Chris Herbert, Pluralsight, Inc.のチーフコンテントオフィサー Chris Herbert Pluralsight, Inc.のチーフコンテントオフィサー

経験がない場合：倫理的な人工知能開発者になる方法

人工知能（AI）と機械学習（ML）は、業界を変革し、新しい機会を解放する驚くべき速度で進化しています。AIの専門家になる道は数多くあり、各人の旅は独自の経験、挫折、成長によって形作られます。以前の経験がない人でも、正しい心構えとアプローチがあれば、成功は可能です。AIの旅において、AIを倫理的に開発し、利用することが重要です。倫理的なAIは、公平性、透明性、説明責任を優先し、ユーザーと利害関係者に信頼を築きます。倫理的なガイドラインに従うことで、学習者と開発者は、AIの誤用を防ぎ、潜在的なリスクを軽減し、技術の進歩を社会の価値観と一致させます。AIを倫理的に使用することの重要性にもかかわらず、数万人の人々がAIを学んでいる中で、調査によると、2%以下の人が責任を持ってAIを採用する方法を積極的に探しています。この差は、AIを実装する方法を学ぶ人々と、AIを倫理的に開発する方法を学ぶ人々の間で非常に大きいです。私たちの調査以外にも、Pluralsightは、AIの採用に関するトレーニング資料に大きな関心がある一方で、倫理的なAI開発に関する資料はほとんど見られないことを確認しています。責任あるAIプラクティショナーとしての旅を始める方法責任あるAIプラクティショナーは、3つの主要な要素に焦点を当てる必要があります。偏見、倫理、法的要素です。AIの法的考慮は当然です。AIを使用してサイバー攻撃を仕掛けたり、犯罪行為を行ったりすることは法律違反であり、悪意ある行為者によってのみ行われるでしょう。偏見については、個人が開発しているモデルやソリューションが可能な限り偏見がないことを確認する必要があります。人間はすべて何らかの形で偏見を持っていますが、AIソリューションは人間によって作成されるため、人間の偏見が反映される可能性があります。AI開発者は、偏見を意識して最小限に抑える必要があります。倫理的な考慮事項は、偏見よりも複雑になる可能性があります。倫理は、個人の信念や価値観によって形作られるため、個人の意見や信念と密接に結びついています。倫理は、正しいことと間違っていることを定義するために導かれる道徳的原則です。現実世界の例としては、介護ロボットが高齢者を介護することの倫理性、ウェブサイトのボットが人間関係に関するアドバイスを提供することの倫理性、自動化された機械が人間によって行われる仕事を排除することの倫理性などがあります。技術的な側面倫理と責任ある開発を念頭に置いて、AI開発者は技術的な側面に取り組む準備ができています。AI技術を開発するには、大学院の学位や研究室での経験が必要であると考えられることがあります。しかし、実際には、必要なのは、挑戦に立ち向かう意欲と、学び続ける意志だけです。AIプラクティショナーが最初に学ぶことの1つは、機械学習が思っているよりアクセスしやすいということです。適切なリソースと学習意欲があれば、さまざまな背景を持つ個人が複雑なAIの概念を理解して適用することができます。AIの専門家を目指す人々は、実践的なアプローチが最も効果的であることがわかります。まず、興味があり、機械学習の範囲内で管理可能なプロジェクトを選択することが役立ちます。たとえば、将来のイベントの可能性を予測するモデルを構築することができます。そうすることで、データ分析、特徴エンジニアリング、モデル評価などの概念を紹介し、機械学習ライフサイクルについて深く理解できるようになります。AIに没頭するにつれて、さまざまなツールやテクノロジーを試すことが重要になります。ノーコードやローコードのプラットフォームは、技術的な専門知識が少ない人にとってモデルを構築することを簡素化できますが、プログラミングのバックグラウンドを持つ人にとっては、Pythonの基礎を学び、Jupyter Notebookなどのツールを使用することがより効果的である場合があります。AIコミュニティに参加することも、学習プロセスを強化し、倫理的なAIの応用方法を新規参入者と共有するのに役立ちます。ミートアップに参加したり、オンラインフォーラムに参加したり、AIの愛好家とネットワークを構築することで、継続的な学習とモチベーションの機会が得られます。洞察と経験を共有することで、他者に技術を明確化し、自身の理解を強化することができます。興味を持ったプロジェクトを選択する責任あるAIの専門家になるための明確なロードマップはありません。どこから始めても、スキルを段階的に構築することが重要です。技術的なバックグラウンドを持っているか、最初から始めるかに関係なく、最初のステップを踏み出すことと、そこに留まることが重要です。最初のプロジェクトは、個人的な興味を呼び起こし、動機付けられるものであるべきです。株価の予測、オンラインレビューの分析、または製品のレコメンデーションシステムの開発など、個人的な関心事に合ったプロジェクトに取り組むことで、学習プロセスをより楽しく、より意味のあるものにすることができます。機械学習ライフサイクルを理解することは、問題解決のための段階的なアプローチを開発する上で不可欠です。データ収集、前処理、モデルトレーニング、評価、デプロイなどの段階をカバーします。この構造化されたフレームワークに従うことで、機械学習プロジェクトを効率的に開発できます。また、プロジェクトに関連する無料のパブリックデータセットを見つけることも重要です。データを処理し、クリーンアップするにつれて、機械が学習するための形式でフォーマットする必要があります。AIサンドボックスなどの没入型ツールを使用することで、AIのスキルを練習し、AIソリューションを試し、潜在的な偏見やエラーを特定して排除することができます。これらのツールにより、ユーザーは事前に構成されたAIクラウドサービス、ジェネレーティブAIノートブック、または大規模な言語モデル（LLM）を安全に実験することができます。LLMを使用する際には、責任あるプラクティショナーがこれらの大規模なデータベースに埋め込まれた偏見を認識することが重要です。LLMは、文学、科学、一般知識など、すべてを含む広大な知識の海です。LLMは、コンテキストに応じたテキストを生成する能力が優れています。しかし、川がさまざまな地形を流れるように、LLMもトレーニングデータに含まれる偏見や固定観念を吸収する可能性があります。LLMを可能な限り偏見がないようにする方法の1つは、人間のフィードバックを使用した強化学習（RLHF）を通じて倫理的な原則を統合することです。RLHFは、フィードバックループに人間の入力を含む強化学習の一種です。単純に言えば、RLHFは、子供がパズルを解く際に、大人が積極的に介入し、ピースがなぜ合わないかを特定し、どこに配置するべきかを示唆するようなものです。RLHFでは、人間のフィードバックがAIを導き、学習プロセスが人間の価値観や倫理基準と一致するようにします。これは、言語を扱うLLM、特にニュアンス、コンテキスト依存、文化的変数が重要な場合に特に重要です。RLHFは、LLMがコンテキストに応じて適切で、倫理的に一致し、文化的に敏感な応答を生成することを保証するために、重要なツールとなります。RLHFは、AIに人間のコミュニケーションの灰色地帯をナビゲートする能力を教え、正しいことと間違っていることの線が常に明確でない場合に、倫理的な判断を下す能力を与えます。非技術的な新規参入者がアイデアを現実化する多くのAI専門家は、技術的なバックグラウンドを持たないまま、さまざまな分野からAIの分野に移行し、新しい視点とスキルセットをもたらしています。ノーコードやローコードのAIツールにより、広範なコーディングの経験がなくてもモデルを作成できます。これらのプラットフォームにより、新規参入者がアイデアを実験し、現実化することができます。ITのバックグラウンドを持つが、コーディングの経験が少ない人は、AIの分野に移行する強力な立場にあります。最初のステップは、Pythonなどのプログラミングの基礎を学ぶことです。AWSのようなプラットフォームからのハイレベルサービスは、コーディングの知識がなくても責任を持ってモデルを構築するための貴重なツールを提供します。データベースの理解やインフラストラクチャの管理などのITスキルは、データや機械学習モデルの展開を扱う際に貴重です。すでにPythonなどの言語でコーディングに慣れている人は、AIや機械学習への移行が比較的容易です。Jupyter Notebookの使用方法やPandas、SciPi、TensorFlowなどのライブラリの使い方を学ぶことで、機械学習モデルの構築のための堅実な基礎を築くことができます。さらに、ニューラルネットワークやディープラーニングなどのAI/MLの概念について深く理解することで、専門知識を高め、より高度なトピックへの道を開くことができます。AIの旅を個人の目標に合わせるゼロからAIの専門家になることは、最初は圧倒的に感じるかもしれませんが、実現可能です。堅実な基礎、継続的な学習へのコミットメント、実践的な経験、AIの倫理的な応用に焦点を当てることで、誰でもこの分野に参入することができます。AIには、すべてに適したアプローチはありません。したがって、旅を個人の目標や状況に合わせることが重要です。何よりも、成長と倫理への献身が、AIでの成功の鍵です。