予測型 AI と生成 AI
生成人工知能 (生成 AI) は、データを使用して新しいものを作成します。予測型 AI はデータを使用して、将来起こり得ることを非常に高い確率で予測または推測します。そのため、多くの企業が AI を自社の利益のために活用することに意欲的になっています。
生成 AI と予測型 AI には大きな違いがあり、それぞれにユースケースがあります。AI が進化する中、これらを異なる種類の AI として区別することは、それぞれの能力やどちらが自社のユースケースに最も適しているかを明確にする上で役立ちます。
予測型 AI と生成 AI の共通点
これら 2 つの形式の AI は人間の知能をシミュレートすることができ、さらに重要なことに、人間の知能を拡張することもできます。これらは知識を獲得し、知見を適用して問題解決をサポートできる機械学習 (ML) システムです。
私たちが生涯にわたって無数の記憶や物語を収集するのと同様に、モデルも、出力を作成するために膨大な量のデータに基づいてトレーニングされます。私たちがアートを創作したり、物語を書いたり、新しいアルゴリズムを開発したりするときに創り出されるものは、おそらく過去に見たり聞いたり学んだりしたことから大きく影響を受けます。パターンを認識して複製することで出力を提供する AI モデルにも同じことが言えます。
その出力を提供する方法を AI 推論と呼びます。一般的に「AI」と呼ばれるものは、実際には AI 推論が成功したものであり、機械学習テクノロジーの長く複雑なプロセスにおける最終ステップです。
しかし、モデルが必要とするデータとメモリーが増えてくると、ハードウェアとアクセラレーターはそれに対応しきれなくなります。そして、エンタープライズレベルの戦略を実行するために巨大なモデルが必要になると、状況が複雑になる可能性があります。つまり AI 戦略の成否は、推論機能をサポートするハードウェアとソフトウェアによって決まることになります。
Red Hat のリソース
予測型 AI と生成 AI の違い
生成 AI
生成 AI は、テキストや開発者コードのような既存のデータを使用して、与えられたプロンプトに基づいて新しいものを作成します。たとえば、生成 AI を文学作品でトレーニングし、ユーザーのプロンプトに対してオリジナルのストーリーで応答するようにできます。生成 AI は、提供された情報に基づいて、回答を提供する、文を完成させる、または翻訳を生成することを目的としています。理想的な結果を得るために、プロンプトや微調整がいくつか必要になる場合があります。そこで役立つのが、ファインチューニングや検索拡張生成 (RAG) などの手法です。
生成 AI モデルは、大量のデータを分析し解釈するための ML 技術であるディープラーニングを使用します。さらに、これらのモデルは、人間の脳のつながりのような生物学的な神経システムを模倣した情報処理方法であるニューラルネットワークを使用します。ニューラルネットワークは、一見無関係に見える情報の集合に、AI がどのようにつながりを見つけ出せるかということがポイントです。
予測型 AI
統計的予測は目新しいものではなく、ストリーミングビデオや音楽サービスの推奨エンジンなど、身近なところで使用されています。しかし現在では、機械学習の進歩によってその機能は向上し、より迅速に動作するようになりました。
機械学習ソフトウェアは、膨大な量の特定のデータ (「ビッグデータ」とも呼ばれる) を使用して、パターン、過去の出来事、そして多くの場合リアルタイム情報を結び付け、将来の結果を極めて高い精度で予測することができます。これを実現するために、予測 AI は高度な統計手法を使用して大規模なデータセットを保存し、時間の経過とともにそのパターンを結び付けていきます。この大規模かつ多様なサンプルデータにより、モデルは将来の出来事について極めて正確な予測を行うことができます。こうした機能が、このモデルを典型的な人間の知能とは一線を画すものにしています。
生成 AI のメリット
これらの AI モデルはいずれも、時間の節約、コストの削減、リソースの最適化に役立ちます。異なる点は、その結果と説明可能性です。
生成 AI は、大量のデータを使用することで最も効果的に機能し、まったく新しいクリエイティブなコンテンツを提供します。データの正確性は、マシンによる回答の提供を必ずしも妨げるものではありません。
予測型 AI のメリット
一方、予測型 AI は、高品質のデータを使用することで最も効果的に機能し、正確な予測を提供できます。当然のことながら、高精度のデータで ML ソフトウェアをトレーニングすると、より精度の高い予測が可能になります。
生成 AI のプロセスでは、AI がどのように決定に至ったのかを理解することはほぼ不可能ですが、予測型 AI が作成する出力は、与えられた統計とデータに厳密に基づいています。これによってユーザーは、モデルがどのように答えに到達したのかを遡って理解できる場合があります。
生成 AI のリスク
生成 AI の一般的なリスクは、著作権侵害や盗作の可能性です。新しいコンテンツ (文章、音楽、アートなど) を作成するとき、モデルは意図せず既存の素材に似た出力を作成することがあります。他者に所有権があるデータに似ている場合、これはリスクになりかねません。モデルのトレーニングに使用されるデータを提供するオープンソースモデルは、このリスクを軽減することができます。
もう 1 つの一般的なリスクはハルシネーションです。AI モデルは回答に確信が持てない場合、保有する情報を使用して、可能な限りの回答を提供します。場合によっては、マシンが、正しい出力を提供できるほどの情報を保有していないことがあります。たとえば、一連の出来事の中で次に何が起こるかを予測するようにトレーニングすると、データが不足しているため、不正確な情報でギャップを埋めてしまいます。
予測型 AI のリスク
予測型 AI の注目すべきリスクは、バイアスの可能性です。バイアスは生成 AI でも発生する可能性がありますが、バイアスが予測型 AI に影響を与えることで、非常に不正確な定量的結果がもたらされる場合があります。予測型 AI モデルをトレーニングするには、正確な予測をサポートする高品質のデータとラベル付けが必要です。提供されるデータの一部が古かったり、期限切れだったり、偏っていたりすると、データの正確性が損なわれる可能性があります。たとえば、予測型 AI アルゴリズムは、予測を行う際に、データセットに含まれる人種的偏見やその他の社会的偏見を反映する場合があります。これは、信用承認や雇用プロセスに偏見が持ち込まれるなど、現実に悪影響を与えることにもなりかねません。
予測型 AI で考慮すべきもう 1 つの一般的なリスクは、確実性の欠如です。予測型 AI は正しい予測を行うことができますが、それは確実なものではありません。実際のところ、予測型 AI に依存する場合には、常に何らかのリスクが存在します。
データが多いほど良いというわけではありません。モデルのトレーニングに使用されるデータが高品質であることの方が重要です。
生成 AI のユースケース
生成 AI は、コードの生成、迅速な詳細分析、反復的なタスクの効率化のためのツールとしてますます人気が高まっています。近年登場した有名な生成 AI アプリには、OpenAI の ChatGPT や DALL-E、GitHub CoPilot、マイクロソフトの Bing Chat、Google の Gemini、Midjourney、Stable Diffusion、Adobe Firefly などがあります。
ここでは、生成 AI のさまざまなユースケースをいくつか紹介します。
コードの生成と補完：生成 AI ツールの一部では、ソフトウェア開発者を支援するために、書かれたプロンプトを受け取り、要求に応じてコンピュータコードを出力することができます。また、上級レベルのコードの例および説明を通じてジュニア開発者のレベルアップを支援し、コードの説明もサポートします。
データの拡張：生成 AI は、実データを使用することが不可能、あるいは好ましくない場合に、大量の合成データを作成することができます。患者の個人情報を使わずに、医療データを理解するモデルを訓練したい場合、合成データは有用です。また、小規模なデータセットや不完全なデータセットを、相対的でより大規模なサンプルに拡張するためにも使用できます。
執筆：生成 AI システムは人間の執筆を模倣するのが得意です。ほぼすべてのトピックにおいて、コンテンツ作成のプロンプトに対応することができます。上司へのメールから小説の次の章に至るまで、執筆の幅広いリクエストをサポートします。
音声と音楽の生成：生成 AI ボーカルツールは、記述されたテキストと人の声のサンプル音声を使って、本物の人間の声を模倣したナレーションや歌声を作ることができます。プロンプトやサンプルから人工的な音楽を作れるツールもあります。
動画と画像の生成：生成 AI 画像ツールは、あらゆる題材やスタイルのプロンプトに応じて画像を作成することができます。プロンプトが詳細であるほど、画像や動画の品質が向上します。Adobe Photoshop の生成塗りつぶしなどの AI ツールでは、有名なゴッホの作品にくまのプーさんを追加するなど、既存の作品に新しい要素を加えることができます。
予測型 AI のユースケース
予測型 AI は、特定の業界におけるその年の見通しをより迅速かつ正確に提供できるため、ユーザーはそれに応じて計画を立てることができます。そこで、企業の間で予測型 AI の人気が高まっています。将来の出来事に備え、インテリジェントかつ効率的に成長していく方法を見つけるためです。
ここでは、予測型 AI のユースケースをいくつか紹介します。
金融サービス： 予測型 AI は、金融投資、銀行業務、保険におけるリスクなど、有益な機会や潜在的な落とし穴を予測するために使用できます。予測が十分に早い段階で行われれば、資産と顧客を保護するための時間的な余裕が生まれます。
小売： 予測型 AI は出来事、さらには人間の行動を予測できます。小売企業は、この ML ツールを使用して、顧客がどのような (またはどのように、あるいはいつ) 自社の製品を購入する可能性が高いかを予測できます。これにより、サプライチェーン、マーケティング、人員配置の計画とプロセスを効率化できます。
医療： 予測型 AI は、異なる患者の間で繰り返される同様のパターンや、1 人の患者の病歴におけるパターンを把握し、病気の早期検出をサポートします。患者のデータと過去の状況を分析することにより、リスクと可能性を測定し、健康上の問題を早期に特定して治療することができます。
サプライチェーン： 予測型 AI は在庫のパターンを追跡し、特定の商品の在庫が週、月、年のどのタイミングで増減するのかを判断できます。また、冷凍食品や医薬品など、温度管理が必要な商品をより適切に保護するために、移動時間を予測することもできます。
Red Hat のサポート内容
Red Hat® AI は、vLLM 搭載のサーバーを通じて、高速で柔軟かつ効率的な推論を行うように構築されています。モデルをデータと確実に接続し、専用エージェントのカスタマイズと開発を単一のプラットフォームで行うことができます。オープンソースを基盤として構築された当社の製品により、あらゆる規模で AI ワークフローをエンドツーエンドで完全に制御することができます。
Red Hat AI ポートフォリオには、Red Hat AI Inference が含まれています。これは、ハイブリッドクラウドのどこでも任意のアクセラレーター上であらゆるモデルを実行できるように運用制御を提供する推論スタックです。大規模環境でも、高速かつ効率的でコスト効率に優れた推論を実現します。
生成 AI の基盤を構築する際の主な検討事項
この e ブックでは、生成 AI プロジェクトを加速させる信頼できるインフラストラクチャ基盤を確立するための主な検討事項について説明します。
