前回の記事では、AI関連の記事やニュースなどに登場することが多い「基礎用語」についてご紹介しました。今回は「応用編」と題して、AI技術が応用されている分野で使われている専門用語を取り上げていきます。

記事では、画像生成・自動運転・教育の分野でよく使われる重要なAI用語を厳選して、AI自身の解説を交えながら、その意味や具体的な活用事例を紹介するスタイルでお送りします。最後まで読めばAI用語に詳しくなれること請け合いです。

前回の「基本編」と同様に、テック系の記事でありがちな「難しい言い回し」は極力避けながら、現在様々な分野で活躍しているAIの魅力を幅広い読者の皆様にお伝えしようと思いますので、どうぞ最後までお付き合いください。

AIがやさしく解説する「AI応用分野の基礎用語」

AI画像生成分野で使われる基礎用語

GAN (Generative Adversarial Network)

「GAN」は、AIが新しい画像などを生成するために使われる学習の仕組みを指す言葉です。AIが言及している「生成者」と「判別者」は、GAN内部に組み込まれた2種類の異なるアルゴリズムのことを指しています。

「生成者(ジェネレーター)」は画像を作り出すアルゴリズムで、「判別者(ディスクリミネーター)」は生み出された画像が本物か偽物かを見分けようとするアルゴリズムです。これらが互いに競い合う仕組みがGANなのです。

お互いに競い合いながら自己学習を進めていくことによって、生成者は判別者を騙せるように進化を遂げ、結果として非常にリアルな画像データが生成されます。ユニークな「競争型の仕組み」こそ、GAN最大の特徴と言えるでしょう。

GANの活用事例

GANは、AIアートの制作現場や、希少な歴史的資料の復元などにも用いられている学習方法で、「フェイク画像」の作成でも大いに効果を発揮します。「良いこと」と「悪いこと」、その両方に利用できる仕組みと言えるかもしれません。

片方のアルゴリズムが偽物と分からないような画像を作ることに専念し、もう片方はその真贋を見極めていく。「敵対構造」が面白いGANは、AIの自己学習機能のユニークさを雄弁に物語っている好事例です。

拡散モデル (Diffusion Models)

画像データをノイズに変換して、そのノイズからデータを逆方向に再構築していくAI画像生成の手法は「拡散モデル」と呼ばれています。与えられたデータをAIが一旦「ノイズだらけの画像データ」にする点が特徴です。

AIは、元画像にランダムノイズを少しずつ加えながらデータを破壊し、その後破壊されたデータを元の形に復元するという作業工程を行います。段階を経ながら「出力画像の精度」を高めるという手法が非常にユニークです。

最近では、画像生成分野においてこの拡散モデルがGANに匹敵する、あるいはそれを超える品質の画像出力結果を出すという例も見られ、大いに注目が集まっています。用途に合った利用スタイルが加速していきそうです。

拡散モデルの活用事例

ChatGPTの生みの親である「OpenAI」が開発したモデル「DALL·E 3」は、拡散モデルを利用した画像生成サービスの代表例で、DALL·E 3は、複雑なシーンや創造的なアート作品など、スタイルの異なる画像を作成することが可能です。

現在オープンソースで展開しているAI画像生成モデル「Stable Diffusion」も、この拡散モデルを活用した代表的な例で、テキストのプロンプトからイメージした画像を生み出す出力形式で多くのユーザーに利用されています。

ただその一方でStable Diffusionは、著作権のあるデータを大量に学習した疑いも持たれており、倫理面と法的な側面における論争が巻き起こっているのも事実です。今後は適切な情報開示が求められることになるでしょう。

スタイル転送 (Style Transfer)

ある画像の内容(構図や形状)を保持しながら、別の画像スタイル(色合いや質感)を適用する画像生成の手法は、「スタイル転送」と呼ばれます。一枚の写真から「絵画風の映像」を生み出す使い方でも有名です。

スタイル転送の基盤となっているのは「畳み込みニューラルネットワーク(Convolutional Neural Networks, CNN)」で、このCNNを用いながら画像の内容とスタイルを分離して再構築する点が特徴です。

スタイル転送は、AIを使ったクリエイティブ画像の応用分野でも特に魅力的な技術で、最近は軽量化に伴って動画、ARへの応用も行われています。技術応用の可能性は、今後ますます広がっていくことでしょう。

スタイル転送の活用事例

ユーザーが用意した写真を、有名アーティストの描画スタイルや、ゴッホの絵画スタイルなどに変換できるアプリ「Prisma」は、このスタイル変換技術が用いられている活用事例で、他に「DeepArt」などもあります。

現時点ではスタイル転送を大々的に用いた映像作品などはあまり存在していませんが、現代アートの世界や広告・CM分野でスタイル転送が徐々に使われていく可能性も大いにあるため、今後の発展が楽しみです。

AI自動運転分野で使われる基礎用語

LiDAR (Light Detection and Ranging)

レーザー光を使いながら、ミリメートル単位の精度で車と障害物などの距離を測ることができる「LiDAR」は、自動運転車両の「目」に相当する技術で、現在はGM傘下のCruiseや、Waymoが採用していることで有名な探知方式です。

レーザーの発射部分からその反射光が戻るまでの時間を計測し、「飛行時間(ToF)」を記録する点がLiDARの特徴で、回転装置やスキャナーで複数の方向を測定しながら、3D空間上で点群のデータを構築していきます。

厳密に言えば、LiDARは純粋なAI技術ではありません。LiDARが収集したデータをAIがCNNなどを用いて利用することで、道路環境への理解が格段に深まり、その結果AI自動運転車両の安全で効率的な移動が実現しているのです。

LiDARの活用事例

Amazonの倉庫で働く運搬ロボットや、商品の配送で活躍する自律型のドローンは、このLiDARとAIを組み合わせた機能によって効率的に動作しています。自動化を推進する世界的な企業の利用例として、最も有名な取り組みと言えるでしょう。

また、アメリカ航空宇宙局(NASA)は、LiDARとAIを用いながら、森林の減少や気候変動の影響などを監視しています。集まった膨大なデータを手作業で解析することは現実的ではないため、計算が得意なAIの力で解析しているのです。

センサーフュージョン (Sensor Fusion)

カメラ・レーダー・超音波センサー・LIDARなどが収集した各種データを統合して、より正確な環境認識を実現する技術を「センサーフュージョン」と呼びます。これはロボティクスの分野でも重要になってくる技術です。

レーダーは速度および物体までの距離情報を提供し、LIDARは3Dマッピング機能が得意。カメラは物体の認識や交通標識の読み取りに使われます。こうした情報を統合的に判断する仕組みがセンサーフュージョンです。

センサーフュージョンの情報統合と判断は、基本的にソフトウェアのレベルで行われていますが、その中で「AIがどの程度関与するか」に関しては、該当するシステムの設計や利用目的に依存します。

センサーフュージョンの活用事例と例外

前述したCruiseやWaymoなどは、LIDARの情報も取り入れたセンサーフュージョンによって快適な自動運転技術を実現している企業と言えますが、それに対して、Tesra (テスラ)は全く異なる方向性を自動運転に採択しました。

テスラは、「Tesla Vision」というカメラ映像中心のアプローチへとシフトチェンジし、カメラとAIの判断だけで自動運転を可能にする方式を打ち出しました。これはCruiseやWaymoとは大きく異なるスタンスです。

カメラの映像だけだと、悪天候などの視界不良の状況で一体どういったことになるのかという懸念が出てきますが、テスラは事前データ学習とAIの進化でそれを補おうとしています。今後の発展に注目したいところです。

OTA (Over-The-Air) アップデート

インターネットの無線通信技術を用いながら、自動運転車両のソフトウェアやファームウェアを更新する仕組みは「OTA」と呼ばれています。これはスマートフォンや自動車産業で一般的になっているアップデート技術です。

自動運転車両にOTAアップデート方式を積極的に応用・導入しているのはテスラで、アメリカや日本などの世界的に有名な自動車メーカーの多くも、次世代車両向けの更新方式として採用を始めています。今後も普及は続くでしょう。

ただしOTAアップデートは、車載システムの機能改善やバグの修正などを速やかに行える利便性を持つ一方で、通信障害やハッキング、更新失敗などのリスクもあるため、インフラ整備やセキュリティの強化が同時に求められます。

AI教育分野で使われる基礎用語

アダプティブ・ラーニング（Adaptive Learning）

AIの機能を活用して、生徒それぞれの学習スタイルや速度・理解度に合わせながら、「カスタムメイドの学習経験」を提供してくれる技術を、「アダプティブ・ラーニング」と呼びます。ここ数年でかなり有名になった言葉です。

アダプティブ・ラーニングは、授業で一般的な「一斉指導」では難しかった個々のニーズへ対応でき、回答を間違えたり、理解が不十分だったりすると即座にフィードバックが提供され、必要な修正や補足学習をすぐ行えます。

勉強をしている個人の進捗状況に応じてAIが考え、「次に学ぶべき内容」が自動的に提案されていく点もこの技術の特徴で、生徒のデータを収集・分析しながら最適化を行い、学習効率を大幅に上げられる点でも優れています。

アダプティブ・ラーニングの活用事例

外国語学習でおなじみの「Duolingo (デュオリンゴ)」は、このアダプティブ・ラーニングを採用している代表的なアプリです。適切なレッスンを提示しながら、結果に応じて学習経路を調整していく機能を持ちます。

テクノロジーを用いた教育支援「EdTech」の概念が広く世間へと浸透していくことで、こうしたテクノロジーの一環となっているアダプティブ・ラーニングを活用した学習アプリやプログラムも、さらに増えていくことでしょう。

一斉指導では必ず「生徒の理解度の深まり方」にバラツキが生まれ、それが教育格差を生み出すきっかけになりかねません。AIを活用するアダプティブ・ラーニングは、こうした障壁を取り払う学習方法の好事例です。

応用編まとめ

画像生成・自動運転・教育分野にも浸透しているAIは、今後は社会全体にその活躍の場を広げながら、個人をはじめ企業や研究施設、教育機関になくてはならない存在になっていくことが予測されます。

前回の基本編、そして今回の応用編でご紹介したAI専門用語を理解し、使いこなせるようになれば、今後AI関連のニュースや話題を追いかけやすくなり、「AIに何が起こっているのか」を把握できるようになるはずです。

「AI用語の基礎知識」は、世界で話題になったAI関連の新用語が生まれた場合、適宜アップデートしていく予定となっていますので、専門用語気になる方は、時々当サイトを覗きに来ていただければ幸いです。