今週のブログでは、IoTにおける、現在の不自然なコマンドベースのモデルから会話への移行を取り上げます。先日、RRGについて、あらゆる言語のフレーズを意味に結び付け、また意味からフレーズへとつなぐ新たな言語的アプローチを通じて、機械が私たちと会話できるようにする仕組みを論じました。
会話には自然言語理解（NLU）が欠かせませんが、会話の文脈を追跡すれば、人工知能（AI）が「推論」と呼ぶものの多くを不要にできる、という興味深い見方があります。
AIは1950年代に誕生し、その最も熱心な支持者たちは、提案されたものは何であれ、それを模倣するプログラムを書けると主張していました。しかし、資金も時間も労力も投じられたにもかかわらず、今日まで人間のレベルにまで拡張できた者はいません。
コマンドベースの技術は、この初期のAIアプローチを利用しています。システムに必要なコマンドがすべて読み込まれており、ユーザーがそのコマンドを覚えていれば、システムは機能します。さらに、現在の音声認識設計の制約、つまり考えられるすべてのフレーズを事前に知っておく必要があるという問題にも対応できます。
問題は、ユーザーがコマンドを知らない場合があること、さらに悪いことに、そもそもコマンドがまだ存在しない場合もあることです。これが、Wit.ai（Facebookが買収）とNest（Googleが買収）の基盤となっている最先端技術の現状です。
Thinking Solutions Language AlgorithmはRRGを実装し、今日の開発環境と同じように機能します。開発者は任意の言語の語彙を追加し、それらをシステム全体で一意の意味に結び付けられます。追求する価値のある、異なるアプローチです。
コマンド対会話
会話は、ユーザーが自分の意図を言葉で説明できるため、コマンドより優れています。柔軟性は無限です。しかし、機械による会話は最近までAIにとって難問だったため、新しい分野です。NLUをAIから切り離したことは、素晴らしい突破口です。
ウィル・スミス主演の2004年の映画『アイ,ロボット』を見た方なら、未来を目にしたことでしょう。私たちの言葉を理解できる知的なロボットです。ロボット革命に反対するラッダイトの刑事デル・スプーナーは、自宅に旧式のCDプレーヤーを置いています。愉快な場面で、カルヴィン博士はどう操作すればよいか、「再生」「オン」「実行？」と推測し、続いて「プログラム終了」「キャンセル」と言って電源を切ろうとします。
皮肉なことに、ロボット工学の専門家として言語技術を理解しているはずのカルヴィンは、今日の2015年時点の旧式コマンドを使おうと躍起になっていました。文脈が欠けているため、誰に話しかけているのかが明確でなく、ロボットでさえ苦労したでしょう。彼女のコマンドを、「今かかっている音楽を再生してください、CDプレーヤー」と比べてみてください。この会話文は対象の機器を特定し、応答を絞り込むための文脈を加えています。たとえば、トースターも掃除機も傘も音楽を再生しません。
技術は最善の解決策に従って進化します。『アイ,ロボット』の舞台である2035年にも古いCDプレーヤーが残っているかもしれませんが、どの機械にもコマンド式インターフェースが残っているとは考えにくいでしょう。
古い時計のように、歴史的な関心から残されるものもあるでしょうが、新しいものはすべて現行の技術を使うでしょう。IoTの場合、それは会話型インターフェースになります。会話型コンピューティングは、発展の速さに応じて急速に普及すると私は予測します。
ハリウッドのアップグレード
ロボット工学の未来を予測するハリウッドの仕組みは壊れています。アーサー・C・クラークの1968年の著書『2001年宇宙の旅』では、HAL9000という超知能コンピューターが宇宙船を制御し、私たちと会話します。今日でも知的で現実味があるように思えます。それ以降、ハリウッドは知能の水準を引き下げてきました。
ハリウッドが時代に追いつくには、1960年代後半のように、ロボットをより現実的にする想像力が必要です。ロボットには、本物の会話と感情が必要です。その理由は、今後のブログで探ります。
言語は無限
人間の言語はすべて無限であるため、あらゆる文を網羅できるリストは存在しません。語彙を追加し、文を拡張し続けることはできますが、NLUの最も有望な未来があるのは、まだ開発されていない根底の意味の領域です。今日の問題は、現在の知能テストであるWinograd Schemaテスト（WST）が示唆するように、言葉のレベルではなく意味のレベルで取り組むのが最善であることがよくあります。
とりわけWSTは、文中で離れている意味同士を結び付ける能力を妨げる、言語への統計的アプローチの欠陥を浮き彫りにします。文脈の中では、そうした意味の分析は実証できるだけでなく、単なる単語のパターンではなく、理解の働きであることが明らかです。
「私はあなたが好きです」。誰が誰に言うかによって、「私」と「あなた」の意味は際限なく変わり、文脈の中で初めて完全に理解されます。では、「私が好きなのはあなたです」という語順の違う文はどうでしょう。ここでは「あなたが好き」という意味は同じだと扱われますが、統計システムは異なるものと見なすでしょう。「私は、ほら、あなたが好きなんです」ならどうでしょう。この場合も、「私」「あなたが好き」という3語の意味は同じです。さらに、要点を示すために、「私は、誰が何と言おうと、どれほど時間をかけて言おうと、あなたが好きです。本当に」と言ってみましょう。
言語は無限であり、私たちが使う言葉を「愚かな」機械に押し付けられるべきではありません。
単語の並びに基づいて人間の言語を分析する方法では、プログラマーはこれまで規模を拡大できませんでした。試してみれば、組み合わせがすぐに急増します。意味は多くの曖昧性解消タスクの鍵であるにもかかわらず、過去に好まれた言語モデルは意味を無視し、過剰な曖昧さを生み出しました。
今日のAIには拡張性がない
AIに拡張性がないことは致命的です。革新が必要な時期だと、私たちは5年以上前から分かっていました。前述のとおり、1960年代は革新に適した時期でした。Bar-Hillelによる1960年の機械翻訳批判は、知識の「百科事典」を必要とするものでした。
ベル研究所の同時代人、ジョン・ピアースは1969年頃、音声認識（ASR）には人間のようなNLUが必要だと指摘し、これが「人工知能への資金提供は本当に愚かなことだ」という彼の発言につながったのかもしれません。この発言の背景には、多額の投資が成果を生んでいないという見方があります。対照的に、動作するプロトタイプを拡張する方が、純粋な科学モデルを拡張するよりもはるかにリスクが低いのです。
FacebookのAI Research所長であるYann LeCunは、現在の研究分野であるDeep Learningについて「最も気に入らない説明」は「脳のようなものだ」というものだと指摘しています。さらに、「AIは、人々が実現できないことを実現すると主張したために、何度もAIの冬を経験してきた」と述べています。
Deep Learningのアプローチと特徴を生成する能力を、現在は教師あり機械学習で正確なコンテンツを読み込むものの、特徴の自動化は行わないシステムである、新しいThinking Solutions Language Algorithmと、どのように対比すればよいでしょうか。
答えは、両者が大きく異なるということです。現在のソリューションの多くは、新たな統計情報を保存することで「学習」します。保存先はニューラルネットワークのシナプスか、テーブルのいずれかです。IBMの科学者たちは20年以上前、統計的手法と処理能力の強みを、特に音声認識に、ひいては言語全般に活用する解決策を提案しました。問題は、音声と翻訳の計算手法に関する研究が今なお成功しておらず、同じことを繰り返しても成果が出る可能性は低いことです。Nuance Communicationsもディクテーション製品に統計的アプローチを使っていますが、精度は100％にはほど遠いものです。理解していないため、意味不明な文を書くことがあります。
コマンドベースの音声システムを使ったことがある方は多いでしょう。「Siri、親友の家に電話して」と言うと、「誰に電話しますか？」と返ってくることがあります。これは、最初からやり直さなければならないため、ひどい応答です。少なくとも、前回認識されなかった「親友の家」というフレーズを繰り返す必要があります。これは、システムがあなたを後戻りさせています。文を認識するか、何も認識しないかという全か無かの方式は、ユーザーの意欲をくじきます。入力ミスがあっても、文全体ではなく誤った文字だけを直せばよいのです。精度が低いASRはいら立たせます。
モノのインターネット（IoT）
インターネットに接続される機器の数が爆発的に増えるなか、自動車向けの音声システム、ホームオートメーションシステムなど、さまざまな分野で取り組みが続いています。AppleはSiriの買収と関連特許によって、こうしたシステムの開発競争の口火を切りました。それらは、IoTをより使いやすくするという構想の広がりを示しています。
燃料タンカーが横転した事故に遭遇し、無人運転車が停車して助けようとする場面を想像してください。「止まるな」は重要なコマンドになり得ます。そうでなければ車が爆発危険区域にとどまる可能性があり、タンカーが爆発すれば命に関わる結果になりかねません。理解することが不可欠です。
これを、「家に着いたら、中に入るまで1分間ライトをつけておいて」と比べてみてください。車は家に着いたときにエンジンを切り、指示どおり、あなたが家に入るまでヘッドライトをつけておきます。行動の多くは明示されていない意図や、文脈から切り離すと曖昧な言葉に基づいています。
私たちが議論すべきなのは、システムの正確さと使いやすさです。使いやすさは、私たちの言語と本質的に結び付いています。こうしたシステムをまだ誰も開発していない一方、意味ベースのシステムなら実現できる可能性があることを踏まえ、議論をどこへ進めるべきか理解するため、いくつかの点を見てみましょう。
意味ベースのシステムがどのように動作し得るかを説明するため、Thinking Solutionsのプログラマーによる簡単な分析を見てみましょう。
「家に着いたら」は未来の時点を指し、場所を指すのではありません。私の家は場所ですが、この文が指すのは、次にそこへ到着する時です。「リンゴを1個手に入れた」という文のように、私が家を所有するという意味ではないことに注目してください。「私」という語は私を指しますが、あなたが言えばあなたを指し、別の人が言えばその人を指します。この概念は、整然としたデータベースモデルにはなじみません。
「中に入るまで1分間ライトをつけておいて」は、車のIoTに「ヘッドライト」をつけておくよう指示する口頭コマンドであり、車内灯ではありません。裏口を見るのにライトが必要なので、文脈から明らかです。また、「ライトをつけておいて」はライトの状態（消えていない状態）についての指示であり、ライトの位置、「車の上」についてではありません。「1分間」はライトをつけておく時間であり、同じ構文を使う「泥棒対策に」のような目的ではありません。「中に入るまで」も時間の長さを表します。家の裏口が閉まるという明確な終点があります。これが車の中に入る時を意味するとも考えられますが、文脈上、それでは意味が通らないことに注意してください。
この例は、未来のシステムが狭い領域で文脈を自然に捉えて適用する様子を示しています。コマンドベースのシステムでは、コマンドによって文脈を決めざるを得ません。会話型システムは、人と同じように、言葉から文脈を判断します。
意味は感覚とは独立して理解できるため、NLUはAIにとって難問とされてきた領域から切り離せます。少し単純化すれば、明るい光は目に痛みを与えると分かっており、それは悪いことですが、実際に視覚を経験するかどうかは関係ありません。言語については、AIにとって難問だったモデルのように感覚システム全体と統合しなくても、NLUは実現可能に見えます。
横転した燃料タンカーを理解するのに、燃料の匂いの知識も、タンカーの視覚イメージも、爆発の感覚も必要ありません。障害のある人々は感覚入力の不足に対処しています。他の人々が視覚システムに取り組む間、NLUの早期導入でこの点を活用すべきです。
オフラインでの利用
音声向けのインターネットホスト型アプリケーションが急増しています。その理由の一つは、提供者が大規模な統計テーブルを1つだけ用意すればよいことです。また、機器に影響を与えずにオフラインで更新することもできます。問題は、この機械インターフェースがあらゆるものにとって不可欠になるため、その機能はオフラインで、機器上に保存されている必要があることです。
IoTにはオフラインでの利用が必要です。インターネット接続が切れたために家の照明がついたままになる状況を想像してください。もちろん、今日のインターネットと将来の役割との境界は曖昧になりますが、会話の役割が主流になるでしょう。性能、カスタマイズ、アクセシビリティのためにクラウド事業者が制御するのではなく、機器上、あるいは家庭内にローカライズされるでしょう。
世界中の機器にこの新技術を活用する人々のチームが生まれるのは、時間の問題です。言語理解の革命にはまだ長い道のりがありますが、すでにいくつもの応用例があります。
IoTの準備が整ったことを証明する最後の試験は何でしょうか。『スタートレック』で、コマンドの「エネルギー転送開始」や個人的な「転送してくれ、スコッティ」から、会話形式の「出発の準備ができた、エンタープライズ」へと変わり、どれも同じ結果を生むことです。
この記事は LinkedInとの協力により掲載されています。掲載されたことは、世界経済フォーラムが見解を支持することを意味しません。
アジェンダの最新情報を受け取るには、 週刊ニュースレターに登録してください。
著者：Cyberflow Analytics会長兼CEO、Dr. Hossein Eslambolchi。
画像：ワルシャワでコンピューターのキーボードを打つ男性。REUTERS/Kacper Pempel/Files
