ＡＩの学習用データにつきましてお答えを申し上げます。
委員御指摘のとおり、ＡＩの性能を定めるものは幾つかございます、データセンターとかアルゴリズムとかいろいろございますけれども、その中でもこの学習データというのは非常に重要なものでございます。
これは、例えば、日本語の学習データに関して申し上げますと、内容が正しいということも必要ですし、日本語としても正しい、文法も正しい、そういう必要性がございます。
一般的に、ＡＩにもいろいろなものがありますので、汎用の生成ＡＩに関してお答えを申し上げますと、基本的には、まず官公庁が出している、公的機関等のウェブサイトのテキストデータですとか、あるいは法令のデータベースですとか、あるいはまさにこの国会の議事録とか、私が答弁しているので余りちょっと自信がないところもありますけれども、でも、正しいデータベースですね、そういったものを学習している。
それから、よく見られますウィキペディア、この情報も使われているというふうに聞いております。ただ、ウィキペディアの場合には、どうしても個人情報とかが載ってしまっている場合がございますので、ある開発業者によりますと、その個人情報というのをＡＩで認識をして、それをマスキングするような処理をして活用しているというふうに聞いております。あるいは、ウィキペディアですとＵＲＬとかけい線とかいろいろなものが入っているんですけれども、こういうものを抜いて処理をしているというふうに聞いています。
いずれにしましても、正しいデータ、正しいといいますか、学習に適したデータベースで効率よく学習できる、そういうデータを活用するということが必要であるというふうに考えております。
27
橋本慧悟(立憲)
御答弁をいただきました。
現状、外国産の生成ＡＩサービスがどうしても大きなシェアを占める現状なのですが、日本語をベースとした生成ＡＩを開発すること、先ほどの田中委員の質疑の中でも御答弁があって、日本語は難しいでありますとか、敬語があったりとか、なかなか難しいんだという話もありますが、この特有の課題、日本語をベースとした生成ＡＩを開発することに対する特有の課題を端的にお知らせください。
この発言のページ
28
城内実(自民)内閣府特命担当大臣（クールジャパン戦略・知的財産戦略・科学技術政策・宇宙政策・経済安全保障）
お答えします。
多くの生成ＡＩは英語や日本語での複数の言語に対応した開発が行われておりまして、言語の違いに起因する大きな技術的な課題はないものと認識しておりますが、他方で、日本語の場合は同音異義語が多いというような特徴もございます。他方、世界的に広く使われている英語と比較すると、やはり日本語のデータ量は圧倒的に少ないわけでございまして、ＡＩの学習がそういった面で難しい側面はございます。
このため、日本の生成ＡＩの開発に当たっては、こうした日本語の特性もしっかり踏まえて進めていくことが重要であるというふうに考えております。
この発言のページ
29橋本慧悟(立憲)
まさに、御答弁をいただきまして、日本語のデータが少ないということだと思います。
生成ＡＩでは、大量のデータを学習させてモデルの規模を巨大化するほどその予測精度も向上することから、大規模言語モデル、ラージランゲージモデル、ＬＬＭと呼ばれたり、この開発が、モデルの大規模化を目指して熾烈な競争が繰り広げられていると認識をしております。
この言語モデルというのは、人間が話したり書いたりする言葉や文章を基に単語の出現確率をモデル化する技術だと認識しています。
具体的には、大量のテキストデータから学習をして、ある単語の後に続く単語がどのくらいの確率で出現するの…
この発言のページ
- （上の発言）
30渡渡邊昇治内閣府科学技術・イノベーション推進事務局統括官
ＡＩの学習用データにつきましてお答えを申し上げます。
委員御指摘のとおり、ＡＩの性能を定めるものは幾つかございます、データセンターとかアルゴリズムとかいろいろございますけれども、その中でもこの学習データというのは非常に重要なものでございます。
これは、例えば、日本語の学習データに関して申し上げますと、内容が正しいということも必要ですし、日本語としても正しい、文法も正しい、そういう必要性がございます。
一般的に、ＡＩにもいろいろなものがありますので、汎用の生成ＡＩに関してお答えを申し上げますと、基本的には、まず官公庁が出している、公的機関等のウェブサイトのテキストデータですとか、あるいは法令のデータベースですとか、あるいはまさにこの国会の議事録とか、私が答弁しているので余りちょっと自信がないところもありますけれども、でも、正しいデータベースですね、そういったものを学習している。
それから、よく見られますウィキペディア、この情報も使われているというふうに聞いております。ただ、ウィキペディアの場合には、どうしても個人情報とかが載ってしまっている場合がございますので、ある開発業者によりますと、その個人情報というのをＡＩで認識をして、それをマスキングするような処理をして活用しているというふうに聞いております。あるいは、ウィキペディアですとＵＲＬとかけい線とかいろいろなものが入っているんですけれども、こういうものを抜いて処理をしているというふうに聞いています。
いずれにしましても、正しいデータ、正しいといいますか、学習に適したデータベースで効率よく学習できる、そういうデータを活用するということが必要であるというふうに考えております。
31橋本慧悟(立憲)
御答弁をいただきました。
官公庁のページでありますとか、この国会とかの、政府、行政の、ちょっとがちがちになり過ぎて、余りにもちょっとつまらないような生成ＡＩというか、データが収集されるんじゃないかなという懸念はちょっと感じますが。
先ほど御答弁の中でも触れていただいたウィキペディア、広く国民はこのウィキペディアというのを使ったことがあると思います。その中で、確かに比較的信頼できる大量の情報が集まっているとは思いますが、悪意のある者が書き込んだ偽情報というのも学習データとして用いられる可能性もあると思います。それを、生成ＡＩに偽の情報を出力させられると…
この発言のページ
32城内実(自民)内閣府特命担当大臣（クールジャパン戦略・知的財産戦略・科学技術政策・宇宙政策・経済安全保障）
お答えいたします。
データポイズニングは、御指摘のとおり、悪意を持った攻撃者がＡＩの学習データに不正確又は有害なデータを組み込むことにより、ＡＩが誤った応答や偏った情報を生成するように誘導する攻撃手法であります。
過去には、利用者との会話データを基に自ら学習するチャットボットサービスにおいて、極端な主張を繰り返し学習、訓練されたことで差別的な出力を行うようになったという具体的な事案がございました。その際は、サービス事業者が利用者が入力したデータをＡＩの学習に利用しないといった対策を講じたというふうに承知しております。
なお、国立研究開発法人産業技術…
この発言のページ
33橋本慧悟(立憲)
御答弁をいただきました。確かに、そういった差別的な出力がされるようになるとか、本当にこれから防いでいかないといけないこともたくさんあると思います。これから議論が進んでいくと思います。
済みません、一つ飛ばさせていただいて、ＡＩが抱えるリスクへの対応ということで移らせていただいてもいいですかね。先ほどの御答弁の中でもありましたので、こちらの方が有機的につながってくる質問かなと思うんですが。
ＡＩは、過去のデータを機械的に学習して現在及び将来の予測に役立てるものであるという性質上、過去の学習データ自体に含まれているバイアス、偏見ですね、この影響を完全に排…
この発言のページ