kuroplan備忘録

このブログは、東京で働いているデジタル系起業家・元戦略コンサルが、調べてみてわかったことなどを30分で記事としてアウトプットしてる備忘録です。

MENU

プランナーのための人工知能基礎入門

この記事の目的は、『人工知能』をシステム的に理解し、世の中にあふれる人工知能に関するニュースについて理解できるようになることである。

人工知能と周辺技術の整理

個人的には下記のように整理できると考える。

f:id:noirhibou:20170522205931j:plain

各製品に応じて、IoT側にAIが搭載されていたりするので分かりづらいが、入力から出力までの「プロセス」とリアルバーチャルに分けると、こんな感じになると思う。

人工知能の大分類

http://image.itmedia.co.jp/enterprise/articles/1604/18/kore48_img1.jpg

最近話題になっているもの多くは、『特化型人工知能』である。
Googleが開発し、トッププロに勝って話題になったAlphaGoも特化型人工知能のひとつ。

また、人工知能の特徴として、文字認識とか音声認識も一昔前までは『人工知能』と呼ばれていたはずなのに、当たり前にできるようになると『人工知能』と呼ばれなくなるという特徴がある。

人工知能の作り方

多くの場合、人工知能=深層学習(ディープラーニング) と理解していて、現状問題ないと考える。というのも、他の学習方法(強化学習や教師なし学習)よりも深層学習の効率が驚異的によいことがあげられる。

深層学習の概念図

diamond.jp

上記の記事から図を拝借する。

http://dol.ismcdn.jp/mwimgs/4/e/500/img_4e58f9d30d999ea2f53e69fe245c9c66133190.jpg

深層学習はこんな感じでの構造をしている。
なぜ『深層学習』と呼ばれるのか?というと、入力から出力までの計算層が多くなるためである。

多くの科学者が言っていることであるが、実は、

  • どのくらい層を増やすのか?
  • どのノード(上図の○)を削除するか?

が理論的に分かっていない。ぶっちゃけプログラマーの感覚頼りになっている。

digiday.jp

この記事も日本人工知能学会会長のお言葉である。

基本的に、教師あり学習と言って、訓練データ(ある種の正解)を分析して、上図のようなルールを見出すことをしている。 そのため、情報収集・分析をするのに、時間とコストがかかってしまう。訓練データは人工知能が理解できるように用意しなければならない。最近、「非構造化データ」もビッグワードになりつつあるので、この技術の進展が人工知能にとってキーポイントになってくるかもしれない。

ちなみに、AlphaGoもこれまでのトップ棋士の棋譜を学習して、人間を凌駕するようになっているが、運用コスト(人工知能に学習させる)だけで年間30億円かかるらしい。。

機械学習と深層学習の関係

多くの人が引っかかるポイントであるが、深層学習は機械学習の一種である。

www.sbbit.jp

大雑把に、機械学習は条件分岐をさせて判断する技術で、深層学習は「画像的に」特徴量を算出し判断する技術のことです。

前者は人間的でも理解することができるが、後者は数学的に算出しているので人間が直感的に理解できないことが多い。

どちらにもメリット・デメリットがあるので、特徴を理解して実装することが重要だと考える。

人工知能の現状

知識人の多くが言っていること

2045年に人工知能が人間の知能を凌駕すると言われているシンギュラリティが発生すると言われている。

しかし、複数の課題を「ひとつの人工知能」で解決できない。
今のところ、

  • 将棋で王将を取る
  • 囲碁で陣地を相手より多く取る
  • 人間に広告をクリックさせる

などはっきりとした目的ひとつにしか有効ではない。

人間を人工知能に置き換えて表現すると、


人間=1時間1000円で使用でき精巧なハードウェアも付属している自律型汎用知能
と恐ろしいことを言っている人もいる。

人工知能は低賃金や肉体労働の職業は奪わない - はてな村定点観測所

現状、汎用型人工知能の最先端

簡単な課題を複数個、ひとつの人工知能で解決させるコンテンストをマイクロソフトと NVIDIAが主催して行っている。ちなみに、賞金総額5億円。 タスクリストは下記に。 

Challenge tasks roadmap.pdf - Google ドライブ

人工知能が解くべき課題として、

  • 報酬がもらえる正しい文字を打てること
  • Hiと言えという課題に正しく応えられること
  • ab,cdを逆にアウトプットできること

など人間だと当たり前にできるような課題を複数個、ひとつの人工知能で解決できることを目指している。

まとめ

世の中でわーわー言われていることに対して、きちんと構造的に理解するということは非常に重要だと考える。もし仮に、新しい技術が登場したとしても、今回のような整理が自分の中でできれば理解することは容易いと思う。

この記事の最後の方に取り上げた、汎用型人工知能の現状を見てみると、「2045年にシンギュラリティなんて起こるのかよ!」と自分は思ってしまうが、

  • 人工知能のフレームワークの発展
  • データ処理をするハードの機能向上

により、人間が考えるよりも人工知能が考えたほうがコストが安いというところまで持っていかないといけないので、なかなか難しいのではないかと考えてしまう。

特に、目的がはっきりしない課題について人工知能に考えさせるということはなかなか難しいと思う。

venturebeat.com

とはいえ、すでに市場規模が340兆円にもなっていて、有望な市場なんだと思う。
目的がはっきりしていることに関しては、機械がやったほうが早いもんね。。

ではでは。