2022年の「AI／機械学習」はこうなる！ 8大予測：AI・機械学習の業界動向
2021年は、Transformerを中心に技術が発展し、日本語モデルの利用環境も整ってきた。また、ローコード／ノーコードをうたうAIサービスも登場した。2022年の「AI／機械学習」界わいはどう変わっていくのか？ 幾つかの情報源を参考に、8個の予測を行う。
年末なので、2020年と2021年に続き今年も、来年2022年向けの「AI／機械学習の予測」をしてみようと思う。とはいっても、未来を予言できるほどの情報力も自信も筆者にはないので、以下のサイトからの情報源を大いに参考として、筆者なりの考えをまとめてみる。
本稿では、下記の8項目を予想した。
- 日本語でのTransformerの活用拡大と、Transformerを超える技術発展が進む
- 高度なマルチモーダルAIの研究が進展し、何らかのサービス登場する
- ローコード／ノーコードのAIサービスを採用するケースが増える
- AutoMLを利用するケースは着実にさらに増えていく
- MLOpsは引き続き広まり、採用する企業が増えていく
- エッジデバイスでの機械学習／TinyMLの利用は引き続き拡大する
- 量子AI／量子機械学習の実用化に向けた研究がさらに進展する
- 責任あるAIのための原則や規制が各所で制定され続ける
なお、AutoML、MLOps、TinyML（エッジデバイス上の小さな機械学習技術）、責任あるAIを支える説明可能性／解釈可能性やデータとプライバシーの規制強化などのトレンドは、数年を掛けて拡大中のため、2019年や2020年で予測した項目と重複しているが、2022年も継続するトレンドとしても分かるように、あらためて項目として書き出した。
それでは早速、1つ目から順に紹介していこう。なお、番号順は優先度／可能性順というわけではなく、単に書いた順である。
1. 日本語でのTransformerの活用拡大と、Transformerを超える技術発展が進む
2021年の記事では「自然言語処理（NLP）に革命を起こした手法『Transformer』の利用領域がさらに拡大する」と予想した。実際に2021年中はTransformerを中心とした新技術や話題は多かったので、この予測はおおむね的中したと考えている。
2021年は日本語が使えるTransformerモデルが多数登場して、Hugging Faceから利用できるようになってきた（図1）。2021年に登場したものを少し挙げると以下のものがある。検索するとさまざまなものがヒットするので興味がある人は自分で探してみてほしい。
2022年はこういった日本語モデルを活用する事例が広く見られるだろうと予測している。
また、昨年はViT（Vision Transformer）が出てきたが、その内部メカニズムを解明しようとする研究が進んだようで、5月ごろに新たなアーキテクチャーであるMLP-Mixer（多層パーセプトロンをミックスした手法）が登場し、その後、続々と同種の手法、例えばgMLPなどが発表された。さらに2020年11月末にはMetaFormerという新たな手法も発表されている。この分野は新しいアイデアが次々と出される激戦領域となっており、2022年もその傾向は続くと予想される。
ちなみにコンピュータビジョンの研究分野では、Transformer以外には、NeRF（Neural Radiance Fields）という3次元オブジェクトを表現するニューラルネットワーク技術が熱かったようである。NeRFに関しては筆者自身が勉強不足なので詳しいことは割愛する。また、GAN（敵対的生成ネットワーク）の発展も続いており、2022年もさまざまな理論と実装が出てくると予想される。
2. 高度なマルチモーダルAIの研究が進展し、何らかのサービス登場する
2021年10月、GoogleのAIブログで「Pathwaysの紹介： 次世代AIアーキテクチャー」という記事が公開された（図2）。著者は有名なJeff Dean氏である。Pathwaysの内容は、現在のAIが個別のタスクに特化しすぎているので、より多くのタスクを一度に処理できるようにするAIのアーキテクチャーの実現に取り組んでいる、というものだった。完全なAGI（「汎用：はんよう」人工知能）とまではいかないと思うが、何千〜何百万のマルチタスクを実現するマルチモーダルな（＝数値／画像／テキスト／音声など複数のモードを一度に処理できる）単一のAIである。
またFacebook（改めMeta） AI Researchは、2020年6月にマルチモーダルAIフレームワーク「MMF」をリリース後も現在まで開発が継続され、11月のブログ記事では「違反コンテンツをより適切に特定するための汎用化されたAIへの移行」という記事が公開されるなど、マルチモーダルAIの採用が進んできている。
このような多様なタスクに対応するマルチモーダルのAIについて、2022年はさらに多くの情報やフレームワーク、デモサービスなどが出てくる可能性があると予想している。AIの活用は、より応用的な領域にまで進もうとしている。
3. ローコード／ノーコードのAIサービスを採用するケースが増える
近年話題となっている「ローコード（Low-code）」や「ノーコード（No-code）」とは、アプリケーション開発の際にソースコードをほとんど、もしくは全く書かないことだ。この言葉が、機械学習（ML）の分野でもよく使われるようになったのが2021年である。
ローコード／ノーコードMLでは、ドラッグ＆ドロップなどのビジュアル操作だけで、ほとんど／全くコードを書かずに機械学習アプリケーションを組み立てる。これにより、低コストかつ高速に機械学習が実現できる。「AIの民主化」を実現するためのキーテクノロジーだと考えられている。こういったサービスはたくさん登場していて、例えば各クラウドのAIサービスから、Microsoft LobeやTeachable Machineのようなツールやサービス、2021年12月にAWSが発表した「Amazon SageMaker Canvas」（図3）などが挙げられる。
図3 Amazon SageMaker Canvasのイメージ
※「AWS re:Invent 2021 - {New Launch} Introducing Amazon SageMaker Canvas - YouTube」をキャプチャーして引用。
2022年は特にビジネスユーザー／ビジネスアナリストにより広く認知され、活用するための情報や、実際の採用も増えてくるのではないかと予想される。ただし注意が必要なのは、分析されたデータを評価する上では、統計学的な知識（例えば適合率やAUCなど）が要求されることがある。こういった知識はどこかで学ぶ必要がある。例えば＠IT Deep Insiderでは『用語辞典』で評価指標などを週1本ペースで少しずつ記事化しているので、活用していただけるとうれしい。
4. AutoMLを利用するケースは着実にさらに増えていく
AutoMLについては、2020年「AutoMLは大躍進する」と書いたが、2021年はフレームワーク回りで注目を集めた（と筆者は感じている）。＠ITでは『AutoML OSS入門』という連載が展開されており、人気を博している。特にPyCaretが人気が高かったようである。
Kaggleの2021年アンケート調査（図4）によると、KaggleでのGoogle CloudのAutoMLの利用率が2019年→2020年は2.22倍、2020年→2021年は1.67倍と着実に伸びている。同じペースで、2022年も伸びると予想できるだろう。もちろんあくまでKaggleでの話ではあるが、一般的にもAutoMLの利用は広まってきていると筆者は考えている。
なお、ビジネスユーザー向けの機械学習の自動化がノーコード／ローコードだとすれば、機械学習の実験プロセスを自動化して効率化するAutoMLは機械学習エンジニアやデータサイエンティスト向けと言えるだろう。
5. MLOpsは引き続き広まり、採用する企業が増えていく
MLOpsについては、2020年「MLOpsが浸透し、企業は大きな推進力を獲得する」、2021年「MLOpsはさらに成長し、採用する企業が増えていく」と、毎年取り上げてきたが、2022年も継続的に広がっていくだろう。MLOpsは一過性のトレンドではなく、長い年月をかけて徐々に浸透していくものだと考えている。例えばソフトウェア開発のアジャイルやDevOpsというプラクティスは、10年以上かけて徐々に浸透してきた印象があるので、MLOpsも多くの人の日常作業になるまでにはそれなりに長い年月を要するかもしれない。
2021年のニュースとしては、5月にGoogle Cloudが、MLOpsを実現可能なVertex AIを公開した。AWSは「Amazon SageMakerがエンタープライズMLOpsプラットフォームの秀でたリーダーとして選出された」とアナウンスした。Azure Machine Learningも機械学習運用（MLOps）の情報が充実してきている。このように各クラウドプラットフォームがMLOpsに注力している状況だ。
Copyright© Digital Advantage Corp. All Rights Reserved.