マルチモーダルとは

もう少し詳しく

マルチモーダルは「複数の形式」という意味で、AIが文章、画像、音声、動画などをまとめて理解したり作ったりできることを指します。最近の主要な生成AIの多くは、この能力を持つようになっています。

たとえば、写真を見せて「この部品の名前は？」と聞いたり、手書きのメモを撮影して清書してもらったりできます。音声で話しかけて、音声で答えてもらう使い方もこれにあたります。

文字を打つのが苦手な人や、現場で手がふさがっている人でも使いやすくなる点が、中小企業にとっての利点です。紙や写真を多く扱う業務ほど、AIを活用できる余地が広がります。

中小企業の仕事でいうと

現場で撮った設備の写真を見せて、点検報告書の下書きを作ってもらう、といった使い方ができます。