生成AI

競争優位性を得るために、ビジネスリーダーはまず生成AIとは何かを理解する必要があります。

生成AIは、学習データから文章、画像、音声などの一見新しく現実的なコンテンツを生成できる、一連のアルゴリズムです。最も強力な生成AIのアルゴリズムは、ラベルのない膨大な量のデータを自律的に学習して、幅広いタスク向けに基本パターンを特定する基盤モデルの上に構築されます。

たとえば、大量の文字・文章で学習させた基盤モデルGPT-3.5は、質問応答、文章の要約、感情分析に適応できます。また、マルチモーダル（文章から画像を生成）の基盤モデルであるDALL-Eは、画像の作成や、画像の元のサイズ以上への拡大、既存の絵画のバリエーションの作成に適応できます。

このような新しいタイプの生成AIは、AIやデータサイエンスの深い専門知識がない組織においても、AIの導入を大幅に加速させる可能性を秘めています。大幅なカスタマイズにはまだ専門知識が必要ですが、特定のタスクに生成モデルを採用することは、APIやプロンプトエンジニアリングによって、比較的少量のデータや事例で実現できます。生成AIがサポートする機能は、以下の3つのカテゴリーにまとめることができます。

• コンテンツやアイデアの生成。 動画広告から抗菌作用を持つ新しい蛋白質まで、さまざまなモダリティにわたって新しい独自のアウトプットを生み出す。 
• 効率性の向上。 Eメールの作成、コーディング、大量の文書の要約など、手作業や繰り返しの作業を加速する。 
• 体験のパーソナライゼーション。 パーソナライズされた顧客体験を提供するチャットボットや、特定の顧客の行動パターンに基づくターゲット広告など、特定のオーディエンスに合わせてカスタマイズしたコンテンツや情報を作成する。  

生成型AIシステムは、それぞれの組織のコンテクストで機能させるために必要な学習データとコンピューティングパワーの不足により、以前はアクセスできなかったAI能力を民主化しつつあります。AIの普及は良いことですが、組織が適切なガバナンス構造を備えていない場合には問題になることがあります。

生成AIのガバナンスにまつわる倫理的問題
ユーザーがこれらのシステムを試用する際には、対処すべき重大な倫理的問題があります。

• 未知の能力。 ChatGPTのような大規模な生成AIシステムには、開発段階で計画されていない、開発者にとっても未知で予想外のスキルや危険性がある可能性が見えてきました。これは、予期せぬ使い方を効果的に管理するための適切なガードレールがなければ、深刻な脅威となり得ます。 
• バイアスと毒性。 生成AIのアウトプットは、その学習に使用されたデータと同様の偏りをもったものになります。現在よく使われている言語モデルの多くは、インターネットの荒野で訓練されたもので、そこには多くのバイアスがあり、有害な言葉や考え方が存在します。 
• データの流出。 多くの企業は、機密情報がAIモデルに取り込まれて公の場に流出することを恐れ、従業員がChatGPTに機密情報を入力することを禁止するポリシーを早々に導入しています。  
• 幻覚。 ChatGPTは、きわめて説得力のあるように聞こえるものの、100％間違っている議論をすることがあります。開発者はこれを「幻覚」と呼んでいますが、AIモデルから得られる答えの信頼性を損なう可能性があります。  
• 透明性の欠如。 生成AIモデルは現在、生成するコンテンツの基礎となる事実の帰属を提供していないため、生成されたアウトプットの正しさを検証することができず、AIモデルの幻覚がもたらす危険性をさらに高めています。  
• 著作権に関する議論。 AIモデルが使用するデータセットは公衆インターネットから抽出されたものなので、次のような法的な疑問が生じます。「これらのモデルが生成するコンテンツは結局、著作権のある作品の複製にならないだろうか」 

テキストモデルの種類

• GPT-3（Generative Pretrained Transformer 3）は、大規模なテキストデータで事前訓練された自己回帰モデルで、高品質の自然言語の文章を生成します。GPT-3は、言語翻訳、要約、質問応答など、様々な言語タスクに対応できるように柔軟に設計されており、微調整が可能です。
• LaMDA（Language Model for Dialogue Applications）は、GPTと同様に、高品質の自然言語の文章を生成するために事前に訓練されたトランスフォーマー言語モデルです。ただし、LaMDAはオープンエンドの会話のニュアンスを拾うことを目標に、会話を通じた学習が施されています。
• LLaMAはGPT-4やLaMDAと比較すると小型ながら高性能の自然言語処理モデルを目指しています。トランスフォーマーをベースとした自己回帰型言語モデルですが、より多くのトークンで訓練することで、より少ないパラメータ数で性能を向上させています。

• GPT-4はGPTクラスのモデルの最新リリースで、画像とテキストの入力を受け入れ、文章を生成できる大規模なマルチモーダルモデルです。文書内の次のトークンを予測するために事前学習された、トランスフォーマーベースのモデルです。学習後の調整処理により、事実性と望ましい行動の順守の指標に関する性能が向上しています。
• DALL-Eは、異なるデータモダリティにわたり動作し、自然言語の文章の入力から新しい画像やアートワークを作成できるマルチモーダル・アルゴリズムの一種です。
• Stable Diffusionは、DALL-Eと同様の文章入力から画像を生成するモデルですが、「拡散」と呼ばれる処理により、文章の説明と一致するまで画像のノイズを徐々に減らしていきます。
• Progenは、2億8,000万個のタンパク質サンプルで学習させたマルチモーダルモデルで、自然言語テキスト入力で特定された、望ましい特性に基づいてタンパク質を生成します。

生成AIテキストモデルを使用すると、自然言語による指示に基づいて、たとえば次のような目的でテキストを生成できます。

• マーケティングコピーやジョブディスクリプションを生成 
• 待ち時間ゼロの会話型SMSのサポートを提供 
• テキストを要約して詳細なソーシャルリスニングを可能に 
• 社内文書を検索して社内の知識共有を促進 
• 長い文書を短い要約にまとめる 
• パワーチャットボット 
• データ入力を実行 
• 膨大なデータセットを分析 
• 消費者心理を追跡 
• ソフトウエアの記述 
• コードをテストするためのスクリプトの作成 
• コード内の一般的なバグを発見 

生成AIはビジネスリーダーにきわめて大きな影響をもたらし、多くの企業がすでに生成AIに関する取り組みを開始しています。中には、独自のデータを使って微調整を行い、カスタム生成AIモデルのアプリケーションを開発している企業もあります。

企業が生成AIを活用することで実現できるメリットには以下のようなものがあります。

• 労働生産性の向上 
• 顧客体験のパーソナライズ
• ジェネレーティブデザインによるR&Dの加速 
• 新たなビジネスモデルの出現 

生成AI技術は、産業に深遠なディスラプションをもたらし、最終的には、今日世界が直面しているきわめて複雑な問題の解決の助けとなる可能性があります。短期的に成長の可能性が最も高いのは、消費財、金融、ヘルスケアの3つの業界です。

• 消費者向けマーケティングキャンペーン。 生成AIは体験、コンテンツ、商品のレコメンデーションをパーソナライズできます。 
• 金融。 パーソナライズされた投資レコメンデーションを生成したり、市場データを分析したり、さまざまなシナリオをテストして新しいトレーディング戦略を提案したりすることができます。 
• バイオ医薬品。 特定の疾患に対する何百万もの候補分子のデータを生成し、その適用を検証することで、R&Dサイクルを大幅に加速できます。  

経営幹部は自社のデータエンジニアと協働して、新しい生成AIソリューションを発見する創造的な方法を見いだし、どのソリューションが自社に最も価値をもたらす可能性が高いかを評価すべきです。生成AIはまだ黎明期にあり、企業は既成概念にとらわれずに、独自の競争優位性をもたらすユニークなアプリケーションや隠れたアプリケーションを特定しなくてはなりません。

新しいユースケースを見つけるために実験を始めるには、リーダーは以下の4つを自問する必要があります。

1. 自社のビジネス機能に不可欠な、未利用のデータがどこにあるか。 
2. そのデータは、既存の生成AIモデルの微調整に簡単に活用できるか。 
3. 既存の生成AIシステムを利用するために、そのデータを別のフォーマット（例えば、数値データから視覚データへ）に変換できるか。 
4. どのようなアウトプットを期待し、それを自社のどこで使うことができるだろうか。