AI（人工知能）とは何ですか？

AIは、言語の理解やパターンの認識など、通常は人間の知能を必要とするタスクを実行するために構築されたツールやシステムの総称です。AIは、機械に理解、コミュニケーション、学習、問題解決、創造の能力を与えます。AIは、コンピューターサイエンス、データサイエンス、言語学、神経科学、哲学（特に論理学の研究）、心理学など、いくつかの分野の産物です。

> AIはデータ分析における変革的なパラダイムを示し、人間の能力をはるかに超えるスケールと速度で洞察を可能にします。今日では、世界中の企業がデータの取得、相関、処理などのタスクにAIを使用しています。オブザーバビリティ、サイバーセキュリティ、顧客エクスペリエンス、リスク管理などの日常的なアプリケーションに統合されています。

1950年、Alan Turing（第二次世界大戦の有名な暗号解読者）は、機械知能の概念を発展させた『Computing Machinery and Intelligence』を出版しました。¹その後、1956年にJohn McCarthyが人工知能に関するダートマス夏季研究プロジェクトを設立し、「人工知能」という用語を作り出し、AIを研究分野として確立しました。²

最初のチャットボットであるELIZAは、1966年にJoseph Weizenbaumによって作成されました。³ ELIZAは自然言語処理（NLP）を使用して人間のやり取りを模倣し、ユーザーをだまして心理療法士であると信じ込ませました。

その後、「AIブーム」で知られる1980年代が到来しました。⁴この時代は、エキスパートシステム（意思決定を模倣するルールベースのプログラム）に焦点が当てられており、ディープラーニングや大規模言語モデル（LLM）はまだ数十年先の話でしたが、マシンインテリジェンスの可能性に対する関心が高まりました。

1980年代後半、期待が高すぎたり、計算パワーが限られていたり、結果が期待外れだったことから停滞期が続き、熱意も資金も枯渇しました。この期間は「AIの冬」として知られるようになり、1990年代後半から2000年代初頭にかけて関心が再燃し、AIエージェントが導入され、自動化機能が強化されるまで続きました。2002年の初代ルンバから、2004年に火星に着陸したNASAの「Spirit and Opportunity」ローバー、SNSによるAI機械学習（ML）ベースのレコメンデーションエンジンやNetflixまで、AIはいたるところに存在しました。2011年には、IBMのWatsonとAppleのSiriという2つの大きなAIの成果がありました。このように、AIは日常生活の一部になりましたが、依然として主にエンジニアと企業によって制御されていました。

2022年になると、OpenAIによるChatGPTの立ち上げにより、生成AIが一般の人々にとって手軽に使えるようになりました。GoogleのBERT5は2018年に立ち上げられましたが、ChatGPTは世界的なゲームチェンジャーとなり、イノベーションの新しい時代を切り開きました。この現象は新しいAIブームと呼ばれることもあり、AIの採用における重要なマイルストーンです。

AIは現代の技術革新の重要な基盤であるため、重要です。すべての新しい技術がAIを使用するわけではありませんが、AIは裏でよく使われています。生成および消費されるデータの量が増加し、デジタルエコシステムがますます複雑になるにつれて、組織は業務を明確に把握することが難しくなる可能性があります。

AIは、正しく使用すれば、組織が複雑なデータ関連のタスクを大規模に実行できるように支援する非常に貴重なツールとなります。高度なAIテクノロジーにより、ビジネス上の意思決定を促進するデータ関連の操作の速度と精度が向上します。例えば、需要予測では、AIが過去の販売データを分析して、注文する在庫の量を予測できます。AIは、私たちの働き方や生活を変革することで、最高のイノベーションを推進します。

導入が進むにつれて、AIは日常的で反復的なタスクを引き継ぎ、人間が創造的で批判的思考を必要とするより価値のあるタスクに自由に取り組める可能性を秘めています。しかし、AIの性能は、トレーニングされたデータと技術の高度さによって決まります。

AIは、機械学習、深層学習、自然言語処理、ニューラルネットワークを用いてデータを分析し、パターンを認識し、人間の認知の側面をシミュレートします。

機械学習

機械学習は、アルゴリズムを使用してデータポイント間のパターンや関係を認識し、データから学習して、時間の経過とともにタスクのパフォーマンスを向上させます。この基本原理により、コンピューターは新しいコンテキストで予測を行うことができます。機械学習は、感情を認識してそれに応答し、新しいデータや変化する環境に適応するAIの能力を支えています。感情分析、異常検知、画像認識、予測分析などのAI機能を担当します。

組織は、新しいデータを用いて事前にトレーニングされた機械学習モデルを使用するか、ゼロからモデルをトレーニングすることができます。

自然言語処理

自然言語処理（NLP）は、機械学習アルゴリズム、ディープラーニング、計算言語学を利用してコンピューターに人間の言語（または自然言語）を教えるAIの一種です。NLPは、音声認識、セマンティック検索、チャットボット、その他の言語関連アプリケーションを可能にするテクノロジーの基盤層です。

NLPのおかげで、コンピューターは人間の言語を認識、処理、理解、生成できるようになります。

ニューラルネットワーク

ニューラルネットワークは、ディープラーニングを可能にする機械学習アルゴリズムの一種です。これらのアルゴリズムは、人間の脳（つまり「ニューラル（神経）」）の構造をモデルにしており、高度なパターン認識技術を特徴としています。ノードの層が複雑で膨大なデータセットを分析します。

ディープニューラルネットワークの入力層と出力層の間にある複数の層により、ディープラーニングが可能になります。これにより、データの特徴を自動的に抽出できます。ニューラルネットワークは脳の正確なレプリカではありませんが、その構造と機能に触発された単純化された計算モデルで、強力なパターン認識を可能にします。

深層学習

ディープラーニングは、機械学習のサブセットで、多層ニューラルネットワークを使用して大量のデータから特徴を自動的に学習して抽出します。これらのモデルは、人間の脳の構造から着想を得ており、複雑なパターンの認識に優れています。

AIのトレーニングと微調整

AIトレーニングとは、データから統計パターンを学習するための機械学習アルゴリズムをトレーニングするプロセスを指します。微調整により、モデルに特定のタスクを実行するように指導します。

まず、AIのトレーニングが行われます。このトレーニングでは、アルゴリズムにデータセットが供給され、いくつかのトレーニング手法のうちの1つを用いて予測を行うことを学習します。

• 教師あり学習はパターン認識のプロセスです。ラベル付けされたデータは、データポイントとそのラベル間の関係を認識する機械学習アルゴリズムに入力されます。これらの関係間の統計的関連性を学習することで、類似したデータポイントに対する正しいラベルを予測できます。
• 教師なし学習では、ラベルのないデータでアルゴリズムをトレーニングして、隠れたパターンや構造を見つけます。タスクには、クラスタリング（類似アイテムのグループ化など）と次元削減（特定の特徴を維持しながらデータを単純化するなど）が含まれます。
• 半教師あり学習は、教師あり学習と教師なし学習のハイブリッドで、ラベル付きデータとラベルなしデータの両方を使ってモデルが学習されます。目的は、分類や回帰などのタスクにおけるモデルのパフォーマンスを向上させることです。

モデルのトレーニングが完了したら、チームは微調整を開始できます。異常検知や感情分析などの作業には、多くの場合、既存のトレーニング済みモデルを微調整する必要があります。この方法はよりスピードに優れ、リソースの消費が少なく、コスト効率が高いです。

AI は正確で関連性の高い結果を提供するためにトレーニングと微調整に依存していますが、最も重要なのはトレーニングに使用するデータの品質です。そのため、トレーニングと微調整のプロセスは、データの収集と前処理から始まります。そして、このプロセスが徹底的であればあるほど、AIの結果は良くなります。

AIは複数の技術で構成されていますが、AIにはさまざまな種類があります。

特化型AI

特化型AIは、非常に特殊なタスクを実行するようにトレーニングされます。これは、現在最も使用されているタイプのAIです。音声および音声認識システム、基本的なチャットボット（通常はルールベースまたは検索ベースで、オリジナルコンテンツを作成する生成モデルとは異なる）、レコメンデーションシステム（ストリーミングサービスで使用されるもの）が例として挙げられます。

汎用AI

汎用AIは、学習、理解、適応して、幅広いまたは一般的なユースケースにわたってさまざまなタスクを実行できる理論上のAIの一種です。

一般AIの概念をよりよく説明するために、実用的な例としてロボット工学と比較することができます。ほとんどのシステムは、依然として狭く事前に定義された機能に限定されています。環境に応じて行動を適応および調整できるロボットは、コンピュータービジョンと一部の事前トレーニングに依存して周囲を理解しますが、それらは馴染みのある状況、設定、およびパラメータに限定されています。

たとえば、ソーダ缶の中身をカップに注ぐようにプログラムされたロボットアームは、固定されたパラメーター（すなわち、同じ種類のソーダ缶、同じ部屋、同じ量の液体）でしか動作できません。ガラス瓶を渡されたり、高いテーブルのある別の部屋に置かれたり、カップではなくシャンパンフルートを渡されたりすると、失敗します。汎用AIにより、ロボットアームは飲み物を注ぐ作業を概念的に理解し、新しいコンテナ、環境、制約にその動作を適応させることができます。

生成AI

生成AIは、新しいオリジナルのテキスト、コード、ソフトウェア、画像、ビデオを生成または作成できる機能によって他と区別されます。生成AIは、機械学習を利用してユーザーとのやり取りに適応し、学習します。また、LLM、NLP、ニューラルネットワーク、ベクトルデータベース、いくつかのタイプのアルゴリズムを使用して、プロンプトを分析し、対応を生成します。

生成AIモデルは、さまざまなデータポイント間の関係を学習するために、大規模なデータセットでトレーニングされます。このタイプのパターン認識により、生成AIモデルはプロンプトやクエリに応じて予測を行うことができます。したがって、生成AIが新しいコンテンツの形で応答を生成する場合、この応答は非常に洗練された予測の産物となります。

15の生成AIユースケースを深く掘り下げます。

適切に訓練されたAIは、さまざまな業界で企業や個人に大きな利益をもたらします。その強力な自動化機能により、さまざまなアプリケーションで効率と精度を向上させ、パーソナライゼーションを通じて顧客体験を高め、業務の最適化により組織のコスト管理を支援します。

• 効率の向上：AIを活用した自動化は、効率を向上させようとする組織にとって画期的なものです。サイト信頼性エンジニア（SRE）がパフォーマンスの監視と最適化を支援するためにAIを使用する場合や、カスタマーサービス担当者が問い合わせに対応して従業員が優先度の高いケースに集中できるようにするためにAIを使用する場合、AIが大量のデータをスケールで処理する能力が効率向上の鍵となります。
• ビジネス上の意思決定の改善：高度で十分に訓練されたモデルを使用する場合、AIによる大規模なデータ分析機能は人間の能力を大幅にサポートできます。根本原因分析やリスク管理の場合、AIはより正確な洞察を提供し、人的エラーを最小限に抑えます。これは、データ主導のより良いビジネス面での意思決定につながります。
• 顧客体験の向上：AIを活用した検索により、顧客に洗練された会話型の検索体験を提供し、関連性の高い検索結果を表示できます。24時間365日利用可能なチャットボットからAI対応のパーソナライゼーション機能まで、顧客はより迅速なサービス、カスタマイズされたエクスペリエンス、より効率的な問題解決の恩恵を受け、ブランドに対する全体的な満足度とエンゲージメントが向上します。AIを活用したデジタル顧客体験戦略の構築方法を学びましょう。
• コスト削減：効率と正確性の向上、業務の最適化、顧客体験の向上によるブランドロイヤルティの強化により、AIは最終的には収益にプラスの影響を与えます。実際、ITリーダーの82%は、リアルタイムでデータを取り込み、ビジネス上の意思決定のためにデータ分析ツールを使用し、AIをデータ主導の洞察に活用することで収益を増やせると考えています。

AI は組織やユーザーに多くの利点をもたらし、近年急速に開発と導入が進んでいますが、依然として限界があり、議論に値する課題を抱えています。

• バイアス：AIの性能は、訓練されたデータの質に依存します。そして、偏ったデータ、特に人々が偏っていると認識していないデータで AI を訓練することには、本質的な危険が伴います。これは無意識の偏見を強め、実際の応用において壊滅的な結果をもたらす可能性があります。請求の処理にAIを活用している医療機関や、犯罪捜査にAIを使用している法執行機関を考えてみてください。履歴書の審査に使われる一部のAIシステムはバイアスを示し、女性に関連する用語を含む履歴書にペナルティを与えたり、女子大出身の候補者の評価を下げたりしています。
• 倫理的懸念：AIは多くの倫理的な疑問を提起します。AIが個人データや明示的に同意のない個人の知的財産であるデータでトレーニングされている場合、人々に知られずに街頭カメラの映像でトレーニングされた顔認識モデルを使用している場合など。特に、生成AIは著作権侵害や肖像権の盗用に関連する多くの疑問を提起しています。AIの責任ある倫理的な使用は、規制当局や組織にとって継続的な懸念事項です。
• 雇用の喪失：AIは人間のスキルを強化するツールとしての使用を目的としていますが、その自動化機能は、すでにエンターテイメントから製造に至る多くの業界で雇用の喪失を生んでいます。
• 説明可能性：ディープラーニングモデルは非常に複雑なアルゴリズムで、ブラックボックスのように機能します。これにより、意思決定プロセスを理解することが難しくなり、そのため、対応の妥当性や正確性を確認することが難しくなります。

これらの課題は、個々のユーザー、組織、政府による慎重な検討が必要です。AIは、民主化と包括性を大きく推進する可能性を秘めています。これらの利点を最大限に活用するには、意思決定者が責任ある倫理的な使用を促進し、実施する必要があります。

組織は、幅広い業界やユースケースにAIを適用しています。

エンタープライズAIアプリケーション

組織にとって、AIは業務、サイバーセキュリティ、意思決定に革命をもたらしています。

• データ分析：AIを活用したデータ分析は、オブザーバビリティとサイバーセキュリティの生命線です。膨大で多様なデータセットを分析するAIの機能により、組織はさまざまなドメイン間で情報を関連付けてより良いビジネス洞察を獲得し、異常検知と根本原因分析を向上させることができます。
• カスタマーサービス：チャットボットとバーチャルアシスタントは、カスタマーサービスエージェントがチケットを振り分け、24時間体制で個別対応のサービスを提供するのに役立ちます。AIは、顧客エンゲージメントと全体的な結果の関連性を向上させるレコメンデーションエンジンや会話型検索機能に利用できます。

業界固有のAIの利用

一部の業界ではAIが数十年にわたって活用されていますが、製造やヘルスケア（特に患者に直接対応する医療）などの業界では、独自の課題に対処するために AI の導入が今まさに始まっています。

• ヘルスケア：AIは診断、個別化治療計画、創薬プロセスの加速に使用されます。
• 金融：不正検出システム、アルゴリズム取引、クレジットリスク評価のいずれも、複雑な金融データを処理および分析するAIの能力によって強化されます。
• 製造業：AIは危険で反復的な作業を引き継げるようロボットを支援し、予測メンテナンス、品質管理、サプライチェーンの最適化を可能にします。
• 小売業： AIはパーソナライズされた製品の推奨と需要予測を提供し、顧客体験を向上させ、業務を合理化します。

消費者向けAIアプリケーション

「ヘイ、Siri！」から「Alexa、…を再生して」まで、AIは人々の日常生活に欠かせないものとなっています。こうした機能の背後にはAIがあります。

• スマートホームデバイス：インターネットの閲覧から照明のオン・オフまで、Google HomeやAmazon EchoなどのAI搭載ホームデバイスは、消費者に直接自動化をもたらします。
• パーソナライズドストリーミング：NetflixやSpotifyなどのPlatformは、AIレコメンデーションアルゴリズムを使用して、個人の好みに合わせたコンテンツを提供しています。
• フィットネスと健康アプリ：AIを搭載したツールは、コーチング、活動追跡、パーソナライズされたフィットネスプランを提供し、ユーザーが健康目標を達成するのを支援します。

組織が従来のAIを統合し、生成AIを採用し続ける中、新しい機能、新しい製品、そして新たな変革をもたらす技術的進歩が生まれ、未来は可能性に満ちています。将来的には、世界中で採用が加速するにつれて、倫理的な使用、公平性、透明性を確保する、責任あるAI開発も必要となります。

生成AIは、特にコンテンツ制作、製品デザイン、問題解決を再定義することが期待されています。一方、汎用AIは、まだ遠い目標でありながら、多様なタスクをAIが実行し、複数のマシンを制御できる統合的なAIの「脳」を思い描く科学者やイノベーターたちの究極の願望であり続けています。

検索技術と人工知能を融合させた「Search AI」は、知識の共有と業務効率の向上、社内プロセスの合理化、顧客体験の向上を実現します。検索は、膨大なデータセットから関連性の高い結果を瞬時に返す機能により、情報検索に革命をもたらしましたが、文脈を完全に理解し、より深い洞察を生み出すことにはまだ苦労しています。AIは複雑なパターンを分析し、洞察を生み出すことには優れていますが、膨大なデータストア内の特定の情報を見つけてアクセスする精度に欠ける可能性があります。AIと検索技術を組み合わせることで、両者の長所を最大限に活かし、活用されていない非構造化データを必要な回答に変換する独自の能力が生まれます。

ElasticのSearch AI Platformは、エンドツーエンドのソリューションとして、活用されていない非構造化データの急激な増加を適切な回答、インパクトのある行動、有意義な結果に変えます。これにより、組織はより良い意思決定、効率の最大化、イノベーションの推進、顧客体験の向上、運用のレジリエンスの向上、セキュリティリスクの軽減を実現できます。

Search AI Platformは、Elasticのすぐに使える2つのソリューションであるElastic ObservabilityとElastic Securityの基盤となっています。次世代の生成AIを活用したアプリケーションとサービスを構築しようとしている開発者にとって最適なプラットフォームです。このプラットフォームはオープン設計で、パフォーマンスを重視して構築され、イノベーションを重視しています。

Elastic Search AIの詳細をご覧ください。

• ビジネスにおけるAIの総合ガイド
• サイバーセキュリティにおけるAIの総合ガイド
• サイバーセキュリティにおけるAIの導入：主なユースケースと避けるべき誤り
• AIを活用したデジタル顧客体験戦略を構築する方法
• 行政におけるAI
• Search AIとは？
• 生成AIとは何ですか？
• 会話型AIとは？

AIは検索と発見にどのように利用されていますか？

最新の検索システムはAIを活用して、キーワードの一致を超え、セマンティクス、コンテキスト、ユーザーの行動を分析します。AIモデルは、関連する結果を優先し、他の方法では見過ごされがちな洞察を浮かび上がらせます。これは、コンシューマーアプリケーションとエンタープライズ環境の両方で重要です。

さらに、AI は、コンテキスト、言い回し、ユーザーの行動を考慮して言語をより正確に解釈することで検索を改善します。AIを活用することで、クエリが不完全または曖昧な場合でも、システムは関連情報を提示できます。これは、大規模または複雑なデータセットにおいて特に有用です。

Search AIで非構造化データを戦略的な優位性に変換します。

AIと機械学習（ML）の違いは何ですか？

AIはルールベースのシステムからロボット工学まで幅広い技術をカバーしていますが、MLは特に統計的手法を用いてデータから学習します。AIは、機械で人間のような知能をシミュレートするあらゆる方法を含む、より広範な分野です。MLはAIにおけるデータ主導型のアプローチで、アルゴリズムはハードコードされたルールに頼るのではなく、経験から学びます。

機械学習とAIの違いを深く掘り下げます。

生成AIとは何ですか？従来のAIとどう違うのですか？

入力に基づいて識別または応答する従来のAIとは異なり、生成AIはまったく新しい出力を生成します。データから構造、スタイル、関係性を学び、それを活用して新しい結果を生み出します。従来のAIは通常、分析、分類、予測に重点を置きますが、生成モデルは、AIの役割を意思決定支援からコンテンツ作成にまで拡大します。

1. A. M. Turing, "Computing Machinery and Intelligence," Mind 49: 433–460, 1950年

2. Dartmouth, "Artificial Intelligence Coined at Dartmouth," 1956年

3. Joseph Weizenbaum, Communications of the ACM, 『ELIZA—人間と機械の間の自然言語コミュニケーションを研究するためのコンピュータプログラム』, 1966年。

4. Thomas Haigh, "Historical Reflections: How the AI Boom Went Bust," 2024年

5. Devlin, Jacob, "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding," 2019年