのPerplexityの新機能であるPerplexity Pagesが紹介されています。 Perplexity Pagesの特徴を箇条書きにすると、以下のようになります。 Perplexity Pagesの特徴 Perplexity Pagesとは、特定のトピックについてPerplexityが検索して生成した文章をウェブ記事化するサービス。 Perplexity Pagesで生成された記事は、ウィキペディアのような簡潔なレイアウトをしている。 対象読者を「誰

インド在住のライター兼エンジニアのニティン・シャルマ（Nitin Sharma）氏（詳細は同氏LinkedInプロフィールページを参照）がMediumに投稿した記事『GPT-4oはクレイジーだ―思わず言葉を失うような（信じられない）6つの使用例を紹介』では、GPT-4oの実用的な使用例が紹介されています。 シャルマ氏が紹介するGPT-4oの使用例は、以下の表の通りです。 GPT-4oの6つの実用的な使用例

スペイン在住のAI技術批評家アルベルト・ロメロ（Alberto Romero）氏がMediumに投稿した記事『ニューヨーク・タイムズ vs OpenAIは単なる法廷闘争ではない』では、ニューヨーク・タイムズ紙がOpenAIを著作権侵害で訴えた事案の意義を考察しています。 同紙の記事が許可なく生成AIの学習データに使われたとするこの訴訟に関して、ロメロ氏は3つのレイヤーがあると指摘したうえで、それぞれのレイヤーを以下のように説明しています。 ニューヨーク・タイムズ vs OpenAI訴訟の3つのレイヤー 法的レイヤー：ニューヨーク・タイムズ紙が提出した訴状には、GPT-4が同紙記事をほぼ逐語的に出力する事例が掲載されていた。この事例は、著作権侵害の動かぬ証拠のように見える。 技術的レイヤー：AI専門家によれば、LLMはインターネットの全情報を非可逆的に圧縮するJPEGのようなものであり、入力

最終更新日： 2024年5月15日 OpenAI社が2022年11月にChatGPTを発表してから1年以上が経ちました。 このChatGPTをはじめとする生成AIは、ビジネスにも大きな影響を与えると連日ニュースでも大きく取り上げられました。しかしながら2023年、生成AIをビジネスに利用する動きは一部の企業で見られましたが、社会全体では大きく進んだとはいえません。 そこにはさまざまな要因が考えられますが、大きく二つが挙げられるでしょう。一つは企業側が生成AIの導入に消極的であること。そしてもう一つは従業員側が生成AI利用に消極的であることです。前者の解決方法はさまざまなところで論じられていますが、後者に関してはあまり議論が行われてきたとはいえません。 そこで本記事では、後者の従業員の生成AI利用が進まないことの要因や、企業・従業員目線それぞれから課題に対して行うべき施策をSHIFT AI代

最終更新日： 2024年5月1日 2022年末に「ChatGPT」のリリースから始まった生成AIブームは、2023年にさらなる飛躍を見せた。しかし、生成AIの実際の導入率は24.2％程度とするデータもあり、まだまだ導入が進んでいるとは言い難い。企業では現在も生成AIをいかに導入し、社内で普及させ生産性向上につなげるべきか、試行錯誤が続いている最中だ。 そこでAINOWでは、企業や自治体において生成AIを導入している事例をまとめた。ぜひ一読し、生成AI導入を推進する上での助けとしていただければ幸いだ。 なお、AINOWでは引き続き導入事例を募集している。導入事例を本記事へ掲載したい企業・団体はぜひ下記フォームへ。（掲載を確約するものではありません）

最終更新日： 2024年5月15日 生成AIの高まる注目と比例して、本格的な導入を検討する企業が増えていいます。多くの企業が生成AIの可能性に着目していますが、実際のビジネスでの活用率は約10%程度に留まっているという統計データもあり、本質的に生成AIの導入が進んでいる状況とは言えません。 これは、多くの企業が「活用方法」に重点を置き過ぎてしまい、企業全体の変革や全体最適の観点を見落としているためです。たとえば、ある製造業の企業が生成AIを導入し、製造ラインの最適化を図るケースを考えてみましょう。この企業は、AIを使って生産過程を効率化することに成功しましたが、それに伴う従業員のスキル変化や職務の変更など、組織全体の変革を見落としていたため、最終的な効果は限定的になってしまう可能性があります。 生成AIがあらゆる仕事のあり方を変革する可能性が高まる今、単に技術的な側面だけでなく、企業文化、

最終更新日： 2024年5月15日 人工知能（AI）技術は、近年劇的な進歩を遂げています。特に、言語生成AIの分野では、GPTシリーズなどのモデルが幅広い用途で活用され、社会に大きな影響を与えています。しかし、これらのモデルは限界も持ち合わせており、特に生成内容の正確性や特定分野への適応能力に課題があります。これらの課題に対処するために、RAG（Retrieval-based Language Model）やファインチューニング技術が開発され、AIの能力をさらに拡大しています。 本記事では、生成AIの現状として、特にハルシネーション（誤った情報の生成）や特化分野への適用困難性といった問題点を検討します。さらに、これらの問題を解決するための鍵として、RAGやファインチューニングの技術がどのように重要性を増しているのか、その具体的なメカニズムやユースケースを詳しく解説します。また、今後の課題と

カナダ在住のSEOエキスパートであり、ウェブサイトSelf Made Millennialsを運営するビクトリア・クリチェンコ（Victoria Kurichenko）氏が2023年8月に公開したMedium記事『Google Bardを使って3ヶ月間文章を書いてみて学んだこと』では、Googleが提供する対話型AIであるBardを使ってウェブ記事を執筆・公開したことから得られた知見が解説されています。 クリチェンコ氏は、Bardを使ってウェブ記事を執筆して自身のウェブサイトに公開した経験から、以下のような5つの知見を得ました。 Bardによる記事の執筆・公開から得られた5つの知見 どんな質問に対しても、質問事項に関する特徴・長所・短所を列挙する同一の構造を有する回答を生成する。 質問した言語とは異なる言語で回答することがある。 ソースが必要な回答であっても、そのソースを明記しない。 事実

はじめに ChatGPTが公開されて半年以上が経過し、そのユーザは急激に増えて世界的に普及しましたが、その一方でユーザの一部からは「ChatGPTは性能劣化したのではないか」という疑問が出てきました。同AIの性能に関しては、生成された回答と人間が作成したそれとの違い、さらには政治的トピックに対する回答の党派性などといった疑問も生じます。 最近、以上のような疑問について調査した論文が発表されました。それらは、以下のような3つの問題を論じています。 疑問1：ChatGPTの性能は、経年変化しているのか。 疑問2：（Stack OverFlowに掲載された質問に対する回答のような）特定のトピックに関するChatGPTの回答はどのような特徴を持っており、人間が作成したそれとどのような違いがあるのか。 疑問3：ChatGPTを含めた言語モデルは、政治経済的トピックに関して何らかの党派性をもった回答を

著者のカニカ・B・K（Kanika B K）氏は、インド在住のオンラインマーケティングを専門とするコンサルタントです（同氏の詳細は同氏プロフィールぺージを参照）。同氏がMediumに投稿した『ChatGPTのCODE INTERPRETERプラグインに知っておくべき全て：今日からこのツールを活用しよう』では、ChatGPTのプラグインCode Interpreterの機能と使用事例が解説されています。 Code Interpreterとは、データの分析・考察およびグラフの作成が可能なChatGPTプラグインです。具体的には、以下のようなタスクを実行できます。 Code Interpreterが実行可能なタスク データ分析：各種ファイルからデータを読み取り、データの特徴を抽出する。抽出した特徴をグラフ化することも可能。データ分析にもとづいた提言も可能。 画像処理：画像のリサイズ、トリミング、

著者のアルベルト・ロメロ（Alberto Romero）氏はスペイン在住のAI技術批評家で、AINOWでは同氏の記事を多数紹介して来ました。同氏がMediumに投稿した記事『明らかになったGPT-4の秘密』では、OpenAIがGPT-4のアーキテクチャおよび詳細を非公開にしたビジネス上のメリットが解説されています。 「競争と安全上の理由から」学習データやアーキテクチャが非公開だったGPT-4について、2023年6月になってリークがありました。そのリーク内容とは、同モデルは2,200億パラメータの専門家モデルが8つ連結された「専門家混合モデル」だったというものです。このアーキテクチャ自体は、Googleが2021年に発表している何ら革新性のないものです。 実際には既存技術を活用して開発していたGPT-4の詳細を非公開としたOpenAIのビジネス戦略について、ロメロ氏は以下のような3つのメリッ

はじめに 生成AIの普及に伴って生じた問題のひとつには、教育現場における生成AI活用の是非があります。生徒学生が生成AIを利用できるようになった現在、こうしたAIの利用を一律に禁じるというのはあまりにも非現実的です。むしろ生成AIの活用法を教育に織り込むほうが得策であり、生成AIの活用は教職員にも恩恵をもたらすと考えられます。 そこでこの記事では、教育現場における生成AI活用ガイダンスに関して国際社会の動きを確認した後、日本、アメリカ、イギリスの発表を紹介することを通して、生成AIを教育に活用するメリットと注意点をまとめます。 「生成AI時代」における教育を模索する国際社会 生成AIを活用した教育の在り方に関しては、国際的な枠組みで議論されています。 2023年5月に開催されたG7広島サミットに関連して、G7教育大臣会合の合意内容をまとめた「富山・金沢宣言」が発表されました（この宣言につい

著者のアルベルト・ロメロ（Alberto Romero）氏はスペイン在住のAI技術批評家で、AINOWでは同氏の記事を多数紹介して来ました。同氏がMediumに投稿した記事『大規模AIモデルの時代は終わった』では、大規模言語モデル開発においてモデルサイズの大規模化のみに注目する規模至上主義が批判的に検討されています。 ロメロ氏はGPT-2からGPT-4にいたる大規模言語モデル開発の歴史において、言語モデルのパラメータ数が大きいほど、言語モデルの性能が向上するスケーリング則が重視されていたことを指摘します。そのうえで2023年4月にマサチューセッツ工科大学で開催されたイベントにおけるサム・アルトマンOpen AI CEOの発言を引用します。同CEOは、モデルサイズの大規模化を最重視する時代は終わった、と発言したのです。というのも、GPT-4より大規模なモデルを開発するために必要なデータセンタ

最終更新日： 2023年5月25日 こんにちは、AINOWインターンのゆかわです。 早速ですが、機械学習を勉強し始めたばかりの初級者の方は、機械学習に用いられている手法が多過ぎて、どれを知っておいた方がいいのかわからなくなっていませんか？ また、ある程度勉強を進めてきた中級者の方の場合は、実際に機械学習を使うにあたって、どのようにして手法を選択すれば良いか困っていませんか？ 今回はそのような初級者、中級者の方へ向けた記事となっています。 機械学習の分類 機械学習の手法は数多くありますが、大きく三つに分類することができます。 教師あり学習 教師なし学習 強化学習 こちらの3つになります。順番に解説していきます。 教師あり学習 教師あり学習は、正解となるデータを機械に与えて学習させることで最適なモデルを導き出させる手法です。 予測、データ認識、データ分類、特定などに利用されています。 この教師

はじめに アメリカ・スタンフォード大学の研究組織HAI（Human-Centered Artificial Intelligenceの略称）は2023年4月3日、AIの現状を多角的に調査しAI Index Report 2023を発表しました。本稿では386ページと長大なこのレポートの記述にもとづいて、自然言語処理の世界的動向をまとめます。テーマとして自然言語処理を選んだのは、この技術が現在注目のChatGPTをはじめとする生成系AIを開発するものだからです。 自然言語処理の世界的動向をまとめるにあたっては、市場、研究開発、倫理、関係者の意識の4つのトピックに焦点を当てます。そして、これらのトピックを考察した後に自然言語処理における今後のトレンド予測を述べます。 各トピックのダイジェスト 以上のような考察は、以下の表のように4つのトピックごとに要約できます。なお、考察の詳細は各トピックの解

著者のAvinash Saravanan氏はアメリカ在住のソフトウェアエンジニアで、日本のソニーで働いていたこともあります（同氏の詳細は同氏公式サイトを参照）。同氏がMediumに投稿した記事『Chat-GPTの限界』では、ChatGPTの限界が論じられています。 会話型AIを研究しているSaravanan氏は、やや誇大広告ぎみに報道されているChatGPTの真の能力を確かめたいと思い、さまざまな問答を行ってみました。その結果、以下のような限界を発見しました。 ChatGPTの限界 インターネットにアクセスしたり、ユーザの位置情報を取得できない。 学習データは2021年9月までに収集されたものであり、この時期以降の時事的情報は蓄積していない。 質問の仕方によっては、以前の回答をうまく処理できなくなる。 （善悪や嗜好のような）定性的な判断ができない。 マルチモーダルな入出力には非対応。 入出

はじめに AI研究分野のひとつとして会話AI開発があるのは周知の通りですが、2022年末にOpenAIがリリースした「ChatGPT」によって、この分野の研究がさらに前進したと認知されています。同AIはリリースされるとすぐに大きな反響を呼んだのですが、実のところ、OpenAI以外の大手テック企業も会話AIを開発しており、その成果はいずれも注目に値します。そこでこの記事では、技術的に最先端なさまざまな会話AIを紹介していきます。 GPT-3から正当進化した「ChatGPT」 人間が評価した報酬によって強化されたChatGPT OpenAIは2022年11月30日、従来より人間らしく会話できる会話AIモデル「ChatGPT」を発表し、同モデルを試用できるWebページも公開しました。同モデルはその名称が示す通り、GPT-3をアップデートすることで誕生しました。同モデルを紹介したOpenAI公式ブ

HOME/ AINOW編集部 /ChatGPTはソフトウェアエンジニアリングを変えるだろう ― しかし、あなたが望んでいるような仕方ではない 著者のChristopher Tomich氏はオーストラリア在住のソフトウェアエンジニアで、Microsoftオーストラリア法人に勤めています（同氏の経歴は同氏のLinkedinページを参照）。同氏がMediumに投稿した記事『ChatGPTはソフトウェアエンジニアリングを変えるだろう ― しかし、あなたが望んでいるような仕方ではない』では、ソフトウェア開発業務に対するChatGPTの影響が論じられています。 2022年12月にリリースされたChatGPTに興味をもったTomich氏は、同AIにソフトウェア開発に関する質問をしたり、簡単なメモアプリの開発について尋ねたりして同AIの有効性を検証しました。その結果、同AIはソフトウェアエンジニアを代替す

著者のNick Saraev氏はカナダ在住のテック系ライターであり、AINOWでは以前に同氏の記事『なぜ言語＆アートの分野でAIが急速に進化しているのか？』を紹介しました。同氏がMediumに投稿した記事『Google、AIが生成したコンテンツのランキングを破壊』では、AI生成記事のGoogle検索ランキングをはじめとするAIビジネスにまつわる3つの話題が論じられています。 Saraev氏が論じているAIビジネスにまつわる3つの話題とは、以下のようなものです。 新AI技術によって変革される3つのビジネスとその対処法 AI生成記事のGoogle検索ランキング：GPT-3をはじめとする大規模言語モデルの登場により、AIが自動生成する記事が公開されるようになった。しかし、こうした記事はGoogleの検索ランキングにおいてはペナリティが課せられる。それゆえSEO的観点から言えば、AI自動生成記事に

最終更新日： 2022年11月25日 近年AIの技術が発達し、様々なところにAIが使われるようになりましたが、「感情を持ったAI」は未だ出来ていません。 感情を持ったAIとは「汎用型AI」のことを指し、状況を自ら判断し、様々な役割をこなせるいわばドラえもんや鉄腕アトムなどの多くの人が想像するAIとなりますが、現在実用化されているAIはすべて「特化型AI」といって個別の分野や領域に特化したものになります。 その中で、今回はマシンチャットエンジンやテキストマイニング、言語解析、クチコミ解析で多数の実績を残し、論理的なアプローチで「感情を持ったAI」の実現に向け奔走する株式会社バズグラフの代表取締役、西本光治氏にお話を伺いました。 株式会社バズグラフについて 限られた時間の中でより多くの情報に目を通し、必要なテキストデータを有効化することが今求められています。 バズグラフでは、独自の自然言語処理

最終更新日： 2022年10月30日 デジタル化が急速に進む昨今、AIはDX推進において欠かせない要素となっています。 しかし「AIとDXの違いが分からない」「AIの導入方法が分からない」という方も多いのではないでしょうか。 こちらの記事では、DXとAIの違いから、DX推進におけるAIの活用事例・導入時のポイントなどを解説します。 DX・AIの違いとは デジタル技術の発展に伴い、近年「DX」「AI」という単語を耳にする機会が増えてきました。しかし「DXとAIの違いが分からない」「両者の関係性は何か」と悩む方もいらっしゃると思います。 DXは「データやデジタル技術の活用を前提とした経営や組織体系の改善を行い、環境変化の中でも成長し続けること」を指します。対して、AIは「人間の行動や思考を、人間の代わりに実現する技術」です。 DXにおけるデジタル技術には「IoT」や「AI」などが含まれます。つ

著者のAlberto Romero氏はスペイン在住のAI技術批評家で、同氏の鋭い洞察に満ちた記事のいくつかはAINOWでも紹介して来ました。同氏が2022年8月末にMediumに投稿した記事『Stable Diffusionは、これまでで最も重要なAIアートモデルだ』では、Stable Diffusionの革新性が解説されています。 周知のように、2022年はテキストから高品質な画像を生成するAIモデルが次々とリリースされた「テキスト画像生成AI元年」とでも言うべき年です。同種のAIモデルでは相対的に後発のStable Diffusionに関して、Romero氏は画期的なものだと絶賛します。というのも、同モデルはパラメータの重みやコードを完全に公開したオープンソースだからです。こうした理由により、開発者は同モデルを活用して新たなアプリを自由に作れます。また一般ユーザに対しても、画像生成数な

機械学習を学ぶ上で、統計学は切っても切り離せない存在であると同時に、内容が似ていることか境目のわからないものとされています。 では、重回帰分析は本当に機械学習手法でしょうか？ 機械学習的手法と統計学的手法の目的をハッキリとさせることで、うまく使い分けていきましょう！ 本記事では、機械学習と統計学の違い、統計学の必要性、おすすめ書籍を紹介しています。 機械学習と統計学（統計解析）の違い 機械学習と統計学には、はっきりとした違いがあります。 文字通りに捉えると、「機械学習」は、機械が自動的に学習するものであるのに対し、「統計学」は、データのルールやパターンを統計的に判断するものだと言えます。 ここでいう“統計的に”とは、確率的に正しいかどうかを判断するという意味です。 ▼AIについて詳しく知りたい方はこちら

著者のオーストラリア在住であるJoy Zhang氏は、AIコンペを運営するスタートアップCoder Oneの創業者です。同氏がMediumに投稿した記事『このAI画像を作るのに15ドル分のDALL-E 2のクレジットを費やしてわかったこと』では、DALL-E 2が画像生成する際の弱点がまとめられています。 2022年7月末にDALL-E 2のアクセス権を取得したZhang氏は、「バスケットボールをダンクするラマ」をテーマとした画像を生成することを通して、同モデルにはいくつかの弱点があることを学びました。そうした弱点は、以下のように列挙できます。 DALL-E 2が画像生成する際の弱点 構図取りが苦手：複数のオブジェクトが含まれる画像では、それらの位置関係を適切に描画できないことがある。 動物の顔の描画に失敗する：人間の顔をフォトリアルに描画しない制限が設定されているが、この制限が動物の顔に

最近AIが描いたイラストを目にすることが多くなりました。その中には人間が描いたものと比べても負けないようなイラストもあります。 今回はAIがイラストを描く仕組みや実際にmidjourneyやdreamなどのイラストAIを使って描いた絵について紹介していきたいと思います。 ▼AIについて詳しくはこちら

著者のAlberto Romero氏はスペイン在住のAI技術批評家で、同氏の鋭い洞察に満ちた記事のいくつかはAINOWでも紹介して来ました。同氏が2022年6月末にMediumに投稿した記事『BLOOMはここ10年で最も重要なAIモデルだ』では、大規模言語モデルBLOOMの開発経緯とその革新性が解説されています。 2022年7月12日に正式リリースされた言語モデルBLOOM（BigScience Language Open-science Open-access Multilingualの略称）は、アーキテクチャから見ればGPT-3と同じTransformerベースであり、パラメータ数は1750億のGPT-3より少し多い1760億である月並みなモデルです。 BLOOMの革新性を明らかにするために、まずRomero氏はGTP-3のような現代を代表する大規模言語モデルに共通する特徴をまとめます

▶AI×テキストマイニング|メリット、おすすめツール、利用法までご紹介>> 自然言語処理がもつ4つの基礎解析 自然言語処理の基礎解析には様々なものがあります。自然言語処理は性質上、扱う言語によって大きく処理が異なります。 ここでは日本語を処理する基礎解析について紹介していきます。 形態素解析 構文解析 意味解析 文脈解析 それぞれを解説していきます。 ①形態素解析 形態素解析とは、言葉や文章を形態素に分割し、分けた言葉をそれぞれの品詞ごとに分別する処理のことを指します。 「形態素」とは、言葉や単語の最小単位のことです。 簡単に言うと「私は散歩に出かけた。」という文章を形態素解析すると 「私・は・散歩・に・出か・け・た。」という分割になります。 そして分割した一つ一つに品詞を割り振っていきます。 ②構文解析 構文解析とは、形態素に分けた単語同士の関連を明確にする作業のことを指します。 文を分