00:02
皆さん、こんにちは。The Signal Shift by A.I.R. Labsへようこそ。
ナビゲーターのKaiです。この番組はSpotifyやApple Podcastなどで配信しています。
日々、刻々と変化するAIの最先端トレンドと大きな変化のシグナルを読み解き、ビジネスや日常にどう影響するかを分かりやすくお届けする番組です。
本日は妊娠周数を測る超音波スキャンの研究、NVIDIAによるタンパク質設計、そしてAIエージェントの安全制御という3つのシグナルを取り上げます。
林さん、よろしくお願いします。
よろしくお願いします。
それでは最初の話題ですが、Googleリサーチが発表したAI超音波による母子医療の現場支援について教えてください。
これって具体的にどういうものなんですか?
超音波の専門技師ではない医療従事者が、低コストの携帯型プローブを使って妊娠周数を評価できるかを調べた研究です。
ブラインドスイープと呼ばれる、プローブをお腹の上で決まったパターンで滑らせる撮影方法を使います。
その画像をAIが解析して、妊娠が何週目かを推定します。論文はJAMAネットワークオープンに掲載されました。
でも、なぜわざわざそんな方法が必要なんですか?
背景には深刻なアクセスの壁があります。
WHOの推計では、妊娠に関連する予防可能な死亡が年間25万人以上あり、一方で世界の3分の2の人が超音波のような画像診断を受けられません。
技師の要請には費用がかかり、複数年の訓練も必要です。
さらに、今回の研究は新しい機器と初心者のオペレーターで、実際の診療現場のモバイル端末上で動かす前向き研究という点が新しいんです。
なるほど。研究室の中だけでなく、現場に近い条件で試したんですね。どのくらいの規模だったんですか?
主な評価対象は、妊娠16週から36週の385人です。
調整に使ったのは、シカゴの小規模なデータ120人分、元の学習データの約6%だけでした。
ナイロビのデータは調整に一切使わず、独立した外部テストとして評価しています。
結果は、現在の標準である専門家による測定と同等の精度でした。
ただし、これは研究で検証された範囲の話で、あらゆる地域で診断の質が保証されたという意味ではありません。
つまり、高価な大型機器や何年もの専門訓練がなくても、低コストのプローブと最小限の訓練を受けた医療従事者がいれば、専門家並みの評価に近づけるということですね。
人手不足の業種でいうと、何がこれに当てはまるんでしょうか?
03:04
ここは類推になりますが、熟練者の目や手に頼っている検査や点検の作業が近いと思います。
この研究のポイントは、操作を標準パターンに落とし込んで判断をAIが担う点です。
取る人には高い専門性を求めず、解釈の難しい部分だけをAIに任せる設計ですね。
でも、現場に置くとなると、AIの精度だけでは足りなさそうですね。
ええ、そこがこの研究の面白い点です。
実際の診療に組み込んだ結果、連続する患者の間で端末の充電を保つには、末置きの充電台よりバッテリー交換式が重要だと分かりました。
もう一つは、モデル自身の自信度の推定を使って質の悪いスキャンを弾いたり、不確かさを医師に伝えたりする安全策です。
AIの精度に加えて、運用の細部と信頼の設計が現場で使われるかどうかを分けるということです。
続いて二つ目のシグナルは、NVIDIAのRF-D4プロテイナですね。こちらはどのような技術なんですか?
ワシントン大学のタンパク質設計研究所と共同開発されたNVIDIAのバイオネモのオープンモデル、つまり誰でも入手して使える公開モデルです。
タンパク質のアミノ酸の並びである配列と、全原子の立体構造を一緒に設計します。
さらに設計の途中経過に点数をつけて、有望な候補に計算を集中させる報酬誘導型の推論時探索という仕組みも備えています。
タンパク質の設計って組み合わせが膨大ですごく時間がかかりそうですが、どうして探索が必要なんですか?
ソースによるとアミノ酸8個の配列でも250億通り以上あります。100個になると観測可能な宇宙の原子の数を超えるそうです。
全部は調べられないのでどこを探すかが勝負になります。
そこで自然界から学んだパターンを使いながら途中の候補に点数をつけて有望なものを残し、枝分かれさせて探索を絞り込んでいきます。
速さの面でも工夫があるんですか?
はい。生成の段階を踏む回数、つまりサンプリングのステップ数を従来のプロテイナコンプレックサの約400から60に減らしました。
また、原子単位ではなくアミノ酸1個ずつの単位で表現することでメモリの使い過ぎも避けています。
なお、NIMというのは計算コストを下げる仕組みではなく、モデルをHTTP経由で呼び出せる形で配備するためのものです。
ソースの例では、ガンの標的であるPD-L1にくっつくタンパク質を設計するんですよね。それなら創薬が一気に進みそうです。
そこは慎重に見る必要があります。この技術が出すのは実験にかける候補の絵です。
06:06
ソースでも最終的には合成、発言、圧制といった実験での検証が必要だとされています。
短くなるのは候補を絞る部分で、実験そのものが不要になるわけではありません。
探索の途中で点数をつけるという点がやはりポイントなんですね。その点数は何を測っているんですか?
ここが一番の注意点です。ソースの例では報酬にオープンフォールド3という別の予測モデルが出すPLDDTを使っています。
これは設計したタンパク質の構造予測の信頼度で、結合の証拠ではありません。
つまり点数が高くても結合するとは限らず、界面の指標などを別に調べる必要があります。
何を報酬にするかで結果が決まるので、目的と評価の設計が研究者の腕の見せどころになります。
そして3つ目のシグナルは、NVIDIA SentryによるAIエージェントの安全制御ですね。
AIエージェントとは、ツールやサービスを使って自律的に作業を進めるAIのことです。
Sentryは、そのエージェントの動きを監視して、モデルやツール、データへのアクセスのルールを強制するセキュリティのソフトウェアです。
特徴は、エージェントが動くコンピューター本体から切り離された別のハードウェア上で動くことです。
具体的には、Bluefield 4というDPU、つまりサーバーに載せる専用のデータ処理チップを使います。
AIが勝手に意図しない通信をしたり、予期せぬ動作をしたりするのを防ぐ仕組みが必要なんですね。
ソースでは、エージェントが目的を達成しようとして、ツールや認証情報を使ううちに、セキュリティの制御をすり抜ける事例が出ていると述べています。
ソフトウェア側の制御だけだと、エージェントが侵害されたときに変更されたり無効化されたりする恐れがあります。
そこでセントリーは、社員とは別系統で鍵を持った警備室のように、エージェントの手が届かない場所から通信を検査し、実行環境の状態も見ます。
AIを管理するシステム自体が、AIやホストの影響を受けない場所にあるというわけですね。
中小企業のエージェント導入にも、今すぐ関係ある話なんでしょうか。
提供開始は来年初頭の予定で、今はまだ使えません。今できるのは、関連するどうかのライブラリを開発者や技術者が試すところまでです。
ですから、すぐ導入する話ではなく、エージェントを実業務に入れる際は、監視の仕組みをエージェントの外側に置くという考え方を選定の基準に加えておくという位置づけです。
導入はこれからでも、考え方は今から取り入れられそうですね。他に企業にとってのメリットはありますか。
09:01
記録の信頼性です。エージェントが環境の中で自分のログを書き換えても、ブルーフィールド4側に保たれた改ざん検知付きの記録までは変えられません。
事故が起きた時に、何が起きたかを再構築して監査にも使える。エージェントの活用が広がるほど、止める仕組みだけでなく、後から検証できる証拠を残す仕組みが問われるようになるということです。
医療、バイオ、そしてセキュリティと、今回も非常に示唆に富むシグナルが揃っていましたね。それでは、本日の配信内容から、すぐに実践できるビジネスアクションを解散お願いします。
はい。1点目は、熟練者に頼っている提携業務の入力手順を標準化し、品質が低い入力は自動で差し戻すなど、AIの自信度や確認の仕組みも含めて設計することです。
2点目は、自社でAIエージェントや外部連携システムを使う際、アプリケーション層だけでなく、エージェントの手が届かない場所での監視や権限管理、改ざんされにくい記録の仕組みを検討することです。
ありがとうございます。番組を引き続きお楽しみいただくために、SpotifyやApplePodcastなどの配信プラットフォームで、ぜひ番組のフォローや番組の評価、そしてコメントやフィード
バックをお寄せください。
いただいたご意見は、AIチームとチーフエディターで、毎週すべて丁寧に目を通して、今後のアップデートに反映させていきます。
また、エアラボ公式の無料ニュースレターや、ノートプレミアムメンバーシップへのご登録も、概要欄のリンクからぜひよろしくお願いいたします。
それではまた次回のシグナルでお会いしましょう。バイバイ。
