AI には、従来は人間によるインプットが必要だった複雑な新しいテクノロジーが多数含まれており、現在はコンピュータで実行できます。コンピュータは高度な機能を実行できます。これらの機能は、情報の理解や推奨のために従来から使用されていました。今では、AI を活用することで、コンピュータは新しいコンテンツを生成することもできます。
頭字語 AI は、AI 分野を構成するさまざまなタイプのテクノロジーを表すためによく使用されます。
一般的な AI のコンセプト
AI と ML を定義する用語と概念は数多くあり、役に立つかもしれません。ウェブで実際に AI を活用する方法をいくつかご紹介します。
一般的な AI
大まかに言えば、一般的な AI は、幅広い問題解決と創造性を示す人間以外のプログラムまたはモデルです。modelとは、マシンが出力を返すために必要なパラメータと構造のセットを含む、非常に大きな数式です。
一般的な AI を使用すると、データの分析、テキストの翻訳、音楽の作曲、疾患の特定など、複数のタイプのタスクを実行できます。
限定的な AI
Narrow AI は、単一または特定のタスクのサブセットを実行できるシステムです。たとえば、相手とチェスのゲームをするコンピュータなどです（メカニカル タークとは異なります）。Narrow AI には、パラメータ、制約、コンテキストが事前に定義されています。これらは理解のように見えるかもしれませんが、実際には方程式の解答にすぎません。
これは、顔認識システム、音声アシスタント、天気予報で実際によく見られます。高度に具体的なモデルを使用して、ウェブサイトとアプリの特定の特定の機能を改善できます。
たとえば、映画専用のサイトを作成し、ユーザーがログインしてお気に入りの映画を評価したり、新しい映画を見つけたりできるとします。事前入力されたデータベースを使用して、ユーザーが現在アクセスしているページに基づいて映画をおすすめします。または、ユーザーの行動や好みを分析する狭い AI モデルを使用して、その読者に最も関連性の高い情報を表示することもできます。
生成 AI
大規模言語モデル（LLM）は、テキストや画像の生成、分類、要約などのさまざまなタスクの実行に使用できる多くのパラメータを持つニューラル ネットワーク AI モデルです。
生成 AI は、入力に応答し、LLM のコンテキストとメモリに基づいてコンテンツを作成します。これはパターン マッチングや予測にとどまりません。最も一般的な生成 AI ツールには、次のようなものがあります。
これらのツールを使用して、文章、コードサンプル、画像を作成できます。休暇の計画、メールのトーンを和らげたりプロフェッショナルなトーンにしたり、さまざまな情報をカテゴリに分類したりするのに役立ちます。
デベロッパーにとっても非デベロッパーにとっても、ユースケースは無限にあります。
機械学習（ML）
ML は AI の一種であり、明示的なプログラミングを行わずにコンピュータが学習します。AI がインテリジェンスを生成しようとするのに対し、ML を使用するとコンピュータは経験から学習できます。ML は、データセットを予測するアルゴリズムで構成されています。
ML は、有用な予測を行ったり、データからコンテンツを生成したりするためにモデルをトレーニングするプロセスです。
たとえば、特定の日の天気を評価するウェブサイトを作成するとします。従来は、1 人以上の気象学者が地球の大気と地表を表現し、気象パターンを計算して予測し、現在のデータを過去のコンテキストと比較して評価を決定していました。
気象パターン、過去のデータ、特定の日の天気の良し悪しに関するガイドラインをモデルが学習するまで、ML モデルに膨大な量の気象データを与えることができます。これはウェブで構築されています。
ディープ ラーニング
ディープ ラーニング（DL）は ML アルゴリズムの一種です。1 つの例として、人間の脳が情報を処理すると考えられている方法をモデル化しようとするディープ ニューラル ネットワーク（DNN）があります。
AI に伴う課題
AI を構築して使用する際には、いくつかの課題があります。以下は、考慮すべきことのほんの一例です。
データの品質と鮮度
さまざまな AI モデルのトレーニングに使用される大規模なデータセットは、多くの場合、使用後すぐには本質的に古いものになります。つまり、最新情報を探すときに、プロンプト エンジニアリングを利用すると、特定のタスクに対する AI モデルのパフォーマンスを向上させ、より優れた出力を生成できます。
ユースケースによっては、データセットが不完全であったり、小さすぎたりする場合があります。複数のツールを使ったり、ニーズに合わせてモデルをカスタマイズしたりすると便利です。
倫理や偏見に関する懸念
AI テクノロジーは刺激的で、多くの可能性を秘めています。しかし、最終的にはコンピュータとアルゴリズムは人間によって構築され、人間が収集したデータでトレーニングされるため、いくつかの課題が存在します。たとえば、モデルは人間のバイアスと有害なステレオタイプを学習して増幅し、出力に直接影響を与える可能性があります。バイアスの軽減を優先事項として AI テクノロジーの構築に取り組むことが重要です
AI 生成コンテンツの著作権については、倫理的な考慮事項が多数あります。特に、著作物の影響が大きい場合、または著作物から直接コピーされる場合、出力の所有者は誰ですか？
新しいコンテンツやアイデアを生成する前に、作成するコンテンツの使用方法に関する既存のポリシーを検討してください。
セキュリティとプライバシー
多くのウェブ デベロッパーによると、AI ツールを使用する際の最大の懸念事項はプライバシーとセキュリティです。これは、政府やヘルスケア企業のように、データ要件が厳しいビジネスの状況では特に当てはまります。Cloud APIs でユーザーデータをより多くのサードパーティに公開することは懸念事項です。どのようなデータ転送においても、安全性を確保し、継続的に監視することが重要です。
オンデバイス AI は、これらのユースケースに対処する鍵となる可能性があります。MediaPipe は、この問題に対して開発中のソリューションの一つですが、まだ多くの研究開発が残されています。
ウェブで AI を使ってみる
さまざまな種類の AI について理解したところで、既存のモデルを使用して生産性を高め、ウェブサイトやウェブ アプリケーションを改善する方法を検討してみましょう。
AI は次のような用途に活用できます。
- サイト検索の予測入力機能を改善します。
- スマートカメラで、人間やペットなどの一般的な物体の存在を検出する
- 自然言語モデルを使用してコメントスパムに対処する。
- コードの予測入力を有効にして生産性を向上させます。
- 次の単語や文の候補を表示する WYSIWYG 文書作成エクスペリエンスを作成します。
- データセットについて、人間が理解しやすい説明を与えます。
- その他...
事前トレーニング済み AI モデルは、数学モデルを構築し、最も一般的な AI ツールを強化する複雑なデータセットを収集する方法を完全に理解しなくても、ウェブサイト、ウェブアプリ、生産性を向上させる優れた方法となります。
ほとんどのモデルは、追加調整しなくても、すぐにニーズに合ったものが見つかるかもしれません。 チューニングは、大規模なデータセットですでにトレーニングされているモデルを取り込み、特定の使用ニーズに合わせてさらにトレーニングするプロセスです。モデルをチューニングするには、いくつかの手法があります。
- 人間からのフィードバックを用いた強化学習（RLHF）は、人間のフィードバックを使用して、人間の好みや意図とのモデルの整合性を改善する手法です。
- 低ランク適応（LoRA）は、モデルのパフォーマンスを維持しながらトレーニング可能なパラメータの数を減らす、LLM のパラメータ効率の高い手法です。