ChatGPTなどの大規模言語モデルの登場によって、今まで以上にコンピュータと対話をすることが日常となってきました。この講演では、以降の講演の導入として、人間と対話を行うコンピュータシステムである対話システムの概要を説明します。具体的には、対話システムの定義や意義、対話システムの歴史や類型、対話システム構築の方法論、評価の方法などを分かりやすく紹介します。対話システムの全体像をお伝えするとともに、対話システムの研究者が対話のどのような点に着目して研究を進めているのかも紹介できればと思います。

ChatGPTの登場に伴って、大規模言語モデル（Large Language Model、LLM）という自然言語処理技術が注目されています。大規模言語モデルとは、インターネット上の多量のテキストデータを学習することで、多様な入力に対して自然なテキストを生成できるモデルを指します。ChatGPTに代表される大規模言語モデルは自然なチャットを実現し、多様な課題を解決することができるようになりました。本講演では、大規模言語モデルの学習方法、および、大規模言語モデルを活用した対話システムについて解説します。大規模言語モデルがテキストデータをどのように学習し高度な言語処理能力を持つようになるのかについて、理論的な背景を踏まえつつ、なるべく平易に説明します。また、対話システムの話題を中心に、日々範囲が広がる大規模言語モデルの応用について紹介します。本公演を通じて、参加者の皆様が大規模言語モデルや対話システムの具体的な活用方法、注意すべき点について理解を深めていただくことを目指します。

ChatGPTに代表される大規模言語モデルが頭角を現してから、大規模言語モデルの学習に画像や音声といった様々なモダリティの情報を加えることで、大規模言語モデルをより汎用的に、様々な問題解決に使いたいという動きが世界的にますます活発化してきています。特に、視覚と言語を組み合わせるVision&Languageの研究領域では、画像情報を中心として実世界の意味をエージェントがどのように理解し、活用できるかという視点から研究が進んでいます。人間を効果的に支援するために対話システムとして問題解決を行う研究も増えてきており、本講演では、このようなマルチモーダルな意味理解を伴う対話システムの解説を中心に行います。具体的には、近年の研究のトレンドについて解説しつつ、その中で大規模言語モデルがどのように活用されるのか、どのようなことが可能か、新たにどのような課題が出てきているかについて紹介します。

近年の労働人口減少を受けて、実空間で働く音声対話ロボットは省人化や生産性向上への効果が期待されています。ChatGPTの出現で飛躍的にテキスト対話の応答性能は向上しましたが、実サービスとして店舗や公共空間にて運用するには多くの技術的な課題が残っています。本講演では、現代社会において音声対話ロボットが直面する課題とその将来展望について解説します。講演者がこれまで実施した数多くの実証実験から感じている、実空間での音響環境への対応、テキスト対話にはない音声対話の独自の課題、身体を持つロボットに起因する課題についてご紹介するとともに、解決するための技術やアプローチについて議論します。