人工知能：完全ガイド

公開: 2015-05-04

過去50年間で、人工知能の研究分野は、一般の人々がAIとは考えていない膨大な機能に拍車をかけました。私たちのオンライン活動のほとんどには、AIの形式（仮想エージェント、パターン認識、ターゲット広告）が含まれます。しかし、これまでに行われたことは、砂の未来の窮状に関連して、単なる砂粒だけです。これらの進歩に応じて自分自身を位置付けるために、私たちはプロセスに関する知識を習得する必要があります。

企業は、人工知能が成功の決定的な要因になる可能性がある（そして将来的にはそうなる）ことにますます気づき始めています。現在、これらのプロパティは、ビッグデータ（ビジネス管理のもう1つの成長分野）を適切に保存、処理、分析する機能を備えたデータ分析アルゴリズムに実装されていますが、まもなく製品最適化アルゴリズムと複雑なカスタマーエンゲージメント手法が含まれる予定です。

Shutterstock.com | タチアナ・シェペレワ

この記事では、セクション1） AIの起源; 2） AIの目標; 3）アプローチとツール; 4） AIの問題; 5）起業家精神への応用、および6）ビジネスにおけるAI実装の例。

人工知能の起源

アイデアと哲学的背景

人工知能の作成を中心に展開するアイデアの基礎は、エジプトと中国の文明によって構築されたオートマトン、および古代ギリシャ神話にまでさかのぼることができます。人間の特性をオブジェクトや抽象的なアイデアに実装することは、人々が意識を獲得した瞬間から彼らの存在を推論してきた方法の1つです。

論理の発達と哲学の象徴的な推論分野の出現により、人間の知性をエミュレートできる機械の作成が実際に達成することが可能になりました。シンボリック推論は、問題を解決するために、シンボル（数値、グラフ、計算、統計など）をより長い式の同義の代替として使用できることを示しています。このアイデアは、「AIの祖父」と見なされているThomasHobbesによって16世紀に提案されました。

さらに、エンジニアリングが何世紀にもわたって進歩するにつれて、2つの分野は相関し始めました。最初のコンピューターである分析エンジンは、19世紀にチャールズバベッジによって設計されました（ただし、1991年まで製造されませんでした）。 20世紀初頭以降のテクノロジーの継続的な進歩と、コンピューティングのプロセスをよりよく理解する必要性の高まりとともに、さまざまなモデルと理論的言説が作成されました。

チューリングテスト

Alan Turingは、1950年にこの問題に関する基本的な研究であるComputing Machinery andIntelligenceの論文を発表しました。この論文では、彼はチューリングマシンモデルを提案し、それを通して計算できるものの理論的可能性について議論しました。コンピューティングの可能性が人間の知性の領域にまで及んでいるかどうかを推測するために、彼はチューリングテストを作成しました。テストの目的は、マシンが疑わしい質問者にそれが本当に人間であると納得させることができるかどうかを特定することでした。テストは非常に単純なようでした。複雑な割り当て（たとえば、オリジナルアートの作成など）は含まれていませんでした。合格するために、コンピュータは人間と小さな会話をし、与えられた文脈の理解を示すことができるはずでした。人間の視点からは単純に聞こえますが、そのような結果の実現は非常に困難であり、今日まで達成不可能であることが証明されました。主な問題は、20世紀半ばのハードウェア技術に関連する問題でした。保管室の問題は、ソフトウェアの実現に関する将来の問題を偽装していました。

研究者たちは、チューリングテストに合格し、毎年恒例のチューリングコンテストで発表するソフトウェアを作成しようとしています。現金で$ 100,000のLeobner賞金は、最初のソフトウェアが知覚力があることが証明されるのをまだ待っています。

AI –研究分野

哲学的、論理的、数学的、サイバネティックス、神経科学、情報技術の進歩に基づいて、人工知能の研究分野は1956年にダートマス大学での会議で誕生しました。専門家のジョン・マッカーシーとマービン・ミンスキーは、次の50年間、インテリジェントなマシンを作成するための幅広い取り組みで著名な名前になりました。

当然、知性を生み出すためには、知性とは何かを知る必要があります。しかし、論理、推論、経験による学習、知識の応用、創造性、その他の無数に現れる、人間（および一部の動物）の特性としての知性の抽象的な定義は、単純に記号に変換して感性を生み出すことはできません機械。

コンピュータチェスおよびエキスパートシステム

科学者は、人工知能を構築するためにさまざまなアプローチと方法を実装しました。アプローチの1つは、チェスをするソフトウェアの進化でした。ブルートフォース技術によって高効率を達成するのがはるかに簡単だったという事実のために-つまり、コンピュータは、特定の量の将来の動きに対して可能な最大のダメージに対して最小のコストの原則に基づいてソリューションアルゴリズムを計算します-チェスプレイソフトウェアは感覚を構築することにあまり焦点を当てるのではなく、大規模なデータベースのための高度な検索技術と持続可能なハードウェアに焦点を当てています。

一方、エキスパートシステムは、さまざまな業界で専門家の支援を提供するために開発されました。熟練した知識データベースを作成し、機械学習ソフトウェアを組み込むことにより、機械が予測を行い、特定のデータに関するコンサルティングを提供できるようにします。インタラクションソフトウェア（自然言語開発に基づく）と同様に–科学者は彼らの「インテリジェントマシン」の特性を広げました。これらの成果は現在、ナビゲーションシステム、医療、およびビジネスで使用されています。

AIの冬

AIの研究分野での最初の爽快感の後、確かな結果は予想され発表されたものよりも時間がかかることがすぐに明らかになりました。 AIプロジェクトの不十分な進歩（自然言語ソフトウェアの問題、遅い進歩）を示したALPACとLighthillのレポートの後、投資の流れは終了しました。最初のAIの冬は、1974年に始まり、英国政府が扇動した1980年代初頭まで続きました。 AIは、論理プログラミングに関する日本の取り組みへの対応としてプロジェクトを進めています。しかし、1987年には、汎用コンピュータ市場の崩壊と資金の減少により、第2回AIの冬が出現し、5年間続きました。

「冬」の期間中、AI研究はさまざまな名前で続けられ、将来的にはこの分野のサブカテゴリになります。進化的プログラミング、機械学習、音声認識、データマイニング、産業用ロボット工学、検索エンジンなどです。

AIは今どこにありますか？

人工知能の研究分野は、今日では「一般的」と見なされている多くの進歩を可能にしました–指定され、パーソナライズされた検索エンジンの結果、インテリジェントなパーソナルアシスタントソフトウェア– Siri、Google翻訳、車両ナビゲーションシステム、多様なロボット工学の強化など。

いくつかの注目すべき成果は次のとおりです。

IBMのDeepBlueは、1997年にチェスチャンピオンであるGarryKasparovとのチェスゲームで優勝した最初のコンピューターになりました。
IBMの質問応答システムWatsonは、2011年に熟練した対戦相手に対するJeopardyクイズに勝ちました。
チャットボットのEugeneGoostmanは、チューリングテストの審査員に2014年にウクライナ出身の13歳の少年であると説得しました。しかし、Eugeneは33％で最低限の有罪判決を通過しました。そのような結果は、本質的にチューリングテストの合格とは見なされません。これは、主に外部条件に依存しているためです（英語を話さない国の子供は、小話の不足を許すことができますが、大人のネイティブスピーカーは許しませんなっている）。 2015年の間に、Eugeneの開発者は彼らの勝利を擁護し、彼らが知覚力のあるソフトウェアを発明したことを証明することが期待されています（おそらく彼らはそうしなかったでしょう）。

上記のすべてからわかるように、人工知能の難しい問題は、過去50年間で大きな進歩を遂げていないことは明らかです。その結果、専門家は、人間の知性をエミュレートするために、少なくとも50年以上の試行錯誤を予測しています。主題が広すぎて複雑すぎて、短期間で解決することはできません。しかし、これまでのクエストで行われた進歩は、私たちが住む世界に大きな影響を与え、形作っています。

人工知能の目標

人工知能の「最終的な」目標は、推論、計画、問題の解決、抽象的思考、複雑なアイデアの理解、迅速な学習、経験からの学習（人間の知能の合意された定義）が可能なインテリジェントマシンを作成することです。実際には、この人工的にエミュレートされたインテリジェンスは、周囲を理解するための幅広く深い能力を反映して、無限の可能性のある状況で何をすべきかを理解することです。 AIは、環境内で適切に位置付けられるために、社会的にインテリジェントである必要があります（つまり、感情など、理解可能な宇宙の抽象的な特徴や特性の幅広いスペクターを認識し、適切に反応できる必要があります）。問題を最適に管理するためには、その機能に創造性を実装できる必要があります。記載されているすべての特性は、AI研究の長期的な目標である一般的な知能に起因しています。

しかし、そのような目標を達成するために、科学者は、個別に、そして相関して、その構成要素である多種多様な複雑な概念に焦点を合わせる必要があります。将来のインテリジェントマシンの構築者は、既存のインテリジェントシステム（主に人間）の経験的研究と、考えられるインテリジェンスシステム（およびそのメカニズムと表現）の理論的調査と分析の結果を作業に実装する必要があります。これらの要素は、既存のインテリジェントシステムに関連する問題の解決、および新しいインテリジェントまたはセミインテリジェントマシンの設計に不可欠です。本質的に、これは、作業を1つの分野（たとえば、エンジニアリング）のみに制限することによって、作業が満足のいく結果を提供しないため、タスクの複雑さの全体像を取得する必要があることを意味します。鳥の検査なしに飛行機を作ることは不可能だったでしょう。

演繹、推論、問題解決

AI研究の初期には、パズルや論理的演繹を解く際の人間のプロセスを段階的に模倣することで、推論プロセスが誘発されました。ただし、このアプローチは、当時はかなり制限されていた計算リソースとコンピュータメモリに大きく依存していました。これらの問題は、意図的な推論のプロセスではなく、人間の即時の判断プロセスの模倣の必要性を指摘しました。即時の判断は、意図的な行動の方向を支配する直感的で潜在意識の知識と見なすことができます。

AIは、次の組み合わせにより、即時判断の目標を達成しようとします。

具現化されたエージェント（環境と相互作用することができ、3次元の仮想シミュレーション/リアルロボット本体として提示される自律エンティティ）;
感覚運動スキル（センサーを介して環境を知覚し、運動スキルと反応することの組み合わせ-たとえば、ロボットは人が近づいて手を挨拶として提供していることを認識します-ロボットは人と手を振ることによって反応します）;
ニューラルネットワーク（ニューラルシステム、特に人間の脳の構造とプロセスのシミュレーション：入力からの値の計算、機械学習、パターン認識、適応性）;
統計的アプローチ（特定の問題解決への数学的アプローチ）。

知識表現

人間をエミュレートするために、AIはオブジェクト、それらのプロパティ、カテゴリ、および相互の関係に関する膨大な量の知識を組み込む必要があります。さらに、状況と状態、原因、効果を実装し、アイデアを抽象化する必要があります。 AI分野では、知識表現に存在論的アプローチを使用します。つまり、知識は、ドメイン内で関係が定義されている一連の概念で仮定されます。

問題

真/偽のステートメントの不可能性–すべてに例外があります。
人間の知識の幅が広いため、包括的なオントロジーを作成することはほとんど不可能です。
潜在意識とサブシンボリック形式の知識を組み込む必要があります。

ソリューション

統計的AI–特定の問題の数学的解決。
位置付けられたAI–環境との相互作用による自律エンティティとしてのシステムは基本的な動作を開発します。
計算知能–十分な概念を理解しているため、それ自体で（たとえば、インターネットを介して）さらにオントロジーを提供できるコンピューター。

自動計画

AIは、多次元空間で複雑で最適化されたソリューションを構築し、これらの戦略/一連のアクションの実現を実行できる必要があります。言い換えれば、インテリジェントエージェントは、潜在的な将来を視覚化し（予測分析）、行動の目標を設定し（意思決定）、プロセスの効率（価値）を最大化する方法で実行できる必要があります。

これらの目標は、オフライン（既知の環境の場合）とオンライン（予期しない環境の場合）の両方で処理されます。科学者は、マシンがインテリジェントに反応することが期待される場合、予測できないシナリオの問題に対処する必要があります。

機械学習

機械学習は、AIシステムがデータ入力とそれを通じて取得した知識に基づいて予測と決定を行うことを可能にするアルゴリズムの構築と研究です。

それは焦点を合わせることができます：

入力ストリームでの教師なしパターン認識（たとえば、電子メールシステムでの非スパムメールからのスパムメールの定義）。
入力データの教師あり（プログラム）分類と関係形成（たとえば、スパムメールと非スパムメールをシステム内のさまざまなカテゴリに誘導する）。

機械学習は、スパムフィルタリング（上記の例で説明）、光学式文字認識、検索エンジンのパーソナライズ、コンピュータービジョン、データマイニング（予測分析）など、情報技術のさまざまな分野で使用されています。

機械学習アルゴリズムのさらなる強化は、機械の全体的な計算知能に起因するはずです。

自然言語処理

自然言語の処理と生成は、人工知能の研究分野が扱う中心的な問題の1つです。チューリングテストが（少なくとも一見）誠実に会話する機械の能力を中心に展開しているのも不思議ではありません。文脈の中で話し言葉や書き言葉を理解し、それに応じて応答できる機械は、次のように特徴付けることができます。インテリジェントエンティティ（社会的知性、知識、知覚、問題解決などの抽象的なプロパティが含まれるため）。

機械知覚

機械知覚は、感覚による人間の知覚のプロセスに似た入力解釈の能力を表しています。対処しようとしている重要な問題は、包括的な認識、エンティティのインテリジェントコアへの送信、および応答システムの問題です（つまり、機械認識はエンジニアリング機能とコンピューティング機能の両方で困難に直面します）。

ビジョン–高次元の外界の画像に基づいて情報を収集し、それらを特定の問題のアルゴリズム/ソリューションに変換します（現在、機械は顔認識と審美的判断を実行できますが、開発には長い道のりがあります）。
聴覚–音楽や音声などの音声データを処理する機能（現在：音声認識、音声翻訳者）。
タッチ–環境と効果的かつインテリジェントに相互作用するために、表面の特性と器用さを処理する機能。

ロボット工学

ロボット工学の目標は、工学と人工知能の研究を組み合わせ、次の質問を中心に展開します。

オブジェクトマニピュレーション;
ナビゲーション;
ローカリゼーション;
マッピング;
モーションプランニング。

AIのアプローチとツール

アプローチ

1950年代のAI研究の出現以来、さまざまな業界や学界で知識を実装することにより、数多くのアプローチが行われてきました。これらのアプローチは、目標の実現、つまり一般的なインテリジェンスに関してそれぞれが示した欠点への対応として進化しました。 AIの冬の間にAI研究が資金を失ったとき、アプローチの崩壊は継続的な研究のための投資を獲得する唯一の方法でした。今日の観点から結論付けることができるのは、これらのアプローチのすべてが人工知能の広大な複雑さに不可欠であり、それらのすべてがプロセスに多大な貢献をしたということです（プロセス自体がどれほど遅いか、爽快な進歩に欠けていても）。

接続性

科学者たちは、神経学、情報技術、サイバネティックスの技術と知識を組み合わせて、1950年代に基本的な知能のシミュレーションを実現しました。このアプローチは、1980年代に再び登場するために、次の10年で放棄されました。

実績

感覚処理;
ニューラルネットワークの動作;
規制システムに関する知識。

象徴主義

このアプローチでは、人間の知性はシンボルの操作によってのみシミュレートできると述べています。これは「古き良き人工知能」とも呼ばれ、GOFAIであり、1960年代に高度な知能シミュレーションで成功を収めました。これは限定されたデモンストレーションプログラムに限定されています。

実績

エキスパートシステム

認知シミュレーション

認知シミュレーションアプローチは、人間の問題解決スキルに関する知識を習得するために実施された心理テストに具体化されています。結果は、人間の知性のこれらの特性をシミュレートするプログラムを開発するために形式化されることになっていました。

実績

人工知能研究の基盤–機械学習、自然言語処理など。

論理

論理的アプローチの代表者は、本質的に人間の知性は抽象的な推論と問題解決から生まれ、したがって論理の技術で扱うことができると考えました。

実績

知識表現;
自動計画;
機械学習;
論理プログラミング。

アンチロジック

論理的アプローチの反対者は、一般的な原則ではインテリジェントな行動の複雑さを捉えることができないと述べました。

実績

マシンビジョンと自然言語処理の問題における論理的アプローチの効率性の欠如を指摘しました

知識

エキスパートシステムの出現と運用システムのストレージ容量の増加以来、知識ベースのアプローチは人工知能の研究研究で高度に実装され始めました。

実績

エキスパートシステムへの実装。
一般的な知性の重要な要素の1つ。

概要

抽象的アプローチは、人工知能の問題に最適なソリューションを提供するために、人間の知能のサブシンボリックで直感的な見物人に対処する必要性から生まれました。

実績

コンピュータ知覚;
ロボット工学;
機械学習;
パターン認識。

位置

状況に応じた、または斬新な人工知能アプローチは、基本的なエンジニアリングの問題に焦点を当て、象徴的なアプローチの独占性を拒否します。目標は、実際の環境に存在できる現実的なマシンを構築することです。

実績

運動技能;
感覚スキル;
コンピュータの知覚。

統計

統計的アプローチは、測定可能で検証可能な数学的ツールを使用し、特定の問題を解決するためにそれらを経済学と組み合わせます。このアプローチは、一般的な知性の目標に向けて無視するという問題で批判されています。

実績

特定の問題への対処の成功

ツール

人工知能の研究分野は、実現を求めて無限の問題に直面しています。ただし、問題にうまく対処できるさまざまな方法を実装しました。

検索と最適化の方法

多くの可能な解決策を探し、特定の（または全体的な）目標につながる可能性が低い解決策を排除し、最適な経路を選択することは、問題を解決する効率的な方法です。推論、計画、およびロボット工学のアルゴリズムは、最適化に基づく検索手法の助けを借りて作成されます。

数理最適化理論は、インテリジェントな推測で解決策の検索を開始し、その改良に向けて前進することによって形成されます（「山登り法」とも呼ばれます：風景の中のランダムなポイントを選択し、丘の頂上に向かってランダムに前進します）。

進化的計算は、「適者生存」の原則に従います。一連の推測が仮定され、推測の一部が洗練されているため、最適なソリューションが提示されます。

解決方法としての論理

ロジックは、自動計画や機械学習、およびロジックプログラミングの問題を解決するために使用されます。これは、真/偽の帰属を通じて妥当性を判断するために使用され、知識表現のオントロジーに不可欠なオブジェクト、それらのプロパティ、および関係に関する事実を表現します。

その他の方法

データストリームのフィルタリングと予測分析のための確率アルゴリズム。
分類器と統計的学習方法;
人工ニューラルネットワーク;
プログラミング言語（AIのサブカテゴリの特定のニーズに応じて異なります）。

人工知能の問題

人工知能分野のほとんどの研究者は、機械の一般的な知能は次の50年の間に達成されると述べています。そのような発言は確認できませんが、進歩が起こり、世界が一変することは間違いないようです。その結果、さまざまな問題が発生することになります。

主に、AIシステムは、人間の能力を大幅に超えるデータ処理と予測分析の機能を備えています。最適なパフォーマンスを達成するために、それらはある程度自律的であり、ある種の目標を達成するために慎重に選択された一連のルールによって管理されます。ただし、自律性のために、ユーザーに関して不均衡に実行する可能性があります。プログラミングで潜在的な問題が解決されなかった場合、システムはそれを実行します。それが目標を達成する場合（そして、人間がすべての可能な状況を予測することは不可能です）。そしてそれらのための適切なアルゴリズム）。エラーが発生した場合の損傷を最小限に抑えるために、明確な安全基準を提供することによって問題に対処する必要があります。さらに、責任の適切な帰属は、人工知能の取り組みに関して取り組む必要のある問題です。

さらに、一般的な知性が出現するにつれて、人間はAIシステムを構築するための道徳的システムを定義する必要がありますが、AIシステムに関連して自分自身を位置付けるための道徳的ルールも定義する必要があります。人工知能の倫理の問題は、信じられないほど複雑です。システムが感性または感性を主張するように動作するようにプログラムされているかどうかをどのように定義するのですか？

また、一般的なAIの意思決定は誰が担当するのでしょうか。病気の終結、宇宙旅行、仕事の削減など、AIテクノロジーがもたらす前向きで高度な機会を私たち全員が紹介しますが、人間が電力とお金の獲得のために大規模な破壊を行うことができることを忘れているようです。明らかに、AIシステムの使用に関するいくつかの規制を行う必要があります。

起業家精神におけるAIアプリケーション

ビッグデータと専門分析

過去数年間で、テクノロジー機能（主にストレージとコンピューティングの機能）が指数関数的に増加し、データの流入が大幅に増加しました。今日、企業はビッグデータを構造化および非構造化（写真、ビデオ）形式で収集および処理し、分析して、ビジネス戦略に関する貴重な洞察を得ることができます。ビッグデータ管理の問題の1つは、それを理解して実践できる専門家が不足していることです。エキスパートシステムや予測分析など、プロセスを簡素化するためのさまざまなソフトウェアソリューションが提示されています。明らかに、これらは人工知能研究の産物です。

ただし、アルゴリズムが進化するにつれて、データ管理への影響も進化します。機械学習はデータベースの予測および意思決定アルゴリズムであり、自然言語処理と組み合わせると、ビジネス戦略（広告、顧客関係、従業員の指導）に関する有用な（そして価値のある）情報とソリューションを提示し、全体的な目標を高めることができます。生産性と顧客エンゲージメント（満足度）、市場での競争力と成長。

製品とサービスの最適化

人工知能アルゴリズムは、ビジネス管理の分野だけでなく、製品の効率と望ましさにも実装されます。たとえば、芝刈り機は人間の参加なしで芝刈りを行うことができます。さらに、花を抜かないなど、専門的でパーソナライズされた建設的なタスクを実行できるようになります。これはすべて、効率と価値を最大化するための顧客からの時間と労力の要件の継続的な指数関数的減少を表すため、顧客満足に貢献します。

ビジネスにおけるAI実装の例

当初から人工知能におけるIBMの多大な努力に加えて、GoogleやFacebookなどの大企業は、大量のデータと複雑な管理および戦略定義プロセスのために、AIの可能性にも注意を払う必要がありました。ここでは、これら3つの企業とAIにおけるそれらの絡み合いを見ていきます。

IBM

IBMがディープブルーのチェスプレイアルゴリズムや複雑なワトソンシステムなどのAIテクノロジーへの取り組みで公に受けた大きな成功に加えて、実際のメリットは、テクノロジーが習得した特性とビジネスでの実装にあります。ディープブルーアルゴリズムは、チェスのルールに従って効率を最大化することに基づいて膨大な量の予測分析を処理することに成功し、目標を明確に定式化することにより、可能な解決策を手動でカバーする必要がないことを示しました–コンピューターそれを自律的に行い、プログラムされた目的に限定して、チェスチャンピオンでさえプロセスを無効にできないように最適化しました。

Watsonシステムは、自然言語を認識して処理し、正解を推論して自然言語で生成するリアルタイムの質問と回答のアルゴリズムとして開発されました。オフラインでの操作中にJeopardyクイズに勝ちました。膨大な知識のオントロジーを手動で実装するのは時間がかかり、おそらく効果的でないアプローチであるため、機械学習ベースで作成されました。

これらの進歩は、関連するコンテンツの幅広い処理を最適化し、これらの分析プロセスに基づいて洞察を提示し、意思決定を実行するための建設的なコミュニケーションを可能にするため、ビジネス戦略にとって非常に重要です。

現在、IBMは、クラウドベースの環境でのアルゴリズムの実装と、ヘルスケア、ビジネス、および教育用のデータベースの作成に重点を置いています。

グーグル

Googleは、検索エンジンのパーソナライズと仕様に人工知能機能を使用し、十分な自然言語処理および生成ツールであるGoogle翻訳を開発し（コンテキストとサブシンボリックな意味の問題を除いて）、ニューラルを実装しました膨大なデータベースの管理におけるネットワーク戦略。これらの神経戦略は、パターンを認識し、それらを非常に迅速に決定するように設計されています。また、機械学習アルゴリズムが含まれているため、システムは経験を通じて学習し、より効果的に機能します。

フェイスブック

Facebookプロファイルは、構造化データと非構造化データのるつぼです。友達リスト、いいねされたページ、参加したグループなどです。顧客体験を最適化するために、Facebookは人工知能を実装して個々のユーザーの行動パターンを認識し（Facebookドメイン上、および一般的にオンラインで）、特定の傾向や関心に応じて提供します。彼らの努力は、ユーザーと対話し、貴重な情報を即座に提供できるインテリジェントエージェントの作成に向かっています。

テクノロジーと知識の指数関数的成長に関するムーアの理論を考慮すると、特に目的の複雑さを考慮に入れている場合、未来のサイエンスフィクションの描写が実際にすぐそこにあると予測できます。 AIの実現に関しては多くの問題があり、AIの多様な見物人に関する倫理的な難問がありますが、進歩は起こっており、それに多くの前向きな特徴をもたらすでしょう。ビジネスでは、個々のユーザー向けに設計された戦略が可能になり、企業の満足度と利益の創出が向上します。それは、医学、持続可能な経済、貧困削減、教育においてさらに広範囲にわたる結果をもたらすでしょう。進歩が常に利他的な目的に役立つことを願うだけです。