-
生成AI
生成AIの時代が到来。
準備は整っていますか?インテル® のイノベーション内蔵
-
-
-
まず考慮すること
生成AIの新時代
生成AIは、組織や個人によって大規模に活用されており、社会に大きな影響を与えています。ChatGPTやDALL-Eなど、コンシューマーグレードのAIは、そのコンテンツ生成能力によって、人々の興味をかき立てています。しかし、生成AIが組織にもたらす影響から、生産性の向上、コスト削減、働き方の変革など、さらなる価値が得られることが期待されています。
-
生成AIが組織に変革をもたらす
生成AIはメリットをもたらしますが、新たな課題とリスクも伴います。組織が生成AIの導入に乗り出す際、ほかに先んじて成果を得るために、お客様の信頼や貴重なデータを危険にさらすことはできません。
-
-
-
生成AIにおけるデータの重要な役割
データとリスクは表裏一体の関係にあります。データは生成AIプロジェクトを牽引しますが、パブリッククラウド内で生成AIモデルをホストすることの潜在的なリスクを評価する必要もあります。例えば、知的財産の損失、データ漏洩、プライバシーの問題、コンプライアンス違反、信頼性と整合性の損失、バイアス、IP侵害などです。
-
-
リスクの管理と価値の向上
導入に向けた取り組みを開始する際は、運用成熟度を高め、リスクを軽減し、制御を強化し、組織にとっての価値を最大限に高めるため、テクノロジーとトレーニングへの投資を調整することが不可欠です。エンタープライズ対応の生成AIを採用すれば、データにアクセスできるユーザーを制御できます。
-
-
未成熟な生成AIとエンタープライズ対応の生成AIにおけるリスクと運用成熟度の比較。
-
-
-
生成AIの成功を実現
あらゆる業種の企業が数多くのユース ケースを発見していますが、適切なユース ケースを採用することが極めて重要です。
-
-
-
-
-
-
データにAIを導入
適切なデータを活用
最適なユース ケースは自社内の豊富なデータを活用するものであり、その実現はAIに対する準備ができているかどうかにかかっています。同時に、ユース ケースを支えるスキル セット、予算、リソースの適切な組み合わせも必要です。ビジネス チームとITチームが協力して優先事項を定めることが重要です。
Llama 2やFalconなどの生成AI大規模言語モデル(LLM)のプライベート インスタンスを導入すると、スピードと導入におけるメリットが得られますが、コストの増加やその他のデメリットも伴う可能性があります。いずれにせよ、社内での生成AI導入は、早期の取り組みに特に大きな価値をもたらす可能性があります。
-
-
-
コンテンツ作成
-
自然言語検索
-
コード生成
-
サポート アシスタント
-
設計とデータ作成
-
ドキュメントの自動化
-
-
-
-
生成AIモデルをデータのすぐそばに配置
-
-
ワークロードの配置に関しては、生成AIもほかのワークロードと同様です。最適な成果を得るには、ビジネス要件と技術的なニーズに基づいて理にかなった環境に配置します。
以下の図は、生成AIワークロードの配置を決定する際に影響を及ぼす概念と枠組みを示しています。
-
-
-
データにAIを導入すべき5つの理由
-
-
プライベートクラウドとパブリッククラウドで比較した生成AIワークロードの配置。
-
-
生成AIのためのデータ管理
大多数の組織が、生成AI戦略に対して二面的なアプローチを採用しています。AIについて学び、後れを取らないよう、戦術的な導入で試しつつ、時間の経過とともに明らかになる多くのユース ケースに対応できるよう、長期的な戦略も策定しています。このようなアプローチには、2階層のデータ管理戦略が必要です。
データ準備データ エンジニアリング -
-
-
データ準備
-
短期:データ準備
データ準備の段階では、データ セットの特定とデータ要件の定義を行います。その後、データのクレンジング、ラベル付け、匿名化、さらには複数のデータ ソースにわたる正規化を行います。また、データをモデルに統合するためのデータ パイプラインの構築も必要です。
-
-
-
データ エンジニアリング
-
長期:データ エンジニアリング
データを生成AIモデルに統合するために、データレイクやデータ レイクハウスなどの適切に構造化されたデータ リポジトリーが必要です。チームのデータ管理と生成AIに関するスキルを強化しつつ、データレイクの構築を反復して行い、生成AIのデータ リポジトリー機能を段階的に拡張することを検討しましょう。
-
-
-
-
-
-
「(デル・テクノロジーズとの)コラボレーションにより、企業はDell製システムがもたらすセキュリティ、コンプライアンス、パフォーマンスのメリットを享受しながら、オープンソース コミュニティーの優れたイノベーションを活用して独自のAIシステムを構築できます」
-
-
-
-
-
-
AIのサイズを適正化
インフラストラクチャを定義し、AIのサイズを適正化
独自のデータを使用することで、特定分野や企業に特化したユース ケースを活用できるとともに、自社だけがデータを有しているタスクや機能を通じて業界価値を生み出すことができます。生成AIにはさまざまな種類があり、確実に成功を収めるために必要な出発点と投資もそれぞれ異なります。膨大な量のテキストでトレーニングされたLLMは百科事典のようなもので、一般的な用途には役立ちますが、組織データに関する具体的な質問に対する回答を得るのには適していない場合があります。
-
-
-
自社のデータで生成AIの効率と価値を大幅に向上
-
企業に特化したモデル、特定分野に特化したモデル、大規模言語モデル(LLM)の各種モデル タイプの比較。
-
-
-
AI導入の各種モデル:コストと価値のトレードオフを評価
以下に示す導入モデルのうち、最初の3種類は、ほとんどの組織が現在実装しているモデルです。まず「モデルの強化」から始めて、最終的に「微調整モデル」の採用を決定します。選択するAIモデルは、データサイエンスに対する組織の準備レベル、導入パターン、各組織への影響に応じて異なります。
-
事前トレーニング済みモデル
「プロンプト エンジニアリング」と呼ばれるこのアプローチでは、事前トレーニング済みモデルに質問を提示し、結果を受け取ります。
例:ChatGPTモデルの強化
データを追加して、推論など、回答のためのコンテキストを追加で与えることで、生成AIモデルを強化します。取得拡張生成(RAG)などのユースケースが含まれます。
微調整モデル
モデルの重み付けを調整し、データを取り入れます。これにより結果が向上しますが、セットアップに多くの労力を要します。
モデル トレーニング
データ セットを使用した独自モデルの構築やモデルのトレーニングが含まれます。通常、最も多くの作業とリソースを要し、多くの場合、複雑な問題を解決するために行われます。
労力 コスト 価値と
差別化データ統合 インフラストラクチャ クライアント – サーバー クライアント – サーバー GPU最適化 大規模なGPUの導入 スキル IT運用 開発者 データ サイエンティスト データ サイエンティスト
-
使用するモデルに適したインフラストラクチャを選択する
生成AIの導入を支えるインフラストラクチャは、コンピューティング要件に大きく依存します。コンピューティング要件は、モデルの種類やサイズ、ユーザー数による影響を受けます。このほかに、導入、トレーニング、モデルの改良の際に使用されるデータに必要なストレージ容量などを考慮しましょう。
-
導入においてモデルの種類やサイズ、ユーザー数が生成AIインフラストラクチャに与える影響。
-
-
-
-
お客様の導入を加速させるお手伝いをいたします
Dellは、オフィスからデータセンターまで、エンドツーエンドの包括的なアプローチを通じて、障壁を取り除き、全社規模での生成AI導入を可能にします。
-