なぜ人工知能の将来はハイブリッドなのか?

公開: 2023-10-13

過去数週間にわたり、ChatGPT から Bard、および大規模言語モデル (LLM) を中心に構築された他の製品の多数のバリエーションに至るまで、新しい生成 AI 製品と機能が相次ぎ、過剰な誇大広告サイクルが生み出されました。ただし、これらの一般化されたモデルは企業での使用には適さないと多くの人が主張しています。ほとんどの AI エンジンは、ニッチなタスクやドメイン固有のタスクを割り当てられると、苦戦する兆候を示します。ハイブリッド AI が答えになるでしょうか?

ハイブリッド人工知能 (ハイブリッド AI) とは何を意味するのか

ハイブリッド AI は、機械学習、ディープラーニング、ニューラルネットワークと人間の主題に関する専門知識を使用して AI モデルを拡張または強化し、最高の精度または予測の可能性を備えたユースケース固有の AI モデルを開発します。

ハイブリッド AI の台頭により、多くの重要かつ正当な懸念が解決されます。最大限の利益や実際の価値を生み出すためには、多くのシナリオやドメインで大規模なデータセットに基づいて構築された AI モデル以上のものが必要です。たとえば、ChatGPT が長く詳細な経済レポートを書くように求められていると考えてみましょう。

ドメイン固有の知識を使用してモデルを採用または強化することは、高い予測確率を達成する最も効果的な方法となります。ハイブリッド AI は、これを達成するために、ニューラルネットワーク (パターンと接続形成者) とシンボリック AI (事実とデータの導出者) の最良の側面を組み合わせます。

シンボリック AI: ハイブリッド AI の重要な部分

現在の LLM には、数学的タスクのパフォーマンスが不十分であること、データをでっち上げる傾向があること、モデルがどのように結果を生み出すかを明確に示していないことなど、いくつかの欠陥があります。これらすべての問題は、人間の脳がどのように機能するかという概念に依存する「コネクショニスト」ニューラルネットワークに典型的なものです。

これらの問題は、人間の脳の動作の概念に依存する「コネクショニスト」ニューラルネットワークの典型的な問題です。

古典的 AI は記号 AI とも呼ばれます。「シンボル」入力から解釈されるルールや事実など、人間の知識を宣言的な形式でわかりやすく表現しようとします。これは、論理ルールを使用して事実と出来事を結び付けようとする AI の一分野です。

1950 年代半ばから 1980 年代の終わりにかけて、記号 AI の研究がかなりの活動を見せました。

1960 年代と 1970 年代、技術の進歩により、研究者たちは機械と自然の関係を調査するようになりました。彼らは、記号技術が最終的にはインテリジェントなマシンをもたらすと信じており、それが彼らの学問分野の長期的な目標と見なされていました。

これに関連して、ジョン・ハウゲランド氏は 1985 年の著書『人工知能: まさにそのアイデア』の中で、「古き良き人工知能」または「GOFAI」という言葉を生み出しました。

GOFAI メソッドは不活性な問題に最適ですが、リアルタイムの動的問題には決して適していません。人工ニューラルネットワークはパターン認識を優先するのに対し、それは抽象的な推論としての知性の限定された定義を支持します。その結果、後者の「コネクショニスト」つまり非象徴的な方法が最近注目を集めています。

非記号 AI はどのように機能するのでしょうか?

非記号的人工知能の起源は、人間の脳とその精巧な神経接続の網をシミュレートする試みです。

問題の解決策を見つけるために、非記号 AI システムは記号表現の操作を控えます。代わりに、解決策に到達する方法を最初に正確に理解せずに、問題を解決することが経験的に証明されている原則に基づいて計算を実行します。

ニューラルネットワークとディープラーニングは、非記号 AI の 2 つの例です。非記号 AI は「コネクショニスト AI」としても知られており、Google の自動移行エンジン (パターンを検索する) や Facebook の顔認識プログラムなど、現在のいくつかの人工知能アプリはこの方法論に基づいています。

ハイブリッド AI の登場

ハイブリッド人工知能のコンテキストでは、シンボリック AI は、実際のタスクを処理する非シンボリック AI に対する「サプライヤー」として機能します。シンボリック AI は、この有利な点から非シンボリック AI に適切なトレーニングデータを提供します。次に、シンボリック AI によって伝達される情報は、人間、つまり業界のベテラン、対象分野の専門家、熟練労働者、およびエンコードされていない部族の知識を持つ人々によって強化されます。

Web 検索はハイブリッド AI の一般的な用途です。ユーザーが「1 GBP to USD」と入力すると、検索エンジンは通貨換算チャレンジ (シンボリック AI) を検出します。機械学習を使用して Web 結果 (非シンボリック AI) を取得、配置、表示する前に、ウィジェットを使用して変換を実行します。これは基本的な例ですが、ハイブリッド AI がより複雑な問題に適用された場合にどのように機能するかを示しています。

MIT-IBM Watson AI Lab 所長の David Cox 氏によると、ディープラーニングとニューラルネットワークは「世界の混乱」の中で繁栄しますが、シンボリック AI はそうではありません。ただし、前述したように、ニューラルネットワークとディープラーニングには両方とも限界があります。さらに、敵対的データと呼ばれる敵対的なインスタンスの影響を受けやすく、AI モデルの動作に予測不可能で損害を与える可能性のある影響を与える可能性があります。

ただし、シンボリック AI とニューラルネットワークを組み合わせると、エンタープライズ AI 開発の強固な基盤を確立できます。

エンタープライズ環境でハイブリッド AI を使用する理由

大規模なニューラルネットワークをトレーニングするにはデータが不十分である、または標準的な機械学習ではすべての極端なケースに対処できないというビジネス上の問題は、ハイブリッド AI を実装するのに最適な候補です。ニューラルネットワークソリューションが差別、完全な開示の欠如、または過剰適合関連の懸念を引き起こす可能性がある場合、ハイブリッド AI が役立つ可能性があります (つまり、AI が現実世界のシナリオで苦戦するほど大量のデータでトレーニングする)。

代表的な例は、AI コンサルティング会社である Fast Data Science による AI への取り組みです。目的は、臨床試験の潜在的な危険性を評価することです。

ユーザーは、臨床試験の実施計画を詳しく説明した PDF 文書をプラットフォームに送信します。機械学習モデルは、場所、期間、被験者数、統計変数などの重要な試験特性を特定できます。機械学習モデルの出力は、手動で作成されたリスクモデルに組み込まれます。このシンボリックモデルは、これらのパラメーターをリスク値に変換し、ユーザーに高、中、または低リスクを示す信号機として表示されます。

プロトコルデータをリスク値に変換するための合理的かつ論理的なルールを指定するには、人間の知性が不可欠です。

2 番目の図は Google の検索エンジンです。これは、トランスフォーマーなどの革新的な深層学習ツールやナレッジグラフなどのシンボル操作メカニズムで構成される、洗練された包括的な AI システムです。

課題は何ですか?

すべての問題を同等に解決できる手法や手法の組み合わせはありません。したがって、それらの機能と制限を理解する必要があります。ハイブリッド AI は特効薬ではなく、記号 AI と非記号 AI はどちらも、それ自体が強力なテクノロジーであり続けるでしょう。専門家の理解や日常生活からのコンテキストが機械で判読できることがほとんどないという事実も、もう 1 つの障害となっています。人間の専門知識を AI トレーニングデータセットにコーディングすると、別の問題が発生します。

ほとんどの組織は、私たちの生きている世界の複雑なごちゃ混ぜを AI が理解できるコンテキストに配置することで生じる、認知的、計算的、二酸化炭素排出量、および財務上の障壁を十分に認識できていません。したがって、有意義な方法での AI 実装のタイムラインは、予想よりもはるかに長い時間がかかる可能性があります。

今後の方法

AI への取り組みには問題があることがよく知られています。量産において重要な結果につながるパイロットとプロトタイプは 10 件中 1 件のみです。

進歩的な企業は、シングルモード AI モデルの限界をすでに認識しています。彼らは、汎用性があり、保存されたデータをより深く掘り下げることができ、より安価で、はるかに使いやすいテクノロジーの必要性を痛感しています。

ハイブリッド AI は、すべてではありませんが、これらの問題の一部に対する解決策を提供します。シンボリック AI と ML を統合しているため、金融や医療などの業界にとって不可欠な説明可能性を維持しながら、各アプローチの利点を効率的に活用できます。

ML は説明可能性が重要ではない問題の特定の要素に焦点を当てる場合がありますが、シンボリック AI は透明で容易に理解できる経路を使用して意思決定に到達します。 AI へのハイブリッドアプローチは、年が経つにつれてますます普及していくでしょう。