More Related Content Similar to LiBRA 05.2021 / Juku_AI (20) More from Masanori Saito (20) LiBRA 05.2021 / Juku_AI5. 汎用型人工知能
AGI : Artificial General Intelligence
自律的に領域を拡張
「AI」と「AGI」
特定の領域に特化
特化型人工知能
AI : Narrow Artificial Intelligence
これまでの知的処理を応用し
他の知的処理にも範囲を拡げ
全領域の知的処理を実現する
人間が設定した
特定の知領域に特化した
処理を実現する
10. 「人工知能」と言われるものの4つのレベル
10
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
12. 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。
16. 人工知能と機械学習の関係
16
人工知能 Artificial Intelligence/AI
機械学習 Machine Learning
ニューラル・ネットワーク
Neural Network
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
強いAI:コンピュー
タに人間と同様の知
能を持たせた仕組み
弱いAI:コンピュー
タに人間と同様の知
的な振る舞い・処理
をさせる仕組み
データからグループ分
けのためのルール(モ
デル)を作る仕組み
脳の仕組みを参考に作
られた機械学習の手法
従来よりも精度の高いモ
デルを作ることができる
ニューラル・ネットワー
クの手法
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
データ
プログラム
モデル
18. 第3次AIブームの背景とこれから
18
1960 1970 1980 1990 2000 2010 2020 2030
第1次AIブーム
推論・探査など
ゲームや迷路などに
用途は限られ実用性は
無かった
第2次AIブーム
ルールベースなど
エキスバーとシステムと
して実用化されたが汎用
性が無かった
第3次AIブーム
機械学習(統計確率論や深層学習など)
汎用性、実用性が高まり、様々な分野の適用
が期待されている
大型コンピューター
メインフレーム
パーソナル・コンピューター
スマート
フォン
IoT
ビッグデータ時代の到来
ARPAnet 米国・インターネット
商用利用開始
日本・インターネット
商用利用開始(IIJ)
World Wide Web
が開発され公開
画像が扱えるWWWブラウザー
Mozaicが開発され公開
Windows95発売
IEが付属し、ブラウザーでの
インターネット利用者が拡大
ISLVRCにて
ディープラーニング圧勝
1969 1990 1993
1995
2012
Googleによる
猫認識
2011
Jeopardyにて
IBM Watson勝利
電脳将棋
竜王戦 開始
1997
チェス・チャンピオンに勝利
IBM Deep Blue
2007
iPhone
発売
1981
IBM PC 5150
発売
汎用人工知能
Artificial General Intelligence
登場の可能性
ムーアの法則/コンピュータ性能の加速度的向上
1965〜
ムーアの法則の限界/新たな選択肢の登場
GPGPU、ニューロモーフィング・チップ
量子コンピュータ等
IBM S/360
メインフレーム
1964
ニューラル
ネットワーク
考案
Intel 404
マイクロプロセッサ
1971
データ流通量
1957
1956
ダートマス
会議
1982
第5世代
コンピュータ
プロジェクト
30. ルールベースと機械学習
30
Sheep Dog
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Mop
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Sheep Dog
を見分ける仕様
やルール
0101011101010
1110101001011
1110010101010
Mop
を見分ける仕様
やルール
0111100101010
1101010001010
1110100100101
人間が記述 データから生成
35. 一般的機械学習とディープラーニングとの違い
35
耳 27%
目 48%
口 12%
特徴量
「特徴量」とは、猫と犬を識別・分類するために着目すべき特徴
正しく認識 82%
誤った認識 18%
認識結果
耳 27%
目 48%
口 12%
特徴量
学習
ディープラーニング
学習
推論
ディープラーニング
推論
正しく認識 82%
誤った認識 18%
認識結果
人間が認識結果が
最適になる組合せを
見つける
機械が認識結果が
最適になる組合せを
見つける
学習データ
教師付きデータ 学習データの一部
評価データ
41. K-meansクラスタリング
階層的クラスタリング
Apriori
One-class SVM など
データを探索してその内部に何らかの構
造を見つけ出すこと。
例えば、よく似た属性値(の組み合わ
せ)を持つ顧客のセグメントを特定すれ
ば、マーケティング・キャンペーンでそ
のセグメントに特化した活動を展開でき
る。また、顧客セグメントを区別する主
要な属性値(の組み合わせ)を明らかに
することもできる。
過去のデータから将来起こりそうな事象
を予測すること。
例えば、クレジットカード取引に不正の
疑いがあるケースや、保険金請求を行い
そうな保険契約者を特定することが可能
です。
教師あり学習と教師なし学習
教
師
な
し
学
習
教
師
あ
り
学
習
線型モデル
ロジスティック回帰
判別分析
k近傍法
決定木
サポートベクターマシン(SVM)
ニューラルネットワーク
ナイーブヘイズ
ランダムフォレスト など
適 用 アルゴリズム
42. 敵対的生成ネットワーク GANs: Generative Adversarial Networks
42
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)
43. 深層強化学習 deep reinforcement learning
43
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
46. 自動化ツール
Google Cloud AutoML
Microsoft Azure ML
AWS SageMaker など
AIと人間の役割分担
データを準備
意志決定
学習方式の選択
パラメーターの調整
可視化・分類・予測
問いを生みだす
解決したいこと・知りたいことを決める
膨大なデータの中から、人間
の経験に基づく先入観なしに
規則、相関、区分を見つける
新たな問いを生みだす
判断・制御
モデル
公式・ルール・関数など
56. 機械学習とデータサイエンス
56
データ
アナログな現実世界の「ものごと」や「できごと」
学習
推論
識別
予測 判断
ゾウ or カバ? 正常 or 異常?
晴れ or 雨?
音声認識
顔認証
自動運転
創薬支援
天気予報 画像診断 人材採用
故障予測
機械翻訳 競技アドバイス
惑星探査 ヒビ割れ点検
製品品質検査
アプリケーション
機械翻訳 商品提案
モデルと
プロセスの設計
要件と課題
の設定
仮説の設定
学習
モデル
データ
の探査
データ
の収集
IoT、モバイル、Webなど
特徴が共通するグループに
分けるための基準/ルール
(学習モデル)を作る
学習モデルを使って
特徴が共通するグループに
分類する
機械学習
デジタル化された学習データ
データ・サイエンス
多くの学問領域にわたる科学的手法やシステ
ムなどを使い、様々なデータから知見や洞察
を引き出そうとする研究分野
何を知りたいか?
どのように知るかを
まずは明確にする