エンタープライズデータとAIの動向 2025年：インテリジェンス、プラットフォーム、将来展望

特にデータやAIのような動きの速い分野では、予測を立てることは難しい。それでも、我々はラジェッシュ・パリク 歌で応える サンジーヴ・モハン昨年、我々は 2024年のトレンド予測.2024年が終わろうとしている今、我々の予測が的中したことを確認できて嬉しく思う。この成功は、AIの前例のないペース、つまりIT業界では珍しい変化の速度を考えれば、なおさら注目に値する。

上位4つの予測では、インテリジェント・データ・プラットフォームとAIインテリジェンスの台頭を取り上げた。これらのトレンドは2023年にはあまり目立たなくなるが、AIインテリジェンスの背後にある勢いは今や否定できず、さらなる加速を予感させる。

データ・プラットフォームに関しては、ユーザー・エクスペリエンスを簡素化し、データとAIの製品開発を加速させる必要性から、インテリジェントな統合プラットフォームへの強いシフトが見られる。この傾向は、より多くのベンダーが市場に参入し、企業が利用できる選択肢の幅が広がるにつれて強まることが予想される。

2025年への期待

2025年に向けて、企業のデータとAIの状況は大きな変貌を遂げ、業界を再形成し、人間とテクノロジーとの関わり方を再定義するだろう。私たちは、これを予測というのではなく、企業幹部やテクノロジー・マネジャーが細心の注意を払う必要があると考えるこれらの変革的トレンドを探るために、この文書を使いたいと考えている。したがって、読者は、優先順位を設定し、正しい方向性を選択するために組織を準備するためのガイドとして、この文書を使用する必要があります。

それでは早速、エンタープライズ・データとAIの展望を支配すると思われるトレンドをご紹介しよう。図1は、応用AI、データ＆オペレーション、ムーンプログラムに分類されるトレンドを示したものである。

図1：2025年のデータとAIの展望は、インテリジェンスの台頭、データプラットフォームの進化、そして私たちを取り巻く世界を一変させる可能性を秘めた月面着陸という野心的な計画の追求によって特徴づけられる。

• 応用AIこれらのトレンドは、組織が変革のためにAIモデルをどのように活用するか、特にインテリジェンスが日常的なタスクや機能をどのように自動化するかという点で大きな影響を与えるだろう。モデルの推論能力が進歩し続けるにつれて、これらのインテリジェンスはますます複雑なタスクを処理し、シームレスに連携できるように進化していくだろう。
• データとプラットフォームの動向：構造化データと非構造化データをサポートする統合データとメタデータ・プレーンは、AIを推進し、インテリジェント・アプリケーションとAIアプリケーションの基盤となる。データ・プラットフォーム管理の進歩や、インテリジェント・ボディ・アプリケーションのための堅牢なミドルウェアの開発など、多くの重要なトレンドがこのビジョンを支えるために収束しつつある。
• 月面着陸計画：このような野心的でリスクの高い試みは、現在の技術の限界を押し広げ、現在では最先端と思われるような分野を探求するものである。失敗のリスクは高いが、こうした分野でのブレークスルーは、業界に革命をもたらし、人間とコンピューターの相互作用を再定義する可能性を秘めている。

応用AI

2025応用AI トレンドの中心は、インテリジェンスの実用化と主流への導入である。図2に示すように、このカテゴリーで最も大きな影響を与えると予想される4つの主要サブテーマを特定した。

図2：機械学習と同様、AIの民主化は、さまざまなタスクや領域固有の課題に対処できるインテリジェンスのエコシステムの繁栄を通じて達成される。

次に、AI・人工知能の用途別のトレンドを確認してみよう。

知性体はどこにでもある

2025年、私たちは知的ボディAIの時代に突入する。

ここでは、AIインテリジェンスに関する昨年のトレンドと、企業へのアドバイスを抜粋して紹介する。

しかし、その将来性を考えると、2024年はインテリジェンスのインフラ／ツールの大幅な進展と早期導入の年になると予想される。現在のAIアーキテクチャーがより複雑なタスクを引き受ける可能性についての理解の多くは、まだ潜在的な可能性に関するものであり、かなりの未解決の問題があることに留意すべきである。

とはいえ、組織は、インテリジェントなボディ・アプリケーションを構築するための現実的なアプローチに取り組まなければならず、より複雑な自動化を担う上で、現在のAI技術との差が年々縮まっていく可能性がある程度は予想される。また、今後12ヶ月の間に、ユースケースごとに自動化を実現できる範囲を検討しなければならない。そのようなプロジェクトの進化の道／旅は、そのような努力においてより成功するかもしれない。

2025年には、反復作業を自動化し、顧客体験を向上させる必要性が高まるため、企業における自律型AIインテリジェンスの採用が加速すると予想される。これらのインテリジェンスは人間の能力を補強し、創造的、戦略的、複雑な仕事に集中できるようにする。

高度な思考力、推論力、問題解決力を必要とする作業、つまり、現在では人間が大きく関与する必要のある作業に自動化を拡大する。例えば、インテリジェンスは市場調査、データ分析、カスタマーサポートの問い合わせへの回答などを行うことができる。また、複雑さ、コスト、あるいはその両方により、以前は実用的でないと考えられていた複雑な複数ステップのワークフローを自動化することもできる。

AIインテリジェンスとは、環境を認識し、理由を説明し、与えられたタスクを一連のステップに分解し、決定を下し、人間の労働者のように自律的に特定のタスクを完了するために行動を起こすプログラムやシステムのことである。

私たちは現在、月額20ドル程度で利用できる開発者用コ・パイロットや、「Steelcase」のようなツールのような、AI主導のツールの出現を目の当たりにしている。 デヴィン レベル2のAIインテリジェンスとは、特定のタスクを自律的に実行できるが、依然として人間の監視と介入が必要なものである。

しかし、2025年には、より高度なインテリジェント・ボディが登場し、それに応じて、提供する価値を反映した高価格になると予想される。例えば、ある部門のトップ・オブ・ファネルのインバウンド・アウトバウンド・マーケティング戦略を策定する際に、若手マーケッターを凌駕する能力を持つ専門的なインテリジェント・ボディは、20,000ドルもする可能性がある。

マルチインテリジェンス・システム

マルチ・エージェント・システム（MAS）は、複数の自律的なインテリジェンスが、単一のインテリジェンスでは克服できないような複雑な課題を解決するために、コミュニケーションを取りながら協力して作業することを可能にする。MAS内のこのような専門化により、各インテリジェンスはその専門分野に集中することができ、インテリジェンスが複雑な問題を解決するために独自のスキルと知識を提供することで、システム全体の効率が向上する。これらのインテリジェンスは、しばしば異なるコミュニケーション・モードやチャネルを使用して相互に作用し、個々の目標やシステム全体の目標を達成する。

図3は、組織内のコンテンツ生成を強化するために、複数のインテリジェンスがどのように連携できるかを示している。

図3：コンテンツの調査、作成、配信のタスクに焦点を当てた3つのインテリジェンスで構成されるマルチインテリジェンスシステムが、マーケティング部門のニーズを満たすために協調して機能する。

MASは、共通のアーキテクチャ・パターンを通じて、さまざまな制御レベルや、コミュニケーションや調整のためのさまざまなアーキテクチャ・パターンを示すことができる：

1. 層の厚いチーム：このタイプのMASは通常、中央のマネージャーまたはタスクデリゲーターを使用してコミュニケーションを仲介する。システム内のワーカー・インテリジェンスは、この中央のインテリジェンスを通じてのみコミュニケーションするため、インテリジェンス間の直接的なコミュニケーションは妨げられる。
2. パリティ：ピアツーピアのMASでは、インテリジェンスは中央集権的な機関に頼ることなく、互いに直接コミュニケーションをとる。
3. グループ・コラボレーション：このタイプのMASは、グループチャット（SlackやMicrosoft Teamsなど）に似ており、インテリジェンスが関連するチャンネルを購読し、パブリッシュ・サブスクライブ・アーキテクチャによって調整される。

MASは、複雑なインテリジェント・ボディ・オートメーションのスケールアップに不可欠である。1つのインテリジェント・ボディに多くのタスクを搭載しすぎると、複雑さとスケーラビリティ／信頼性の問題が生じる。

私たちは、ビジネスがより専門化したインテリジェンスを開発する傾向にあることを予見している。これらのインテリジェンスは、より大規模で複雑なワークフローを実現するために、チーム構成で動作し、協力し、調整する必要があります。その結果、インテリジェンス主導のワークフロー自動化イニシアチブの全体的な成功において、MASが重要な役割を果たすことになる。

インテリジェント・ボディ・マネジメント・システム（IBMS）

インテリジェンス管理システム（AMS）は、AIインテリジェンスの開発、評価、展開、展開後のモニタリングを容易にします。インテリジェンスの作成と改良を簡素化することで、AMSはより迅速な反復を可能にし、ライフサイクル管理を簡素化します。また、包括的なデプロイ前テストと継続的なプロダクションモニタリングにより、インテリジェンスが期待に応えることを保証します。

図4は、代表的なAMSのコンポーネントを示している。

図4：代表的なインテリジェント・ボディ・マネジメント・システム（AMS）の構成要素

代表的なAMSには次のような構成要素がある：

1. 知的なボディビルダー：インテリジェント・ボディ・フレームワークと呼ばれるインテリジェント・ボディ・ビルダーは、新しいインテリジェント・ボディを素早く作成し、既存のものを反復的に改良するのに役立つ。
2. インテリジェント・ボディ登録：Intelligentsiaレジストリは、利用可能なIntelligentsiaのカタログを管理し、アクセス制御とガバナンスを促進します。
3. スマート・ボディ・プレイグラウンドインテリジェント・ボディ・プレイグラウンド 手動式 様々なタスクやユーザークエリにおけるインテリジェンスのパフォーマンスをテストすることで、ユーザフレンドリーなプラグアンドプレイインターフェースを提供します。この環境により、インテリジェンスのパフォーマンスを迅速に評価することができます。
4. 知的な身体実験：スマートボディ実験サポート オートメーション インテリジェンスの導入前評価を行う。この構造化されたアプローチでは、データセットの定義、適切なメトリクスの選択、 環境の設定、結果の分析、評価レポートの作成によって、インテリジェンスのパフォーマンスを評価します。過去に実行された実験のログも入手できることが多い。
5. 配備と監視：インテリジェント・ボディのデプロイメントでは、ステージング環境または本番環境でインテリジェント・ボディに必要なリソースを設定する一方、関連するランタイム・メトリクスを監視する。これにより、インテリジェンスの信頼性と有効性が保証される。
6. チャットのUI：チャットUIは、本番環境に配備されたインテリジェンスと対話するために必要なユーザーインターフェースを提供します。

AMSは、これらのインテリジェンスをライフサイクル全体にわたって作成、展開、管理し、インテリジェントボディ対応エンタープライズを実現するために、組織をサポートする上で重要な役割を果たします。

タスク固有モデル

(躊躇なく アンソロピック クロード、OpenAI GPTファミリー、グーグルの ジェミニ 2024年には、AWSのNovaのような先進的なモデルが主流となるが、企業のユースケースに特に関連するタスクやドメインに特化したモデルの開発には、注目すべきトレンドがある。

図5は、このモデル作成プロセスに関わるステップを示している。このプロセスは一般に トレーニング後の調整.

図5：ドメインモデルの作成に使用した手法

1.監視された微調整

教師ありファインチューニング（SFT）では、嗜好データセットを使用してベースモデル（通常は事前に訓練されたベースモデルまたはコマンドチューニングされたバリアント）を訓練する。SFTでは 思考連鎖 (CoT)配列のコンテキストでは、このデータセットの各レコードは通常、CoTが関連するセキュ リティ仕様を明示的に参照するトリプル（プロンプト、CoT、出力）を含む。

コンテクスチュアル・リファインメント・プロセスは、有用性のみを考慮してトレーニングされたモデルから出発し、安全性の仕様と関連するヒントを促しながらデータセットを作成する。このプロセスの結果は SFTモデル.

2.学習微調整の強化

第2段階は、計算量の多い強化学習（RL）を使用する。このフェーズでは、判定LLMを使用して、モデルの安全仕様への準拠に基づく信号への報酬を与え、モデルの安全推論能力をさらに向上させます。重要なのは、このプロセス全体が、最初の仕様作成と高レベルの評価以上に、最小限の人間の介入しか必要としないことです。

CoT 推論により、LLM はその推論プロセスを明示的に表現することができ、その決定がより透明で解釈しやすくなります。RLフェーズのアライメントでは、CoTは安全仕様への参照を含み、モデルがどのようにその回答に到達したかを記述する。これにより、モデルは回答を生成する前に安全関連の問題を慎重に検討することができます。学習データにCoTを含めることで、モデルはより安全な応答を得るためにこの推論の形式を使用することを学習し、安全性と解釈可能性を向上させることができます。この段階の出力は、しばしば次のように呼ばれます。 「推論モデル

3.継続的な微調整

継続的な微調整により、AIエンジニアやデータサイエンティストは特定のユースケースにモデルを適応させることができます。ディープラーニングのエンジニアやデータサイエンティストは、10～1,000の例を使用して最先端のオープンソースモデルを微調整できるようになり、対象とするアプリケーションのモデル品質を大幅に向上させることができます。これは、大規模なポストトレーニングインフラストラクチャに投資することなく、ユースケースに特化したモデルの信頼性を向上させたい組織にとって非常に重要です。

現在、ほとんどの最先端モデルは、プリファレンス・チューニングや強化学習ファインチューニング（RLFT）のための継続的なファインチューニングAPIを提供し、タスクやドメインに特化したモデルを作成するための敷居を下げている。

このステージの出力は"タスクまたはドメイン固有のモデリング".

オープンソースの微調整フレームワーク（Hugging Face Transformers Reinforcement Learning (TRL)、Unslothなど）は、OSSモデルに同様の継続的なチューニング機能を提供しています。例えば、Llamaモデルの早期採用者は、リリース以来85,000回以上の微調整を行っています。

企業におけるAIの導入が進むにつれ、2つの明確な傾向が見られる：

1. 大きな資本力を持つ組織（私たちはこれを "資本力 "と呼んでいる。フロンティア")は、オープンソースのモデルを事後学習させ、継続的な微調整を通じて特定のドメインやユースケース向けに幅広くカスタマイズする戦略を採用することができる。
2. 予算は限られているが、信頼性の高いユースケースを重視する場合野心的なビジネス費用対効果の高い戦略は、既製のLLMを選択し、継続的な微調整を通じてタスク固有のアライメントを優先させることである。

データと運用・保守の動向

データはAI導入の成功に不可欠であり、データ管理のベストプラクティスを必要とする。図6は、2025年の主要なデータとO&Mの傾向を示している。

図6：主要データとO&Mの傾向

各トレンドを掘り下げてみよう。

インテリジェント・データ・プラットフォーム

データとAIのイノベーションを加速し、運用上のオーバーヘッドを削減するために、我々は2024年に統一されたインテリジェント・データ・AIプラットフォーム（IDP）を提案する。この統一化と簡素化の取り組みは、主要なソフトウェア・プロバイダーの間で大きな支持を得ており、その結果、図7に示すようなアーキテクチャが実現した。

図7：スマート・データ・プラットフォーム・アーキテクチャ

IDPは、データライフサイクル（ストレージ、処理、アナリティクス、機械学習）の統合を合理化することで、断片的なツールや労力の必要性を低減します。また、データガバナンス戦略と実行のための一元化されたフレームワークも提供します。

2024年には、既存のハイテク企業と新興企業の両方から主要な製品が提供され、機能性が強化され続けているが、AIインテリジェンスのためのデータとAIプラットフォームの普及はまだ進行中である。

2025年、データ・プラットフォーム・プロバイダーは、AIインテリジェンスとマルチ・インテリジェンス・システムの重要な基盤を構築し、これらのアプリケーションに操作と意思決定に必要な情報を提供するために、それぞれのサービスを統合し続けるだろう。これらのプラットフォームは3つの重要な機能を抽出する：

1. データプレーンの調和：ユニファイド・データプレーンは、テキスト（PDFなど）、画像（PNG、JPEGなど）、オーディオ／ビデオ（MP3など）など、さまざまなデータフォーマットのロード、保存、管理、ガバナンスをサポートする。この統一データプレーンにおける重要なサブトレンドは、Apache Iceberg、Delta Lake、Apache Hudiなどのオープンなテーブルフォーマットの採用である。
2. 統一されたメタデータプレーン：メタデータはAIアプリケーションに、処理するデータに関する基本的なコンテキスト情報を提供する。例えば、データに人事ポリシー文書が含まれている場合、関連するメタデータには文書のバージョン番号、最終改訂日、作成者が含まれるかもしれない。このようなニュアンスを提供する豊富なメタデータがなければ、インテリジェンスが十分なコンテキストを確立し、意図した機能を提供することは難しくなる。
3. マルチエンジン・オーケストレーター：IDPはまた、分析処理、データ変換、AIモデルの実行に使用されるものを含む、さまざまなコンピュート・エンジンを管理し、オーケストレーションするために設計された拡張可能なオーケストレーション・レイヤーを提供する。
4. ガバナンス・プレーンIDPはまた、アクセス制御、ガバナンス、パーソナライズのミドルウェアとしても機能し、インテリジェンスがユーザーの役割（役割、データアクセス、クエリ履歴を含む）をよりよく理解し、応答をパーソナライズできるようにする。

AIのためのETL

ETL（抽出、変換、ロード）は、AIや機械学習モデル用の生データを準備するために使用される重要なデータ統合プロセスである。このプロセスでは、さまざまなソースからデータを抽出し、クレンジングとフォーマットによって変換し、前述のIDP、データウェアハウス、ベクターストアなどのデータ管理システムやストレージシステムにロードする。

組織はすでに構造化データのETL（運用データベースからウェアハウスやデータレイクへのデータの抽出、変換、ロード）に慣れ親しんでいるが、AIのためのETLはこのプロセスを、テキスト（.pdf、.md、.docx）、オーディオ/ビデオ（mp3、mpeg）、画像（jpeg、png）を含む幅広いデータ形式に拡張する。

これらの非構造化データソースには、企業が使用する様々なコンテンツリポジトリ、アプリケーション、Webリソースが含まれる。実際、ETLプロセス自体は、マルチモーダルな大規模言語モデル（LLM）や光学式文字認識（OCR）モデルを使用して、PDFからエンティティ（画像、表、名前付きエンティティ）を抽出するなど、抽出タスクにAIを活用することができます。

非構造化データのETL 様々な川下ユースケースをサポート：

• AIによる洞察：検索強化世代 (ラグ)は、ユーザーとドキュメントとのインタラクションを促進し、重要な要約を抽出し、同様のユースケースをサポートするアプリケーションを可能にする。SharePoint、Dropbox、Notion、様々なクラウドリポジトリやアプリケーションなど、多様なソースからデータを抽出・変換することは、AI主導の洞察を実現する重要な要素となるだろう。ベンダーは今後もRAGを抽出し、統合データ、アナリティクス、AIプラットフォームで容易にアクセスできる機能として統合していくと予想される。
• AIサーチ従来のキーワード検索に比べ、企業コンテンツへのアクセシビリティとインテリジェンスが向上。
• AIによる自動化構造化されていないデータから必要な知識層を提供し、インテリジェンスに基本的な文脈情報を提供する。
• トレーニング後の調整と継続的な微調整様々な部門のユースケースに対応したモデルのシームレスかつ継続的なパーソナライズを可能にするため、新しいデータや更新されたデータの利用を促進する。

AIのためのデータ準備

データの準備は、タスクに特化したモデルやAIインテリジェンスの実装を成功させるための基本である。

これが、このようなプログラムの成功の鍵である」。前提条件".

AIがデータを利用できるようにするには、複数の次元にわたって包括的に準備する必要がある。AIは組織が持つ利用可能なデータのほとんどすべてを消費することができるが、正しいアプローチは、優先されるユースケースからデータ準備の要件を導き出すことである。

図8は、AIのためのデータ準備の主要な側面を示している。

図8：AIのためのデータ準備

データの質と観測可能性

このデータは確立された品質指標に合格しているか？これは以下の1つ以上を意味する：

1. 信頼
2. 鮮度
3. ちょく
4. メタデータの完全性
5. 下降
6. 合法性／逸脱
7. 関連性
8. バージョニング

上記の指標はどのように管理され、追跡され、リアルタイムで表示されるのか？

1. 観測可能性データ
2. データの系譜
3. 変更履歴

AI用データ製品

データ製品は、タスクに特化したモデルの成功、AIモデルやインテリジェンス・アプリケーションのベンチマークやテストに不可欠です。重要なAIデータ製品には次のようなものがあります：

1.トレーニングに利用可能なデータセットラベル付けされたデータは、AIのトレーニングにすぐに利用できる貴重なデータとなる。

2.チェーン（CoT）データセット：CoTデータセットは、一般的に学習のための入力と出力を提供する従来のデータセットとは異なり、答えがどのように導き出されたかを説明する中間推論ステップも含んでいる。この推論へのステップバイステップのアプローチは、人間が複雑な問題を解決する方法と密接に関連しているため、CoTデータセットは、論理的な推論、計画、解釈可能性を必要とするタスクを実行するAIモデルを訓練するのに有用である。

3.洗練されたデータセット完全なデータセットの多様性と変動性をとらえた、より小さな代表的なサブセットを提供する。以下に、抽出されたデータセットの例をいくつか示す：

a. 顧客レビューのサブセットは、異なるセンチメントレベルと製品カテゴリーをキャプチャする。

b. より大規模で複雑なモデル（教師モデル）のパフォーマンスを模倣するために、より小規模なモデル（生徒モデル）を訓練するために作成された、タスクに特化した高品質のデータセット。

c. 技術的な質疑応答モデルを微調整するために精製された技術文書のサブセット。

4.合成データセット元のデータセットの核となる属性を模倣した合成データセットを生成するために使用される精製データ。データが乏しかったりバランスが悪かったりする場合に、実際のデータセットを補強するために使われることが多い。亜種を生成することで、より多様なデータセットでモデルを学習することができる。

5.ナレッジマッピングのデータセットGraphRAGが提供するデータ製品は、グラフベースのデータ検索・生成機能を活用している。例えば、医療用語、診断、治療、患者の転帰をつなぐヘルスケアナレッジグラフデータセットは、パーソナライズされた医療アドバイスの提供、可能な治療オプションの提案、医師によるデータ駆動型意思決定の支援に利用できる。

6.ユーザーデータユーザーデータは、よりスマートでパーソナライズされたAIアプリケーションを構築する上で非常に重要です。このデータには通常、ユーザーの役割に関するあらゆる情報と、AIインテリジェンスやアプリケーションがユーザーの役割を理解するために使用する（インテリジェンスが意味のある出力や応答を提供するために使用できる）ユーザーとのやり取りや入力が含まれます。以下にユーザーデータの例をいくつか示します：

a. ユーザーの役割と、ユーザーのデータセット／クエリ／ダッシュボードの操作履歴に関する情報を持つデータ分析インテリジェンスは、適切なデータセットへのアクセス履歴とクエリの実行をフィルタリングして選択することで、クエリ応答をパーソナライズすることができる。

b. ユーザーのカスタマー・ステータス（例：プレミアムまたはノーマル）と過去のサポート・リクエストの性質を理解するカスタマー・サポート・インテリジェンスは、過去の作業指示、問題、および解決策を使用して、応答の優先順位付け、より迅速な解決策の提供、または特定のナレッジ・ベース記事の推奨を行うことができます。

c.見込み客や顧客との過去のコミュニケーション履歴やエンゲージメントパターンを分析することで、セールスインテリジェンスはフォローアップ戦略をパーソナライズし、特定の製品やサービスを推奨し、過去の行動に基づいて見込み客の優先順位をつけることができる。

月面着陸計画

月面着陸計画は、画期的な解決策によって大きな課題を解決しようとする野心的な試みである。このようなプロジェクトは通常、現在の技術の限界を押し広げ、革新の最先端で活動する。本来、失敗のリスクは高いが、変革的な成果をもたらす可能性は非常に大きい。

このセクションは創造的な探求のためのスペースであるが、図9で強調されたより推測的なコンセプトを探求したい。

図9：月面着陸計画

認知エージェント

認知的知性は、極めて継続的に経験から学び、適応し、改善する。図10は、認知的知性の定義的特徴を示している。

図10：認知知能の5つの主要な特徴：学習、記憶、自己認識、自己改善、自己逃避

AI知能の一般的な能力に加えて、認知知能は通常、他にもいくつかの能力を持っている：

1.記憶保持

長い記憶保持能力は、認知的知性の重要な特徴のひとつである。記憶保持能力によって、知能は以前の会話を思い出すことができ、多くの場合、いつ、どこで起こったかなど、具体的な出来事を覚えており、そこから学ぶことも多い。

このように、認知的知性は、保持のための長期記憶や、いつ、どこで起こったかを含む特定の出来事を時間内に想起し、思い出すことを可能にする特定の形態の記憶（状況記憶など）を含む複雑な記憶アーキテクチャを持っている。

状況記憶の使用例としては、以前の出来事でタスクを成功させるためにとった手順を思い出すことが考えられる。知性体が再び同じタスクに直面した場合、前回の成功例でとった手順を正確に思い出し、今度はそのタスクをより効率的に実行することができる。

2.過去の交流から学ぶ

これらの知性は過去の相互作用から学び、その学びを将来のより良い判断に役立てる。

3.自覚

これらの知性は、自分自身の構造の詳細や機能にも気づいているかもしれない。

ユーザーとのインタラクションから学習し、新しい学習コンテンツのために知識ベースを更新できる可能性がある。

4.自己治癒力

自己修復機能により、Intelligenceは、最近の相互作用からプリファレンスデータセットを作成し、次の微調整ジョブをトリガーするツールなどの新機能を追加することで、その機能を拡張することができます。また、新しいモデルをさらに評価し、新しいモデルのリビジョンをモデルレジストリに登録したり、AIエンジニアがレビューするための詳細なモデルレポートを生成したりすることもできます。

5.自己エスカレーション

(オプション）Intelligentsiaは、上記で作成した新しいモデル改訂版にセルフアップグレードすることができます。

具現化された知性

具現化された知能とは、物理的な存在を持つAI知能の一種である（ロボットなど）。この「具現化」は、知能が人間と同じように物理世界を知覚し行動することを可能にするため非常に重要であり、これにより知能は物理空間を深く理解する必要があるタスクを学習し、与えられたタスクを実行することができる。ジェネレーティブAIは、従来のルールベースのプログラミングを超え、より複雑でダイナミックな環境で動作することで、ロボット工学に革命をもたらすと期待されている。

図11は、組織がさまざまな用途にこれらの新しいインテリジェンスをどのように利用できるかを示している。

図11：組み込みインテリジェンスを使用した企業の例。

銀行がどのように具現化されたインテリジェンスを利用しているかを探ってみよう。銀行の支店に設置された身体化された顧客サポート・インテリジェンスは、来店客との最初のやりとりを開始し、個人に合わせた金融アドバイスを提供し、取引処理を支援することができる。

小売業では、具現化されたインテリジェンスは、商品情報を提供し、店内を案内する店内ショッピングアシスタントの形をとることができる。製造業では、これらのインテリジェンスは、人間の安全にとって危険な移動や器用さを必要とする作業を処理することができる。

インテリジェント・ネットワーキング

共通の目標を達成したり、複雑な問題を解決したりするための複数のAI知能間の効果的なコミュニケーションは、現在、標準化されたメッセージフォーマット、プロトコル、紛争解決メカニズムの欠如によって妨げられている。将来のネットワーキングのアプローチは、スケーラブルで、低レイテンシーで、インテリジェンス間の信頼を構築し、悪意のある攻撃から通信ネットワークを保護するセキュアなものでなければならない。

これが、スマート・ボディ・ネットワークの改善に関して予想される最後の傾向である。

インテリ層の効果的なネットワークは、企業内外のインテリ層のコミュニケーション、コラボレーション、調整、仕事の遂行、学習の方法に革命を起こすことができる。この傾向は、インターネットの初期やインターネット・プロトコルの標準化、ウェブ2.0時代のコミュニティやフォーラムの進化と似ている。これらのトレンドは、物理的な境界を越えた人々のコラボレーションを大幅に強化した。

図12は、効果的なインテリジェンスのネットワークを構築するための4つの選択肢を示している。

図12：可能なスマート・ボディ・ネットワーク規格の例

月面着陸計画のすべてのトレンドがもたらす恩恵は莫大だ。コグニティブ・インテリジェンスは、交換されたデータを分析し、自身の知識ベースを更新し、交換されたデータを分析し、人間のようなコミュニケーションを改善し、企業の境界内でイノベーションを加速させることで、これらの相互作用を通じて学習することができる。

評決を下す

要約すると、アプライドAIのトレンドは、企業におけるAIインテリジェンスとアプリケーションの有意義な採用を加速させるものであり、データとオペレーションのトレンドは、これらのインテリジェンス・アプリケーションをサポートし、加速させるための強固な基盤を提供するものである。さらに、Moon Landingプログラムでは、現在では急進的に見えるかもしれないが、次の変革をもたらす可能性のあるトピックを取り上げている。

例によって、この研究の目的は、組織的な影響よりも技術的な解決策に焦点を当てることである。自律型知能は、AI知能が反復作業を引き継ぐと予想されるため、当然ながら雇用喪失の懸念を引き起こす。組織は、職務の役割を決定的に再定義し、AIの創造、管理、協働を軸とした新たな職務を創出することで、人とAI知能のシナジー／協調を再発見する必要がある。したがって、この変革は、ほとんどの組織がAIの変革と並行して労働力を決定的に強化し、再教育する必要があるため、もう1つの重要な課題を生み出すことになる。

最後に、LLMモデル・アーキテクチャにおけるブレークスルー、コスト効率の高い方法で適応的知識注入を導入できるソリューション、あるいは理解力と推論能力の大幅な向上は、AIアプリケーションの潜在的な現実にさらに影響を与える可能性がある。