[日本インタビュ新聞社] - ■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）