本記事では以下の内容を扱います：
- NFTとGANとは何か
- GAN構築におけるデータの役割
- 企業がGANプロジェクト向けにデータを収集する実践的なチュートリアル
- GANがビジネスに価値を生み出す方法
NFTとGANとは何か
非代替性トークン（NFT）と聞くと、多くの人はアートを連想します。これはNFT技術の代表的な応用例です。簡潔に説明すると、NFTとはブロックチェーン技術に基づくシステムであり、個人や企業が音楽、コード、アートなどのユニークなデジタルアイテムの所有権を登録することを可能にします。
「アート」に焦点を当てると、10,000点のユニークなデジタルアート作品を生み出したプロジェクト「The Bored Ape Yacht Club」をご存知の方もいらっしゃるかもしれません。
これらの猿は冗談のように見えるかもしれませんが、実際の経済価値では、ボアードエイプのコレクション全体は10億ドル（約1,000億円）以上の価値があり、個々の猿の中には200万ドル（約2億円）、さらには300万ドル（約3億円）で取引されるものもあります。
この一連の出来事自体が非常に興味深いものですが、話はここで終わりません。Bored Apeプロジェクトを見たあるグループが、この「限定版」プロジェクトに独自の解釈を加えるため、生成的敵対ネットワーク（GAN）技術を活用することを決意したのです。
GANとは平たく言えば、データで学習させた機械学習（ML）アルゴリズムであり、人間による監督なしに出力を生成できるモデルだ。このケースでは、GANボアードエイプシリーズが誕生した：
当初、これはオリジナルのボアードエイプに200万ドルを支払えないが参加したい人向けの二次市場を生み出しました。そして時が経つにつれ、この二次市場は独自の市場へと発展していったのです。
GAN生成におけるデータの役割
GANは「生成器」と「識別器」という二つの構成要素からなるアーキテクチャで構築される。生成器はアルゴリズムに供給される「訓練データ」に基づき、画像やテキストなどの新規データを生成する。識別器は、新たに人工的に生成されたデータセットとオリジナルデータを区別する役割を担う。 識別器は、現実世界のデータと十分に一致するデータセットのみを「承認」します。つまり、高価値の出力を生成できるGANの作成/訓練を試みる際には、高品質で正確なデータの収集が最も重要となります。
企業がGANプロジェクト向けにデータを実践的に収集する方法に関するチュートリアル
AmazonのCTO、Werner Vogels氏はツイートで次のように述べている：「ちなみにこの優れた成果は@ykilcherによるものです。データ収集とGAN生成の詳細を知りたい方は彼の動画をご覧ください」
GANがビジネスに価値をもたらす方法
表面的には、これはブロックチェーン、暗号資産、NFTアート取引市場に深く関わる人々のみに関連する非常に孤立した開発のように見えるかもしれません。しかし、これは誤解です。
機械学習GAN技術は、ビジネスコンセプト全体から製品やコードの行に至るまで、企業のアイデア創出ワークフローの進め方に革命をもたらす可能性を秘めている。
現在実在するGANの応用領域は実に多岐にわたる。アルゴリズム出力を訓練するためにこの技術を活用する個人もいれば、thiscatdoesnotexist.comのような荒唐無稽な領域に迫る事例もある。
一方、その反対側では、適切に適用されれば業界全体を変革しうるビジネス能力をほのめかし始める事例が見え始めています。
新たなアイデア、楽曲、コンテンツ、グラフィック、芸術、科学的なブレークスルーが生み出され、達成される方法を変革する。
手元の機会を理解する一助となる例をいくつか挙げる：
- Thisstartupdoesnotexist.com→ 数百万のデータポイントを相互参照することで、起業家が新たなアイデアを発見するのを支援。既存スタートアップの存在を考慮しつつ、新たな解決策/ツールを必要とする新規市場や課題点を同時に特定するアルゴリズムを搭載。
- Thissneakerdoesnotexist.com→ ファッションブランドが無限にユニークな製品デザインを考案するのを支援。競合他社を凌駕し、市場シェア拡大を可能にすると同時に、アイデアから生産までの時間を短縮。
- Thischemicaldoesnotexist.com-> 科学者が新たな合成化学物質を開発するのを支援し、製品の製造・包装・保管・輸送方法を変革します。産業全体と生産サイクルを革新した過去の合成材料の例には、「プラスチックポリマー」や「ポリスチレンフォーム」（通称「発泡スチロール」）があります。
結論
GAN補間モデリングは、人間の目で認識可能な数値や画像を辛うじて生成できた誕生時から大きく進歩した。2014年に発表されたこの分野の初期学術論文の一つ、イアン・J・グッドフェローの『Generative Adversarial Nets』が示す通り：
それ以来、GAN機械学習技術は大きく進歩した。とはいえ、まだ完全とは言えない。早期導入を選択した企業は、DevOpsチームにオープンソースのウェブデータを取り込み、各業界で独自のGANモデルを作成させる任務を課すことができる。こうしたプレイヤーは、人間の頭脳がこれまで考えつかなかったアイデアを生み出す点でも、未来志向の技術を駆使して差別化を図る点でも、各分野の市場リーダーとなる可能性を秘めている。
