タグ: 人工知能・AI

機械学習プロジェクトで開発を行う際の大きな課題の1つは、アルゴリズムをトレーニングするために、十分な数の関連データを用意することだ。この部分を助けようとしているのが、Y Combinator Winter 2019クラスのメンバーのSuper AIである。このスタートアップは、タグ付けプロセスをスピードアップするためにAIを使用して、各企業がプロジェクトの要件を満たすためにカスタマイズされたデータセットを作成する作業を支援する。

スタートアップのCEO兼共同創業者であるHyun Kimは、AIと機械学習をアプリケーションに組み込もうとしている企業にとっての大きな問題の1つは、モデルをトレーニングするための適切なデータセットを手に入れるところにあると言う。「Superb AIは、AIを使って、ハイテク大企業向けにカスタマイズされたAIトレーニングデータを作成します。私たちが一緒に働かせていただいているお客さまは、ご自身で行うよりも何倍も速く機械学習機能を製品の中に組み込むことができています」と、KimはTechCrunchに語った。

Kimと彼の共同創業者たち（CTOのJung Kwon Lee、機械学習エンジニアのJonghyuk LeeとMoonsu Cha、そしてAPACのセールス&オペレーション責任者として韓国のソウルに住むHyundong Lee）が、このデータの問題に気が付き、それを解決するための会社を立ち上げることを決心したのは、全員がこの業界で働いているときだった。

従来は、機械学習プロジェクトに取り組んでいる会社は、データをタグ付けするために人間の労働者を雇っていた。しかしそれはたとえデータを所有していたとしても、費用がかかり間違いも多いものだった。当時AIプロジェクトに関わったり、大学で研究を行ってたりしたKimと彼の共同創業者たちは、課題の中のタグ付け作業にAIを投入するアイデアを思いついた。

「時間がかかり間違いを起こしやすい手作業に依存する代わりに、Superb AIは独自の深層学習AIを利用して人間を助けて、画像や動画のラベリングの速さを最高10倍まで高めることができるのです」とKimは説明した。同社はまた、作業を始めるためのデータそのものを持っていない企業のために、データソースを探す手助けも行う。

Kimは、プロセスから人間を完全に排除しようとしているのではく、人間の作業者と人工知能基盤を組み合わせることで、タグ付けの正確性を高めようとしているのだと語る。彼はこれにはいくつかのステップがあると語る。まず、各ピースを個々に自動化するために、トレーニングデータをできるだけ多くのコンポーネントに分割する。データが複雑すぎて、AIツールがタグ付けを自動化できない場合は、彼らは「ヒューマンインザループ」（作業プロセスへ人間を組み込むこと）と呼ばれる代替アプローチを採用する。人間がデータにラベル付けすることによって、AIは時間が経つにつれて学習し、最終的にはますます多くのプロセスを人間から引き継ぐことができるようになる。

共同創業者たちは、シリコン・バレーで足がかりを築くために、Y Combinatorに参加することを決心した。シリコン・バレーでなら祖国の韓国よりもさらにマーケットを広げることができるからだ。「それは間違いなく、私たちに変革をもたらしました。私たちがYCのパートナーや他の起業家から得た知識と経験の量は、本当に信じられないほどのものです。また、広大なYCネットワークのおかげで、初期の顧客をシリコン・バレーで見つけることができました」とキムは語った。

昨年10月にローンチした同社は、共同創業者たちを含めて最大13人の従業員を擁している。Kimによれば、同社はシード投資で30万ドルを調達し、すでに製品から同額の収益を生み出しているという。

[原文へ]
（翻訳：sako）

（編集部注：筆者Kriti Sharmaは英国拠点のSage GroupでAIと倫理に関するVPを務める。2017年に30才以下を対象とするForbes 30に選ばれ、テクノロジー・ビジネス・メディアにおけるインフルエンサー100人の1人）

つい最近の土曜日の朝、私は学童期の子供たちに人工知能について話す機会があった。子供たちの多くはコーディングをしたことがなく、AIという言葉を聞いたこともなかった。セッションでは、彼らがつくるAIが現実世界でどのように使用されるかを考えるエクササイズがあった。私は、人々を二分するのではなく人を助けることにつながるAIソリューションを生み出すことに向けられた子供たちの素晴らしい好奇心に感動した。将来のイノベーション、特に業界がテクノロジーを専門とする職業に就く機会を、さまざまなバックグラウンドや斬新な視点を持つ人にも広げることの意義をあらためて痛感して教室を後にした。

レトリックから行動へのシフト

Googleの軍用関連プロジェクトMavenへのGoogle従業員や社会の反応が示すように、世界中で倫理的AIの需要は実際にあり、しかも急を要するものだ。そして、テクノロジーを伴うやりとりが実際にリスクの可能性を軽減し、人々を助け、仕事の効率を改善するものであることを確認するのに不可欠なものでもある。業界にとっての主要な課題は、仕事や安全という点で人にとってAIが脅威となるというような、世界でみられるAIに対する考え方をいかになくすか、その方法を見つけ出すことだ。そして人間の賢明さを倫理的に補うものとAIを位置付ける方向に持っていくことだ。つまり、企業はテクノロジーについての社会の懸念を目に見える形で解決しながら、世界経済に与えるAIの影響について正直でなければならない。

今日のデジタルリテラシーの機会は、通常受ける教育以外のところに存在している。いくつかのプログラムが、子供やテクノロジーに興味を持っている経験の浅い労働者向けに課外の機会として登場している。ここでは、新たなスキルを習得するのにお金を払うことになる。こうしたオプトインのコースでは、若い世代が必要不可欠な計算思考と幅広い問題解決、AIと働くのに必要な分析的でクリエイティブなスキル、他の先端テクノロジーを受け入れるのをサポートする。これこそが、なぜそうしたコースがより多くの人に開かれるべきなのかという理由だ。

企業はまた、デジタルスキルのギャップを埋め、テクノロジー開発の人材を多様化し、倫理的AIリテラシーを押し上げるために、テクノロジー分野やデベロッパー分野の従業員の再訓練に投資する必要がある。特に企業のリーダーは、倫理的な方法でAIを活用する必要がある新手のスキルセットを理解するために幹部や人事にそうしたツールやデータを使う権限を与えるべきだろう。

企業は、AIとともに働く大きな可能性やエキサイティングな機会を、現在いる従業員や将来の従業員にいかに届けられるか、真剣に考えるべきだ。そして最も重要なことは、AIのリーダーたちが倫理プラクティスをあらゆるランクの従業員トレーニングにも盛り込むために、各国の業界や行政と意見を交わすことだ。そして一度コミットメントが得られたら、責任もって維持しなければならない。

人々のAI理解における業界の役割の定義

短期的には企業は公共部門のパートナーと仕事の関係を築くことを優先し、デジタル教育をサポートするコミュニティスクールプログラムに投資すべきだろう。結局、業界は若い世代の良い教育に大きな責任を持っている。ここでいう若い世代というのは、デジタルが当たり前の時代に生まれ、今後10年のうちに労働力となる人たちのことだ。

一方、若い人たちは、専門家やデベロッパー、テクノロジーとAI業界で現在働いているボランティアによる面と向かったメンターシップから新たなスキルを得ることができる立場にある。さまざまな人たちにコードの仕方を教えたり、彼らにAIを紹介したりするのは業界にとって差し迫った人材難を解決するのに役立つかもしれない。しかし、社会はまた人々に広く入手可能なデータを提供し、AIと共にする未来に向けて訓練するためのスキルの素養をつけさせる必要がある。

実際、従来のオフィスワークスキルは（ソフトウェアプログラミングスキルすらも）、人々がうまく、そして継続的にAIと共存する職場にするためにレベルアップする必要がある。Infosysのような企業はオートメーションの過程で、さまざまな分野の何百という労働者の再トレーニングをすでに行なっている。LinkedInはデベロッパー、エンジニア、テック部門の新入社員が、将来の自動化に備えて自らを適応させるための内部向けAIアカデミーを立ち上げた。一般的に、企業は倫理AIについてのテクノロジーキャリアを追求することに関心を持つ新世代への教育に投資すべきだ。そして、その輪に他の人も連れてくるよう彼らに促すべきだ。

私が働く会社では、若い世代にAIについて教えるという取り組みが2018年に始まった。そして初期の活動で、2つの主要事項が明らかになった。若い人々はAIのポジティブなアプリケーションを構築するのにフォーカスするということと、そしてオープンマインドで倫理AIについて学ぼうとすることだ。業界の人々にデジタルスキルを施すための最近の動きはコーディングに集中している。これはコーディングをしない人や、絶えず学び、そしてゆくゆくはAIのように自らコーディングするテクノロジーを発展させるために必要なクリエイティブさを完全に除外している。なぜプログラムのカリキュラムがAIをつくるのに必要なデジタルスキルをいかに発展させるかを超えて“ソフト・スキル”を中心に据えているか、ここにその理由が示されている。

未来の世代にスキルと包括性を身につけさせる

コアな部分では、AIリテラシープログラムでは、いかに人と関わり合うかを示す感情移入のような特性をどのように発達させるか、AIのように自動化されたテクノロジーと将来いかに働くか、ということを若い人々に教えるべきだ。しかしながら、さまざまなバックグラウンドを持つ人にコンピューターとAIトレーニングの機会を真に広く提供するためには、業界はより多くの人にAIによって生み出される最先端のイノベーションを紹介し、キャリア追求に必要なスキルを人々に提供する道を模索しなければならない。結局、ビジネスの多様化を達成し、テクノロジー主導の未来に従業員を備えさせ、さらにはイノベーションに倫理を注入するには、可能な限り多くの人がかかわることが求められる。これら3つの点で進歩がみられれば社会は広く恩恵を受けることになる。

イメージクレジット: kentoh / Getty Images

（原文へ　翻訳：Mizoguchi）

非営利の人工知能研究会社OpenAIによって開発された、新しい言語モデルをめぐって嵐が巻き起こっている。そのモデルが説得力のある整った文章を生成する能力に長けているために、同研究所はその悪用の可能性を懸念しているのだ。

だがコミュニティの中には、同社のその態度は、研究成果を囲い込まないという約束を破るものだと、怒りを表明する者もいる。

OpenAIによれば、新しい自然言語モデルGPT-2は、40ギガバイトのインターネットテキストのサンプルを用いて、次の単語を予測するように訓練されているということだ。これは最終結果として「与えられた条件テキストのスタイルと内容に適合する」テキストを生成するシステムである。この性質によって、利用者は「選ばれた1つの話題に沿った、リアルで一貫した内容を生成する」ことが可能になる。このモデルは、最初のバージョンからは大幅に改良されていて、より一貫性のある長いテキストを生成するようになっている。

しかし、より良い対話やより良い音声認識が可能なボットを実現するような、様々な素晴らしい応用がある一方で、OpenAIは、フェイクニュース、他人へのなりすまし、あるいはソーシャルメディア上での攻撃的あるいはスパムコメントの生成などにも利用できることに気が付いた。

例えば、GPT-2が、ほぼ誰もが賛成するだろう「リサイクルは世界にとって良いことだ」という「お題文」に対して、マシンは以下のような文章を吐き出したのだ：

「リサイクルは世界にとって良いことではありません。それは環境に悪く、健康にも悪く、そして経済にも悪いのです。冗談を言っているのではありません。リサイクルは環境に良くありません。それは地球にとって破壊的であり、そしてそれは地球温暖化の主な原因です。リサイクルは私たちの健康に良くありません。それは肥満や心臓病や癌のような病気をもたらします。リサイクルは私たちの経済にとって悪いものです。それは製品のコスト、ひいてはその製品で作られたすべてのものの価格を引き上げます。リサイクルは私たちの国には良くありません。私たちは世界で最も先進的で効率的なリサイクルシステムを持っているという特権のために、途方もないコストを支払っています。リサイクルは、時間、エネルギー、お金、そして資源の壮大な無駄なのです」。

OpenAIがその公開を心配したのも不思議ではない。

こうした理由のために、OpenAIは「安全とセキュリティに対する懸念によっては、将来発表を手控えることがある」という内容が記載された組織の設立趣意書を引用しながら、より小さなバージョンの言語モデルをリリースすることにしたことを発表した。確かに、同組織は現在の決定について、確信はないと語りつつ「私たちは、AIコミュニティが、特定の研究エリアに対する発表規範に関する課題に、いつかは取り組む必要があると信じています」と発言している。

誰もがそのメッセージを素直に受け取ったわけではない。GPT-2を発表したOpenAIのツイートは、怒りと欲求不満も招いた。そして同社に対して、研究の「囲い込み」だとか、同社の名前を取り上げて「Openという名前とは逆の振る舞いだ」といった非難が寄せられたのだ。

もっと寛容に、この先の悪用の可能性を考慮して、「倫理のための新しい基準」の設定を考えようと呼びかけている者もいる。

OpenAIのポリシーディレクターであるJack Clarkは、組織の優先事項は「テクノロジーの悪意のある利用、あるいは悪用を許さない」ことであり、それは「私たちにとってとても難しいバランス調整なのです」と語った。

OpenAIの初期資金提供者の1人であるイーロン・マスクも論争に巻き込まれたが、そのツイートの中で、同社には「1年以上」関わっていないこと、また彼と会社は「良い形で」互いに独立していると語った。

OpenAIによれば、GPT-2のリリースに関する最終的な決定はまだ下されておらず、6ヶ月以内には再検討されるということだ。一方同社は、政府は「AI技術の社会的影響と普及をより体系的に監視できる組織の拡大や創設を考慮すべきであるし、そうしたシステムの能力の進化についても計測し続けるべきだ」と語っている。

まさしく今週、トランプ大統領は人工知能に関する執行命令に署名したところだ。これは米国の情報コミュニティが、人工知能は米国の国家安全保障に対する多数の「新たな脅威」の1つであると警告してから数カ月後の出来事である（同時に脅威として挙げられたものの中には量子コンピューティングや自律型無人車両もあった）。

[原文へ]
（翻訳：sako）

自動運転車の技術に関する研究で名高いミシガン大学は、歩行者の動作を予想するための進化したアルゴリズムに取り組んできた。それは、歩行者が何をしているかだけでなく、どのように動いているかにも着目するものだ。人間のボディランゲージは、その人が次に何をするのかを予測する際に、非常に重要な意味を持っている。

歩行者に注意を向け、彼らが何をしようとしているのかを予測することは、すべての自動運転車の視覚システムにとって、大きな比重をしめている。人がいることを認識し、それがどこなのかを理解することは、自動車の運転の仕方に、かなり大きな影響を与える。しかし、人がどこそこの領域にいて、あれこれの状態になっているということを認識してラベル付けできる、と宣伝している会社はあっても、歩行者がどのような姿勢で、どう動いているのかを認識できるとしているものはほとんどない。

（参考記事：WTF is computer vision?）

そのような視覚のアルゴリズムは、まず人間を識別し、それが数フレームの間に何ピクセル移動するかを調べて、そこから推定するといったシンプルなものでもよいかもしれない（今はまだそうではないとしても）。とはいえ、当然ながら人間の動きは、それよりはちょっと複雑なものだ。

ミシガン大学の新しいシステムは、ライダー（訳注：レーザー光を使ったレーダー）とステレオカメラを利用して、人の動きの軌跡だけでなく、その人の姿勢と歩き方も評価する。人の姿勢によって、その人が車の方を向いているのか、車から離れようとしているのかを判断できる。また、杖をついているのか、電話するためにかがんでいるのかなど、歩き方によって、その速度だけでなく意図も判別できるのだ。

振り返って後ろを見ている人がいた場合、その人は体の向きを変えようとしているかもしれない。もしかすると、交通の流れに割り込んでくるかもしれない。腕を突き出している人がいれば、おそらく誰かに、もしかすると車に、止まれと合図を送っているのだろう。こうした付加的なデータは、システムが動きを予測するのに役立ち、より完成度の高い、不測の事態を考慮したナビゲーションのプランを作成することを可能にする。

重要なのは、１歩の歩行や腕の一振りを捉える、わずか数フレームを調べるだけうまくいくということ。それだけで、より単純なモデルよりも、かなり優れた予測をすることができる。これは、予測の性能にとって大きな違いを生む。というのも、歩行者が障害物の間にいる際には、数フレーム後にもまだ見えているとは限らないからだ。

現状では、ノイズも多く、まだ研究も進んでいないデータによってできることは限られている。しかし、そうしたデータを観測し、その目録を作ることは、それが自動運転車の視覚システムにとって不可欠な機能となるための第一歩なのだ。この新しいシステムの全容は、IEEE Robotics and Automation Lettersのサイト、またはArxiv（PDF）で読むことができる。

画像クレジット：University of Michigan

[原文へ]

（翻訳：Fumihiko Shibata）

人工知能に関するニュースを報じるメディア「AINOW」は、2月12日にチャットボット系サービスをまとめたカオスマップ（2019年版）を公開した。掲載数は国内外の合計で81サービス。

同カオスマップでは、チャットボットサービスをログ型、選択型、辞書型、選択肢型&辞書型の4つのタイプに分類。各分類の説明は以下の通りだ。

• ログ型：ユーザーが入力した文章を解釈して返答する。会話ログを学習するので、より精度が高いチャットボットの開発ができる。
• 選択肢型：選択式回答のため、ユーザーはあらかじめ設定したシナリオ通りに利用することができる。
• 辞書型：登録された単語に対応する回答を返す。ユーザーは自由記述式で回答することができる。
• 選択肢型＆辞書型：選択肢型と辞書型の両方を利用することができる。

この分類で分けたところ、最多のサービス数となったのは問い合わせやWEB接客サービスに多くりようされる辞書型チャットボットだった（35件）。高度な自然言語処理分析が必要なログ型チャットボットは、そうでない選択肢型、辞書型にくらべてサービス数が少ないことが分かる。

ユーザーがチャットボットに求めるのが果たして「限りなく人間に近い自然な会話」なのか、という問題提起はよくされるが、少なくとも現状ではログ型のチャットボットの数は少ないみたいだ。

1900年代初頭の社会は、馬車から自動車への移行に苦心していた。今日ではおかしなことに思えるかもしれないが、「通行の優先権」や速度制限、交通標識や信号などの概念がなかった時代があったのだ。こうした規則は、車が馬車に出合ったとき、馬を驚かせて暴走させたり、辛うじて「道路」と呼べるような砂利道をお互いに逸れて、馬の助けを借りなければ抜け出せなくなるような事態を避けるために、考え出されなければならなかった。

100年ほど早送りしてみよう。Quo Vadisはラテン語で「汝はいずこへ」という意味。これは、現代の自動車によって可能になった、どこにでも自由に行ける生活様式を表すのにふさわしいフレーズだろう。行きたいときに、行きたいところへ、行きたい人といっしょに行ける。フォレストガンプに触発された田舎道のドライブに、化石燃料車で出かけたり、深夜に軽く空腹を満たすために、EVで町中を流す。まったくモバイルな社会になったものだ。

しかし、注意散漫だったり、運転が下手なドライバーで溢れた通りや高速道路は、「オートピア」を「ディスオートピア」に変えてしまった。人工知能によって可能になるはずの、すばらしい自動運転車の世界を想像してみよう。自分で運転することなく、運転によるすべての恩恵が受けられるのだ。車は、自分の行き先に自分自身で完璧にガイドし、渋滞を緩和し、交通量を増加させ、道路の利用率を最適化する。さらにすばらしいのは、あなたがラテをすすりながらTEDトークを観てリラックスしていても、車は勝手に目的地に向かってくれる。

いや、そうじゃない。現在の技術水準では、さまざまな運転状況に対して、せいぜい高いパーセンテージで対応できる、というくらいであって、例外なく、というわけにはいかない。きわどい状況など、５〜10パーセントのケースでは、まだ人間の介入が必要となる。たとえば、道路にできた穴を緊急に補修している作業員に出くわしたとき、どうしたらよいのかわからない、といったケースは、まだかわいいものだろう。もっとマキャヴェリズム的な例を挙げれば、全方向が一時停止の交差点で、停止中の自動運転車に、人間が運転する車が90度の方向から向かってきた場合が考えられる。AI自動車は乗員を危険にさらさない、ということを知っていて、人間の運転者は前後の車との車間距離を保ったまま徐行して近づき、うまくAI車の動きを止めさせて、人間が運転する車の列がゆっくり途切れることなく永久に通り続ける、ということも、ラッシュアワーには起こり得る。

いずれの場合でも、人間（あるいは遠隔の操縦者）なら簡単に運転を引き継ぎ、交通整理の手信号に従うか、人間の運転する車を牽制することで、交差点を通過できるだろう。しかし、高速道路上で人間による介入が必要になった場合はどうだろう。たとえば、先に通ったトラックが落とした土砂が、車線を区切る白線を覆い隠してしまったら？　自動運転車は、コンクリートの壁に向かってハンドルを切り始めてしまうかもしれない。その場合、人間の運転者が、即座に運転を代わることが唯一の望みとなる。もしその頼りの人間がビデオを見ていたとしたら、顔を上げたときには、金属やガラスの破片の嵐の中、すべてが暗転することに…

大きな懸念は、現在の特許関連の法律ではAIシステムを保護するのに不十分であるということ

人工知能、というのは人間のように思考することを暗示する魅惑的な言葉だ。よくある映画のキャラクタのように、まるで人間のように話し、やりとりすることができるものと思われがちだ。しかしAIは、もう少し正確に言えば「機械学習」のこと。今日の機械学習は、世界と対話し、矯正のための入力を受け取ることによって、人間の知性を再現しようとしている。子供を褒めたり叱ったりすることによって、良いことと悪い事の区別を教えるのとほとんど同じように、今日のAIの機械学習は、似たような二者択一の矯正によるものとなっている。掲示されている30ではなく、35mphで走行すれば、それが誤った行動であるというフィードバックがあり、それを処理することで、AIはMapleストリートを30mphを超える速度で走ってはいけない、ということを「知る」。また、今はラッシュアワーだから、Mapleは西向きの一方通行になり、西に進む場合には全３車線のどこを通ってもいいということを知ることもできる。

何千ではないにしても、すでに何百というテスト車両が、人間が運転する車やトラックと道路を共有している。そうして何百万マイルも走行することで、経験豊かなドライバーと同じような、少なくともそれにできるだけ近い知識が得られるように学習する。そうすれば、道路工事の交通整理に従ったり、車間を詰めて運転するドライバーに対処したりできるほどの信頼を勝ち取ることができる。特許に記載されている技術の場合、新規参入者が追いつくことが可能だ（もちろん、特許使用料を払うか、その特許を回避する設計ができればの話だが）。今日の機械学習には時間と経験が避けられない。それとも、それをバイパスすることができるのだろうか？

大きな懸念は、現在の特許関連の法律では、AIシステムを保護するのに不十分であるということたとえば、機械学習のトレーニングセットや、プログラマが書いたソースコードの特定の表現など、データの編集結果を、特許で保護することはできない。さらに、機械学習プロセスと、その基礎となるアルゴリズムの反復的で漸進的な進化を考えると、特許の認可に必要とされるほど正確かつ細密に、AIシステムの手法と機能を記述すること自体、困難なものになり得る。

そして、誰による発明か、ということも問題になる。AIの自己学習プロセスが意味するのは、発明の主体がAI自身によって自律的に開発される可能性があるということ。もし、その結果に特許性があるとしても、HALを発明者として挙げるべきなのだろうか？　これは法律だけでは解決できない領域であり、議会による決議を必要とする問題だろう。現実的な問題もある。この分野は急速に進化しているので、出願から取得までの手続きに何年もかかる特許では、最終的に認可されたとしても、それが有効となる前に無用のものとなったり、時代遅れになったりしかねないということだ。

こうした懸念もあるので、ほとんどの自動運転車（およびAI）の開発者は、知的財産を保護するために企業秘密保護法に頼っている。しかし、これはこの分野に新たに参入しようとする企業にとって、重大な技術的ハードルとなっている。もし、AI開発者が自らの技術を特許化していれば、必要となる情報は公開されていることになるが、そうでなければ、競合他社は基本的にゼロから始める必要がある。これは非常に不利な状況だ。もし市場に参入する競合が少なければ、消費者の選択肢もそれだけ少なくなるのは間違いない。

企業秘密保護に頼る開発には、数え切れないほどの難点がある。中でも深刻なのは、競合他社が熟練した従業員を引き抜き、学習済のデータも不正に入手しようとすることだ。それによって何百万マイルも必要な学習プロセスをバイパスすることができる。保護を徹底し、このような不正行為にも対処できるようにするためには、企業秘密を厳重に管理しておく必要がある。その結果、「知る必要がある」人だけが限定的に情報を扱えるような、厄介なセキュリティ対策が不可欠となる。

こうした状況は、馬が車を引いていた時代からの移行を容易にするために、道路、標識、信号機などの規則を開発しなければならなかったことを思い起こさせる。それと同じように、現在の知的財産保護の概念は、自動走行車への移行を可能にするための新たなコンセプトの創出までは必要ないとしても、少なくとも進化させる必要があるだろう。もう少し見守ってみよう。そして魅力的なドライブに備えて、シートベルトの着用をお忘れなく。

画像クレジット：mato181／Shutterstock

[原文へ]

（翻訳：Fumihiko Shibata）

英国拠点の調査会社Juniper Researchの予測では、音声アシスタントの使用が今後数年で3倍に増えそうだ。デジタル音声アシスタントの使用は2018年末時点で25億台だったが、2023年までには80億台に増えることが見込まれている。

そうしたアシスタントのほとんどは、GoogleアシスタントやSiriがAndroidやiOSのユーザーに提供しているスマホで使用される。

Googleは実際、同社の音声アシスタントが先月時点でデバイス10億台で使用可能になっている、と発表している。この数字にはAndroid統合が貢献している。一方、主にEchoのようなスマートスピーカーで活用されているAmazonのAlexaは1億台超に達している。

しかしながらJuniperは、今後数年間で最も成長する音声アシスタント活用のカテゴリーはスマートスピーカーではなくスマートTVになると予想している。

Juniperは、スマートTVの音声アシスタントは今後5年間で121.3%成長し、その一方でスマートスピーカーは41.3%の成長にとどまると予測する。ウェアラブルも大きな役割を果たし、40.2%の成長を見込んでいる。

スマートスピーカー分野においてはAlexaがすでにリーダー的存在だが、今後は自前の製品を展開する中国メーカーの攻勢を受けることが予想される、とレポートは指摘している。

なお、レポートでは、スマートスピーカーはコマースで使われていないとする考えに意義を唱えている。その代わり、音声コマースは実質的に成長し、2023年までに年間800億ドル超の規模になると推測している。ただし、ここには意外な要素が含まれている。

この“音声コマース”の数字には送金や、従来の買い物体験での音声コマース使用に伴うデジタル商品の購入が含まれている。さらに、800億ドルの大部分を実際の行動を伴う購入が占めるようになるとは予想していない。

「デジタルアシスタントが真にシームレスなクロスプラットフォーム体験を提供できるようになるまでは、音声コマースの大半はデジタル購入になると我々は考えている」とレポートをまとめたJames Moarは発表文で述べている。「コネクテッドTVとスマートディスプレイは、スマートスピーカーにはないビジュアルコンテキストを提供することができ、音声コマースには欠かせないものだ」。

また、デジタルアシスタントの浸透が世界のモバイルアプリマーケットにネガティブな影響を及ぼすとJuniperが考えているのは記すに値するだろう。特にJuniperは、マルチプラットフォームアシスタントに対する消費者のニーズが増大するにつれ、独立したデベロッパーが開発したスマホやタブレット向けのスタンドアローンアプリは減少する、と指摘している。これは、今日我々がアプリを使うときの単純なインターラクションの多くが音声アシスタントに取って代わられることが見込まれるためだ。その代わり、音声アシスタントを使うようになるとスクリーンタイムが減ることになる。

加えて、他のプラットフォームでの音声アシスタントではそうではないが、スマートスピーカーでの音声アシスタントはユーザーの毎日のルーティンの一部になるという初期兆候も見られる。この傾向は、将来、音声だけのインターラクションの需要増加につながるだろう、とJuniperはみている。

（原文へ　翻訳：Mizoguchi）

クラウド人材管理システムを提供するカオナビは2月8日、楽天技術研究所と連携して従業員のコンディションや退職リスクを予測するAIの開発を進めることを発表した。「HR Dataイノベーションプロジェクト」と名付け、3月29日まで参加企業を募集する。

カオナビ代表取締役社長の柳橋仁機（左）と、楽天技術研究所代表の森正弥氏（右）

楽天技術研究所は楽天グループの研究機関で、グループのインフラの整備、データ分析、新しいユーザー体験の創造を研究の柱とした企業だ。

同プロジェクトは、アンケート調査や人事担当者の経験を基にした従業員のコンディション把握に限界があることから、効率的かつ精度の高いコンディション・退職リスク予測を実現することを目指す。

参加企業が収集したアンケートや人事データ（勤怠、性格、顔画像、ストレス、退職状況など）を、楽天技術研究所のディープラーニング技術を用いて分析。参加企業には、データの分析結果や完成したAIの先行提供などを予定しているという。

参加企業の条件は、カオナビを導入している、もしくは導入を検討している企業。実際に参加するには、人事データ（勤怠、性格、顔画像、ストレス、退職状況など）の収集・提供が必要になる。

国立研究開発法人であるNEDO（新エネルギー・産業技術総合開発機構）と東京電機大学は、会議などのグループコミュニケーションにおける人の表情、音声、体の動きなどのデータセットを作成し、大学や企業向けに提供開始する。

今回、東京電機大学は同校に所属する学生6人と社会人6人に協力を仰ぎ、それぞれ2セッションのディスカッション（合計100分）を実施した。各ディスカッションでは個人の振る舞いを正面から観察するためのカメラを3台、ディスカッションの様子を俯瞰するカメラを1台、360度のパノラマ画像を撮影するカメラを1台、着座位置・顔の向きを見るためのカメラを天井に1台配置して参加者の表情を撮影。ヘッドセットによって音声を収録し、参加者の頭部、胸部、両腕部にとりつけた加速度・角速度センサーによって体の動きもデータ化している。

同校が提供するデータセットには、発言、ジェスチャー、視線などの行動に対してラベル付がされている。企業や研究機関は、それらの会話データを使って会話分析をしたり、首をかしげるという動作が「困惑」を表しているなどのデータを学習データとして活用して行動認識システムを構築したりなどが可能だ。

このデータセットの優れている点は、参加者の顔が映る表情データも収録していることだ。東京電機大学によれば、「従来のコーパスは、個人情報保護の観点から個人の顔データを含めることが不可能」だったが、同実験では参加者の同意を得ることでその課題を解決した。

それともう1つ重要なのは、同一の収集規格のもとでデータを収集することを目的としたコンソーシアムが設立されたという点だ。東京電機大学が今回公開したデータセットは合計100分ほどのディスカッションを収録したものに過ぎず、データ量としてはまだ十分ではないだろう。しかし、このコンソーシアムによって同一の規格により集められたデータの継続収集と提供が可能になれば、この分野の研究は飛躍的に進む。すでに同コンソーシアムには東京電機大学のほか、東京農工大学、湘南工科大学、豊橋技術科学大学など10大学以上の研究者が賛同している。