ハイブリッドAIは企業がデータの価値を掘り出すための好ましい方法である

人工知能については、誰もがよくご存知だと思います。実際、人工知能には幅広い知識が含まれており、さまざまなタイプに分かれており、それぞれに長所と短所があります。

• ハイブリッドAIは単一技術アプローチの限界を克服できる
• シンボリックAIはデータだけでなく実際の知識も理解できる
• ハイブリッドソリューションはAIの「ブラックボックス」を開き、AI技術を現実世界のシナリオで広く活用するのに役立ちます。

シンボリック AI と機械学習/ディープラーニングはそれぞれ独自の利点があり、ハイブリッドな方法で組み合わせて使用​​すると強力な組み合わせになります。これにより、多くの重要なエンタープライズ アプリケーションへの道が開かれます。次に、それぞれの機能について見ていきましょう。

シンボリック人工知能

シンボリック AI は、現実世界の知識を活用して、現実世界のアイデアや概念をより深く理解できるように設計されています。これは、人間が特定のドメイン指向の記号/意味的知識を使用して周囲の環境を解釈する方法に似ています。シンボリック AI の最も重要な貢献は、自然言語処理 (NLP) と自然言語理解 (NLU) の分野にあります。

機械学習/ディープラーニング

機械学習 (ML) は、企業開発において最も広く採用されている人工知能の形式です。さまざまなデータセットを自律的に処理し、継続的に反復して適応できるため、本質的には環境のパターンを「学習」し、それに応じて応答します。自動化と自律コンピューティングの環境では、最も柔軟で価値のあるツールになります。

ディープラーニング（DL）は、ニューラルネットワークに基づいた機械学習です。相対的に言えば、DL はより良い結果を返すことができますが、計算/エネルギーコストは通常​​の ML 技術よりも桁違いに高くなる可能性があります。

非構造化データマイニング

人工知能は、生産性と収益性という 2 つの主要な企業目標を大幅に向上させる可能性を秘めています。もちろん、そのためには非構造化データの隠れた価値を効率的にマイニングし、より高いレベルの自動化を実現する必要があります。構造化されたデータ駆動型ワークフロー（その大部分は機械的で反復的な機能）だけでなく、情報集約型または非構造化データ駆動型のプロセスも実装する必要があります。

同時に、企業は、新しいテクノロジーのアプローチを、それがもたらす変化が理解しやすく、メリットが明確かつ直接的となるように、中断を伴わず、完全に透明な方法で導入することを好みます。

純粋な機械学習手法では、これらすべての要件を満たすのは困難です。本質的には、これらは「ブラックボックス」シナリオであり、内部の計算や意思決定プロセスは隠されており、説明が困難です。たとえば、自然言語処理に ML を単独で使用する場合、入力データに変更を加えるとモデルがドリフトする可能性があり、データの再トレーニングと再テストが必要になります。

シンボリック AI 学習方法と機械学習方法は相互に排他的ではありません。効果的な融合により、企業が期待する最良の結果を達成できます。これには、コアプロセスとアプリケーションの効率的なサポート、特定の AI モデルの動作の完全な透明性、エラーが大きい場合にタイムリーに修正する方法などが含まれます。

実際、ほとんどの企業では、情報の最大のリポジトリは言語形式の非構造化データです。電子メールから音声録音、法的契約から規制まで、話し言葉と書き言葉のテキストが主要なデータ ソースです。従来のコンピューティング プラットフォームは、顧客リスト、財務記録、パフォーマンス メトリックなどの構造化データの処理に優れていますが、人工知能の開発と応用により、非構造化コンテンツをコスト効率よく処理できるようになったのはごく最近のことです。

シンボリックAI

AI エコシステム全体で、記号的推論と意味的理解により、新しいモデルのトレーニングにかかる​​時間と費用を削減しながら、より正確な結果を生み出すことができます。まず、入力データの品質を向上させ、次に、膨大な量のデータをサポートするために必要な煩雑でリソースを大量に消費するインフラストラクチャを合理化します。

運用面では、ハイブリッド AI アプローチにより、AI は機械的で反復的な単純な自動化タスクを超えて、知識と専門知識を必要とするより高度な作業に従事できるようになりますが、人間の介入を必要とする戦略レベルのタスクにはまだ至っていません。

典型的な例は、機械で使用するために情報をマークするプロセスである注釈です。それは時間と労力を要する、困難で退屈な作業です。ただし、シンボリック学習環境で適切な知識ベースとグラフを利用することで、トレーニング プロセスを効果的に簡素化できます。

信頼性

前述のように、現在の AI 導入におけるもう 1 つの重要な問題は信頼性です。 ML/DL は、出力が透明でも説明可能でもないというブラックボックス問題を抱えています。

この問題は、AI トレーニング モデルが偏る領域で頻繁に発生します。 AI が人種差別や女性蔑視、その他の偏見を抱くようになるという話は数多くあるが、その主な原因は入力データがその方向に偏っていることである。これらの動作を直接観察してアルゴリズムがどのように反応するかを確認できない場合、最終的にはシステム全体が麻痺し、モデルを再トレーニングして本番環境に戻す必要があります。信頼性の問題は、主要な市場セグメントにおける購買傾向を誤って予測したり、大学入学における文化的要因を考慮しなかったりするなど、他の結果をもたらす可能性もあります。

説明可能なAI

シンボリック AI を導入することでブラック ボックスが開かれ、ユーザーはマシンが特定の方法で動作する理由と、結果が理想的でない場合にマシンを最適化するために何ができるかを理解できるようになります。さらに、この可視性により、オペレーターはプロセスを継続的に監視し、適切な調整を行うことができます。

AI は企業のデータ運用に驚くべき効果をもたらす強力なツールですが、まだ初期段階にあります。先進的な組織にとって、標準的な単一モデルの AI 反復の限界がますます明らかになってきています。必要なのは、テクノロジーの適応性を高め、データの潜在的な価値をうまく活用できるようにすると同時に、AI をより利用しやすく、より安価にする方法です。

ハイブリッド AI (パターンを単純に学習するのではなく、実際の知識を理解することに基づくシンボリック AI) は、企業が長年にわたって収集したすべてのデータの価値を引き出すための好ましい方法です。

翻訳者紹介

Zhang Yi、51CTO コミュニティ エディター、中級エンジニア。主な研究は、人工知能アルゴリズムの実装とそのシナリオアプリケーションです。機械学習アルゴリズムと自動制御アルゴリズムについてある程度理解し、習得しています。国内外の人工知能技術の発展動向、特にインテリジェントコネクテッドカー、スマートホームなどの分野における人工知能技術の具体的な実装と応用に引き続き注目していきます。

原題: AIに知識の贈り物を与えるハイブリッド、著者: Marco Varone