Recommended
More Related Content
What's hot
What's hot (20)
Similar to 【ITソリューション塾・第29期】AI
Similar to 【ITソリューション塾・第29期】AI (19)
More from Masanori Saito
More from Masanori Saito (20)
Recently uploaded
Recently uploaded (9)
【ITソリューション塾・第29期】AI
- 2. 人工知能とは何か
- 6. 「東ロボくん」の実力と代替可能な職業 6 国公立大学 172校 内 23校 30学部 53学科 合否判定80%以上 私立大学 584校 内512校 1343学部 2993学科 合否判定80%以上 MARCH /関関同立の学科を含む
- 7. コンビニのレジは ”No Checkout”へ 手順が決まった仕事は機械に置き換わる 7 銀行の窓口業務は ATMへ 駅の有人改札は 自動改札へ 単純 複雑 手順の決まった仕事は 機械に置き換わる
- 8. 「人工知能」と言われるものの４つのレベル 8 単純制御：指示されたことをそまま行う 予め定められたルールに従い制御する（人工知能搭載○○）。 気温が上がるとスイッチを切るエアコン 洗濯物の重さで洗濯時間を自動的に変更する洗濯機 ひげの伸び具合で剃り方を変える電気シェーバーなど ルールベース：指示されたことを自ら考えて実行する 外の世界を観測することによって振る舞いを変える。 振る舞いの種類・パターンを増やすため、予め多数のルールを用意しておく。 「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、 これからの打ち手を探索して打つことができる囲碁や将棋のシステム 与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム 機械学習：着眼点は人間が教え、対応パターンを自動的に学習する 人間があらかじめルールを細かく決めて組み込んでおかなくても、 大量のデータから対応パターンを自ら見つけ出す。 ただし学習のための着眼点（特徴量）は人間が設計。 「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、 対戦を繰り返すことでコンピュータ自身が自分で学習する将棋や囲碁のシステム 診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム 深層学習：着眼点を人間が教えずに、対応パターンを自動的に学習する 学習に使う変数（着眼点／特徴量）を自分で学習して見つけ、 対応のパターンを見つけ出す。 一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、 ということを自分で見つけ出すことができる医療診断システム 状況に応じて、最適な判断をおこなう自動運転の自動車 レ ベ ル １ レ ベ ル ２ レ ベ ル ３ レ ベ ル ４
- 9. 各時代のAI（人工知能）と呼ばれるもの ルールとゴールが決められているゲームの中 で、コンピュータがなるべくゴールにたどり つけるように選択肢を選んでいくもの。 できること： パズルや迷路を解く 数学の定理を証明する チェスを指す など トイプロブレムから脱却し、現実の問題を解 くために専門家（エキスパート）の知識をコ ンピュータに移植することで現実の複雑な問 題を解かせようとするもの。 できること： 患者の症状から病名を特定する 起こっている現象から、機械の故障を診断する 患者の症状から、細菌感染の診断をする 人間がルールを与えるのではなく、データを 分析することで、そこに含まれるパターンを 見つけ出し、機械にルールを獲得させるもの。 できること： 画像を認識して分類する 自然な表現の文章に翻訳する CTやレントゲン写真から癌の病巣を発見する 推論と探索 ルールベースと エキスパートシステム ディープ・ラーニング を含む統計的機械学習 第一次AIブーム 第二次AIブーム 第三次AIブーム 1960年代 1980年代 2010年代 帰納法：事実や事例（データ）から導き出される傾向から結論を導く方法 演繹法：人間の経験や観察による一般的かつ普遍的な事実から結論を導く方法 ルールとゴールが厳密に決まっ ていることが前提。ルールが記 述しきれず、ルールやゴールが 曖昧である現実世界では役にた たない（トイプロブレム／おも ちゃの問題）。 ルールとして教え込まなければ ならないし、互いに矛盾する ルールも出てくると処理できな い。また、教えていない例外的 な事例が出てくると対処できな い。 画像処理、音声認識、証券取引 といった用途ごとに特化した技 術が現状。人間の知能のように 汎用的で、意識や心も宿すよう な技術ではない。
- 12. 機械学習がやっていること モデル レントゲン写真から 「癌」の病巣を 識別するルール 入力 出力 癌 データ分析で ルールを作る 機械学習 癌の病巣が写っている 大量のレントゲン写真 ある患者のレントゲン写真 「癌」の病巣を表示 レントゲン写真から 「癌」の病巣を見つける「モデル」
- 19. 人工知能と機械学習
- 25. ルールを作るとはどういうことか ・・・・・ 入力層 出力層中間層（隠れ層） 入力と出力が一致するように 中間層の繋がりの重み付けを 調整してゆく。 ・・・・・ 入力層 出力層中間層（隠れ層） イヌ 32% × ネコ 96% ○ ウシ 18% × 学 習 学習によって作られた 推論モデル ネコであることを 識別し分類する ルール 「ネコ」 である 教師データ 未知のデータ 教師データ
- 27. どんな計算をしているか 27 大量のサンプル・データ（例えば、癌の病巣が写っているレントゲン写真）を特徴を独自に数字化する。これを 特徴量という。 これを座標軸＊として、空間（特徴空間）上にサンプル・データを配置した時、最もうまく分離する特徴量（座 標軸）の組合せを作る。これが最適化された「推論モデル」となる。 深層学習（ディープラーニング）以前の機械学習は、この座標軸=特徴量の組合せを人間が設定しなければなら なかったが、深層学習はこれをデータを分析することで、自分で見つけ出すことができる。 最適化された推論モデル ＊イラストは表現上の制約から3つの座標軸で表しているが、実際の座標軸は数百を越える。
- 28. 機械学習の仕組み／学習が不十分な状態 四角い 丸い 尖ってる 光沢 40% 60% 40% 60% リンゴである確率 (40%+60%+40%+60%)/4 50% 四角い 丸い 尖ってる 光沢 40% 50% 50% 60% イチゴである確率 (40%+50%+50%+60%)/4 50% リンゴ or イチゴ？ ＜特徴量＞
- 29. 機械学習の仕組み／学習が十分な状態 四角い 丸い 尖ってる 光沢 10% 90% 20% 80% リンゴである確率 (90%+80%)/4 85% 四角い 丸い 尖ってる 光沢 10% 70% 90% 30% イチゴである確率 (70%+90%)/2 80% リンゴ or イチゴ？ リンゴ イチゴ ＜特徴量＞
- 30. 人工知能・機械学習・ディープラーニングの関係 1950年代 1960年代 1970年代 1980年代 1990年代 2000年代 2010年代 人工知能 Artificial Intelligence 機械学習 Machine Learning 深層学習 Deep Learning 人間の”知能”を機械で 人工的に再現したもの 人工知能の研究分野のひとつで データを解析し、その結果から 判断や予測を行うための規則性 やルールを見つけ出す手法 脳科学の研究成果を基盤にデー タの分類や認識の基準を人間が 教えなくても、データを解析す ることで、自ら見つけ出すこと ができる機械学習の手法 データ アルゴリズム 規則性やルール 遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、 ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット
- 31. なぜいま人工知能なのか インターネット アルゴリズム GPU（Graphics Processing Unit） 脳科学の研究成果を反映 高速・並列・大規模計算能力 人工知能（Artificial Intelligence） ビッグデータ IoT モバイル・ウェアラブル ソーシャル・メディア ウェブサイト WWW
- 34. 深層強化学習 deep reinforcement learning 34 勝 勝 負 プラス評価 マイナス評価 プラス評価 ゲームを繰り返し、結果の勝（プラス評価）／負（マイナス評価） から、結果に至るプロセスひとつひとつを評価し、勝（プラス評 価）になる一番効果的／効率的なプロセスの組合せを見つけてゆく 強化学習 reinforcement learning ブロック崩しなどのゲーム 囲 碁 ゲームに勝つために有効な特徴（量）を画像から直 接見つけ出すために深層学習（deep learning）のア ルゴリズムであるCNN（convolutional neural network）を使用する。 複雑なゲームでも人間が何を基準に勝ち負けを評価 するかを教えなくても、自分で勝ちパターンを見つ け出す。 対戦ゲームの場合は、機械の中でお互いに対戦させ て、学習の回数を増やし、勝ちターンを見つけ出し て行く。 深層強化学習 deep reinforcement learning Deep Mind社のDQN（Deep Q-Learning）など 囲碁の世界チャンピオンに勝ったAlphaGo/Alpha Go Zeroが有名
- 35. 敵対的生成ネットワーク GANs: Generative Adversarial Networks 35 生成者 Generator 識別者 Discriminator 画像 画像 元データ レプリカ 元データの特徴から できるだけ本物に近い レプリカを生成する 元データの特徴から 元データと同じかどう かを識別しようとする 「生成者」はレプリカをできるだけ元データに近づけようとし、「識別者」は確実に見分けられるように互いに競い合う。 「識別者」の能力が次第に上がり元データとレプリカをうまく見分けられるようになり、「生成者」は更に本物に近いレプ リカを造れるようになる。 これを繰り返してゆくことで、「生成者」は元データと区別が付かないレプリカを造れるようになる。 認識や識別などの受動的機能 深層学習（ディープラーニング） 生成や復元などの能動的機能 敵対的生成ネットワーク（GANs）
- 36. 深層学習が前提となったシステム構造 36 深層学習フレームワーク 学習処理実行基盤 画像解析 動画認識 音声認識 話者認識 言語理解 文章解析 機械翻訳 知識表現 検索 コールセンター 顧客応対 営業支援 提案活動支援 医療 診断支援 創薬支援 その他 その他 文献データ 社内業務 データ 概念体系 辞書 音響データ 言語データ 画像データ 動画データ その他 アプリケーション ソリューション 認識系 サービス 学習基盤 知識ベース 学習データ Ａ Ｉ プ ラ ッ ト フ ォ ー ム
- 37. 人工知能の可能性と限界
- 38. 学習データと結果の関係 38 宜しくお願い致します 汚い字の学習データ きれいな字の学習データ 機械学習 生成される出力結果 機械学習は学習データの範囲でのみ結果を出すことができる。 言語生成
- 40. 40 ある ない ある ない ある ない ある （少ない学習データ） ある （膨大な学習データ） 高い 低い (ひとつの知的処理に特化) 高い 低い 低い 高い 人間は身体に備わる様々な感覚器からの情報も含め総合して知覚・認識 しているが、機械には身体がないのでそれができない。 自分が現在何をやっているか、今はどんな状況なのかなどが自分でわか る心の働きである意識により、人間は様々な知的処理を同時に実行し、 それを統合・制御しているが、機械にはできない。 人間は、自分の考えや選択を決心し、実行する能力、あるいは、物事を 成し遂げようとする意志を持っているが、機械にはない。 人間は少ない学習データからでも効率よく学習できる能力をそなえてい るが、機械は膨大な学習データとそれを処理できる膨大な計算能力（消 費エネルギー）を必要とする。 人間はひとつの脳で様々な種類の知的処理が可能だが、機械は特定の知 的処理に特化している。 人間は、神経の機能単位が消失しても、それを自律的に補填・回復させ ることができるが、機械にはそれができない。 人間の場合、１千億個のニューロンによる超並列処理がおこなわれてい るが、その数を増やすことはできない。しかし、機械のプロセッサーは 増やすことはできる。 人間の知性と機械の知性 意識 身体性 意志 学習能力 汎用性 可塑性 スケーラ ビリティ 高い 低い 人間の脳の消費エネルギーは思考時で21ワット/時程度のエネルギーを 消費するが、機械の場合はその数千倍から数万倍を必要とする。例えば、 GoogleのAlphaGoの消費電力は25万ワット/時とされている。 エネルギー 効率 ある ある 共に記憶能力はあるが、人間の場合は、身体的な感覚を含む記憶が可能 であり、記憶内容やメカニズムは必ずしも同じではない。 記憶能力 機 能 的 特 徴 器 質 的 特 徴 人間の知性 機械の知性 補足説明
- 41. AIやロボットに置き換えられるものと残るもの 41 繰り返し 繰り返し ではない タスク 分析的 マニュアル的 分析的 マニュアル的 記録や計算 定型的顧客対応 選別と整理 定型的な組み立て 仮説設定 医療診断 説得/売り込み ビルの管理 トラックの運転 将来置き換えられ るか、既に置き換 えられている 雇用が維持される リンダ・グラットン 講演資料を参考に作成
- 46. AIチップ
- 47. 急増するAI専用プロセッサ CPU GPU FPGA ASIC 学習用 （サーバー） Intel Xeon Phi Knight Mill Google TPU (2,3) Intel Nervana Wave Computing 学習・推論 （サーバー） NVIDIA Tesla v100 AMD Vega10 Graphcore 推論 （サーバー） Microsoft Brainware Baidu SDA DeePhi Tech Google TPU (1) 推論 （デバイス） Apple A11 Kirin ARM NVIDIA Xavier Teradeep DeePhi Tech Thinci DNN Engine KAIST DNPU 日経XTECH記事より
- 53. ARMのAIアーキテクチャ ARM DynamIQ Arm ML （Machine Learning） Arm OD （Object Detection） 2017年3月発表 CPUクラスタの規模を最大8コアに拡張 ヘテロジニアスマルチコア構成が可能 AI/ML「にも」有効 モバイルデバイス上での機械学習を高速化 毎秒4.6兆回以上の演算（4.6TOPs）が可能 画像認識に特化 60 fps（フレーム/秒）のフルHD映像をリアルタ イムに検知 監視カメラなどへの応用（IoT） Arm MLとArm ODを組み合わせることで 高性能かつ電力効率の高い人物検出・認識ソリューションを実現