カテゴリー: AI

ここ数週間でジェネレーティブAI (生成系AI) がネットを中心に大旋風を巻き起こしている。

SNSを見ればタイムラインに次から次へとChatGPTの上手な使い方やアウトプット画面。そしてAIによって生成されたリアルな画像がシェアされている。

そして一週間でものすごい数のAI系のサービスがリリースされている。

生成系AIの進化が爆速すぎる

あまりにもいきなりすぎる。あまりにも進化スピードが速すぎる感じがする。昨日できなかったことが今日できるようになったりしてる。

まるで今までの1年間におけるテクノロジーの進化がまるで1日で一気に達成されてる感覚。

そんな爆速なスピードで生成系AIが普及し始めたものだから、ついていくのがやっとな感じがする。僕自身も会社のテクノロジー主任に教えてもらいながらなんとか知識を保っているレベルだ。

生成系AIのウェビナーに登壇することに

そんな状態だったのにも関わらず先日「世界に衝撃！Generative AIとは？」というタイトルのウェビナーで登壇した。

元々は友人でもあるTomorrow Accessの傍島さんから一ヶ月ほど前に依頼をいただき、その際には快諾した。しかし、それからイベント開催するまでの間にとんでもなく進化してしまった。

GPT-4がリリースされ、ChatGPTもアップデートされ、Midjourneyもv5になった。というか、ここで自分で書いていても正直よくわからないくらいだ。

デザイナー目線で説明する生成系AI

そのため、僕が行ったウェビナーの内容は極力誰にでもわかるように心がけた。そしてできる限りデザイナー目線でのお話をした。

今回はその内容を元に誰にでもわかる生成系AIの基本をウェビナーで利用したスライドを活用しながらまとめることにした。

この記事はその第一弾である基本編である。

生成系 (ジェネレーティブ) AIとは？

まずは基本中の基本。そもそも「生成系AI」って何？というところから。

これは生成を意味する英語の “Generate” と人工知能である “AI” を合わせた “Generative AI” の日本語表記で「AIで何かを生成する」という意味。

簡単に表現すると2つ以上の入力に対してAIが “いい感じ” に出力を生成してくれるのが生成系AIのサービスだったりする。

例えば、「サンフランシスコの風景写真とモネの画風を合わせて」とAIにお願いするとこんな感じになる。

また、ChatGPTのように何かを聞いたらそれに対して答えてくれる仕組みと、音声を再現する仕組みを合わせて、故スティーブ・ジョブズを再現できたりもする。AIがジョブズの声を学んだことで実現した結果がこれ。

ということで、おさらいになってしまうが、生成系AIは一言で表現すると、”文字 や 画像等を等入力しAIに生成させる” 仕組み、である。

何が生成できるの？

じゃあ、そんなすごいAIだったらどんなものが生成できるのか？

全てを想定することは永遠に難しいが、今のところは:

• 文章
• 画像
• 動画
• ゲーム
• Webサイト
• アプリ
• 音声

はアウトプットとして確実に生成することが可能。

文字から画像、画像から文字、画像から画像も可能

生成系AIの使い方で最も一般的なのは、文字を入力して文字を出力してもらう手法。ChatGPTはまさにそうで、指示に従ってメールの本文を書いてくれたりする。

次に一般的なのは、文字を入力してそれに応じた画像を生成する使い方。たとえばこんな感じ。

また、画像から文字を生成することも可能で、AIが画像に写っている物体を分析してユーザーからの指示に応じた内容を生成してくれる。

あと、複数の画像を提供して、それを元にAIが画像を生成することも可能になっている。例えばこの例のような感じで。

ここまで読めば、難しいことがわからなくても、とりあえず生成系AIがかなり便利なのがお分かりいただけたと思う。

なぜ革命的なの？

こんなにも凄いことができるのだからかなり革命的。

でも、何がそんなに騒がれるほど凄いのかというと、インターネットがこの世に生まれてから、恐らくこのテクノロジーによって時代が “第三期” 情報革命に入ろうとしているからだ。

第一期はWebが普及し、ハイパーリンクで情報が得られるようになった時代。初期の頃のYahooやWikipediaなどが良い例。

第二期はネット上の情報が増えすぎて、リンクだけでは追えなくなったことで “検索” テクノロジーを活用して情報を獲得するようになった時代。まさにGoogleが世界一になった理由がそれ。

そして、第三期が対話と生成で情報が獲得できる時代。まさに我々は生成系AIの登場によって第三期情報革命を目の当たりにしようとしているのだ。

続きは来週…

次回は生成系AIを操る際に重要になってくる「プロンプト」に関してできるだけ簡単に、わかりやすくまとめる予定です。

目次

• 急拡大するAI関連サービス
• 有名サービスのAI活用法
• 今後注目の急成長AIスタートアップ2選

今、AIを用いたツールやサービスが急成長している。

Chat GPTの登場は皆さんの記憶にも新しいのではないだろうか。これは現在世界中に普及しているサービスが最初にユーザー数が100万人を突破するまでにかかった日数をまとめたグラフだ。

2022年11月にリリースされたChatGPTは、なんと5日という異次元のスピードでユーザー数100万人を達成してしまった。

また、スタンフォード大学でアンケートを行なったところ、すでに回答者の​​27%が「期末レポートの制作にあたってChatGPTを使用した」ことが明らかになっている。

急拡大するAI関連サービス

「AI」と聞けば、皆さんはどんなことを思い浮かべるだろうか。

これまでAIといえば、ビッグデータからのデータの「分析」において重宝されていると考える人が多いのではないか。

現在ではデータドリブンなマーケティングに欠かせないデータの収集、分析はもちろんのこと、顧客データや経済状況に基づいて、自動的なアクションの意思決定を行うことも可能になった。（参考）

昨今ではAIが絵を描いたり、動画を作成したりできるサービスが広がりを見せている。

これらは「Generative AI」と呼ばれており、下記のカオスマップに見られるような多くのサービスが登場している。

現在はビッグデータから分析するだけでなく、テキストをもとに画像などのクリエイティブを生み出すところまでAIが参入している。

AIを用いているため、ユーザーが入力した情報をトリガーとして、膨大なデータの中から必要な要素をピックアップして、新たなクリエイティブを作成している。

その精度には「ついにここまできたか」と目を見張るものがある。

下の画像は、現在から2030年に至るまで、AIによってどんなことができていくようになるのかを予測した画像だ。

下記のように、サービスの質も高くなり、数も増えていくことが予想される。

今回はますますその用途が広がっているAI関連サービスに関して、btraxのマーケティングチームメンバーのAoiとAyakaが対談を実施した。

今回はその対談の内容をもとに、海外の有名サービスのAI活用法と、今後注目のAI関連の急成長スタートアップをご紹介する。

有名サービスのAI活用法

Netflix – そこにもAIが使われていたの!?

「マッチ度XX%」のような形で自分の好みに合致した映画やドラマが出てくるNetflix。

言わずもがな有名なレコメンド機能だが、これももちろんAIの発達によって可能になったことだ。

筆者もNetflixユーザーだが、そのマッチ度の高さには驚くばかり。「マッチ度98%」の作品は、見ると必ずといって良いほど面白いと思ってしまう。

パーソナライズの死角とデジタル・セレンディピティ

それに加え、実は映像コンテンツのサムネイルも、ユーザーに合わせて変更されていることをご存じだろうか。

Netflix Tech Blogでは、「AIを活用し、ユーザーに合わせたサムネイルを設定している」ことを明かしている。（参考）

[公式サイト引用和訳]　例えば、映画「グッド・ウィル・ハンティング」を描写するために使用する画像をパーソナライズしようとすることを考えてみましょう。

恋愛映画を多く見ている人は、マット・デイモンとミニー・ドライバーを含むサムネイルを使えば、「グッド・ウィル・ハンティング」に興味を持つかもしれません。

一方、コメディを多く見ているメンバーは、有名なコメディアンであるロビン・ウィリアムスを含むサムネイルを使えば、この映画に興味を持つかもしれません。

実は筆者も、とある韓国の人気女優が単体で大きく映されたサムネイルのドラマに興味を持ち、実際に観てみたところ、なんと彼女はそのサムネイルでのインパクトの割に主役ではなく脇役だったため驚いた。

思い返せば、彼女は他のドラマでは何本も主役を務めており、筆者はそれらの作品をよく視聴している。

そんな筆者に対し、Netflixのアルゴリズムは「このユーザーの過去の視聴履歴から判断するに、今回もこの女優をサムネイルに使えば、作品が視聴される確率が高いのではないか」と判断していたのではないだろうか。

Elsa – 「かゆいところに手がとどく」AIの活用法

語学学習アプリElsaは英語の発音矯正に役立つアプリだ。

もしかしたら、YoutubeやSNS上で、Elsaのオンライン広告を見たことがある方もいらっしゃるかもしれない。

Elsaの使い方は至ってシンプル。アプリを起動して画面に表示される英語を話すと、AIによって自分の英語の発音の点数が100点満点で評価され、100点に到達するための改善点をアドバイスしてくれる。

英会話において、自然な発音で英語を話せるようになりたいと考える人は多い。しかしながら、国籍が違えば英語の発音の癖や傾向も異なる上に、人の聞こえ方は千差万別だ。

そのため、英会話教室やオンラインレッスンでも一つ一つ自分の英語の発音を顧みて直すのは意外と難しい。

その点、AIはデータに基づいて客観的に判断を下せる存在であるため、発音の改善がしやすい側面があるのではないだろうか。

さらに、それをスマホのアプリで気軽に直せるのは画期的だ。

実はこのサービスのファウンダーはベトナム人。CEO自身が英語の発音の学習に苦労した実体験をもとに機能がデザインされているため、同じ悩みを抱えるユーザーに寄り添ったサービスとなり、ここまで拡大したと考えられる。

Spotify – 最高精度のレコメンド機能の秘密

レコメンド機能の精度が高いことで名高いSpotify。

Spotifyがユーザーの好みや傾向を元に、まだ聴いたことのない曲を集めて作ったプレイリスト。それはまるでその曲を知っている未来の自分が作ったプレイリストを聴いているかのような錯覚を起こすほど、好みに合ったものをおすすめしてくれる印象だ。

では、Spotifyはどのようにして、それほど精度の高いレコメンドを実現できているのだろうか？

それは、3つの機械学習が関係しているのではないかと言われている（参考）。

1. 協調フィルタリング（Collaborative filtering）
2. 自然言語処理（Natural language processing）
3. 強化学習（Reinforcement learning）

それぞれを簡単に解説すると、協調性フィルタリングは「訪問者と似た行動履歴を持つ利用者のデータをもとに、ユーザーが好みそうな楽曲を推薦」すること。

「自然言語処理」は、大量のテキストデータをAIが分析する技術のことで、Spotifyでは曲の歌詞を分析しているそうだ。

「強化学習」とは、ユーザーの行動の傾向をAIが学習し、さらにユーザーの好みに適した曲をレコメンドする機能のことだ。

Spotifyは毎週、これまでSpotifyのアルゴリズムが学習した成果を”Discover Weekly”というプレイリストの形でユーザーへ提供する。

30曲ほどをまとめたそのプレイリストで、ユーザーが何度もリピートしたり、「お気に入り」に追加したりした曲のデータをまた学習し、次のレコメンドの精度を向上させている。驚きの精度のレコメンド機能は、このような緻密な設計によって成り立っていたのだ。

今後注目の急成長AIスタートアップ2選

1. Frame – より良いCXのために

今やECサイトや企業のホームページにおいて欠かせない存在のチャットボット。

ユーザーの質問に合わせて適切な応答をしてくれるため、購買体験、ユーザー体験の質を高めるのに重要な存在となっている。

しかし、チャットボットはまだまだ序の口。今回はユーザーの問い合わせから、企業が改善すべき課題を分析して提案してくれるサービスをご紹介する。

それが、2016年にニューヨークで誕生したFrame。直近5年間で462%の成長を果たし、今まさに急成長中のスタートアップと言える。（データ参照元）

Frameが使われる場面は、チャットボットや問い合わせフォームなど、顧客と文面でやり取りするツールだ。

顧客からの問い合わせ内容はSlackなどのビジネスチャットツールにも連携され、カスタマーサポートの人も問い合わせ内容を把握できるようになっている。

顧客が送信した文面をAIが解析し、全体の何%が何に関する問い合わせだったのか、ユーザーはどんなところにポジティブなコメントを残しており、どんなところにネガティブなコメントを残しているのか、などを分類しデータ化するのだ。

顧客の生の声や問い合わせ内容を分析することは、より良いCXを提供する鍵となる情報を得ることでもある。

それを社内のリソースを使ってCXの改善を行う場合は、例えば「ページ滞在時間」や「直帰率」といった数値が判断軸になりやすい。

しかし、それらの数値に至るまでのユーザーの気持ちの変化や行動までは、数値だけでは読み取れないものだ。数値をもとに改善施策を実行したものの、CXの本質的な改善には至れていない可能性もある。

その状態は、ユーザーの定性的な思いや行動を、客観的な定量で判断するためのツールや方法を欠いている状態とも言える。

Frameはユーザーの言葉、すなわち定性評価を定量のデータで示してくれるため、より本質的な改善施策につなげられる。

結果的にそれがよりユーザーに寄り添ったサービスへの改善につながるだろう。

実際のユーザーのレビュー（レビュー参照元）：
“干し草の中から針を見つけるような手作業が減りました。

Frameを使えば、ある特定の問題を経験したお客様が何人いるのか、あるいは特定のタスクの実行に行き詰まったお客様が何人いるのかを知ることができます。

キーワード検索とカスタムタグを組み合わせると、必要な情報を素早く知ることができます。”

2. AlphaSense: リサーチャー、マーケター、アナリストの強い味方

2011年にニューヨークで設立されたAlphaSenseは、AIを活用した市場調査を実行できるサービスだ。

そのクライアントは錚々たる面々で、S&P100の85%やトップクラスの資産運用会社の75%など、世界有数の企業や金融機関を含む2,000社以上がクライアントだと言われている。

サービスの利用者は、10,000以上のデータソースに存在する無数のファイルの中から瞬時に最適な情報にアクセスすることが可能で、適切な市場情報を閲覧できる。

まさにビッグデータとしてのAIを最大限活用しているといえる。また、抽出したデータをチャート化することも可能だ。

なぜこのサービスを、金融系企業や資産運用企業がこぞって使用しているのだろうか？

その理由は、その検索結果の情報の網羅性と情報の緻密さゆえだ。重要な投資判断には確証の高い情報や投資先の業界の動向、投資先の企業の信頼性など、判断を下すにはさまざまな要素が必要だ。

その点Alphasenseは、特定のトピックに関するすべての関連ファイル、文書、エキスパートコール、ニュース、プレスリリースを一気にキーワードで検索できる。

その上、膨大な量のデータから必要な部分を抽出し、見やすくデータ化できるAlphasenseはうってつけのサービスと言えるだろう。

まとめ

今回はAIが使われているサービスと、急成長スタートアップをご紹介した。ここまでAIができる範囲が広がっていることに驚いた方もいるのではないだろうか。

今後人間が価値をより発揮できることは、上記のようなサービスを使って出てきたデータを利用して、そこから言えることや導き出せることは何かをヒト起点で考えることではないだろうか。

AIの強み弱みを理解した上でうまく活用しつつ、クリエイティビティを発揮することに関しては「人の感情の動き」を捉え、「心地よさ」を設計するマーケターやデザイナーの腕の見せ所であると心に留めておきたい。

【関連イベント登壇情報】

2023/3/28に弊社CEOのBrandonが、AIにまつわる注目のトピックをご紹介するイベントに登壇します！

本記事冒頭でもご紹介したGenerative AIの可能性や、社会的インパクトをご紹介するだけでなく、今後出てくるのAIサービスの活用法や注目のAIスタートアップなど、最新のAI事情をまるっとお伝えします。

本記事を読んで今後のAIサービス、スタートアップの動向をより深く知りたいと思った方は、ぜひ奮ってご参加ください！

イベントの詳細、お申し込みはこちら︎から。

イベント詳細

01 Expert Pitch #21　世界に衝撃！Generative AIとは？
〜シリコンバレー発！世界のエキスパートが最新情報を日本語で解説〜

開催日時：2023/03/28 (火)　12:00 – 13:00（日本時間）
開催形式：オンライン開催
参加費：無料

こんな方にオススメ

• Generative AIとは何かを理解したい方
• AIの進化と今後の活用方法を知りたい方
• 世界における最新のスタートアップの取組みと今後の動向を知りたい方

パーソナライズ。ユーザー個々人の嗜好に合わせて、最適と思われる選択肢をサービス側から提示してくれる仕組み。これが「トレンド」という認識は過ぎ去り、もはやスタンダードと言えるほどに様々なサービスに適用され、ユーザー体験を豊かなものにしてくれている。

しかし、実はパーソナライズには思わぬ罠が仕掛けられていて、知らないうちにそれにハマっている可能性もあるのではないか。そんなことに気がついたので、この記事を書いている。

パーソナライズ機能の虜に

唐突だが、私はNetflixユーザーで、よく映画やドラマを観ている。会員になったばかりの頃は、自分が興味がありそうな作品がどんどんおすすめされてくる仕組みにワクワクした。マッチ度98%の作品なんて観ないという選択肢はないとさえ思ったし、実際に観てみると「やはり」と思わされた。

逆に、あえて60%程度のあまりマッチ度が高くない作品を観てみると、なるほどハマらない。Netflixは私よりも私のことをわかっているのではないかと思うほどにレコメンドの精度が高くて驚いた。

パーソナライズの死角

しかし、次第にどことなく味気なさを感じるようになった。もちろん、Netflixや作品に非があるのではない。Netflixの作品の80%以上がレコメンド機能を通じて観られているというデータも存在するほどで、非常に精巧に設計されていることは言うまでもない。ただ、マッチ度にしたがって映画を観ることに対してもどかしさを抱き始めたのだ。

良くも悪くも、すべてが想定内なのだ。マッチ度が高い作品=面白い。感動した。マッチ度が低い作品=あまり響かない。刺さらない。といったように、どんな時もマッチ度に比例した等式が成り立ってしまう。

だから、「たまたま観てみた作品が面白かった」という経験をすることが難しくなってしまったのだ。これはもう少し概念的な言葉で表すと、デジタルデバイス上で映画を観るという行動における、偶発性がもたらす幸福、つまり、セレンディピティを得られるチャンスがグッと減ってしまったということだ。

もちろん自分の意識の問題もあるのだろうが、いつの間にか自分の嗜好の中でしかサービスの選択ができなくなっている可能性に気づき始めた。

デジタル・セレンディピティの時代

昨今のテクノロジートレンドを語る上で、デジタル・セレンディピティという言葉が使われ始めている。この言葉は、文字通り、デジタルの世界における偶発性、セレンディピティのことを指す。

デジタル・セレンディピティを望む声は、大きくなってきているようだ。なぜなら、セレンディピティはオフラインの場で起こりやすいものだから。

例えば、ふらっと立ち寄ったお店で戦利品に出会えたり、旅先のホテルがアップグレードされていたり。こういったことはまさにセレンディピティに当たるが、経験のある方もいらっしゃるのではないだろうか。

しかしコロナ禍に突入し、オフラインでの行動が大幅に制限され、代わりにオンラインの世界での行動が増えたことで、こういった機会は減ってしまっているのだ。

先ほどまで挙げていたNetflixをはじめとするパーソナライズ機能を持ったサービスにはAIが必須の存在。そしてこれまで、AIをはじめとするテクノロジーやデジタルにはできなかったこと。それは、偶然や予想外を演出すること。

AIによるパーソナライズやレコメンデーションは、そのユーザーが何を見たか、何を買ったかなどといった事実に基づく。つまり、過去の事実に基づいた結果であるため、ある程度はユーザーの趣味趣向に合致した「堅実な」ポイントに行き着くが、逆に言うと、それ以上の偶然な出会いにはなりにくいものだった。

AI時代のUXデザイン、GPT-3から考えるこれから必要なマインドセット

デジタル・セレンディピティの演出 – 3つの方法

しかし2021年は、そういったテクノロジーやデジタルの世界でも、セレンディピティが生み出されることが見込まれている。

レコメンドやパーソナライズの精度が上がるにつれ、偶然な出会いの機会は反比例的に減っていくことは、AIを中心とするテクノロジーの進歩に伴う代償だと思っていたが、諦めなくて良いようだ。

では具体的にどのようにサービスにおいてデジタル・セレンディピティを生み出していけば良いのだろうか？(なお、ここで言うサービスはでデジタルであることを前提とする。）

まずは、ユーザー自身で、自分の守備範囲から出ることを意識してみることだ。この意識を持つだけでも変わるだろう。自分を客観視したり、他人の視点を入れてみたりすることも、デジタル・セレンディピティに近い恩恵を受ける一助となるだろう。

ただ、可能ならサービス側からサポートがあるとより嬉しい。そこでサービスを考える上で、デジタル・セレンディピティの機会創出を促す、サービスデザイン的な仕掛けを考えてみたい。

1. バリエーションを増やす

これは、実際にプロダクトを販売するサービスだと想像しやすい。プロダクトのバリエーションを増やすことは、シンプルにユーザーにとっての選択肢を増やすことになる。選択肢が増えると、そのユーザーにとって新たな出会いとなる確率も比例して高まる。

ユーザーに「そういえばこれが欲しかった」、「こんなものがあったら良いと思っていた」などといった気付きを与えられるかもしれない。

また、マーケティング戦略において、「ついで買い」や「合わせ買い」を視野に入れた商品展開をも一つの方法になりうる。英語では「クロスセル」と呼ばれ、国内外問わず世界中で採用されている手法だ。

例は数多くあるが、Appleもこの方法を取っている。MacBookを購入するする際に、アクセサリーをついでに勧めている。MacBookの価格を考えるとこういったアクセサリー類の価格は安く感じてしまうし、いつか必要になりそうだと思ってつい一緒にカートに入れてしまうことを誘発する。

2. ユーザーとの接点を増やす

サービス側がユーザーとの接点を増やすことも有効だろう。彼らがサービスを使う機会を増やしたり、WEBサイトを訪れてもらう回数を増やしたりすることで、サービスの利用を通じたセレンディピティに出会う可能性を高めるという考え方だ。言わば「場数を増やす」作戦だ。

ここでは、オムニチャネルでユーザーとの接点を総合的に捉え、全ての接点における体験の質を上げるCXデザインの発想が求められてくる。

各チャネルとコンテンツの適性を考慮するだけでなく、ユーザーがどのような流れでサービスを体験し、どこで彼らにとって新鮮なコンテンツを提供できそうか、そんな視点を持つことが重要だろう。

UXデザインとCXデザインの違いとそれぞれの役割

3. 新たな切り口を提案する

最後は、新たな切り口の提案をすることでユーザーを喚起する方法だ。例えば1人のユーザーに対し、その人自身の過去の行動ではなく、時には他のユーザーの行動をもとに、新たな提案をしてみることも良いだろう。

通販サイト等でよく見かける「他のユーザーはこんな商品も見ています」といった商品の案内は、まさにこれを実践しているものだ。

ここで重要だと思うのが、ユーザーの嗜好から全く外れているものは強く勧めないということだ。いくらセレンディピティを狙ったとはいえ、それまで完全に蚊帳の外だったものに突然惹かれる確率は高くはないだろう。

ユーザーの視野に入っていないコンテンツは、存在を認識されていないのと同然。それを見せることは、ユーザーの目には新鮮に映り、結果的にセレンディピティを生みやすくなると思う。

こうしてポイントを挙げてみると、非常にシンプルだったり、すでに実践されていたりするものも多い。ただ、「セレンディピティを生む」という視点で見てみると、新たな気付きがあるのではないだろうか。

終わりに

“意図的に”“意図しない”出会いをデザインすること、これがこれからのユーザー体験の向上のために重要なポイントになると考えている。

そのために、コミュニケーションの延長線上にあるようなごく自然な方法ながら、ユーザーの視野を広げたり、視線を変える後押しとなるサービスデザインや、マーケティング戦略づくりが求められていくと思う。

ユーザーが本当に求めているサービスデザインとは？そんな疑問や課題をお持ちの方はぜひお気軽にお問い合わせいただきたい。デザイン思考をインストールするためのワークショップやユーザーリサーチを通じた彼らの本質的なニーズの発見など、様々なデザインアプローチでサポートさせていただきたい。

ユーザーの心を掴むヒントは“ハイパー・パーソナライゼーション“にあり

日常生活だけではなく、さまざまな産業においてもジェンダー・バイアスが存在している。

例えば、多くの自動車のエアバッグやシートベルトといった安全装置は、クラッシュテストから得られるデータを元にデザインされているが、そこで利用されるダミー人形の多くが男性の体型を元にしてろ、女性の体格や妊婦は想定されていない事が多い。その結果、女性は同じような事故に遭った男性に比べて、重傷を負う可能性が47％、死亡する可能性が17％高い。

AIにおいてもジェンダー・バイアスの懸念が

データにおけるジェンダーギャップは必ずしも生命を脅かすものではないが、さまざまな業界での人工知能モデルの設計や使用は、女性の生活に大きな不利益をもたらす可能性がある。

ガートナーの調査によると、2022年までに、AIプロジェクトの85%が、データ、アルゴリズム、またはそれらを管理するチームの偏りが原因で、誤った結果をもたらすことになると発表されている。

音声アシスタントのほとんどが女性

ちなみに、よく考えてみるとAlexaやSiriなどの音声アシスタントのその多くが女性である。まあ、女性というか名前が女性的だったり、声のトーンが女性っぽかったり、返答内容が女性を前提としている。

よく考えると、Google Mapの音声ナビも女性の声だ。細かい話になるが、これももしかしたら「アシスタント＝女性」というバイアスからきてるのかもしれない。

女性であることが多い音声アシスタント: Siri, Alexa, Google Assistant, Cortana

参考: AI音声アシスタントってなんで女性なの？【クラーク志織のハロー！フェミニズム】

データが偏ると、結果にバイアスが掛かる

バイアスを生み出す最初の原因がデータの偏りだろう。人工知能に不可欠なデータ収集プロセスにおいて「正しい」質問がされていない場合、ビジネスや経済にも悪影響を及ぼしてしまう。

例えば、何十年も前から循環器疾患は男性の病気と考えられていた。それにより、主に男性から収集したデータを元にしたオンラインアプリが、女性ユーザーに「左腕や腰が痛い」という症状を「うつ病のせいかもしれない」と提案することがあるという。

この場合、同じアプリを利用したとしても、男性ユーザーには、心臓発作の可能性があるという診断に基づいて、すぐに医師に連絡するようにアドバイスするのに対し、女性には数日後に医師の診察を受けるように表示するかもしれない。これは元となるデータの性別に偏りがあることが原因になるが、女性も心臓発作の被害に遭う可能性があることは明らかである。

AIによる顔認証の元データにも偏りがある

このような問題は性別だけにとどまらない。人種的なデータの偏りも見られる。例えば、さまざな顔認識アルゴリズムの入力画像データのうち、白人の画像が80％、男性の顔が75％の割合を占めている。その結果、男性の顔認識精度は99%と高精度であるのに対し、黒人女性を認識する能力は65％にとどまっており、その精度に差が出ている。

言語データに潜む潜在的なジェンダー・バイアス

ここで、AIが利用する”言語”に関してのジェンダー・バイアスを見てみよう。

近年の自然言語処理（NLP）の進歩により、機械はますます高度な単語表現を生成できるようになった。最近発表されたGPT-3、M2M 100、MT-5のように、複雑な論文を書いたり、テキストを複数の言語に翻訳したりすることができ、以前の反復よりも優れた精度を持つ強力な言語モデルが毎年、研究グループから発表されている。

しかし、機械学習アルゴリズムは摂取した訓練データに基づいて機能するため、どうしても必然的に、言語データ自体に存在する人間のバイアスを拾ってしまう。

明らかになったGPT-3におけるバイアス

去年の夏、GPT-3の研究者は、性別、人種、宗教に関連したモデルの結果の中に、固有のバイアスを発見した。その中でも、ジェンダー・バイアスに関連して、性別と職業の関係や、ジェンダー化された記述語が含まれていた。

例えば、アルゴリズムは388の職業のうち83%が男性の仕事である可能性が高いと予測した。また、「美しい」や「ゴージャス」などの外見に関連する記述語は、女性に関連する可能性が高くなっている。

AI時代のUXデザイン、GPT-3から考えるこれから必要なマインドセット

AIが学んだ人間界の職業に対するジェンダー・バイアス

王様や女王様のような、一部の表現や用語が本質的にジェンダー化されている一方で、多くの職業に関連する用語は、本質的にジェンダー化されるべきではない。

しかし、上に引用したGPT-3の研究例では、機械は、銀行員や名誉教授などのより高いレベルの教育を示す職業は男性に傾いており、助産師、看護師、受付嬢、家政婦などの職業は女性に傾いていると推測している。

また、「有能」と認められた職業は、男性の傾向が強かった。このような結果は、GPT-3だけではなく、異なる機械学習モデルやアルゴリズムの中で何度も何度も起こっていることがわかった。

AIが男性寄りと認識した職業

• 銀行員
• 名誉教授
• 医者
• パイロット

AIが女性寄りと認識した職業

• 助産師
• 看護師
• 受付嬢
• 家政婦

AIがジェンダー・バイアスを持つ危険性

では、AIにおけるジェンダー・バイアスは、実際にどのような弊害を生み出すのであろうか？ おそらくそれは、AIを活用するシステムやアプリが、知らず知らずのうちにユーザーに対して不公平な判断をすることになる地雷だろう。

例えば、今後AIによって、多くのサービスの自動化が進むことで、雇用慣行からローン申請、刑事司法制度に至るまで、AIを活用したあらゆるサービスが偏ったアルゴリズムの影響を受ける可能性がある。そして、その結果がユーザーの性別によって大きく変わると予想される。それも、目に見えにくい場所で。

人間からAIに引き継がれる言語バイアス

上記のように、ジェンダーをはじめとする多くのバイアスが我々の使う言語に横行し、そして長い年月をかけて蓄積されている。

では、どのようにすればそれを自然言語処理を利用する機械や人工知能に永続させないようにできるのだろうか？ それが今大きな課題となってきている。

AIにおける公平性はデータそのものの公平性に左右される

AIが人間からジェンダー・バイアスを引き継ぐのは、明らかに理想的な結果ではない。しかし、機械学習システムは、処理するデータよりも優れたものになることは難しい。

私たちの社会に予め存在するバイアスは、私たちの話し方や書き方に無意識のうちに影響を与えている。その影響下で書かれた文章や、話されている言葉は最終的に機械学習システムを訓練するために使用される。

そのため、そのバイアスのかかったデータを使ってモデルを訓練すると、それがモデルに組み込まれ、既存のバイアスが保存されてしまう結果となる。

Web上のデータ自体がバイアスだらけ？

一般的には、機械が人間の言葉を学習する際には、データが多ければ多いほど性能の良いモデルが得られるとされる。そして多くの場合、より多くのデータを取得するための最善の方法は、大規模なウェブクロールを通じて膨大なデータを獲得することである。

もちろん、インターネットやその他のコンテンツは、実際の人間の言語で構成されているため、データは当然人間と同じバイアスを持つことになる。残念ながら、これらのウェブクロールされたデータセットの中のコンテンツには十分な注意が払われていない。

機械学習におけるジェンダー・バイアスを減らす方法は？

自然言語処理を活用した機械学習システムにおけるジェンダー・バイアスを減らし、より正確で公正ものにするための第一歩は、そのプロセスにおいて人間が積極的に関わっていくことだろう。

AIがデータからバイアスを学習することがわかっているのであれば、データのバイアスを取り除くことが最善のアプローチになる。そのような手法の一つが「ジェンダー・スワッピング」である。

ここでは、学習データを拡張して、ジェンダーのある文ごとに代名詞やジェンダーのある単語を反対のジェンダーのものに置き換え、名前を実体のプレースホルダで置き換えることで、追加の文が作成される。

例えば、”花子は彼女の弟の太郎をハグした “には、”NAME-1は彼の妹のNAME-2をハグした “も生成する。

この方法では、学習データはジェンダーバランスのとれたものになる。また、名前に関連付けられたジェンダー特性を学習しない。例えば、このアプローチは、男性と女性のコンテクストを同じ回数見たことになるので、”ハグする”という行動に対してのジェンダー・バイアスが生まれなくなる。

言語によって難易度が格段に異なってくる

上記のアプローチは英語や日本語では簡単だが、他の言語でははるかに困難であることに注意する必要がある。

例えば、フランス語、ポルトガル語、スペイン語などのロマンス諸語では、文法的に中立的な性別は存在しない。これらの言語では、形容詞や他の修飾語も同様に性別を表現する。その結果、異なるアプローチが必要になってくる。

具体的には、主語の性別を格納するメタデータを文に追加する方法。例えば、”You are very nice “という文は英語では性別が曖昧だが、並行するポルトガル語の文が “Tu és muito simpática “であれば、英語の文の最初にタグを追加して、モデルが正しい翻訳を学習できるようにする。

ジェンダー・バイアスを取り除くには手間と時間がかかる

これらの方法は自然言語処理モデルのジェンダー・バイアスを減らすことができるかもしれないが、実装には時間がかかることが容易に想像できる。

また、それぞれの国の言語によって特性が変化し、マイナー言語も含めるとかなりのケースに対応しなければならなくなるため、かなりの手間になる。

世界各地で進む自然言語処理におけるジェンダーニュートラルの動き

例えば、2018年にGoogleは、Google翻訳が4つの言語の単一単語の翻訳を女性形と男性形の両方で英語に返すことを発表した。

また、ブルームバーグの研究者たちは最近、言語ベースのモデルを人間が補足記入するための最善の方法について共同研究を行っている。

ブルッキングス研究所のような多くの研究機関は、偏ったアルゴリズムに起因する消費者被害を軽減する方法に注目しており、最近では音声やチャットボットを活用している。

テクノロジー業界の女性率も重要なファクター

女性の技術者を増やしたり、テクノロジー企業における助成率を高め、思想の多様性を高めることとで、AIにおけるジェンダー・バイアスの増幅をおさえる方法の一つになりえる。

世界経済フォーラムによると、世界のAI専門家のうち女性はわずか22％であるのに対し、男性は78％である。

また、ブルームバーグによると、大手テクノロジー企業8社では、技術職のうち女性が占める割合は20％にとどまっているという。技術系企業は、男性よりも女性の採用数が少ないだけでなく、女性の離職率も早い。

ボストン・コンサルティング・グループによると、世界的に見て、科学、技術、工学、数学（STEM）分野で働く人のうち女性は25％にすぎませんが、これらの分野のリーダーのうち女性は9％しか占めていない。

現在見られる、この偏りは今後のAIにおけるジェンダー・バイアスを生み出す一つの要因になるかもしれない。

シリコンバレーでは教育が始まっている“STEAM人材“とは？

AIにおけるジェンダー・バイアスを減らす5つのステップ

Step 1: AIの開発に関わる女性を増やす

上記の通り、テクノロジー関連、特にAIの領域における女性の割合がかなり低い。ジェンダー・バイアスを減らすための第一歩としては、女性と女性の経験をAIと自動化システムの設計、開発、応用に関連するすべての段階で適切に統合されるのが良いだろう。

テクノロジー企業におけるあらゆるの役職でより多くの女性を積極的に雇用することに加えて、AIを開発と活用する企業は、初期の時点からジェンダーの専門家からのアドバイスと、女性の意見やデータを積極的に活用するのも良いと考えられる。

Step 2: データの男女バランスを整える

次に、アルゴリズム、AI、自動化に情報を提供するデータは男女別に集計する。そうしなければ、女性が経験はこれらの技術ツールに情報を提供することができず、女性に対する既存のジェンダー・バイアスを内在化し続ける可能性がある。その際には、女性に関するデータであっても、内在するジェンダー・バイアスには気をつける必要はあるだろう。

Step 3: AIを利用した仕組みを多様な人々によって検証する

言語処理の項目でも紹介した通り、ジェンダーニュートラルな仕組みを作るのにはどうしても手間が掛かる。AIと同義語のように利用されている「自動化」というフレーズから、全て機械が自動的に処理してくれるように感じるが、バイアスを取り除くには、複数の異なるバックグラウンドを持った人々による検証と、微調整が必要になってくる。

Step 4: AIを活用してジェンダー問題に取り組む

そして、AIのジェンダー・バイアスを取り除く最も有効な方法の一つとして、実際にそのシステムを活用して、社会的な問題に取り組む。特に性差別が原因となるような問題の解決のために利用してみる。例えば、男女の賃金格差、仕事内容の違い、評価の違い、ネット上のいじめ、セクハラ、リーダー職における過小評価など、女性が実際に直面している課題に対処するために活用する。

AIと自動化の力を活用して性別における格差をどれだけ埋める事が可能かにチャレンジしてみるプロジェクトを進めることで、そのプロセスを通じてAIが潜在的なジェンダー課題を学ぶことにもつながるだろう。

Step 5: よりダイバーシティーに対応した仕組みを作る

最後のステップとして、意外と盲点になりがちなエリアにも挑戦してみる。そう、性別は男性と女性だけではない。LGBTに代表される、ノンバイナリーな多様な価値観やライフスタイルへの理解も重要だ。これは、生身の人間だけではなく、AIを利用したシステムも今後学んでいく必要が出てくるだろう。男女が平等になった瞬間から、次はより多様な理解をテクノロジーにし始めてもらう必要が出てくるだろう。

まとめ：テクノロジーにおいても多様性を

このような進歩にもかかわらず、AIやテクノロジー全体の多様性の欠如からくるより体系的な問題がある。まだまだエンジニアの大部分が男性だし、女性の経営者も少ない。データも偏りがちだし、何より作り出されたシステムがジェンダー問題解決の利用にはたどり着いていない。

テクノロジーにおける男女の格差が少なくなれば、バイアス問題に対する意識も高まるだろう。そうすれば、AIを取り巻く仕組みを包括的に受け入れることができるようになるはず。そして、テクノロジーは社会的課題の解決に利用されるべきことを考えれば、AIによって多様性が達成できる世の中の実現が我々技術者たちのゴールにもなってくると思う。