IBM Watsonは、IBMがDeepQAプロジェクトの一環として開発した質問応答コンピューティングシステムであり、主任研究員デビッド・フェルッチが主導した。IBMの創業者トーマス・J・ワトソンにちなんで名付けられたこのシステムは、自然言語で提示された質問に答えるように設計されており、最も有名な業績は2011年にクイズ番組『ジェパディ!』で人間のチャンピオンに勝利したことである。Watsonは、Artificial intelligence技術をオープンドメインの質問応答に応用する上での重要な節目となったが、後にこの分野を支配することになるDeep learningアプローチではなく、確立されたアルゴリズムの組み合わせに依存していた。
このシステムの開発は、ジェパディ!に典型的な、語呂や駄洒落を含む手がかりを理解し応答できる機械を構築するというIBMの野心から生まれた。狭いドメインに焦点を当てた初期の質問応答システムとは異なり、Watsonは膨大な参考資料コーパスを用いて任意のトピックを扱うことを目指した。全国テレビでの成功は、Natural language processingとMachine learningにおける実用的な進歩を示し、その後の研究やヘルスケアなどの業界における商業的応用に影響を与えた。
技術的アーキテクチャ
Watsonのソフトウェアは、IBMのDeepQAアーキテクチャとApache UIMA（非構造化情報管理アーキテクチャ）フレームワーク上に構築された。システムはJava、C++、Prologを含む複数のプログラミング言語で記述され、分散コンピューティング用のApache Hadoopを備えたSUSE Linux Enterprise Server 11上で動作した。DeepQAは、自然言語を分析し、情報源を特定し、仮説を生成し、証拠を発見・スコアリングし、潜在的な回答を統合・ランク付けするために、100以上の異なる技術を採用した。
ハードウェアは、各サーバーに3.5 GHz POWER7 8コアプロセッサ（コアあたり4スレッド）を搭載した90台のIBM Power 750サーバーのクラスターで構成されていた。全体で、Watsonは2,880プロセッサスレッドと16テラバイトのRAMを使用した。ジョン・レニーによると、システムは毎秒500ギガバイト（約100万冊の書籍に相当）を処理できた。IBMのマスター発明家トニー・ピアソンは、ハードウェアのコストを約300万ドルと見積もった。ジェパディ!の競技では、ハードドライブへのアクセスは人間の反応時間に追いつくには遅すぎるため、すべてのコンテンツはRAMに保存された。
ジェパディ!競技
2011年2月、Watsonはジェパディ!で、番組で最も成功したチャンピオンの2人、ブラッド・ラターとケン・ジェニングスと対戦した。Watsonは優勝賞金である米国100万ドルを獲得した。このシステムの戦略には専門モジュールが含まれていた。1つは信頼スコアと現在の順位に基づいてファイナルジェパディ!の賭け金を計算し、もう1つはベイズの定理を使用して、未公開の手がかりがデイリーダブルである確率を推定し、J!アーカイブの履歴データを事前分布として使用した。デイリーダブルの賭け金については、1990年代にジェラルド・テサウロが開発したTD-Gammonで使用されたものと同様の2層Neural networkが賭け金を決定した。
Watsonのパフォーマンスは、人間のプレイヤーと比較して長所と短所の両方を明らかにした。手がかりの文脈理解に欠け、特に短い手がかりに対して応答生成が遅かった。しかし、電子式バザー回路により、応答を決定した後の反応時間は一貫して有利であり、カテゴリを飛び越えるなどの心理的戦術の影響を受けなかった。模擬ゲームでは、人間はWatsonが手がかりを処理するのに必要な6〜7秒を悪用できたが、テレビ放映された試合では、Watsonのバザー速度が決定的だった。
商業的応用とヘルスケア
2013年2月、IBMはWatsonの最初の商業的応用を発表した。ニューヨーク市のメモリアル・スローン・ケタリング癌センターにおける肺がん治療のための利用管理決定であり、ウェルポイント（現在のエレバンス・ヘルス）との提携によるものだった。このシステムは、医学文献と患者記録を分析して治療オプションを推奨することで医師を支援することを目的としていた。これは、Machine learningと質問応答技術を臨床意思決定支援に適用する初期の試みを示すものであり、結果はまちまちだった。
Watsonの機能は、その後IBM Cloudへの展開を通じて拡張され、機械学習機能が進化し、ハードウェアが最適化された。しかし、ヘルスケア事業は大きな課題に直面した。2022年、IBMはWatson Health部門を売却し、Merativeという会社にスピンオフさせ、プライベートエクイティ会社フランシスコ・パートナーズに売却した。この部門の開発には約40億ドルの費用がかかったが、10億ドルで売却された。2023年までに、Watsonプロジェクト全体はIBMの株価の10%下落に寄与し、収益の4倍の費用がかかり、大規模なレイオフを引き起こした。
遺産と影響
商業的な苦戦にもかかわらず、Watsonのジェパディ!での勝利は、Artificial intelligenceに対する一般の認識に永続的な影響を与えた。機械が曖昧で口語的な言語や複雑な推論タスクを処理できることを実証し、AI研究への投資の波を刺激した。Watsonのアプローチ、つまり単一の画期的な進歩に依存するのではなく、多くの並列アルゴリズムを組み合わせるというアプローチは、後のシステムに影響を与えたが、分野はDeep learningとNeural networkアーキテクチャへと移行した。このシステムはまた、研究デモンストレーションと実行可能な商業製品との間のギャップを浮き彫りにし、その後のヘルスケアやその他の規制産業におけるAI展開を形作る教訓となった。
Watsonの遺産は複雑である。世界の想像力を捉えた技術的成果である一方、そのビジネス成果は期待に及ばなかった。このシステムの名前は、IBMが後に他のAIイニシアチブに軸足を移した後も、認知コンピューティングにおけるIBMの初期のリーダーシップと関連付けられ続けている。研究者にとって、Watsonは、AIを管理された競技から、エラーが高コストをもたらす領域での実世界の応用へとスケーリングする際の課題に関するケーススタディとして機能した。
現代のAIとの比較
Watsonは、Transformer (architecture)アーキテクチャとLarge language modelを使用したOpenAIのGPTモデルやGoogle DeepMindのAlphaGoなどの後のシステムとしばしば対比される。構造化された知識ベースと明示的な証拠スコアリングに依存していたWatsonとは異なり、現代のシステムはDeep learning技術を使用して膨大なテキストコーパスからパターンを学習する。Watsonは、その名前がDeepQAプロジェクトの一部であるにもかかわらず、中核となる質問応答パイプラインでDeep learningやNeural network手法を採用していなかった。そのハードウェア要件、つまり90台のサーバーと16テラバイトのRAMは、2011年の基準では巨大だったが、現代のAIトレーニングに使用されるデータセンターと比較すると控えめである。Watsonから現代のAIへの進化は、工学的で解釈可能なシステムから、不透明で統計的に訓練されたモデルへの移行を示しており、信頼性、バイアス、説明責任に関する異なる問題を提起している。