【てくさぽBLOG】IBM watsonx.aiを使ってみた（Part1）

こんにちは。
てくさぽBLOGメンバーの高村です。

IBM の定例イベント「Think 2023」で発表された IBM watsonx はご存じでしょうか？

AI開発の最前線を走り続けている IBM Watson は、2023年7月に企業向けAI及びデータ・プラットフォーム IBM watsonx（以下 watsonx）のサービス提供を開始しました。
なお、watsonx の概要は製品紹介ページで紹介していますので、是非ご覧ください。

今回は watsonx製品の一つ、生成AI開発プラットフォームを担う「IBM watsonx.ai」（以下 watsonx.ai）を使用し、その感想を二部構成でご紹介したいと思います。

Part1（本記事）では、watsonx.ai のご紹介とサービスのプロビジョニング、UI画面にてプロンプトを使ってみた感想を、Part2では、watsonx.ai を利用した Retrieval-Augmented Generation（RAG）検証をご紹介します。

乞うご期待ください。

ビジネスにおける生成AIの活用

2022年の ChatGPT公開を機に生成AI は脅威的なスピードで生活に普及されています。
企業も生成AI をビジネスに取り入れる動きが加速しており、例えば、OpenAI社は企業向けに ChatGPT Enterprise、Microsoft社は Azure上で Azure OpenAI Service を提供しています。

このように企業向け生成AIサービスも次々発表されている状況で、企業はビジネスの目的に合ったサービスを選ぶことが重要になってきています。

それでは、生成AI を採用する際にどのような考慮点があるでしょうか。
以下にいくつかご紹介します。

生成AI採用時の考慮点

回答精度の問題：
生成AI は状況や文脈を完全に理解しておらず、適切な回答を生成することが困難となる場合があります。
そのため、モデルのチューニングや精度の高い回答を出せるように指示を設計する仕組みが必要です。

他社との差別化：
今後多くの企業が生成AI を活用したビジネスを展開していくと、他社との差別化がますます重要となります。
ベンダー独自の大規模言語モデルを利用することは勿論ですが、AI開発の先駆者であるサード・パーティーが提供するモデルを利用できることなど、複数のモデルから選択できる点もポイントになります。

セキュリティ対策：
ビジネスで生成AI を活用する上では機密情報の取り扱いを注意しなければいけません。
個人情報を含んだ情報が他のユーザの回答に利用されることが無いよう、セキュリティ対策が求められます。

このように、企業が求める精度の高い AIモデルを実現でき、他社との差別化及び生産性向上を図ることが可能なサービスが watsonx.ai です。

watsonx.aiとは？

サービス提供形態

はじめにサービス提供形態をご紹介します。

2023年10月時点、watsonx.ai は IBM Cloud からの SaaS提供のみとなっています。
また、watsonx.ai を利用するには従来から提供されている Watson Studio（機械学習モデルを開発するための統合環境）と Watson Machine Learning（機械学習環境）の2つのサービスが必要です。

IBM Cloud のカタログ上では「watsonx.ai」という名前のサービスは無く、Watson Studio をプロビジョニングし Watson Machine Learning を紐づけることで、watsonx.ai が利用できるようになります。

料金は Lite/Essentials/Standard のプランが提供されています。（2023年10月時点）
Lite は容量制限のある無料プランです。機能を試したい場合はこのプランをご選択ください。
Essennsials、Standard は以下の①②③を合計した料金プラン（月額請求）です。

①プランの基本料金　※Essentials の基本料金は$0/月です（2023年10月時点）
②基盤モデルの利用料
③Watson StudioとWatson Machine Learningの利用料

watsonx.aiの特徴

以下の図の通り、watsonx.ai は基盤モデルの選択から調整、テスト、デプロイまでを一貫して行うことができる AI開発スタジオです。

基盤モデル（Foundation Model）

watsonx.ai は基盤モデル（Foundation Model）を利用した AI開発スタジオです。

従来の機械学習による AI開発は用途ごとにモデルを作成していましたが、基盤モデルによる AI開発は大量のデータで事前学習を行い、一つの基盤モデルを作成し、用途別に少量のデータでカスタマイズしモデルを作成します。
これにより用途向けのモデルは少量のデータで学習が可能となり、今までのような学習時間やリソースを大幅に削減できます。