※本記事は、AI for Good Global Summit 2025におけるパネルディスカッション「エージェントAIを活用してよりスマートな接続システムを構築する」の内容を基に作成されています。このセッションは、人工知能がすべての子どもに情報・機会・選択肢へのアクセスを提供する方法について探求し、学校ネットワークマッピングからインフラギャップ予測まで、AIがインターネット未接続地域の人々をつなぐ革新的手法を紹介しています。
UNICEFとITUによる大胆な取り組みGigaプロジェクトは、政府と協力してこれらのツールを活用し、教育のためのインクルーシブなデジタルインフラ構築を推進しています。本セッションでは、エージェント AI（複数のAIエージェントを組み合わせた複雑な目標達成システム）が現実世界の接続性課題解決にどのように貢献するか、オープンソースツール、最先端イノベーション、効果的ソリューション拡張における官民連携の役割について考察されました。
登壇者紹介：
- リンジー・ムーア氏：DevelopMetrics CEO兼創設者。人道・国際開発分野向け大規模言語モデル構築の専門家
- イヴァン・ドトゥ氏：ユニセフ Giga 応用科学リーダー。学術界・産業界双方でAI博士号を持つ豊富な経験を有する
- リナ・バリア氏：カリファ科学技術大学 上級研究員。通信ネットワークへのLLMs統合分野の専門家
本記事では、パネルディスカッションの内容を要約しております。なお、本記事の内容は登壇者の見解を正確に反映するよう努めていますが、要約や解釈による誤りがある可能性もありますので、正確な情報や文脈については、オリジナルの動画をご視聴いただくことをお勧めいたします。AI for Good Global Summit 2026の詳細情報および無料・VIP会員限定参加登録は https://aiforgood.itu.int/summit26/ でご確認いただけます。
1. パネル概要とエージェントAIの基礎概念
1.1 パネルの目的とGigaプロジェクト（UNICEF・ITU共同イニシアティブ）の紹介
司会者（Solidad Luca Adena）： 皆さん、エージェントAIを活用してよりスマートな接続システムを構築するというテーマのパネルディスカッションへようこそ。私の名前はSolidad Luca Adenaで、Gigaチームの一員として参加しております。Gigaは、UNICEFとITUの共同イニシアティブとして、様々な技術を用いて世界中のすべての学校を接続することを目的としたプロジェクトです。
本日は20分間という短時間のライトニングパネル形式で進行いたします。この限られた時間の中で、革新的な技術が実際の生活にどのような応用をもたらし、それが社会的良心を持ってどのように実装されているかについて、皆様に具体的な感覚をお伝えしたいと考えております。
今回は3名の素晴らしいパネリストにご参加いただいています。まず、学術界と産業界の両方で豊富なAI経験を持つIvan氏です。彼はAIの博士号を取得し、現在はGigaで応用科学部門を率いています。続いて通信ネットワーク分野でのLLMs活用に深い専門性を持つLena氏、そして人道分野でのAI実装における人間的側面に精通したLindsay氏です。
私たちが多様な背景を持つ聴衆の前でお話しする機会をいただいたことを踏まえ、理論的な議論から実践的な応用まで幅広くカバーし、これらの革新的技術が社会にどのような価値をもたらすかについて包括的に議論してまいります。
1.2 AI技術の歴史的背景と汎用AI vs 部分AIの概念整理
司会者： Ivan、我々は多様な聴衆を前にしています。エージェントAIとは何か、そしてそれにどのように焦点を当てるべきかについて概要を説明していただけますか。
Ivan： ああ、簡単な質問から始めるのですね。分かりました、完璧です。まず、私の同僚の皆さん、そして聴衆の皆様、ここにいらっしゃる全ての方々に感謝申し上げます。
最初に免責事項を述べさせていただきます。AI、人工知能は長い間存在してきました。70年以上、特に第二次世界大戦後から発展を続けています。時代と共に多くの用語が使われるようになり、いつ、どこで使われるかによって、それらの用語は若干異なる意味を持つことがあります。そこで、私の視点からこの問題を説明させていただきます。
私が考える出発点は、汎用AIと部分AIという2つの概念の違いです。汎用AIとは、ほぼ何でもできる、人間のように振る舞うことができるAIを意味します。一方、部分AIとは、AI技術や人工知能のアプローチを使って特定の問題を解決したり、特定のタスクを実行したりするものです。
現在、大規模言語モデル（LLM）と生成AIの分野において、我々はエージェントという概念を部分AIとして再利用していると思います。エージェントという言葉も長い間使われてきましたが、今日では、AIエージェントという用語を自動化の文脈でより多く使用していると思います。
以前はエージェントといえば、特定の問題を解決することを意図した部分AIでしたが、現在でも特定の問題を自律的に解決しようとするエージェントです。したがって、問題解決よりもタスクの実行により重点が置かれるようになっています。
1.3 AIエージェントの定義と現代的解釈
Ivan： 従来のエージェントが特定の問題を解決することを意図した部分AIであったのに対し、現在のエージェントは依然として特定の課題に取り組みますが、それを自律的に行おうとする点が重要な違いです。つまり、問題解決よりもタスクの実行により重点が置かれるようになったのです。
現代のLLMsと生成AIの時代において、我々は「エージェント」という概念をこの部分AIとして再利用しており、AIエージェントという用語はより自動化の文脈で再浮上していると考えています。この変化は単なる用語の進化ではありません。根本的なパラダイムシフトを表しています。
以前のエージェントは、与えられた問題に対して解を見つけることが主な目的でした。しかし現在のエージェントは、人間の介入を最小限に抑えながら、自律的にタスクを実行することに焦点を当てています。この「自律性」という概念が、現代のAIエージェントを定義する最も重要な特徴の一つとなっています。
この自律性への注目は、単に技術的な進歩だけでなく、実用的な必要性からも生まれています。我々が扱う問題がより複雑になり、リアルタイムでの対応が求められるようになったため、人間が常に監視し指示を出すことが現実的でなくなったのです。そのため、エージェントには独立した判断能力と実行能力が求められるようになりました。
1.4 エージェントAIの協調・通信・相互作用の仕組み
Ivan： そして、これらすべてが我々を概念的により単純なもの、すなわちエージェントAI（agentic AI）へと導きます。エージェントAIとは基本的に、より複雑なタスクを実行するために一連のエージェントをどのように組み合わせるかということです。
単一のエージェントが自律的にタスクを実行できることは重要ですが、本当の力は複数のエージェントが協力して働くときに発揮されます。これは本質的に、これらのエージェントがどのようにコミュニケーションを取り、どのように協力し、どのように相互作用するかという問題なのです。
エージェント間のコミュニケーションは、単純な情報の受け渡しではありません。各エージェントは異なる専門分野や能力を持っているため、それぞれが持つ知識や処理結果を効果的に共有する必要があります。例えば、あるエージェントがデータ分析を得意とし、別のエージェントが意思決定を担当し、さらに別のエージェントが実行を行う場合、これらすべてのエージェントが協調して動作しなければなりません。
協力のメカニズムは、各エージェントが全体の目標を理解し、自分の役割を果たしながら他のエージェントの作業を支援することを意味します。これは単なる並列処理ではなく、真の協働作業です。一つのエージェントの出力が別のエージェントの入力となり、連鎖的に処理が進行していくのです。
相互作用については、エージェント間で動的な情報交換が行われ、状況の変化に応じてそれぞれの行動を調整していくことが重要です。これにより、システム全体としてより柔軟で効率的な問題解決が可能になります。それが私からの説明のすべてです。
2. 通信ネットワークと人道分野でのAI応用
2.1 通信ネットワークへの大規模言語モデル統合とデジタル格差解消
司会者： 理論と幅広い概念から、より実践的なものに移りましょう。Lena、あなたの豊富な経験において、LLMsと生成AI、特にエージェントAIでの作業について、いくつかの機会と使用事例について教えていただけますか。
Lena： この質問をありがとうございます。この洞察に満ちたパネルで私の仲間のパネリストと一緒に参加できて嬉しく思います。
主に私たちは、Ivanが言及したように、いくつかの特定のタスクを自動化するために、大規模言語モデルと生成AIを通信ネットワークに統合する作業を行っています。しかし、このパネルで議論していることにより関連して強調したい2つのポイントがあります。
まず、これらの大規模言語モデルと生成AIモデルが、我々が抱えているデジタル格差をどのように橋渡ししているかということです。以前は、人々がこれらのモデルと相互作用し、これらのモデルで作業するには、AIによって駆動されるこれらのエージェントを扱うために、深い技術的知識と実地経験が必要でした。
しかし、将来的には、これらのエージェントが自然言語インターフェースを可能にするため、コミュニティのより広い範囲の人々がこれらのエージェントで作業する機会がより多く見られるようになると思います。我々はこれらの自然言語インターフェースと相互作用でき、この技術にアクセスするためにこれらのツールを使用できるのです。
Lena： これは単なる技術的な進歩以上のものです。真の民主化なのです。従来、通信ネットワークの管理や最適化には、高度な技術的専門知識を持つエンジニアや専門家が必要でした。しかし、自然言語インターフェースにより、より多くの人々がこれらの複雑なシステムと直接対話し、理解し、さらには管理できるようになります。これは、技術的な障壁を取り除き、より包括的なアプローチを可能にします。
2.2 自然言語インターフェースによる技術アクセス民主化
Lena： 自然言語インターフェースの重要性について詳しく説明させてください。これまで、通信システムやネットワーク管理に関わるためには、複雑なコマンドラインインターフェース、専門的な設定ツール、そして何年もかけて習得する技術的な専門用語の理解が必要でした。
しかし、大規模言語モデルと生成AIの統合により、コミュニティのより広い範囲の人々がこれらのエージェントで作業する機会を見ることになるでしょう。なぜなら、これらは自然言語インターフェースを可能にするからです。人々は普段話している言葉で、システムと対話し、問題を特定し、解決策を見つけることができるようになります。
この変化は革命的です。例えば、地方の学校の教師が「インターネット接続が遅い理由を教えて」と尋ねることができ、システムが技術的な詳細を理解しやすい言葉で説明し、さらには解決策を提案することができるのです。これは、以前であれば高度に訓練された技術者を現場に派遣する必要があったケースです。
Lena： 我々はこれらの自然言語インターフェースと相互作用でき、この技術にアクセスするためにこれらのツールを使用できるのです。これは単なる利便性の向上ではありません。真の技術の民主化なのです。技術的な知識の壁を取り除くことで、より多くの人々が自分たちのコミュニティの接続性問題に直接関わることができるようになります。
この民主化は特に、Gigaプロジェクトのような国際的な取り組みにおいて重要です。世界中の異なる地域で、様々な技術的背景を持つ人々が、同じツールにアクセスし、同じ品質のサービスを受けることができるようになるからです。
2.3 言語モデルから推論モデルへの進化とスペクトラム管理への応用
Lena： 大規模言語モデルと生成AIを通信業界に統合することの重要性について強調したいもう一つの点があります。これらのモデルは言語モデルとして始まりましたが、現在ではより多くの推論モデルを見るようになっています。
これは非常に重要な進化です。これらのモデルはもはや単なるインターフェースや、我々が対話する会話エージェントではありません。それらは推論モデルなのです。データを与えることで、より多くの洞察を提供し、我々が必要とする、例えばスペクトラム管理、インフラ設計計画、展開などのタスクの自動化をさらに支援してくれるのです。
Lena： この推論能力の向上は、通信ネットワーク分野において画期的な変化をもたらします。従来の言語モデルは主に人間とのコミュニケーションに焦点を当てていましたが、現在の推論モデルは複雑なデータパターンを分析し、予測を行い、最適化された解決策を提案することができます。
スペクトラム管理において、これらのモデルは電波の使用パターン、干渉の可能性、需要の変動を分析し、最適な周波数配分を自動的に提案できます。これは従来、経験豊富なエンジニアが何時間もかけて分析していた作業を、数分で実行できることを意味します。
インフラ設計計画では、地理的条件、人口密度、経済的制約、技術的要件を総合的に考慮して、最も効率的なネットワーク展開戦略を立案できます。また、展開段階では、リアルタイムでパフォーマンスを監視し、問題を予測し、予防的なメンテナンスを提案することも可能になります。
Lena： これらの推論モデルが提供する洞察は、単なるデータの要約ではありません。複雑な相互関係を理解し、将来的な傾向を予測し、多面的な制約の中で最適解を見つけ出す能力なのです。これこそが、我々が通信ネットワークの分野で真に求めていた自動化の形なのです。
2.4 人道・国際開発分野でのLLMs構築経験と倫理的課題
司会者： 応用について、Lindsay、フィールドでのこれらのエージェントの展開において、我々が念頭に置かなければならない人間的側面について、簡単に答えるのは難しい質問ですが、お聞かせください。
Lindsay： 3分でお答えできるか見てみましょう。developmetricsでは、人道分野と国際開発分野向けの大規模言語モデルを構築しています。より良いプログラミング、より良い選択をするために特別に構築されたモデルを作成しています。
例えば、学校では、紛争地域では、子どもたちの写真を見て、子どもたちの視点を理解するために特別に構築された大規模言語モデルを使用して、写真を通じて表現された子どもたちの視点を理解し、彼らに向けてどのようなプログラミングを行うべきかをより良く把握するために、数十万枚の写真を分析することができます。
Lindsay： しかし、このような意思決定を行ったり、あなたのために推奨を行ったりするエージェントAIを扱う際に重要なことは、リスクプロファイルを把握することです。もし我々が質問を間違えたら、もし間違った解決策を推奨したらどれほど危険なのか、ということです。
これは現在、巨大な倫理的含意を持っています。なぜなら、人道分野や開発分野について考えてみてください。多くのNGO、多くの政府が「今、ガーナで女性をどのようにエンパワーすべきか」とGPTに尋ねているのです。信じられないかもしれませんが、彼らは実際にそうしているのです。
Lindsay： そこで、これらのモデルの創造者が誰なのか、彼らがどのような視点を持っているのかを考えてみてください。それは主に米国の男性中心的なモデルであり、女性、子ども、先住民コミュニティのためのプログラミングを作成するために使用されています。
そのため、主要な倫理的考慮事項の一つは、これらの声を会話に取り込む方法、そのデータを取得し、これらの視点が確実に代表される方法です。そして、データを取得するだけでなく、データをクリーニングする際にも多くの問題が見られます。アルゴリズムから多くの外れ値が除外されており、それらの外れ値こそが最も重要なデータの一部を持っているのです。
また、どのようなベンチマークを使用しているのかということもあります。実際に、ここでも多くの議論を見ており、これらの十分にサービスを受けていない視点を取り込むことがいかに重要かについて話し合われています。
しかし、この作業を行うために利用可能な実際の資金を見ると、それはほとんど存在しないのです。そのため、現在は巨大な倫理的ギャップがあるのです。
3. パプアニューギニア実践事例と技術標準化の課題
3.1 USAIDとの協働によるジェンダーベース暴力プログラム開発
司会者： これらの原則について話していることをカプセル化する、あなたの会社が行っていることの聴衆のための一つの例を教えていただけますか。
Lindsay： もちろんです。先ほど述べたように、現在利用可能な資金はそれほど多くありませんが、USAIDが残念ながら解散される前に、まさにこの問題についてUSAIDと多くの作業を行っていました。
我々が完了することができた一つのケーススタディは、パプアニューギニアでのものでした。我々はジェンダーベース暴力プログラムを実施していました。そこで、すべてのUSAIDデータと他のドナーデータに基づいて、USAのためのモデルを構築しました。報告書を見て、この一つのコミュニティでジェンダーベース暴力を減少させるための最も効果的な介入は何かを判断しようとしたのです。
Lindsay： 当然、我々は解決策を考え出しました。しかし、実際にそれを実行に移すのではなく、コミュニティの女性たちからWhatsAppを通じて音声データを取得しました。数十万の音声ノートを収集し、それを分析したところ、我々のプログラミングが完全に変わったのです。
我々が行おうとしていたことは、ある種のコミュニティグループでしたが、結局、我々は全体のプログラミングを魔術（sorcery）に焦点を当てることになりました。魔術告発、つまり女性を魔女だと告発することが、このコミュニティにおけるジェンダーベース暴力の最大の原因だったのです。これは、我々がこの現地データを取得したときに明らかになったのです。
Lindsay： そこで我々は、魔女とは何か、魔術とは何か、なぜそれがジェンダーベース暴力の原因となってはならないのかについて、多くの教育と作業を行いました。このように、これらの視点を取り込むと、一つの視点で白く塗りつぶすのではなく、はるかに繊細で価値のあるデータを得ることができるのです。
この事例は、既存のデータに基づく分析と現地の声を直接収集することの間にある大きなギャップを明確に示しています。従来のアプローチでは見落としていた文化的・社会的要因が、実際には問題の核心にあったということが判明したのです。
3.2 WhatsApp音声データ収集による魔術告発問題の発見とプログラム変更
Lindsay： このパプアニューギニアの事例で最も重要な転換点は、コミュニティの女性たちから直接データを収集したことでした。我々は実装前に、WhatsAppを通じて音声データを取得することにしました。数十万の音声ノートを収集し、それらを分析したのです。
この音声データの分析結果は、我々の予想を完全に覆すものでした。USAIDデータと他のドナーデータに基づいて構築したモデルからは、コミュニティグループを中心とした介入策が最も効果的であると結論づけていました。しかし、現地の女性たちの生の声を聞いた結果、我々のプログラミング全体を根本的に変更することになったのです。
Lindsay： 音声ノートの分析から明らかになったのは、魔術告発（sorcery accusation）がこのコミュニティにおけるジェンダーベース暴力の最大の原因だったということです。女性を魔女だと告発することが、暴力の主要な引き金となっていたのです。これは、我々が既存のデータから導き出した解決策では全く触れられていない問題でした。
この発見により、我々は当初計画していたコミュニティグループアプローチを完全に放棄し、魔術に焦点を当てた全く異なるプログラムへと方向転換しました。具体的には、魔女とは何か、魔術とは何か、そしてなぜそれがジェンダーベース暴力の正当な理由にならないのかについて、包括的な教育プログラムを実施することになったのです。
Lindsay： この経験が示すのは、現地の文脈を深く理解することなしに、どれほど洗練された分析ツールを使用しても、根本的に間違った解決策を導き出す可能性があるということです。数十万件の音声データが明らかにしたのは、外部から見ただけでは決して理解できない、コミュニティ特有の社会的・文化的ダイナミクスでした。
このようにして、これらの多様な視点を取り込むことで、一つの視点で白く塗りつぶすのではなく、はるかに繊細で価値のあるデータを得ることができるのです。これは単なるデータ収集の問題ではありません。真に効果的な社会的介入を設計するためには、現地の人々の生きた経験と声が不可欠だということを示している事例なのです。
3.3 標準化されたオープンソースプラットフォーム・APIの必要性
司会者： ユーザーとそれによって影響を受ける人々についての真の理解を持つ必要があるだけでなく、技術的にも健全である必要があります。取り組んできた技術的側面について少し話していただけますか。
Lena： 技術的な側面についてあまり退屈にならないように努めますが、高レベルで説明しようと思います。このようなプロジェクトで作業する上で最も重要な側面の一つは、異なるエージェントが互いにコミュニケーションを取ることを可能にする標準化されたオープンソースプラットフォームやAPIの開発を確実に行うことです。
過去数年間で多くのLLMエージェントが開発されてきました。しかし、ここでの主な問題は、例えばGigaが特定のエージェントを実行していて、特定の学校に配備されたエージェントと通信したい場合、これらは異なるプラットフォームで実行されている場合、おそらく通信できないということです。それらは同じタイプ、同じプラットフォームを使用して実行されている必要があるのです。
Lena： この問題は、スケーラビリティにおいて重大な障壁となります。現在の状況では、各組織や地域が独自のシステムを構築し、それらが孤立した島のように機能しています。Gigaのような国際的な取り組みにおいて、これは深刻な制約となります。
では、異なる国、政府間、ベンダー間でのエージェントの展開をスケールアップすることを可能にするために、これらのエージェントが通信できるようにする、より柔軟で標準化されたプロトコルをどのように構築できるでしょうか。これが、私が考える最も重要な技術的側面の一つです。
Lena： 想像してみてください。ケニアの学校に配備されたエージェントが、ブラジルの学校のエージェントと直接通信し、ベストプラクティスを共有し、共通の課題に対する解決策を協力して開発できるとしたら。また、政府機関のエージェントが、民間企業や国際機関のエージェントとシームレスに連携できるとしたら。
このような相互運用性を実現するためには、技術的な標準化だけでなく、データ形式、通信プロトコル、セキュリティ標準、そして何よりも共通のAPIアーキテクチャが必要です。これらすべてがオープンソースである必要があります。そうでなければ、真のグローバルな協力は不可能になってしまいます。
3.4 国境を超えたエージェント通信と多言語対応の技術要件
Lena： 私が重要だと思う2番目の技術的側面は、現在の高性能大規模言語モデルが英語言語モデルであるという事実に焦点を当てることです。これは、異なる国、異なる組織、コミュニティの異なる層にスケールアップしようとするとき、非常に制限的になります。
そのため、異なる言語での大規模言語モデルの展開に焦点を当てることが我々にとって重要です。単なる翻訳者としてではなく、実行されている特定の国の文化、政策、規制を捉えるモデルとしてです。
Lena： この多言語対応の課題は、単純な言語の壁を超えた問題です。例えば、フランス語でトレーニングされたモデルがあったとしても、それがフランスの文脈なのか、セネガルの文脈なのか、カナダのケベック州の文脈なのかによって、全く異なるアプローチが必要になります。同じ言語でも、文化的背景、法的枠組み、社会的規範が大きく異なるからです。
我々が目指すべきなのは、単に言語を翻訳するのではなく、その地域の特有の文化的ニュアンス、政策的環境、規制的要件を深く理解し、それらを適切に反映できるモデルの開発です。例えば、教育政策について議論する際、各国の教育制度の違い、文化的価値観、経済的制約を理解していなければ、適切な提案をすることはできません。
Lena： さらに、これらのモデルは現地の法的要件や規制的枠組みも理解していなければなりません。通信インフラの展開において、各国にはそれぞれ独自の規制があり、技術的標準があり、承認プロセスがあります。グローバルに展開するエージェントシステムは、これらすべての複雑性を理解し、適切に対応できなければならないのです。
これこそが真のローカライゼーションです。言語の表面的な翻訳ではなく、その地域の深い文脈的理解に基づいた、文化的に敏感で、政策的に適切で、規制的に準拠したAIシステムの構築なのです。これが実現されて初めて、我々は真にグローバルでありながら、ローカルにも効果的なエージェントAIシステムを構築することができるのです。
4. Gigaミッションと今後の展望
4.1 農村・遠隔地域接続におけるオープンソースアプローチの重要性
司会者： Gigaは、学校と保健クリニックをこれらすべての地域に到達するためのタッチポイントとして使用し、未接続地域を接続することを目指しています。このトピックは、このミッションにどのように関係しているのでしょうか。
Ivan： おっしゃる通りです。それが我々が取り組んでいることです。我々は未接続地域を接続しようとしており、それは通常、発展途上国の農村・遠隔地域を接続することを意味します。そのためには、新しい技術とより最適化された手法が必要なのです。
私が思うに、これは我々が述べてきたことと完璧に合致します。Lindsayはこのような発展途上地域での展開に取り組み、現場でのハードルが何であるかを知っています。Lenaは標準化と最先端のAIエージェント通信、そしてエージェントAIに取り組んできました。
Ivan： さらに重要なことは、オープンソースについて話していることです。これこそが我々Gigaで行っていることなのです。我々が行うことはすべてオープンソースです。そのため、気に入らない理由はないでしょう。
我々の農村・遠隔地域へのアプローチは、従来の商業的なソリューションでは実現が困難です。なぜなら、これらの地域は市場としての魅力が限られているため、民間企業が積極的に投資することは稀だからです。しかし、オープンソースアプローチにより、技術的な障壁を取り除き、コストを大幅に削減し、地域に適応可能なソリューションを提供できるのです。
Ivan： オープンソースの美しさは、一度開発されたソリューションが、世界中の類似した課題を抱える地域で再利用できることです。アフリカの農村部で成功したモデルが、南米やアジアの遠隔地域でも活用できるのです。これは単なるコスト削減ではありません。知識と経験の共有により、各地域がより効果的なソリューションを構築できるようになるのです。
また、オープンソースアプローチは透明性を提供します。政府、国際機関、地域コミュニティが、システムがどのように動作し、どのような決定を下しているのかを完全に理解できます。これは信頼を構築し、長期的な持続可能性を確保する上で不可欠な要素です。
4.2 データ収集エージェントとしての市民参加とボランティアによるキュレーション
司会者： それでは最終的な考えをお聞かせください。
Lindsay： 私の核心的な考えは、我々全員がどのようにしてデータ収集のエージェントになることができるかを考えることです。恵まれない人々のためのデータをどこで見つけることができ、それを使用目的が何であれ、使用されるように支援し、代表性の低い声を議論に取り込むことができるかということです。
なぜなら、先ほど述べたように、現在それに対する資金はそれほど多くなく、そのため、我々が見ているのは、最も大きな影響が実際にはボランティアから来ているということです。ボランティアがデータソースを収集し、キュレーションし、クリーニングしているのです。これにより、会話を多様化し、3つか4つのモデル中心の世界ではなく、より平等な世界を創造することができるのです。
Lindsay： この市民参加型のデータ収集は、単なる善意の活動ではありません。それは我々の未来を決定する重要な活動なのです。現在のAIシステムの多くが、限られた視点とデータセットに基づいて構築されています。もし我々がこのまま進んでいけば、我々の未来がどのようになるかを見ることになるでしょう。それは非常に限られた視点によって駆動される世界です。
実際に最も大きな影響をもたらしているのは、ボランティアによるデータの収集、キュレーション、クリーニング作業です。これらの人々は、既存のデータセットには含まれていない声や経験を記録し、保存し、AIシステムで使用できる形に整理しています。
Lindsay： 例えば、パプアニューギニアでのWhatsApp音声データ収集のような取り組みは、実際には地域のボランティアや協力者によって可能になりました。彼らは自分たちのコミュニティの真の状況を理解し、それを外部に伝える重要な架け橋となったのです。
我々一人一人がデータ収集エージェントになることができます。自分のコミュニティの課題を文書化し、解決策を記録し、成功事例を共有することで、より包括的で代表性のあるデータエコシステムを構築できるのです。このような草の根レベルでの取り組みこそが、真に多様で公平なAI駆動の未来を実現する鍵となるのです。
そのため、もしご興味があれば、ぜひもっと話し合いましょう。我々には、こうした活動に参加する多くの方法があります。
4.3 AI時代における責任ある実装：安全性・偏見・倫理への配慮
Lena： 私の最終的な考えは、再び、コミュニティの多様な範囲がこれらのツールにアクセスできるようにする観点でのツールのオープンソース化に関連して強調したいと思います。これらのモデルを使用する際の地理的障壁をどうにかして排除すること、計算に関しても、データ融合などに関しても、これらのツールをどのように統一できるか。
私が言いたいのは、性能の劣るオープンソースツールだけでなく、強力なツールも皆がアクセスできるようにすることです。我々は技術格差を解消するだけでなく、最高品質のAIツールへのアクセスを民主化しなければなりません。これは単なる理想論ではなく、グローバルな公平性を実現するための実践的な必要性なのです。
Ivan： 最後の考えです。いつも一番困難な課題を私が担当することになるのですね。はい。我々は新しい時代に入っていると思います。そして物事は急速に進展するでしょう。我々、UNICEFとITUとしても、何が起こっているかを知る責任があると思いますが、同時にそれをどのように使用し、どのように実装するかについて責任を持つ必要があります。
私が思うに、これらすべてのツールの安全性、偏見、倫理は非常に重要なことです。おそらくそれは別のパネルのためのものでしょうが、はい、我々は何が起こっているかを把握し続けなければならず、我々が必要とするもののためにそれを使用しようとしなければなりません。
Ivan： 未接続地域への接続について、そして通信セクターでのLLMsとエージェントAIについて話すとき、それはまさにそれに合致します。ただし、我々は慎重でなければならず、ハイプの正しい側にとどまらなければならないと思います。
この新しい時代において、我々は技術の可能性に興奮する一方で、その影響を慎重に評価する必要があります。特に人道的な文脈では、間違った決定が人々の生活に直接的な悪影響を与える可能性があります。そのため、我々は革新を推進しながらも、安全性を最優先に考えなければなりません。
偏見の問題は特に深刻です。AIシステムが既存の不平等を拡大したり、特定のグループを不当に差別したりする可能性があります。我々のような国際機関には、これらのリスクを最小限に抑え、公正で包括的なシステムを構築する特別な責任があります。
Ivan： 倫理的考慮事項は、技術開発の最初から最後まで組み込まれる必要があります。後付けの対策ではなく、根本的な設計原則として組み込まれるべきなのです。
4.4 協働の呼びかけと未来への提言
Ivan： そのため、私が持ち帰りのメッセージとして皆様にお伝えしたいことは、我々が何をしようとしているかです。私が思うに、我々が行う必要があるのは、彼らに我々と協力してもらうよう説得することです。可能な限り、聴衆の皆様全員にも未接続地域への接続を支援していただき、AI for Goodでの我々のブースを訪問していただくよう説得したいのです。
私はこれ以上話すよりも、彼らに最終的な考えを述べてもらう方が良いと思います。それは私が持っているものよりもより関連性が高いでしょう。
司会者： この専門家の皆様からの素晴らしい考えで皆様をお送りいたします。改めて感謝いたします。Gigaおよびスピーカーについての詳細な情報を得ることができます。ご清聴ありがとうございました。
Ivan： パネリスト間の専門性の相乗効果について振り返ってみると、Lindsayは発展途上地域での展開経験と現場でのハードルについての知識を持ち、Lenaは標準化と最先端のAIエージェント通信、そしてエージェントAIでの作業経験を持っています。これらすべてが、オープンソースというアプローチと組み合わさることで、真に包括的なソリューションを構築することができるのです。
Ivan： 我々のGigaプロジェクトは、単なる技術的な取り組みではありません。それは世界中の未接続地域に住む人々に、教育、情報、機会への平等なアクセスを提供するための人道的ミッションなのです。この目標を達成するためには、技術開発者、政策立案者、人道支援専門家、そして何よりも地域コミュニティ自身の協力が不可欠です。
AI for Goodでの我々のブースでは、具体的な協力方法について詳しく議論できます。技術的な専門知識を持つ方、資金的支援を提供できる組織、現地でのパートナーシップを構築できる団体、あるいは単にこの取り組みについてもっと学びたいという方々、すべての皆様を歓迎いたします。
Ivan： 未来は我々が今日行う選択によって決まります。技術的な進歩を人類全体の利益のために活用し、誰一人取り残さない世界を実現するため、共に取り組んでいきましょう。