Share withArticle by: Asst. Prof. Suwan Juntiwasarakij, Ph.D., MEGA Tech Senior Editor 声認識によって消費者は機械学習や高度なアルゴリズムを使用したマルチタスクの実行が可能になります。テクノロジー企業はほとんどの製品に声認識を標準搭載することに関心を寄せています。それら企業の目標の一つは、音声アシスタントが文脈や内容に沿った正確な発言や返答ができるようにすることです。さらに、研究によると音声認識機能を持つバーチャルアシスタントの需要はますます拡大していきます。 声認識とは？ 音声認識とは話された単語を認識し、文字に変換する技術です。声認識は音声認識の一部で声によって人物を見分ける技術です。声認識ソフトは人が発する声を分析します。話された事を抽出し、読み取り可能な形式にデジタル化し、意味を分析します。アルゴリズムとそれまで入力された情報を基に人が何を言っているのか精度の高い予測ができます。 フェイスブック、アマゾン、マイクロソフト、グーグル、アップルなど世界の一流テクノロジー企業は、すでにGoogle Home、Amazon Echo（アレクサ）、Siriなどのサービスを様々なデバイスで提供しています。これら企業は声認識をほとんどの製品に標準搭載することを目指しています。その主な目標は声認識アシスタントが文脈や内容に沿った正確な発言や返答ができるようにすることです。 スマートスピーカー AIアシスタント機能を持つワイヤレススピーカー、スマートスピーカーは、ユーザーからの音声指示を受けて情報検索、音楽再生、オンラインショッピングなどの操作を実行できます。2015年にアマゾンがAmazon Echoを市場に送り出して以来、スマートスピーカーの人気は高まっています。グーグルがGoogle Homeを発売したことで市場はより活性化し、2016年の657万台から2019年の9,225万台へと出荷数が大幅に増加しました。アメリカは最大の市場で、中国がその後を追っています。 中国：成長地域 ต スマートスピーカーは世界的に成長しています。特に英語圏以外の国での伸びが著しく見られています。2017年の終わり頃、スマートスピーカーは英語圏の市場に限定されており、95％はアメリカとイギリスで販売されていました。しかし2019年からスピーカーの言語多様化により、ほとんどの人が中国語、フランス語、スペイン語、イタリア語、日本語を話す国々での売り上げが伸びています。市場ごとに見ると、音声検索の増加はインド、中国、インドネシアなどアジアの主要市場が牽引しています。 使用頻度は実用性を図る目安の一つです。上記6カ国ではほとんどのスマートスピーカーが毎日使用されていますが、その大半の使用回数は限られています。実際、スマートスピーカー市場が比較的成熟した国々の例では、日常使用するデバイスの中で使用頻度は7番目に位置しています。スマートスピーカーの実用性は使用できるアプリの種類にも左右されます。ほとんどの市場では音楽再生が最も一般的な使用ですが、それほど拡散しているわけではありません。2018年半ばからのデロイトの調査では5か国で最も使用されているスマートスピーカーアプリは音楽再生アプリでした。カナダだけはお天気アプリが最もよく使用されており、お天気アプリはほとんどの市場で第2位となっています。 重要ポイント これらを総合すると、声認識には問題点もありますが、長期的な視点で見れば有用です。スピーカーであれ他のデバイスであれ声認識や音声アシスタントはすべての人にとって利点があります。もう少しすれば、今以上にスピーカーと会話することが増えるでしょう。音声が主なインターフェイスになることはないでしょうが、視覚障害者や小さなキーボードやボタンの操作が困難なユーザーにとっては主な操作方法となり得ます。高齢化社会にとって有益な技術です。

Share withArticle by: Asst.Prof. Suwan Juntiwasarakij, Ph.D., MEGA Tech Senior Editor 人工知能（AI）は知らない人がいないくらい有名になりもう何十年もの間ポップルチャーの如く普及した。AI教育は1956年からダートマス大学で正式科目として始まった。当時は著名な専門家たちが集まり知能のシミュレーションのブレインストームを行った。これはAsimovがロボティックスの三つの法則を作ってから僅か数年後の事であったのだがそれ以上に重要な事はこれがTuringが1950年に出筆した有名な文献の後であった事だ。この文献で彼は始めて考えることの出来るマシン提案しそれ以上に世間をわかせたのはTuringがそのような機械に知能が備わっているかどうか実験をしたことであった。AIの簡単な歴史に触れる前にAIの三タイプを見てみよう。 アーティフィシャルジェネラルインテリジェンス（AGI） アーティフィシャルジェネラルインテリジェンス即ち一般的なAIとは人間のレベルで人間と同じように知能を使ったタスクが出来る能力を持つ物である。このようなAIは「強いAI」または「人間レベルのAI」として知られている。これと対照的に狭いAI-AGIは人間の一般的な能力を備えた物で特定のタスクができる物でないそれである。これに知能とは何ぞや、そして実際にAGIは何が出来る物の事を言うのかということに関しては幾つかの議論があった。一般的には人間レベルの6個のコアなバリューを備えた物の事というコンセンサスになっており、それらは: 1.理由付けの能力、問題解決能力、不確実な状況下において戦略を使え問題解決が出来る。 2.知識を披露できる。 3.計画が立てられる。 4.学習能力がある。 5.自然な言語表現が出来る。 6.共通ゴールのために上記全てを統合できる。 アーティフィシャルスーパーインテリジェンス（ASI） ASIとは最も優れた優秀な人間のそれを上回る知能を備えたスーパーインテリジェントコンピューターの事である。リサーチャーは皆が皆その達成方法（もしもそれが可能であると言う前提で）に同感な訳ではないがこれに同感しない者達はこのようなAIの開発はこのシステムが人間の限界を持たないと言う事がそもそもの論点のようである。その他の者達は人間は進化してまたは直接自分たちとASIを直接修正して根本的にその物質的認知度を改善すると考えている。 現実的にはASIは皆が考えるほどの物ではなく自ら常に永遠に再プログラミングや改善が出来る能力を持つAIシステム、理論上それは可能であるのだが、そのようなAIシステムはスピード感を持ったサイクルでそれを行い遺伝子の制約を受けない知能の爆発につながるのである。 アーティフィシャルナローインテリジェンス（ANI） ナローAIとはある限られたタスクにおいて人間の知能を越えた形でコンピューターを操作させる事ができる特定なタイプの人工知能技術である。ジェネラルインテリジェンスとは違い – ナローインテリジェンスは能力に於ける単一の部分集合に焦点を当ててそのスペクトロムにおいて進歩させようと言うものである。 ナローAIで文化的観点から最も意味があったのはアメリカの危険と言うテレビショーで優勝したIBMのスパーコンピューターのワトソンである。要するにワトソンはAI技術を使って人間の認知能力を真似た「質問に答える」のエキスパートマシンなのである。ナローAIは依然AIは産業界において利用されている最も一般的なかたちの技術なのであるのだがワトソンほど魅力的だとは言えない。ラーニングデータやデータマイニングを使って決定をさせるソフトウエアは全てナローAIであると言える。ナローAIは「弱いAI」として知られている一方ジェネラルインテリジェンスは「強いAI」として知られている。 [1] ジェネシス 1950年代にはAIは簡単に出来ると思われていたが実際はそうでは無かった。 60年代の終わり頃リサーチャー達はAIと言うのはかなり手ごわい研究エリアだと言う事に気付いた。これによって研究開発資金集めで集まりそうになったお金もどんどん少なくなっていった。この現象はAIの歴史の中でも良く見られるものであるが一般的には「AI効果」と言われており二つの部分から構成されている: AIは十年後には出現すると言う期待的なお約束とある特定問題解決した後のAIの態度のあり方の考え方、これらによって知能とは何なのかと言う定義を何度も何度も修正せざるを得なかった。 アメリカにおいてDARPAがAIの研究の資金提供を行った理由は完璧な機械翻訳を造ると言うのがその根底にあったのだが連続発生的に起こった二つの件がそれをぶち壊してしまった。これが後に、初のAI冬の時代と呼ばれたのである。この時期におけるキーイベントは: 1950年 | ターニング試験 | ターニング試験とは機械の知能を判断するための方法である 1955年 | AIという言葉 | 人工知能という言葉が始めて使われた。 1966年 | エリザ | エリザはチャット方ロボットの初めの頃のもので精神科医のような会話を真似る。 [2] リバイバル 1970年代から1980年代においてイギリスと日本において「エキスパートシステム」の出現によって資金集めの新たな波が始まった。これは基本的にはナローAIでありさらなるデータの摂取によって特定ドメインのアプリケーションやタスクがステップアップされアウトプットエラーをどうしたら削減できるかを「学ぶ」能力を有する。実際これらのプログラムは特定ドメインにおいて人間の専門家をシミュレーションする事が出来るくらいの物であったのだが新たなファンディングの意欲を刺激させるには充分であった。当時最も活発的意欲的に物事を進めていったのは日本政府であり同政府は第五世代コンピューターの製作に力を入れて間接的にアメリカとイギリスのAIリサーチ用のファンディングを復活に導いたいた。この黄金の時代はそれ程長続きはせずファンディングのゴールが達成できないという事で危機が訪れた。当時のキーイベントは: 1980年代 |エキスパートシステム |Edward […]

Share withロボットのプロセスおよびインテリジェンス自動化ツールは、企業が現在の方法よりも低コストでサービスの有効性をより速く改善するのに役立ちます。ロボットプロセスオートメーション（RPA）の恩恵を受けることができる従来のプロセス候補は、通常、複数のアプリケーション間の切り替えを必要とするものを含むITアプリケーションとの反復可能で予測可能な相互作用を有しています。 より少ないRPA IT主導の変革に関連する基本的なプロセスの再設計を必要とするのではなく、RPAソフトウェアの「ロボット」は、ユーザーインターフェイスを介してアプリケーションとやり取りする方法を模倣し、簡単なルールに従って意思決定を行うことにより、このような日常的なビジネスプロセスを実行できます。日常的なビジネスプロセスの例は、1つのシステムから情報を取得し、同じ情報を別のシステムに入力するか、別のシステム機能をアクティブにすることです。 ほとんどの企業では、IT変革による自動化を保証する規模や価値に欠ける手動で実行される多くのルーチンプロセスがありますが、マクロやその他のデスクトップオートメーションツールは効果的に対処するには制限が多すぎます。RPAは、このギャップに対処するのに役立ち、他の従来のオプションと比較して、プロセス自動化の実行可能な最小規模を削減します。デロイトの分析によると、RPAソリューションを使用する企業は通常、サイクル時間の短縮やスループット、柔軟性、拡張性の向上、精度の向上、従業員の士気の向上、詳細なデータキャプチャなど、コスト削減以上のメリットを享受します。 労働者と労働者の生態系の調整 デロイトが調査したグローバル企業の人材専門家の間では、RPAを採用することにより、トランザクションアクティビティを処理する無敵の機能を備えたデジタルワーカーが導入されます。RPAの実装には、特定の機能の解散または置き換え、部門の範囲とチームの変更など、既存の組織構造への適応だけでなく、新しい組織構造が必要になります。 一部の機能と役割は大幅に変更されるか、完全に消滅するが、問題が発生した場合やその他の問題が発生した場合に、アプリケーションが変更され、ロボットコントローラーの最初の連絡先となる場合、スケジューリングとプロセス監視を管理するロボットコントローラーや、モデル化されたプロセスを維持するプロセスロボット開発者など、新しい役割が登場します。 スマートファクトリに向けて スマートファクトリは、より広範なネットワーク全体でパフォーマンスを自己最適化し、リアルタイムまたはほぼリアルタイムで新しい条件に自己適応および学習し、生産プロセス全体を自律的に実行できる柔軟なシステムです。製造プロセスに対するスマートファクトリの特定の影響は、組織ごとに異なる可能性があります。 デロイトは、物理的な世界とデジタルの世界との間の情報の流れと移動を通常促進する一連の先進技術を識別しました。これらの技術は、デジタルサプライネットワーク、ひいては生産プロセスをデジタル化する新たな機会を生み出す能力を備えたスマートファクトリを強化します。製造業者は、競合他社がどのように競争し、それに応じてデジタル化とスマートな工場投資を調整するかを理解することが重要です。 実際には、スマートファクトリへの投資は、多くの場合、特定の機会に焦点を当てることから始まります。識別されると、デジタル化と洞察の生成により、新しい価値を生み出すアクションが促進されます。それにもかかわらず、スマートファクトリの構築とスケーリングは、コンセプトそのものとして機敏で柔軟です。メーカーは、ネットワークのどのレベルでも真のスマートファクトリへの道を歩み始めることができます。小規模から始めて、管理可能な環境で概念をテストし、レッスンを学習したらスケーリングする方が効果的です。一旦達成されると、ソリューションは、追加の資産、生産ライン、および工場に合わせて拡張できます。したがって、潜在的に指数関数的な価値創造の機会が生まれます。 テイクホームメッセージ RPAおよび他の形式の自動化を業務エコシステムのコンポーネントとして除外している企業は、効率性、品質向上、リスク軽減、革新、および成長を享受するための重要な機会を見送るでしょう。RPAを採用することは、企業がある程度まで再構築とリエンジニアリングを行っているため、それ自体が組織の変革です。したがって、変革を支援するには、トレーニング、教育、および再スキルが不可欠です。