00:01
みなさん、こんにちは。The Signal Shift by A.I.R. Labs へようこそ。
りんさん、こんにちは。この番組はSpotifyやApple Podcastなどで配信中のAIの最先端トレンドと変化のシグナルを読み解くプログラムです。
日々、刻々と移り変わるAIの動きが、私たちのビジネスや日常にどう影響するのかを分かりやすくお届けしています。
本日の10月30日、朝の配信号では、科学の在り方や世論分析、最新のアップデート手法を取り上げますね。
その通りです。それでは、最初のトピックに入りましょう。
最初のトピックは、AI時代の人間中心の科学的探求のフレームワークですね。
AIが科学研究のタスクで人間と同等以上の成果を上げ始めているそうですが、具体的にどういうことでしょうか。
アーカイブで発表された論文によると、AIが中核的な科学研究のタスクで人間の研究者に並ぶか、それを超え始めている中で、
人間はなぜ科学を続けるのか、その時、AIをどう使うべきかという問いが切実になってきたという内容です。
論文は、この2つ目の問いは1つ目に答えない限り答えられないと主張しています。
その上で、研究のタスクをAIに任せてよいかを判断するための2つの条件からなるテストを提案しています。
AIが研究をこなせるなら、人間は全部をお任せした方が楽な気もしてしまいますが、そう単純ではないわけですね。
論文は、科学の欠かせない目的の1つを人間の目的や価値に役立てるために、人間が世界を長くみんなで理解し続けることだと位置づけています。
ですから、結果が正しいだけでは足りません。
1つ目の条件は、人間の理解で、科学コミュニティがその結果を説明し、擁護し、意義も唱えられる状態を保ち、そのためのスキルも持ち続けることです。
2つ目は、人間の方向づけで、どの問いが重要か、発見が何を意味するかという判断を、責任を負える人間が持ち続けることです。
なるほど、条件が2つあるんですね。自社の業務だと、どこからどこまでをAIに任せていいのか迷いそうです。何か判断の物差しはあるんでしょうか。
論文は、そのテストを研究の各段階に当てはめています。具体的には、論文の貢献者の役割を整理した、クレジットという分類の各フェーズです。
そして、その結果を各分野が自分たちの問いや手法に合わせて調整できる提言としてまとめています。
つまり、AIを使うかどうかではなく、その段階で人間が説明できる力と判断を握り続けられるかが基準になります。
03:05
業務に置き換えるなら、工程ごとにその2点を確認するのが出発点です。
AIが賢くなってのこの基準は変わらないんでしょうか。それと、茶読や若手の育成みたいな場面はどうなるんでしょう。
最終的な構造的洞察として、この枠組みはAIの現在の弱点に頼っていません。
AIが人間を上回っても成り立つ設計です。
また、ツールの種類ではなく、人間の理解と方向づけにどんな影響が出るかで個々の使い方を判断します。
対象は茶読や新しい研究者の育成まで含む研究のすべての段階です。
論文は最後に、科学を人間の理解と方向づけに向け続けるために必要な改革も示しています。
AIを使う前に、その使い方が人間の理解を損なわないかを問うことがこれからの前提になります。
続いて2つ目のトピックは、魚マーリンを用いた米中間選挙のSNSナラティブ分析ですね。これはどういった内容ですか。
魚AIが11月3日に投票が行われる米国中間選挙のうちテキサス州上院選をSNS上で分析したケーススタディーです。
両候補と両党の州組織によるXへの発信2042件と、それに寄せられた約71万件の反応が対象です。
ナラティブとは、誰が何をしてそれがどう評価されるかという物語のことです。
分析システムはその物語を取り出し、自分の言葉で語り直した人の数で広がりを図ります。
さらに長時間の推論で深く調べる同社のリサーチ製品魚マーリンに、世論調査や選挙資金、予測市場、報道などの公開情報を調べさせ、X上の観測と付き合わせています。
SNSのデータを集めるだけなら今までもありましたが、今回は何が違うのでしょうか。
投稿の数を数えるだけでは見落とすことが多いという問題意識です。
例えば、支持が厚く見えた候補が実は党内の動員に支えられていただけだったり、急に増えた反応のほとんどが批判だったりします。
そこで数十万件の言葉を誰がなぜ書いたのかまで遡って読みます。
抽出した物語は複数のAIモデルが原文と称号して、確かめられたものだけをレポートに残しました。
マーリンの側は複数のAIが仮説を並行して探り、互いに評価し合う仕組みです。
これでSNSの内と外のどちらで先に変化が起きたかを、出典付きで辿れるようになりました。
投稿が多いからといって本当に支持されているとは限らないんですね。実際にはどんな違いが見えたんですか。
06:03
レポートによると、共和党の決戦投票前にパクストン候補へ寄せられていた支持の多くは党内の指名争いに向けた動員でした。
決戦が終わると支持の割合は約5割から2割弱に下がっています。
初期的な見解として、これは企業の分野でも反応の数だけでなく中身と発信元を見ないと実態を誤るという示唆になります。
AIがここまで読み解けるなら、人間の役割は小さくなっていきそうですが、どうなんでしょうか。
最終的な構造的洞察として、ソースの結論は逆です。
AIは人間には読み切れない規模の情報から仮説を導いて、根拠とともに示します。
人間はそれを吟味し、取材や追加の観測を行った上で判断を下します。
最終的な判断は人間が担うという行動です。
X上では、両候補への評価の転換が、Cook Political Reportなどの主要評価機関が判断を変える約2ヶ月前に現れていました。
ただし、これはテキサス州上院選の分析での話です。
そこから何を読み取るかは人間の判断にかかっています。
そして3つ目のトピックは、IBMグラナイトスイッチ4.1点ですね。
こちらはどのようなアップデートなのでしょうか。
IBMが公開したパッチリリース、つまり小さな修正版です。
グラナイトスイッチは、言語モデルに専門的な機能を追加できるモジュール型の仕組みです。
その追加部品をアダプターと呼び、1つの窓口でまとめて使えます。
今回の4.1.1では2点が更新されました。
1つは音声認識のグラナイトスピーチASRで、
重言語に対応し、句頭点と大文字化までついた文字起こしを出せます。
もう1つは意思決定を担うデシジョンアダプターで、
JEBデシジョンインデックスというテストセットでの全体的な性能が向上しました。
モデルのアップデートというと、毎回大変な作業になるイメージですが、
今回はどこが違うのでしょうか。
ポイントは、ソフトウェアのバージョン番号と同じ意味で作られている点です。
4.1と完全な広報互換があり、移行作業は不要です。
新しいASRモデルとデシジョンアダプターを学習した以外は、何も再計算していません。
ベースモデルは手つかずです。
最新のアダプターを選んで組み合わせ、デプロイするだけです。
ソフトウェアを更新するように、モデルを更新できるというのがIBMの説明です。
移行がいらないなら、導入側の負担はかなり軽そうですね。
音声の文字起こしもそのまま次の処理に回せるんですか?
初期的な見解として、そこが現場にとっての利点です。
ASRは、苦闘点と大文字化が最初からつくので、
09:02
後続のモデルに渡す前に整形する工程がいりません。
更新の手間が小さい分、改善を素早く試して反映しやすくなります。
ただし、今回示されているのは、性能向上と更新の手軽さで、
コスト削減の数字は出ていません。
この仕組みは、IBM以外の会社や開発者も使えるようになるのでしょうか?
最終的な構造的洞察として、
IBMはこの方式がパッチリリース以上のことに使えると見ています。
現在、開発者やサードパーティーの提供者が自分でアダプターを作れるよう、
チュートリアルとアダプターSDKを準備中です。
バージョンを重ね、機能を試し、ソフトウェアのように更新を出していくことを狙っています。
ただ、いずれも近日公開の段階です。
今できるのは、最新モデルや新しい多言語苦闘点機能を使った
スピーチトゥディシジョンズのデモを試すことです。
本日の配信内容から、すぐに実践に移せるビジネスアクションを2点お伝えします。
1点目は、自社の業務でAIに任せる工程を決める前に、
人間が結果を説明できるか、どの問いが重要かを人間が判断できるかを工程ごとに確認すること。
2点目は、SNSなどの反応を見るときに、数だけではなく、
誰がなぜ書いたのかを確かめる体制を検討することです。
ありがとうございます。
番組をお聞きの皆さん、ぜひSpotifyやApple Podcastなどの配信プラットフォームで
番組のフォローや温かい評価、コメント、フィードバックをよろしくお願いします。
公式ウェブサイトへのリンクも概要欄にありますので、ぜひチェックしてみてくださいね。
それでは皆さん、バイバイ。