Issue link: https://trendsintech-japan.mouser.com/i/1540382
AI の普及 LLM を超えた AI とは？ ベックス・シンプソン、マウザー・エレクトロニクス 人工知能（AI）は、あらゆる場所に 存在しているようです。大小を問わ ず、あらゆる企業のウェブサイトの 検索バーに突然追加されました。メ ールを作成したり、共有ドキュメント に技術的なメモを書いたりしている と、どこからともなく「AI の助けを 借りますか？」というメッセージが 表示されます。毎日新しいソリュー ションが登場し、ユーザーに「デー タとチャット」や「ドキュメントと チャット」機能を提供しています。 AI はここ数年、革新と人気のサイク ルを経験していますが、現代の大規 模言語モデル（LLM）の登場により、 あらゆる製品に AI を組み込み、企業 のあらゆる問題に対するソリューシ ョンとして提供しようとする競争が 激化しています。新しい AI 搭載機能 の大部分は、何らかの形でこれらの LLM を活用しており、コンテンツの 生成から要約まで、さまざまな文章 作成タスクにおいて優れた機能を発 揮しています。AI が法律、会計、ソ フトウェアエンジニアリングなど、よ り微妙で複雑な分野に進出していく につれ、人々は、この種の AI であら ゆる問題が解決できると信じがちで すが、残念ながらそうではありませ ん。多くのユースケースとその後の データタイプは、LLM を活用した生 成型 AI が、そのブームにもかかわら ず万能薬ではないことを示していま す。この記事では、コンピュータビ ジョンや時系列分析から、従来の機 械学習（ML）や強化学習（RL）に至 るまで、AI の応用分野を幅広く探求 し、AI の世界は LLM よりも広く、多 くの場合、その用途に適したより優れ たツールが存在することを示します。 LLM はすべてに使える？ 実はそうではありません LLM は、最も強力で広範な AI の形 態のひとつであり、現在のブームに より、企業はあらゆるエンタープライ ズユースケースで LLM を成功裏に導 入できると信じているかもしれませ ん。しかし、その考えは誤っていま す。まず、すべての問題が言語に基 づくわけではありません。LLM は通 常、入力データと必要な出力がテキ ストベース（文書、説明、指示、要 約など）であることに依存していま す。ただし、一部のデータは、純粋 に構造化された数値形式であり、膨 大な量で、時間の経過とともに複雑 なパターンが浮かび上がってきます （例：長年にわたる取引、数値、支 出額などを網羅した銀行データ）。 その他のユースケースでは、衛星デ ータや医療用スキャン画像などの画 像が入力として必要となります。一 部の LLM にはマルチモーダル機能 がありますが、このようなより複 雑で特殊な画像ニーズにはうまく対 応できません。予測メンテナンス などのその他のアプリケーションで は、録音やその他のセンサデータ（ 時系列およびマルチモーダルの両 方）が入力として必要となる場合が あり、言語ベースの生成型 AI はまっ たく役に立たない可能性が高いです。 第二に、すべてのソリューションが 生成型であるわけではありません。一 部のソリューションは、回帰や分類 を必要とします。一部重なる部分も あります 例えば、生成型AIは分 類を求められた場合に分類結果を生 成したり、サンプルセットが与えら れた場合に回帰のような形式で数値 を生成したりできます（ドメインが 十分にニッチな場合） しかし、生 成モデルはそれらのパターンに曝露 されていないため、正しい出力を生 成できない場合があります。時には、 質問がデータセット固有のものであ り、データセット全体を検査（つま り、データセットから学習する）こと でしか回答できない場合もあります。 最後に、生成AIは過剰な場合もあ ります。多くの問題には、生成AI を必要としない、実績のある数学 的または統計的な解決策がありま す。例えば、物流や配送におけるス ケジューリングやルート選択などの アプリケーションでは、経路最適化 のための既知のアルゴリズムを活 用できます。これらのアルゴリズム は、実装がより単純で、特定の課題 に限定されており、したがって、デ ィープラーニングとその関連するオ ーバーヘッドを必要とせずに、より 正確な結果を得ることができます。 5 |