生成AIについて思うこと
生成AIの変遷と今後 2023年は生成AI元年と言われる年であり、企業の業務効率化手段の１つとして、IT企業を中心にリファレンス実装が盛んな年であったと考える。驚くほどの自然会話をチャットボットの形式で実現できるため、目を見張るものがあったことを覚えている。 2024年に入り、企業内で管理される情報（以降ではローカル情報と称する。）の効果的な検索拡張生成（RAG）に注目が集まり、企業における生成AIの実用性を高めることになった。RAGの特徴は、大規模自然言語モデル（LLM）では考慮されていないローカル情報を加味した会話を実現できる点にある。LLMは生成AIの要となるもので、グローバルに公開された情報を事前に学習して構成されている。そのため、非公開の情報に関する質問をされた場合は、「でたらめ」の回答をしてしまう可能性多高い。所謂、ハルシネーションが弱点であった。それを解決手段として、ローカル情報をもってLLMの追加学習（ファインチューニング）をする手もあるが、学習コストが掛かりすぎる。また、ローカル情報が外部にも使われてしまうことも危惧される。そこで、ユーザの質問に加えて、その質問の意図に近いローカル情報を検索し、両者をLLMに引き渡して回答を生成させることで、精度の高い回答を生成させる方法論が編み出された訳である。コールセンター業務でのユーザ対応の効率化をはじめ、生成AIの現実的な用途が盛んに議論されたことを覚えている。 筆者が取引先企業からの依頼を受け、LLMそのものを社内環境にローディングして利用する、「 ローカルLLM 」の活用研究に取り組んだ年も、2024年からであった 。研究を継続する中で、多くの用途で使えるかもしれないとの期待をもつことができた。 この間、LLMにも磨きがかかり、生成AIの回答生成能力（推論能力）は飛躍的に改善されてきたことは、ChatGPTやGemini、Copilot等のサービスを利用するユーザであれば認めることであろう。このような状況を背景に、2025年は「AIエージェント元年」になるとの記事を見かける。AIエージェントの特徴は、ユーザの勘弁な指示に基づいて、生成AIが目的を達成するためのタスクの割り出しと実行順を計画し、それぞれのタスクを実現する具体的な処理を実行して、回答を導き出す点にある。似たような技術に「ワ...