バーチャルアシスタント

仮想アシスタント( VA )は、コマンドや質問などのユーザー入力 (口頭によるものを含む) に基づいて、ユーザーのためにさまざまなタスクやサービスを実行できるソフトウェア エージェントです。このようなテクノロジには、オンライン チャットなどによる人間の会話をシミュレートするチャットボット機能が組み込まれていることが多く、ユーザーとのやり取りを容易にします。やり取りは、テキスト、グラフィカル インターフェイス、または音声を介して行われます。一部の仮想アシスタントは、人間の発話を解釈し、合成音声で応答できます。

多くの場合、ユーザーは仮想アシスタントに質問したり、ホームオートメーションデバイスやメディア再生を制御したり、電子メール、ToDoリスト、カレンダーなどの他の基本的なタスクを管理したりすることができます。これらはすべて口頭のコマンドで行うことができます。 ^[1]近年、消費者が直接使用する著名な仮想アシスタントには、 AppleのSiri、Amazon Alexa、Google Assistant、SamsungのBixbyなどがあります。^[2]また、さまざまな業界の企業が、何らかの仮想アシスタント技術を顧客サービスやサポートに組み込むことがよくあります。^[3]

2020年代には、 ChatGPTなどの人工知能ベースのチャットボットの出現により、仮想アシスタント製品とサービスの分野への機能と関心が高まっています。^{[4] [5] [6]}

^{ラジオレックスは、1916年に特許を取得し[7]}、1922年に発売された最初の音声起動玩具でした^[8]。これは犬の形をした木製の玩具で、名前を呼ぶと家から出てきます。

1952 年、ベル研究所は自動数字認識機「オードリー」を発表しました。この機械は高さ 6 フィートのリレー ラックを占有し、かなりの電力を消費し、ケーブルが多数あり、複雑な真空管回路に伴うメンテナンス上の問題が数多くありました。この機械は音声の基本単位である音素を認識することができました。ただし、指定された話者が発した数字を正確に認識することに限られていました。そのため音声ダイヤルにも使用できましたが、ほとんどの場合、連続した数字を話すよりも押しボタン ダイヤルの方が安価で高速でした。^[9]

デジタル音声認識を実行できる別の初期のツールは、 1961 年に初めて市場に投入された後、 1962 年のシアトル万国博覧会で一般に公開されたIBM Shoebox音声起動計算機です。この初期のコンピュータは、1981 年に最初のIBM パーソナル コンピュータが導入される約 20 年前に開発され、16 の音声単語と 0 から 9 までの数字を認識できました。

最初の自然言語処理コンピュータプログラム、またはチャットボットであるELIZAは、1960年代にMITのジョセフ・ワイゼンバウム教授によって開発されました。これは、「人間と機械の間のコミュニケーションが表面的なものであることを実証する」ために作成されました。 ^[10] ELIZAは、パターンマッチングと置換手法を使用してスクリプト化された応答をシミュレートし、プログラム側が理解しているという錯覚を与えて会話をシミュレートしました。

ワイゼンバウムの秘書はワイゼンバウムに部屋から出て行って、エリザと本当の会話をするように頼んだと伝えられている。ワイゼンバウムはこれに驚き、後にこう書いている。「比較的単純なコンピュータ プログラムにごく短時間さらされると、ごく普通の人々に強力な妄想的思考を引き起こすことができるとは、私は知らなかった。」^[11]

これにより、ELIZA 効果、つまり、コンピューターの動作が人間の動作に類似していると無意識に想定する傾向、つまり擬人化という、人間と仮想アシスタントとのやりとりで見られる現象が生まれました。

音声認識技術の開発における次のマイルストーンは、1970年代にペンシルバニア州ピッツバーグのカーネギーメロン大学で達成されました。これは米国防総省とその傘下のDARPA機関の多大な支援を受けて、5年間の音声理解研究プログラムに資金提供され、最低1,000語の語彙の達成を目指したものでした。IBM、カーネギーメロン大学（CMU）、スタンフォード研究所などの企業や学術機関がこのプログラムに参加しました。

その結果生まれたのが「ハーピー」です。ハーピーは3歳児の語彙力に相当する約1000語を習得し、文章を理解することができました。ハーピーは、あらかじめプログラムされた語彙、発音、文法構造に従った音声を処理し、どの単語の並びが意味を成すかを判断し、音声認識のエラーを減らすことができました。

1986 年、Shoebox のアップグレード版として Tangora が登場しました。これは音声認識タイプライターでした。当時世界最速のタイピストにちなんで名付けられたこのタイプライターは、20,000 語の語彙を持ち、過去の発言に基づいて最も可能性の高い結果を予測して決定しました。IBM のアプローチは、デジタル信号処理技術に統計を追加する隠れマルコフ モデルに基づいています。この方法により、特定の音素に続く可能性の高い音素を予測できます。それでも、各話者は自分の声を認識し、各単語の間に休止を入れるようにタイプライターを個別にトレーニングする必要がありました。

1983年、ガス・サーシーは電子音声ホームコントローラーシステム「Butler In A Box」を発明した。^[12]

1990 年代には、デジタル音声認識技術がパーソナル コンピュータの機能となり、IBM、フィリップス、Lernout & Hauspie が顧客獲得を競い合いました。その後、1994 年に最初のスマートフォン IBM Simon が市場投入され、今日知られているスマート バーチャル アシスタントの基礎が築かれました。^[要出典]

1997 年、Dragon のNaturally Speakingソフトウェアは、自然な人間の話し言葉を、単語間の間を置かずに 1 分間に 100 語の速度で認識し、文書に書き起こすことができました。Naturally Speaking のバージョンは現在でもダウンロード可能で、たとえば米国や英国の多くの医師が医療記録の文書化に使用しています。^{[引用が必要]}

2001年にコロキスはAIMやMSNメッセンジャーなどのプラットフォーム上でSmarterChildを公開した 。完全にテキストベースであるにもかかわらず、SmarterChildはゲームをしたり、天気をチェックしたり、事実を調べたり、ある程度ユーザーと会話したりすることができた。^[13]

スマートフォンにインストールされた最初の現代的なデジタル仮想アシスタントはSiriで、 2011年10月4日にiPhone 4Sの機能として導入されました。 ^[14] Apple社は、DARPAと米国防総省が出資する研究機関であるSRI InternationalのスピンオフであるSiri Inc.を2010年に買収した後、Siriを開発しました。^[15]その目的は、テキストメッセージの送信、電話の発信、天気の確認、アラームの設定などのタスクを支援することでした。時が経つにつれて、レストランのおすすめを提供したり、インターネットを検索したり、運転ルートを提供したりするように発展してきました。^[要出典]

2014年11月、AmazonはEchoと同時にAlexaを発表しました。^[16]

2017 年 4 月、Amazon はあらゆるタイプの仮想アシスタントやインターフェース用の会話型インターフェースを構築するためのサービスをリリースしました。

2020年代には、ChatGPTのような人工知能（AI）システムが、テキストベースの会話に対して人間のような応答を生成する能力により人気を博しました。2020年2月、マイクロソフトはチューリング自然言語生成（T-NLG）を発表しました。これは当時「170億のパラメータでこれまでに公開された最大の言語モデル」でした。^[17] 2022年11月30日、ChatGPTはプロトタイプとしてリリースされ、多くの知識領域にわたる詳細な応答と明確な回答ですぐに注目を集めました。ChatGPTの登場と一般への導入により、この分野での関心と競争が高まりました。2023年2月、Googleは「Bard」と呼ばれる実験的なサービスの導入を開始しました。これは、Webから収集した情報に基づいて質問に対するテキスト応答を生成するLaMDAプログラムに基づいています。

ChatGPTや最新の生成AIをベースにした他の汎用チャットボットは、仮想アシスタントに関連するさまざまなタスクを実行できますが、より具体的な状況やニーズをターゲットに設計された、より特殊な形式の技術も存在します。^{[18] [4]}

仮想アシスタントは以下を介して動作します。

• テキストには、オンラインチャット（特にインスタントメッセージングアプリケーションまたはその他のアプリケーション）、SMSテキスト、電子メール、またはその他のテキストベースの通信チャネル（Conversicaのビジネス向けインテリジェント仮想アシスタントなど）が含まれます。^[19]
• 音声: 例えば、Amazon EchoデバイスのAmazon Alexa ^[20]、iPhoneのSiri 、Google対応のAndroidデバイスのGoogle Assistant、 SamsungデバイスのBixbyなど。
• 画像: Google アシスタント ( Google レンズを含む) やSamsung Galaxyシリーズの Bixbyなどの一部のアシスタントには、画像内のオブジェクトを認識するための画像処理を実行する追加機能があります。

多くの仮想アシスタントは複数の方法でアクセス可能であり、チャット、音声コマンド、その他の統合テクノロジーなど、ユーザーが仮想アシスタントと対話できる方法に多様性を提供します。

仮想アシスタントは、自然言語処理(NLP) を使用して、ユーザーのテキストまたは音声入力を実行可能なコマンドに一致させます。機械学習やアンビエント インテリジェンスなどの人工知能技術を使用して継続的に学習するものもあります。

音声を使ってバーチャルアシスタントを起動するには、ウェイクワードが使われるかもしれない。これは「Hey Siri」「OK Google」「Hey Google」「Alexa」「Hey Microsoft」などの単語または単語の集まりである。^[21]バーチャルアシスタントの人気が高まるにつれて、それに伴う法的リスクが高まっている。^{[22] : 815}

仮想アシスタントは、多くの種類のプラットフォームに統合されるか、Amazon Alexa のように複数のプラットフォームにまたがって統合される可能性があります。

• Amazon Echo、Google Home、 Apple HomePodなどのスマートスピーカーのようなデバイスに
• スマートフォンとウェブの両方のインスタントメッセージングアプリケーション（例： FacebookとFacebook Messengerアプリの両方またはウェブ経由のM（仮想アシスタント））
• iOSデバイスのApple SiriやBlackBerry 10デバイスのBlackBerry Assistantのようにモバイルオペレーティングシステム（OS）に組み込まれている、またはMicrosoft Windows OSのCortanaのようなデスクトップOSに組み込まれている。
• Samsung Galaxy S8やNote 8のBixbyと同様に、OSとは独立してスマートフォンに組み込まれている。^[23]
• インスタント メッセージング プラットフォーム内では、Facebook Messenger 上のAeromexicoの Aerobot やWeChat秘書など、特定の組織のアシスタントが存在します。
• ドミノ・ピザのDomのような特定の企業や他の組織のモバイルアプリ内^[24]
• 家電製品^[25]、自動車^[26]、ウェアラブル技術^[27]など。
• 以前の世代のバーチャルアシスタントは、アラスカ航空のAsk Jennなどのウェブサイト^[28]や、アメリカン航空のIVR by Nuanceなどの対話型音声応答（IVR）システム^[29]で動作することが多かった。

バーチャルアシスタントは多種多様なサービスを提供できる。これには以下が含まれる: ^[30]

• 天気、 WikipediaやIMDbなどの情報を提供したり、アラームを設定したり、ToDoリストや買い物リストを作成したりできます。
• SpotifyやPandoraなどのストリーミングサービスから音楽を再生したり、ラジオ局を再生したり、オーディオブックを読んだりできます。
• Netflixなどからストリーミングして、テレビでビデオ、テレビ番組、映画を再生します。
• 会話型コマース（下記参照）
• 政府と国民の交流を支援する（政府における人工知能を参照）
• ヘルスケア、販売、銀行などの分野で人間のカスタマーサービス専門家を補完または置き換える^{[31] 。ある報告書では、自動化されたオンラインアシスタントにより、人間が提供する}コールセンターの作業負荷が30％減少したと推定されています。^[32]
• 車内で Siri や Alexa などの仮想アシスタントと対話できるようにすることで、運転体験を向上させます。

会話型コマースとは、音声アシスタント^[33]だけでなく、電子商取引ウェブサイト上のライブチャット、 WeChat、Facebook Messenger、WhatsAppなどのメッセージングアプリケーション上のライブチャット^{[34] 、メッセージングアプリケーションや}ウェブサイト上のチャットボットなど、さまざまなメッセージング手段を介した電子商取引のことです。

仮想アシスタントは、企業のカスタマー サポート チームと連携して、顧客に24 時間 365 日のサポートを提供します。迅速な応答が提供され、顧客エクスペリエンスが向上します。

Amazon は、基本的にアシスタント プラットフォーム上で実行されるアプリケーションである Alexa「スキル」と Google「アクション」を有効にします。

バーチャルアシスタントには、さまざまなプライバシーの懸念が伴います。音声による起動などの機能は、デバイスが常にリスニングしている必要があるため、脅威となります。^[35]バーチャルセキュリティボタンなどのプライバシーモードは、バーチャルアシスタントの多層認証を作成するために提案されています。^[36]

Google アシスタントのプライバシー ポリシーでは、ユーザーの許可なく音声データを保存することはないが、会話のトランスクリプトを保存してエクスペリエンスをパーソナライズすることがある、とされています。パーソナライズは設定でオフにできます。ユーザーが Google アシスタントに音声データを保存させたい場合は、音声アクティビティ (VAA) でこの機能をオンにすることができます。音声ファイルはクラウドに送信され、Google アシスタントのパフォーマンスを向上させるために Google によって使用されますが、VAA 機能がオンになっている場合のみです。^[37]

アマゾンのバーチャルアシスタントであるAlexaのプライバシーポリシーには、ウェイクワード（Alexa、Amazon、Echoなど）が使用された場合にのみ会話を聞くと記載されています。ウェイクワードの呼び出し後に会話の録音を開始し、8秒間の沈黙後に録音を停止します。録音された会話はクラウドに送信されます。「Alexa」の「Alexa Privacy」にアクセスして、クラウドから録音を削除することができます。^[38]

Appleは、Siriを改善するために音声を録音することはないと述べています。その代わりに、トランスクリプトを使用すると主張しています。トランスクリプトデータは、分析に重要であると判断された場合にのみ送信されます。ユーザーは、Siriがクラウドでトランスクリプトを送信しないようにいつでもオプトアウトできます。^[39]

Cortanaは、単一の認証を備えた音声のみの仮想アシスタントです^{[40] [41] [42]}。この音声起動デバイスは、天気の確認や電話をかけるなどの一般的なタスクを実行するためにユーザーデータにアクセスしますが、二次認証がないためプライバシーに関する懸念が生じます。^{[43] [44]}

仮想アシスタントの付加価値は、次のようなものから生まれます。

• 音声通信は、人間と機械の間の最適なコミュニケーションとなる場合があります。

1. これは便利です。音声が唯一のコミュニケーション手段である分野もありますが、より一般的には、両手と視覚を自由に使えるようになるため、並行して別の活動を行ったり、障害のある人の助けにもなります。
2. より速い：音声はキーボードで書くよりも効率的です。キーボードで書く場合は1分間に60語ですが、音声では200語まで話すことができます。また、より自然であるため、労力も少なくて済みます（ただし、テキストを読む場合は1分間に700語に達することがあります）。^[45]

• バーチャルアシスタントは自動化によって多くの時間を節約します。消費者が他の作業をしている間に、予約を取ったりニュースを読んだりできます。バーチャルアシスタントに会議のスケジュールを依頼して、時間の管理を手伝ってもらうこともできます。新しいデジタルスケジューラーの設計者は、これらのカレンダーが機械学習プロセスを通じて消費者の時間を効率的に使用し、仕事の時間と自由時間を完全に整理できるようにしたいという野望を説明しました。たとえば、消費者が休憩をスケジュールしたいという希望を表明すると、VA は休憩を最適なタイミングでスケジュールします (たとえば、生産性が低い週の時間帯)。さらに長期的な目標として、消費者の自由時間をスケジュールして整理し、最適な作業効率を確保することが挙げられます。^[46]

• 最近の調査 (2019 年) によると、消費者がバーチャル アシスタントを使用する 2 つの理由は、認識される有用性と認識される楽しさです。この調査の最初の結果は、認識される有用性と認識される楽しさの両方が、消費者のバーチャル アシスタントの使用意欲に同等に非常に強い影響を与えるというものです。
• この研究の2番目の結果は次のとおりです。

1. 提供されるコンテンツの品質は、有用性の認識に非常に大きな影響を与え、楽しさの認識にも大きな影響を与えます。
2. 視覚的な魅力は、知覚される楽しさに非常に強い影響を与えます。
3. 自動化は有用性の認識に大きな影響を与えます。^[47]

• バーチャルアシスタントはフィルターバブルを促進する：ソーシャルメディアに関しては、バーチャルアシスタントのアルゴリズムは、消費者の過去の活動に基づいて関連データを表示し、他のデータを破棄するようにトレーニングされています。関連データとは、消費者の興味を引くか喜ばせるデータです。その結果、消費者は自分の視点に反するデータから隔離され、事実上、独自の知的バブルに隔離され、自分の意見が強化されます。この現象は、フェイクニュースやエコーチェンバーを強化することが知られています。^[48]
• 仮想アシスタントは、過大評価されていると批判されることもあります。特に、A. Casilli 氏は、次の 2 つの理由から、仮想アシスタントの AI はインテリジェントでも人工的でもないと指摘しています。

1. インテリジェントではないのは、バーチャル アシスタントが行うことは人間のアシスタントになることだけであり、人間が簡単に実行できるタスクを、情報、オファー、ドキュメントの検索、分類、提示など、非常に限られた範囲で実行することだけだからです。また、バーチャル アシスタントは、自分で決定を下すことも、物事を予測することもできません。
2. そして人工的ではないのは、微細な作業による人間のラベル付けなしには不可能だからである。^[49]

2019年、フランスの社会学者アントニオ・A・カシリは、特に人工知能とバーチャルアシスタントを次のように批判した。

第一に、消費者が仮想アシスタントのトレーニングと改善のために、多くの場合は知らずにデータを無料で提供しているという事実は、倫理的に問題があります。

しかし、第二レベルでは、これらのAIがこのデータを使用してどのようにトレーニングされるかを知ることは、倫理的にさらに不安なことかもしれません。

この人工知能はニューラルネットワークを介してトレーニングされますが、それには膨大な量のラベル付きデータが必要です。しかし、このデータは人間のプロセスでラベル付けされる必要があり、これが過去10年間のマイクロワークの増加を説明しています。つまり、世界中の何人かの人々をリモートで使用して、仮想アシスタントの音声データを聞いて、言われたことを書き留めるなど、いくつかの反復的で非常に単純なタスクを数セントで実行します。マイクロワークは、それが引き起こす雇用の不安定さと、規制がまったくないことで批判されてきました。2010年の平均給与は1時間あたり1.38ドルでした^[50] 。また、医療保険も退職金も病気手当も最低賃金も提供していません。したがって、仮想アシスタントとその設計者は雇用の不安定さを助長しているとして物議を醸しており、彼らが提案するAIは、何百万人もの人間の労働者のマイクロワークなしでは不可能であるという意味で依然として人間的です。^[49]

プライバシーに関する懸念は、音声コマンドが暗号化されていない形式で仮想アシスタントの提供者に提供され、第三者と共有され、許可されていない、または予期しない方法で処理される可能性があるという事実から生じています。^[51]録音された音声の言語的内容に加えて、ユーザーの表現方法や音声特性には、生体認証、性格特性、体型、身体的および精神的健康状態、性別、ジェンダー、気分や感情、社会経済的地位、地理的起源に関する情報が暗黙的に含まれている可能性があります。^[52]

仮想アシスタントの注目すべき開発プラットフォームには以下のものがあります。

• Amazon Lexは2017年4月に開発者向けに公開されました。これは、自動音声認識と組み合わせた自然言語理解技術であり、2016年11月に導入されました。^[53]
• Googleは、開発者がGoogleアシスタント用の「アクション」を作成するためのActions on GoogleおよびDialogflowプラットフォームを提供している^[54]
• Appleは開発者にSiriの拡張機能を作成するためのSiriKitを提供する
• IBMのワトソンは、仮想アシスタントと呼ばれることもありますが、実際には、仮想アシスタント、チャットボット、その他多くの種類のソリューションを支える人工知能プラットフォームおよびコミュニティそのものです。 ^{[55] [56]}

以前の世代のテキスト チャット ベースの仮想アシスタントでは、アシスタントは多くの場合、アバター(別名、インタラクティブ オンライン キャラクターまたは自動化されたキャラクター) によって表され、これは具現化されたエージェントとして知られていました。

バーチャルアシスタントによって可能になるデジタル体験は、最近の主要な技術進歩と最も有望な消費者動向の1つと考えられています。専門家は、デジタル体験は「実際の」体験に匹敵するステータスの重みを獲得し、さらに求められ、高く評価されるようになると主張しています。^[57]この傾向は、バーチャルデジタルアシスタントの頻繁なユーザーの数が多く、世界中のユーザー数が大幅に増加していることによって裏付けられています。2017年半ばの時点で、デジタルバーチャルアシスタントの頻繁なユーザーの数は世界中で約10億人と推定されています。^[58]さらに、バーチャルデジタルアシスタント技術はスマートフォンのアプリケーションに限定されなくなり、多くの産業分野（自動車、通信、小売、ヘルスケア、教育など）に存在していることがわかります。^[59] あらゆる分野の企業の多額の研究開発費とモバイルデバイスの導入増加に対応して、音声認識技術の市場は2016年から2024年にかけて世界的に年平均成長率34.9%で成長し、2024年までに世界市場規模が75億米ドルを超えると予測されています。 ^[59] Ovumの調査によると、「ネイティブデジタルアシスタントのインストールベース」は2021年までに世界の人口を超え、アクティブな音声AI対応デバイスは75億台になると予測されています。^[60] Ovumによると、その頃には「Googleアシスタントが23.3%の市場シェアで音声AI対応デバイス市場を独占し、サムスンのBixby（14.5%）、AppleのSiri（13.1%）、AmazonのAlexa（3.9%）、MicrosoftのCortana（2.3%）がそれに続きます。」^[60]

市場リーダーの地域分布を考慮すると、 BYOD（ Bring Your Own Device ）とエンタープライズモビリティビジネスモデルの大きな影響により、北米企業（例： Nuance Communications、IBM、eGain ）が今後数年間で業界を支配すると予想されます。さらに、スマートフォン支援プラットフォームの需要増加により、北米のインテリジェント仮想アシスタント（IVA）業界の成長がさらに促進されると予想されます。北米市場と比較すると規模は小さいものの、インドと中国に主要プレーヤーがいるアジア太平洋地域のインテリジェント仮想アシスタント業界は、2016年から2024年にかけて年間成長率40％（世界平均を上回る）で成長すると予測されています。^[59]

バーチャルアシスタントは、個人向けのガジェットとしてのみ見られるべきではありません。企業にとって、実際の経済的有用性を持つ可能性があります。たとえば、バーチャルアシスタントは、百科事典のような知識を備えた、いつでも利用できるアシスタントの役割を果たすことができます。そして、会議を企画したり、在庫を確認したり、情報を確認したりすることができます。バーチャルアシスタントは、中小企業への統合が、モノのインターネット（IoT）のよりグローバルな適応と使用を通じて、簡単な最初のステップとなることが多いため、さらに重要です。実際、IoTテクノロジーは、中小企業にとって、非常に重要なテクノロジーであるが、使用するには複雑すぎたり、リスクが高すぎたり、コストがかかりすぎたりするものとして最初に認識されます。^[61]

2018年5月、カリフォルニア大学バークレー校の研究者らは、人間の耳には聞こえない音声コマンドを音楽や音声テキストに直接埋め込むことで、ユーザーが気付かないうちにバーチャルアシスタントに特定のアクションを実行させることができるという論文を発表した。^[62]研究者らは音声ファイルに小さな変更を加え、音声認識システムが検出することになっている音パターンをキャンセルした。これらは、システムによって異なる解釈がなされ、電話番号のダイヤル、ウェブサイトの閲覧、さらには送金まで指示される音に置き換えられた。^[62]この可能性は2016年から知られており、^[62] Apple、Amazon、Googleのデバイスに影響を与えている。^[63]

意図しない動作や音声録音に加えて、インテリジェント バーチャル アシスタントに関連するセキュリティとプライバシーのリスクとして、悪意のある音声コマンドがあります。攻撃者はユーザーになりすまして悪意のある音声コマンドを発行し、たとえばスマート ドアのロックを解除して家やガレージに不正に侵入したり、ユーザーに知られずにオンラインで商品を注文したりします。一部の IVA はこのようななりすましを防ぐために音声トレーニング機能を提供していますが、システムが類似した音声を区別することは困難です。そのため、IVA 対応デバイスにアクセスできる悪意のある人物は、システムを騙して自分が本当の所有者であると信じ込ませ、犯罪行為やいたずら行為を実行できる可能性があります。^[64]