欧州のある大規模スーパーマーケットチェーンが、2019年の初めに人工知能（AI）を導入した。この企業はAIを使って顧客が毎日さまざまな店舗で購入する製品を予測し、コストのかかる製品廃棄の削減と在庫の維持とを両立させていた。
売上を予測するためにこの企業は、すでに購入データとシンプルな統計的手法を使用していた。さらに、局地的な天気や交通状況、競合他社の動向といった追加情報に加えて、近年のAIの目覚しい進歩を加速させてきたディープラーニングを新たに導入したことで、エラーの数を75パーセントも削減したのである。
これはまさに、わたしたちがAIに期待するインパクトのあるコスト削減効果だった。しかし、そこには大きな落とし穴があった。新しいアルゴリズムに必要な計算の量があまりに多く、結局この企業はこのアルゴリズムを使わないことにしたのだ。
「言ってみれば、『クラウドコンピューティングのコストが下がるか、アルゴリズムがもっと効率的にならない限りは、大規模に導入する価値はありませんね』といった感じでした」と、マサチューセッツ工科大学（MIT）の研究者で、そうしたケーススタディーを集めているニール・トンプソンは語る。なお、トンプソンはこの企業の名を明らかにしていない。
この事例は、AIとそのユーザーに迫っている問題を浮き彫りにしているのだと、トンプソンは指摘する。近年のAIの進歩は圧倒的に速く、ゲームで人間を超えるプログラムや親切なパーソナルアシスタント、混雑した道路を自律走行するクルマなどを生み出してきた。しかし、こうした進歩を続けられるかどうかは、問題に対してより多くの計算リソースを常に投入し続けられるかどうかにかかっている。
トンプソンをはじめとする研究チームは新しい研究論文で、こうした進歩を続けるためにこれまでと同じペースで計算能力を高めていくことはできないか、まもなくできなくなるだろうと論じている。これにより、コンピューターヴィジョンや翻訳、言語理解のような分野におけるさらなる進歩には、歯止めがかかる可能性がある。
■飛躍的に増加する計算量
AIに必要な計算量は、ここ10年で飛躍的に増加している。ディープラーニングのブームが始まった12年には、トロント大学のチームが2つのGPUを使って5日以上かけて画期的な画像認識アルゴリズムを生み出した。19年には、グーグルとカーネギーメロン大学の研究者らが、初期のGPUより格段に優れた性能の特殊なチップ約1,000個を用いて、6日間かけてより優れた画像認識アルゴリズムを開発した。
また、グーグルのチームによって19年に開発された翻訳アルゴリズムは、1週間でおよそ12,000枚の特殊チップを必要とした。ある試算によると、この膨大な計算能力をクラウド経由で利用すると、最大300万ドル（約3億2,000万円）かかるという。
「ディープニューラルネットワークは計算コストが非常に高いのです」と、MITの助教授でディープラーニングの効率化を専門とする韓松（ハン・ソン）は語る。韓はトンプソンの論文の共著者ではない。「これは重大な問題です」
韓のグループは、新たな構造のニューラルネットワークと特殊な構造のチップを使って、一般的なAIアルゴリズムのさらに効率的なヴァージョンを作成している。しかし、「ディープラーニングに必要な計算量を減らすには、まだまだ長い道のりです」と、韓は言う。
■同じ手法での進歩は、ほぼ不可能？
ほかの研究者たちも計算需要の高まりを指摘してきた。フェイスブックのAI研究部門の責任者を務めるジェローム・ペゼンティは19年の『WIRED』US版のインタヴューに対し、AI研究者は計算リソース不足の影響を感じ始めていると語っている。
続きはソースで
https://wired.jp/2020/07/28/prepare-artificial-intelligence-produce-less-wizardry/
<!– Generated by まとめくす (http://2mtmex.com/) –>
続きを読む
Source: 理系にゅーす
