■大規模言語モデル「ｔｓｕｚｕｍｉ」で実現、オフィスワークや日常生活を支援
近年、ＡＩ技術は目覚ましい発展を遂げているが、従来のＡＩはテキスト情報しか理解できないという課題があった。ＮＴＴ（日本電信電話）＜９４３２＞（東証プライム）は４月１２日、大規模言語モデル「ｔｓｕｚｕｍｉ」を用いて、文書画像に含まれる視覚情報も理解できる「視覚読解技術」を開発したと発表。同技術により、ＡＩは文書画像を提示されただけで、あらゆる質問に回答することが可能となる。
私たちが扱う文書は、テキスト情報だけでなく、図表や写真などの視覚情報も含まれている。しかし、従来のＡＩはテキスト情報しか理解できず、視覚情報を取り込んだ文書を理解することは困難だった。そこでＮＴＴは、視覚情報も理解できるＡＩの実現を目指し、研究開発を進めてきた。
大規模言語モデル「ｔｓｕｚｕｍｉ」を用いて、視覚情報も理解できる「視覚読解技術」を開発。文書画像をＬＬＭの表現に変換するアダプタ技術と、多様な視覚読解タスクを対象とした指示遂行データセットの構築によって実現した。ＡＩは文書画像を提示されただけで、あらゆる質問に回答することが可能となる。例えば、請求書から必要な情報を抽出したり、専門文献から特定の情報を見つけたりすることができる。
ＮＴＴは、この技術を基に、視覚表現された文書を基に質問応答を行う技術やＷｅｂ検索など、産業上重要なサービスの発展に貢献していく予定。また、作業自動化をはじめ、ヒトと協働し、価値を生み出すＡＩの実現に向けて技術確立をめざしていく。同成果は、２０２３年度における東北大学データ駆動科学・ＡＩ教育研究センターの鈴木潤教授との共同研究の成果となる。（情報提供：日本インタビュ新聞社・Media-IR 株式投資情報編集部）
関連記事
ピックアップ記事
-
2024/6/6
アサヒビール、創業９０周年を迎えるニッカウヰスキーの洋酒事業を強化■６０億円の設備投資と記念商品で９０年の歴史を祝う ニッカウヰスキーの創業９０周年を機に、アサヒ… -
■１２フィートコンテナ８０個積載、迅速な物資輸送を実現 センコーグループホールディングス（センコ… -
■主要アパレルブランドのさらなる成長と周辺事業への拡張を目指す 三井物産は６月３日、アパレルブラ…
