従来型 AI は、事前定義されたルールとアルゴリズムを使用してデータの分析や結果の予測を行い、高度に特化したタスクに適用した場合に最適に機能します。生成 AI はデータパターンから学習し、テキストや画像などの新しいコンテンツを作成できるので、革新的なアプリケーションや創造的なアプリケーションにより適しています。
人工知能は、人間の知能をシミュレートできる機械の設計という単純な概念に思えるかもしれませんが、この用語自体は意味が拡大し、ますます広範囲なテクノロジーを含むようになっています。最も注目すべき、広く使用されているバリエーションの 1 つが生成 AI (GenAI) です。Generative Pre-trained Transformer (GPT) ツールの人気が高まっていることで、回帰型ニューラルネットワーク (RNN) と大規模言語モデル (LLM) の進歩にも支えられて、生成 AI は世界におけるインテリジェントシステムの使用方法を再定義しつつあります。
このことは、次のような疑問をもたらします。生成 AI はどんな点が独特なのか？従来型 AI と生成 AI はどう異なるのか？そしておそらく最も重要な疑問は、ビジネスに AI や生成 AI を活用して効率性を高め、イノベーションを強化し、明確な競争優位性を獲得するにはどうすればよいのか、というものでしょう。最初のステップは、これらのテクノロジーに関する類似点と違いを理解することです。
AI は、コンテキストによって異なるものを意味する場合があります。最も広義には、「人工知能」とは、歴史的に人間の知能を必要としてきたタスクを実行する機械の設計、実装、サポートに関係する、ツール、テクノロジー、プロセス、研究分野のすべてを包含する総称です。そのため、AI は、自動運転車や予測分析から、自律的プロセスやコンピューターサイエンス研究まで、あらゆるものを指すことがあります。
とはいえ、テクノロジーとしての従来型 AI が話題になる場合は、一般的に、明確なルールに依存して履歴データを分析し、将来の成果について予測を行う AI のサブセットについて語られます。従来型 AI は「予測 AI」(または「弱い AI」、「特化型 AI」) とも呼ばれ、高度に専門化されており、アルゴリズムのやや制約された限界内で、設計目的とされた特定アプリケーションに限られた範囲で動作します。
弱い AI という蔑称とは裏腹に、この明確に定義されたアプローチには複数のメリットがあります。従来型 AI は、正しく活用し、適切なタスクに適用すると次のような能力を発揮します。
- 特定のタスクにおける高い精度
従来型 AI は、特定の明確に定義されたタスクを高精度で実行することに優れています。 これには、データ分析や自動化などのタスクがあります。
- 拡張性
これらのシステムは、ファイナンスや製造など、プロセスが標準化されている安定した環境で効果的に拡張できます。タスクが明確に定義されていれば、コストを大幅に増加させずに、膨大な量のデータや複雑なプロセスを AI に組み込むこともできます。
- 透明性
従来型 AI が持つルールベースの性質により、意思決定プロセスの理解と検証がしやすくなります。 ユーザーは、発生しているプロセスを容易に解釈できます。
すべてのツールがどんな業務にも適しているというわけではありません。従来型 AI には、次のような制約があります。
- 限定的な柔軟性
これらのシステムは、明示的にプログラムされた実行範囲を超えて革新的なソリューションを生み出すことはできません。トレーニングで十分に対処されていない想定外の状況に直面した場合、こうした AI はほぼ間違いなく不正確、不完全、不適切な出力を創出し、予期しないシナリオに対処する際の限界を浮き彫りにします。
- 倫理的な問題
予測 AI は、トレーニングデータに完全に依存しています。そのデータにバイアス、偏見、不正確な要素が含まれていると、AI の出力はこれらの問題を反映した状態で記憶してしまい、不公正だったり誤っていたりする予測や判断につながる可能性があります。
生成 AI は、従来型 AI からの大きな転換を表すものです。生成 AI ツールも、依然としてルールとアルゴリズムによって制御されてはいますが、それらのルールにより未知の問題にも深い理解を適用することができます。そのため、膨大なデータセット内のデータポイント間の関係を学習することで、テキスト、画像、音楽などの新しいコンテンツの作成に特化することができます。この技術は、ニューラルネットワークや深層学習モデルなどの高度な機械学習技術の開発により発展してきました。
生成 AI は、敵対的生成ネットワーク (GAN) や変分オートエンコーダー (VAE) といったテクノロジーを活用しています。これらのモデルは、トレーニングデータに内在するパターンを特定することで、学習して新しいデータを生成できます。その結果、ごく最近まで不可能に思われていたものが実現しました。それは、人間がほとんど、あるいはまったく監視せずに、オリジナルの視覚画像、音楽、文章コンテンツ、さらには動画までを作成できる機械です。ほとんどの生成 AI ツールで、テキストベースのプロンプトで何を作るか指示するだけでそれを実行させることができます。
決定論的な (同じ条件が常に同じ結果につながる) 従来型 AI とは異なり、生成 AI は確率論的で、任意の入力セットからさまざまな出力を生成できます。これを含む要因により、生成 AI は複数の明確なベネフィットをもたらす価値あるテクノロジーとなっています。
- 創造性とイノベーション
生成 AI は、斬新で多様なコンテンツを生み出すことができ、アート、デザイン、エンターテインメントなどの分野に新たな可能性をもたらします。より従来型のビジネスアプリケーションとしては、革新的なソリューションを作成して顧客エンゲージメントの強化、マーケティング戦略の最適化、コンテンツ作成の簡素化、ユーザーエクスペリエンスのパーソナライズを実現できます。 - 汎用性
これらのモデルは、従来型 AI では限界を生むような制約を超えて、さまざまなタスクに適応できます。生成 AI は、新しいデータや進化する要件に動的に対応できるため、急速に変化する環境でも組織はイノベーションを起こし、競争力を維持できます。 - 曖昧さの処理
生成 AI は、不確実性や複雑性の処理に優れており、特化型 AI では対応しきれないアプリケーションにも適しています。
従来型 AI と同様に、生成 AI にも一定の課題があります。その一部をご紹介します。
- 必要リソースの増加
生成 AI モデルのトレーニングには、多大な計算能力とデータが必要であり、コストがかかる場合があります。生成 AI に関連するエネルギー使用量が増加することで、持続可能性と二酸化炭素排出量の点で影響が生じる可能性があります。 - 倫理上の懸念
現実的なコンテンツを作成できることで、真正性、著作権、誤用の可能性に関する問題が発生します。生成 AI は本来倫理性を備えているわけではなく、与えられたプロンプトに従うだけです。倫理的なルールが実装されていても、そうした防御を迂回して、有害だったり、誤解を招いたり、不適切だったり、違法だったりするコンテンツを作成してしまうこともあります。
- 従来型 AI
従来型 AI は、事前定義されたルールに基づいてデータを分析し、インサイトを提供することに特化しています。このアプローチにより、出力が予測可能でプログラミング段階で設定した論理フレームワークに整合したものになります。その主なゴールは、パターンを認識し、設定されたパラメーター内で意思決定と問題解決を支援するためのインサイトを生成することです。 - 生成 AI
生成 AI は、データからパターンを学習することで、新しいデータやコンテンツを作成します。従来型 AI とは異なり、出力は多様であり、革新を起こし斬新なコンテンツを生成する能力を発揮してそこにさまざまなメディアを含めることができます。
- 従来型 AI
従来型 AI の意思決定プロセスは明確であるため、結論に至る方法を容易に理解して検証できます。この透明性は、判断の背後にある根拠を理解することが不可欠なアプリケーションで重要です。 - 生成 AI
生成 AI 内のプロセスはほとんど透明性がなく、「ブラックボックス」のように機能するので、判断に至った方法を解釈するのは困難です。複雑なアルゴリズムにより、特に深層学習モデルでは、特定の出力の背後にある根拠が不明瞭になる可能性があります。
用途
- 従来型 AI
従来型 AI は、予測メンテナンス、推奨エンジン、データ分析など、タスクが明確に定義されている環境に適用されます。これらのアプリケーションでは、大規模なデータセットを処理し、事前定義されたルールに基づいて正確な予測を行う AI の能力からベネフィットを得られます。従来型 AI は、定型タスクの自動化や、構造化された環境での運用効率の向上に優れています。 - 生成 AI
生成 AI は、構造化された環境から脱却し、デザインや自然言語処理 (NLP) など、オリジナルのコンテンツ生成が求められる分野やアプリケーションで役割を確立しています。オリジナルメディアを生成する能力により、クリエイティブ産業における強力なツールとなっています。さらに、他の AI モデルをトレーニングするための合成データの生成を支援し、本物のデータセットにのみ依存することなくそれらの機能を強化できます。
従来型 AI と生成 AI には違いがあるため、これらのテクノロジーは次のようなさまざまなアプリケーションにそれぞれ独自の適性を持っています。
- スパムフィルタリング
従来型 AI は、メールのパターンと内容を分析し、スパムメッセージを正確に特定して除外することで、不要なメールや潜在的な悪意のある攻撃からユーザーを保護できます。
- 不正行為の検出
金融サービスでは、従来型 AI は取引パターンを分析して異常を特定することで不正行為を検出し、財務的損失を防止できます。
- 推奨システム
e コマース、ストリーミングサービス、その他の顧客向けビジネスでは、従来型 AI を使用して、ユーザーの行動や好みを分析し、製品やサービスの推奨事項をユーザーの興味に整合させています。
- 予測メンテナンス
製造業では、従来型 AI によって履歴データと使用パターンを分析することで機器の故障を予測し、ダウンタイムとメンテナンスコストを削減できます。
- 顧客セグメンテーション
マーケティングチームは、従来型 AI を活用して、購買行動、人口統計、その他のデータポイントに基づいて顧客をセグメント化し、よりターゲットを絞った効果的なマーケティング戦略を実現しています。
- コンテンツ制作
生成 AI は、高品質のテキスト、画像、音楽、動画を生成できるため、マーケティング、広告、エンターテインメントなどのクリエイティブ業界で価値を発揮します。 - 顧客とのやり取り
生成 AI を活用した AI チャットボットは、顧客からの問い合わせにパーソナライズされた動的な応答を行い、カスタマーサービスとエンゲージメントを向上させます。 - コード生成
生成 AI を使用し、コードスニペットの生成、プログラミング言語の翻訳、コード補完の自動化によってソフトウェア開発者を支援しています。 これにより、開発プロセスを迅速化しながら、経験の浅いプログラマーの能力も拡大できます。 - 医療
生成 AI は、研究用の合成医療画像を作成したり、パーソナライズされた治療計画を設計したり、新たな薬剤化合物を生成したりすることで、医療研究と患者ケアに革命をもたらしています。
生成 AI の本質は学習です。生成 AI はパターンを認識する方法を学習し、そのパターンの中にある関係を再現して新たなものを生み出します。これを行うために、生成 AI は深層学習に大きく依存しています。
拡散モデルとトランスフォーマーモデルは、生成 AI の重要なコンポーネントです。拡散モデルはリアルな画像の生成を可能にし、トランスフォーマーモデルは高度なテキスト生成能力を備えています。これらの手法が連携することで、合成メディアの作成の可能性が広がりました。
トランスフォーマーは、強力な深層学習アーキテクチャで、自然言語処理に革命をもたらしました。インターネットの大規模なデータセットでトレーニングされ、シーケンス内の次のトークンを予測することで、言語の深い理解を構築し、それをさまざまなタスクに合わせて微調整できます。トランスフォーマーの注意メカニズムにより、長期的な依存関係とコンテキスト情報を効果的にキャプチャできます。これにより、生成、翻訳、要約などの分野で大きなブレークスルーが実現し、トランスフォーマーは最新の生成 AI システムの基盤となりました。
人工知能 (従来型、生成型、その他の形態) は、組織のビジネス手法を変えつつあります。ServiceNow は、このデジタルトランスフォーメーションの最前線に立ち、Now Platform® の高度な AI 機能を通じてビジネスプロセスを最適化しています。
Now Platform には AI がシームレスに組み込まれており、あらゆるビジネス機能をサポートし、インテリジェントなソリューションを提供して、タスクの自動化、予測メンテナンスの強化、運用の最適化を実現します。また、新しい生成 AI コントローラーにより、主要な LLM を ServiceNow のサービスに統合し、生成 AI の力を既存のワークフローに取り入れることができます。ServiceNow の生成 AI で、顧客とのより有意義なつながりを構築し、検索機能を向上させ、組織内外のユーザーのエクスペリエンスを改善しましょう。 生成 AI 機能はそれだけにとどまりません。ServiceNow と NVIDIA 社のパートナーシップにより、生成 AI 機能をさらに拡張し、IT 部門、カスタマーサービスチーム、開発者に革新的なアプリケーションを提供します。
従来型 AI と生成 AI はどちらにもビジネスを改善する力があります。両方とも ServiceNow を通じて利用可能です。今すぐデモをご予約ください。