人工知能（AI）には、かつては人間によるインプットが必要でしたが、今ではコンピュータで実行できるようになりました。コンピュータは、これまで情報を理解して推奨するために使用されていた高度な機能を実行できます。今では、AI を活用することで、コンピュータが新しいコンテンツを生成することもできます。
頭字語で AI は、AI 分野を構成するさまざまな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 を定義する用語とコンセプトが多数ありますので、参考にしてください。ウェブで実際に AI を活用する方法
汎用 AI
大まかに言うと、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は非常に大規模な数式であり、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が含まれています。
一般的な AI では、データの分析、テキストの翻訳、音楽の作成、病気の特定など、複数の種類のタスクを実行できます。
ナロー AI
Narrow AI は、単一のタスク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、人間の相手とチェスのゲームをプレイするコンピュータなどです（Mechanical Turk とは異なります）。Narrow AI にはパラメータ、制約、コンテキストのセットが事前定義されています。これは理解しているように見えますが、実際には方程式の答えにすぎません。
これは、顔認識システム、音声アシスタント、天気予報で実際に見られます。非常に具体的なモデルを使用することで、ウェブサイトとアプリの確実かつ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構築したとします。このサイトでは、ユーザーがログインしてお気に入りの映画を評価し、新しい映画を発見できます。事前入力されたデータベースを使用すると、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できます。または、ユーザーの行動と好みを分析する限定的な 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、さまざまなタスクを実行するために使用できる多くのパラメータを備えたニューラル ネットワーク AI モデルです。
生成 AI は LLM のコンテキストとメモリ上に構築された、入力に応答し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 ツールには次のものがあります。
これらのツールを使用すると、文章、コードサンプル、画像を作成できます。休暇の計画を立てたり、メールのトーンを調整したり、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開発者にとっても、さまざまなユースケースがあります。
機械学習（ML）
機械学習（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の生成を試みるのに対して、ML はコンピュータが経験から学習できるようにするものです。ML は、データセットを予測するためのアルゴリズムで構成されています。
ML とは、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、これは 1 人以上の気象学者によって行われていました。気象学者は、地球の大気と表面の表現を作成し、気象パターンを計算して予測し、現在のデータを過去の状況と比較して評価を決定しました。
その代わりに、モデルが気象パターン、過去のデータ、特定の日の天気を良いか悪いかを判断するためのガイドラインの間の数学的関係を学習するまで、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。実際、ウェブ上に構築されています。
ディープ ラーニング
ディープ ラーニング（DL）は ML アルゴリズムのクラスであり、その一例が、人間の脳が情報を処理すると信じられている方法をモデル化するディープ ニューラル ネットワーク（DNN）です。
AI の課題
AI を構築して使用する場合、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部です。
データの品質とリピート間隔
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、使用されてすぐに本質的に古くなります。つまり、最新の情報を探すときは、プロンプト エンジニアリングを利用することで、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。
データセットが不完全であったり、小さすぎるため、一部のユースケースを効果的にサポートできない場合があります。複数のツールを使用したり、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。
倫理とバイアスに関する懸念
AI テクノロジーは刺激的で、大きな可能性を秘めています。しかし、最終的にコンピュータとアルゴリズムは人間が構築し、人間が収集する可能性のあるデータに基づいてトレーニングされるため、いくつかの課題があります。たとえば、モデルは人間のバイアスや有害な固定観念を学習して増幅し、出力に直接影響を及ぼす可能性があります。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アプローチすることが重要です。
AI 生成コンテンツの著作権については、数多くの倫理的考慮事項があります。特に、著作物から大きな影響を受ける場合や、著作物から直接コピーされている場合、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、作成した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 デベロッパーが、AI ツールを使用するうえでプライバシーとセキュリティが最大の懸念事項であると述べています。これは特に、政府や医療機関など、データ要件が厳しいビジネス環境において顕著です。Cloud APIs を使用すると、ユーザーデータの第三者への露出が増えることが懸念されます。データ送信は安全であり、継続的にモニタリングされることが重要です。
このようなユースケースに対処する鍵となるのが、オンデバイス AI です。 MediaPipe は、現在開発中のこの問題の解決策の 1 つですが、さらに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 AI に慣れてきたところで、今度は既存のモデルを使用して生産性を向上させ、より優れたウェブサイトやウェブ アプリケーションを構築する方法を検討してみましょう。
AI の活用例:
- サイトの検索用のオートコンプリートを改善する。
- 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します。
- 自然言語モデルでコメントスパムに対処する。
- コードのオートコンプリート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 文章作成エクスペリエンスを作成します。
- データセットの説明を人間が理解しやすい形で提供します。
- その他...
事前トレーニング済みの AI モデルは、数学モデルの構築方法や、よく利用されている AI ツールを支える複雑なデータセットの収集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のに効果的です。
ほとんどのモデルは、追加調整を行わなくても、すぐにニーズを満たせる可能性があります。チューニングとは、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得し、特定の使用状況のニーズを満たすために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、いくつかの方法があります。
- 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モデルの整合性を改善する手法です。
- 低ランク適応（LoRA）は LLM のパラメータ効率の高い手法で、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します。