マルチモーダルとは

定義

マルチモーダルとは、テキスト・画像・音声など複数の形式の情報を同時に処理する仕組みのことです。複数の異なる情報形式を組み合わせることで、1つの形式だけでは理解できない内容も読み取ることができます。

中小企業の実務でどう関わるか

• 顧客対応
  AIが文字による質問と一緒に送られた写真も見て、より適切な答えを返すことができます。

• 書類整理
  領収書の写真と説明文を同時に読んで、自動で金額や日付を抜き出します。

• 営業提案
  営業資料の図表と文字説明を一度に分析し、顧客ごとに最適な提案を自動でつくることができます。

• 品質管理
  工場の作業映像と生産数値を合わせて監視し、問題が起きたときに素早く検知します。

• 多言語対応
  画像や動画を含む多言語の資料を、一度に翻訳・要約することが可能になります。

あわせて知りたい言葉

• 生成AI: 複数種類の情報を組み合わせ、新しいコンテンツを自動でつくる技術

• 画像認識: 写真から対象物を認識し、その内容を理解する機能

• 音声認識: 会話や音声を文字に直して理解する機能

• 自動化: 複数の情報を人間の手を介さず機械が処理する仕組み