Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.
最新のITトレンドとビジネス戦略
サービス&アプリケーション・先進技術編/人工知能とロボット
2019年8月版
ご案内
2
知識の定着は、ネットを眺め、資料を読むだけでは不十分です。実際に第三者
を相手に自分の言葉で説明してみるのが最も効果的です。
また、本プレゼンテーションは、ロイヤリティ・フリーです。ご自身の資料と
して、加工編集して頂いても構いませ...
人間の頭脳を機械に置き換え
知的作業を機械にやらせる技術
 人間の仕事はなくなるの?
 人間は働かなくてもよくなるの?
 人間は機械に支配される時代が来るの?
AI(人工知能)
モノをインターネットにつなげる技術
 つなげてどうするの?...
判断/決定
「情報」を意味する3つの英単語の違い
様々なデータ・ソースから生
成される数字や記号など
Dataを目的に応じて基
準を与え、分類・構造化
し、報告や検討しやすく
整理したもの
Informationに内在する
ルールや法則などの関...
BIとAI
BIとAI(人工知能)の関係
6
データ ビッグデータ
人間による推論・判断
人間の知的活動の生産性を高めるための手段
機械による推論・判断
人間の知的活動を拡張しその能力を高める手段
整理・見える化
BI(Business Intellige...
BIとAI(人工知能)の関係
7
人間による推論・判断 機械による推論・判断
BI(Business Intelligence) AI(Artificial Intelligence)
過去と現在を
整理・見える化
未来を
予測・見える化
人間...
BIとAIの関係
8
アナリティクス
Analytics
データの中に意味のあるパターンを見出し、見える化して伝えること
人工知能
Artificial
Intelligence
人間の”知能”を機械で人工的に
再現したもの
ビジネスインテリジ...
人工知能とは何か
人間と機械
Q1.穴掘りの生産性はどちらが高いだろう?
Q2.ショベル・カーが登場したことで、人間は不要になったのか?
Q3.ショベルカーの登場により、人間の役割はどう変わったのか?
VS
人間は何を作ってきたのか
11
鳥のように空を飛びたい
馬のように速く走りたい
魚のように海に潜りたい
人工知能の2つの方向性
視覚(See)
聴覚(Listen)
対話(Talk)
汎用型人工知能
異なる領域で多様で複雑な問題を解決する
特化型人工知能
個別の領域において知的に振る舞う
自己理解・自己制御
意識・意欲を持つ
自ら課題を発見し
自...
特化型と汎用型の違い
13
オープンな問い
 自分は何をすべきか?
 生きるとはどういうことか?
 世界はどうあるべきか?
クローズドな問い
 「これ」について教えて欲しい?
 「これ」でいいのだろうか?
 「これ」でうまくいくだろ...
人工知能とは?
14
人間を超越した知性や知能を実現するテク
ノロジー。人工知能は、やがて神のような
存在となり、人間を奴隷のように支配する
ようになる。
人間の知性や知能についての解釈は多様。脳の仕
組みも未だ十分には解明されていない。従って...
統計と機械学習の違い
統計
Statics
機械学習
Machine Learning
記述統計
Descriptive Statistics
推測統計
Inferential Statistics
得られたデータの特徴や傾
向をわかりやすく表...
「人工知能」と言われるものの4つのレベル
16
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...
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 ...
機械学習でできる3つのこと
18
可視化
分 類
予 測
大量のデータ項目の関連性を見つけ出し
その組合せを人間が感覚的に理解できるようにする
人間には判別できない類似傾向をを見つけ出し、
グループ化して区別する
過去のデータの傾向から、
将来...
機械学習がやっていること
モデル
入力をどう処理して
出力するかのルール
入力 出力
人間の思考で
ルールを作る
実験・観察・思考
データ分析で
ルールを作る
機械学習
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...
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% ×...
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
...
ビジネス・プロセスのデジタル化
23
見える化
グラフ・モニター・イメージなど
データ化
ビジネス・プロセスのデジタル化
分析
統計・機械学習
機械 人間
高速に結果 考察して仮説
なぜ?
どうして?
こうしたい!
疑問・仮説
そして判断
一般的なプログラムと機械学習を使ったプログラム
24
達成目標
業務目的
処理プロセス
アルゴリズム
判断や分類
のルール
(一般的プログラムでは分岐条件) データによる
機械学習
人間の
経験や習慣
人間の
経験や習慣
一般的なプログラム 機...
AI導入/データの戦略的活用における3つの課題
25
事業価値向上
AI導入
データの戦略的活用
良質・大規模な
学習データの収集と整備
データ分析・AI活用に
精通した人材の確保
経営者や業務部門における
データ活用のリテラシーの向上
テクノ...
人工知能の限界
26
データ化
できた事実
数学の言葉で
表現できる処理
(論理・確率・統計)
脳の仕組みを参考にした
数理モデル
人工知能/AI
Artificial Intelligence
森羅万象
全ての事実
人間の知性
知的処理
脳の...
「東ロボくん」の実力と代替可能な職業
27
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
人間の知能そのものを持つ機械を作る
【図解】コレ1枚でわかる人工知能
人間にしかできなかったこと 人間にはできなかったこと
作業の効率化 能力の拡張
運転手
工場作業者
兵士
音声認識
文脈理解
検索代行
知識蓄積
関係付け・解釈
選択・判断
...
人工知能の3つの役割と人間の進化
29
人間の新たな役割を生みだし進化を加速する
自律化 知的望遠鏡 知的介助
機械自らが手順や判断基
準を見つけ出し人間が介
在することなく実行する
これまで人間には見えな
かったことが見えるよう
になる
機械...
人間にしかできなかったこと 人間にはできなかったこと
作業の効率化 能力の拡張
コレ1枚でわかる人工知能とロボット
30
人に代わって作業を行う
コンピューター・プログラム
人に代わって作業を行う
機械的駆動装置
ハードウェア・ロボット
または...
自律化
コレ一枚でわかるスマートマシン
スマートマシン(Smart Machine)
自動化
決められたやり方を
その通り確実にこなす
自律化
自分で学習し、独自にルールを生成し、
状況を自ら把握して、最適な選択や判断を行う
自律走行車
無人ヘリコプタ...
自動化と自律化
33
機械による
作業
プログラム
(人間による修正・最適化)
業務プロセスの設計
(経験や知見)
データの取得
(体験・実測)
事業課題の発見
仮説の設定
機械による
作業
プログラム
(機械学習による修正・最適化)
業務プロ...
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
34
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
自動化と自律化の領域
35
繰り返し
給与計算・部品表展開などの単一作業/ルーチンワーク
ルール
生産管理・販売管理・工程管理などの連続する一連の作業
最適化
状況の変化をセンサーやログによって収集し
人間の与えた基準で最適条件を見つけて実行
...
自動化から自律化への進化
連続する作業の自動化
生産管理・販売管理・工程管理など
伝票や作業の流れなどのオンライン処理
最適対応が求められる作業の自動化
状況の変化をセンサーやログによって収集し
パターン化されたルールに基づき機器を制御
状況に...
知的望遠鏡
ディープラーニング/深層学習
人間が教えなくても森羅万象の中からパターンを見つけ出し世界を分類・整理する
これまで人間には見えなかったことが見えるようになり
人間の知見を広げ、知性を高めることに役立つ
自動車を
ガレージから出す
ピザを注文する
空調の温度を
調整する
配車サービスで
車を呼ぶ
預金残高を
確認する
人に寄り添うIT
クラウド・サービス
利用者の抵抗を無くす
自然な音声対話
日常生活に関わる
様々なデータを収拾
「自動化」から「自律化」への進化
39
データを蓄積263
Kw
○×電力
経験や知見 ビッグデータ
アルゴリズム構築 データ分析 機械学習
確率・統計的アプローチ
脳科学的アプローチ
ロジック ロジック
ロジック
パターン
自動化(Autom...
自動化と自律化の目指す方向
40
全体最適
個別最適
抵効率 高効率
自律化
自動化
標準化により
全体最適を目指す
効率を高めつつ
個別最適を目指す
人間の介在をなくし
超効率化を目指す
スマートマシン
人工知能
Artificial Intelligence
ビッグ
データ
機械学習
機械的駆動装置
油圧・電磁アクチュエーター
モーター/エンジンなど
スマートマシーン
Smart Machine
セ
ン
サ
ー
通
信
機
能...
スマートマシン
42
Movers (動く者)
自律運転車
Sages (賢者)
音声アシスタント
自律的に行動し、知能と自己学習機能を備え、
状況に応じて自らが判断して適応し、
これまで人間にしかできないと思われていた作業を実行する電子機械
...
スマートマシンの3類型
スマートマシン(Smart Machine)
自律的に行動し、知能と自己学習機能を備え、
状況に応じて自らが判断して適応し、
これまで人間にしかできないと思われていた作業を実行する電子機械
音声アシスタント自律運転車 工...
人工知能とロボットの必要性
44
少子高齢化
低い労働生産性
グローバル競争の激化
人工知能 ロボット
スマート・マシン
 少ない労働人口での社会・経済基盤の維持
 ワークライフバランスや賃金を犠牲にしない国際競争力の維持
 高い付加価値...
マン・マシン・インターフェイスとしてのスマートマシン
45
人がピックアップ 人が配送
自律走行車工場内ロボット
クラウド
ビッグデータ
人工知能
ネ
ッ
ト
で
注
文
人工知能のロボットへの実装
46
反射的行動
行動の抽象化
理論化する
Input Output
 何かが来たらよける
 大きな音がしたら逃げだす
 段差があれば後退する など
 何かが近づいたら危険かどうかを判断する
 大きな音がし...
専門家と人工知能
47
学習・考察
モデル
最適解
洞察
決定
機械学習
(ディープラーニング)
モデル
最適解
洞察
決定BIG DATA
専門家によるアプローチ
人工知能によるアプローチ
知的望遠鏡
ディープラーニング/深層学習
人間が教えなくても森羅万象の中からパターンを見つけ出し世界を分類・整理する
これまで人間には見えなかったことが見えるようになり
人間の知見を広げ、知性を高めることに役立つ
Amazonの戦略と日本の現状
49
家電製品 オンライン通販 オンライン・サービス
メーカー 小売店 物流事業者
商品個別の情報を識別し、詳細な商品管理を実現
詳細なマーケティング分析
販促・宣伝
仕入れの最適化商品開発
棚卸し作業の効率化
...
コンテキスト・テクノロジー
50
ビッグ・データ
行動パターン
生活習慣
興味・関心
好き嫌い
スケジュール
行先・訪問相手
アナリティクス(人工知能)
おすすめ情報
アドバイス
自動操作
自動設定
案内・予約
事前告知
進化したbot(ボット)
51
福岡行き
航空券を
予約して!ご希望の
日時を
教えて
下さい!
来週金曜日
の午前中で
お願い!
メッセージ
アプリ
クラウド
次の日程
では
如何?
音声認識
テキスト認識
意味の解析
意図の解釈
クラウド
...
ITと人間との関係の変遷
52
インプランタブル
ウェアラブル
モバイル
デスクトップ
インターネット
& クラウド
メインフレーム
ホーム
ブレイン・マシン
インターフェイス
キーボード
タッチ
センサー
音声
生体器官
人工知能と人間の進化
操作の無意識化と利用者の拡大
54
学習
習熟
学習
習熟
学習
習熟
利用者の拡大
キーボード操作
タッチ操作
音声操作
操
作
の
無
意
識
化
自動化・自律化によってもたらされる進歩・進化
55
意識しなければ
できないこと
意識しなくても
できること
肉体労働
知識労働
意識する 意識しない
意識すべき新たな領域を拡大
自動化・自律化
人間独自の進歩・文明の進化
産業発展の歴史から見る人工知能の位置付け
56
人手による
家内制手工業
動力による
大量生産
データに基づく
科学的管理手法
データを活かした
知的処理能力の拡張
製作者の能力に
依存した
独自化
機械化と分業
による
専門化
プロセス分解
...
人工知能と機械学習
人工知能と機械学習
58
人工知能(Artificial Intelligence)
人間の”知能”を機械で
人工的に再現したもの
基礎的
応用的
知識表現
推論 探索
機械学習
自然言語理解感性処理
画像認識
エキスパートシステム
データマイ...
学習と推論
59
大量の学習データ
機械学習 学習済
推論モデル
アプリケーション
対象
データ
推論
エンジン
 CT画像データ
 通話音声データ
 LIDERデータ
など
推論
判別
 画像:癌病巣の発見
 音声:話者の特定
 ...
ルールベースと機械学習
60
人間の体験や伝聞によっ
て得られた知識
答えを出すための
ルールを人間が記述
If 〜 then 〜 else
データ
センサーや業務システム、Webサイトなどから
アルゴリズム
データにある関係性や規則性
を見つ...
これまでの機械学習とディープラーニング
61
特徴量の抽出
モデル
最適解
識別
分類
判断
特徴量の抽出
モデル
最適解
識別
分類
判断
BIG DATA
これまでの機械学習のアプローチ
ディープラーニングによるアプローチ
BIG DATA
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...
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%...
ルールベースと機械学習
64
答えを出すための
ルール(知識)を
人間が記述がして登録
If 〜 then 〜 else
推論
機械学習
Machine Learning
ビッグデータ
(学習データ)
インターネット
IoT
HPC (high...
ルールベースと機械学習
65
経験の蓄積 ルール設定
人間によるルール設定 推奨・回答
学習アルゴリズム
データ パターン/ルール
自動生成
推論
機
械
学
習
ル
ー
ル
ベ
ー
ス
機械によるルール(推論モデル)
生成
人間が特徴量を教えることで
データの中からパターンを見つ
け出し、分類・整理する
人間が教えなくても森羅万象の
中からパターンを見つけ出し
世界を分類・整理する
ディープラーニングが、なぜこれほど注目されるのか
機械学習
データを分析することで...
機械学習と推論(1)
67
機械学習
猫や犬のそれぞれの特徴を
最もよく示す特徴データの
組合せパターン(推論モデ
ル)を作成する
対象データ
推論
どちらの推論モデルと
最も一致しているか
の推論モデルに最も
一致しているので
これは「猫であ...
機械学習と推論(2)
68
耳
目
口
特徴量
猫と犬を識別・分類する
ために着目すべき特徴
人間が
観察と経験で
決める
機械学習
統計確率的
アプローチ
機械が
データ解析して
決める
機械学習
ディープラーニング
(深層学習)
「特徴量」...
機械学習と推論(3)
69
特徴の抽出
推論モデルとのマッチング
猫 犬
推論モデル推論モデル
「猫」の推論モデルに
98%の割合で一致している
推論結果
だから「この画像は猫である」
「特徴量」に着目して
それぞれの値を計算する
推論
特徴量...
深層学習の学習と推論
70
・・・・・
入力層 出力層中間層(隠れ層)
入力と出力ができるだけ一致
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...
一般的機械学習とディープラーニングとの違い
71
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...
ニューラル・ネットワークの仕組み
長い尻尾 縞模様
しなやかな
四肢
尖った耳 ・・・
猫を認識
特徴量
猫の特徴を示す要素
特定の特徴量に
反応するニューロン
上位階層の特定・複数の
組合せが反応すると
反応するニューロン
上位階層の特定・複...
ルールベースと機械学習
73
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...
どんな計算をしているか
74
 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...
 大きさ
 直径
 重さ
 中空かどうか
 底のあるなし
 ・・・
 ・・・
 ・・・
 〇〇cm以上〜〇〇cm未満
 〇〇cm以上〜〇〇cm未満
 〇〇g 以上〜〇〇g 未満
 中空である
 底がある
 ・・・
...
機械学習の仕組み
76
大量の学習データ 未知のデータ
学習 推論
特徴抽出人間による
特徴量の設定
機械による
特徴量の設定
特徴抽出
推論モデル生成
(ルールや特徴パターン)
推論モデル保存
推論モデル適用
(推論エンジン/特徴のマッチング...
うんコレ1枚でわかる画像認識
77
大量の学習データ
学習 推論
特徴抽出人間による
特徴量の設定
機械による
特徴量の設定
特徴抽出
推論モデル生成
(特徴パターン)
推論モデル保存
推論モデル適用
(推論エンジン/特徴のマッチング)
推論結...
特徴抽出
機械学習の仕組み
78
推論モデル生成
(ルールや特徴パターン)
推論モデル保存
推論モデル適用
(推論エンジン/特徴のマッチング)
推論結果
大量の学習データ 未知のデータ
学習 推論
ウイルス検知・人物判別・異常/故障検知
人間に...
学習と推論の関係
学習
learning
 大規模な計算能力
 学習専用プロセッサー
 長時間演算
推論
inference
学習モデル 学習モデル学習モデル 学習モデル学習モデル
 比較的小規模な計算能力
 推論専用プロセッサー
...
IoT メカトロニクス
知能・身体・外的環境とAI
80
認識 意志決定 運動構成
感覚器 運動器官
骨格、関節、筋肉、靭帯、腱
外的環境
身体
知能
影響受容
AI(人工知能)
意識
機械と意識とAI
81
時間を計算する機械=時計
「意識」はあるのか? 「意識」はあるのか?
画像や音声を認識する機械=AI
ディープラーニングの画像認識能力
82
誤認識率:
4.94%,Feb.06,2015,Microsoft
4.82%,Feb.11,2015,Google
人間以上の認識率
http://sssslide.com/www.slideshare...
ディープラーニングの音声認識能力
83
https://venturebeat.com/2017/05/17/googles-speech-recognition-technology-now-has-a-4-9-word-error-rate/
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...
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
Io...
第3次AIブームの背景とこれから
86
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...
人
工
知
能
の
冬
人
工
知
能
の
冬
1950 1960 1970 1980 1990 2000 2010
1958年 パーセプトロン
脳の神経活動を数式モデル化しコンピューターに処
理させる初歩的なニューラル・ネットワーク
1960...
人工知能とは/弱いAIと強いAI
人工知能(AI : Artificial Intelligence)
人間のような知的処理をコンピューターで行う技術
弱いAI
Weak AI
強いAI
Strong AI
知能を使ってすることを機
械にさせよ...
人工知能とは
89
推論
与えられた知
識をもとに新し
い結論を得る
こと
学習
情報から将来
使えそうな知
識を見つける
こと
人工知能(AI : Artificial Intelligence)
人間のような知的処理をコンピューターで行う技...
人工知能とは
ルールベース
アプローチ
人間によるルール設定
脳科学的
アプローチ
機械学習
統計確率的
アプローチ
弱いAI
Weak AI
強いAI
Strong AI
人工知能(AI : Artificial Intelligence)
...
ルールベース・アプローチ
専門家の知識やノウハウを人手に
よってルール化し、そのルールに
従ってデータを処理
エキスパート
システム
統計・確率論的アプローチ
データに内在する因果関係を確率
的に記述する統計手法(ベイジア
ン・ネットワーク)を...
「記号処理」から「パターン認識」へ
コンピューターの登場
数値計算だけではなく
記号処理への適用拡大
論理的思考の機械化
論理計算・記号処理
ルールベース
オントロジー
コンピューター性能の向上
大規模並列処理技術の向上
利用可能データの拡大
...
人間の知性の発達と人工知能研究の発展
93
if (条件) then (処理1) else (処理2)
論理的思考
感覚的思考
心身的反応
心による身体の制御
や身体の変化による
心の変化
パターンの認識や識
別、規則性やルール
の発見
感覚と...
ニューラル・ネットワークの原理(1)
故障
稼働期間
稼働出力
稼働感覚
設置場所・気温
設置場所・湿度
○○○
・・・
結果
特徴量
特徴量の設定と組合せを設計
人間の
職人技
機械による
自動化
従来型の
機械学習
深層学習
Deep Le...
ニューラル・ネットワークの原理(2)
多数のデータを入力することで
特徴量と故障との関係の強さが
明らかになる
故障
稼働期間
稼働出力
稼働感覚
設置場所・気温
設置場所・湿度
○○○
・・・
データ
スパース(少数)コーディング
無駄な記憶...
ニューラル・ネットワークの原理(3)
96
故障
稼働期間
稼働出力
稼働感覚
設置場所・気温
設置場所・湿度
○○○
・・・
特徴量
推論:
このデータの組合せなら故
障が起きる確率は○○%
結果
機械学習の学習方法
97
機械学習
教師あり学習
教師なし学習
入力と正解例の関係を示した
学習データを入力し、その関
係を再現するように特徴を抽
出、推論モデルを生成。
説明のない学習データを入力
し、抽出した特徴パターンか
ら類似グループを...
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
これは “dog” です これは “cat” です これは “bird” です
概念
概念
概念
cat : 95%
dog :15%
bird : 2%
未知の画像
...
機械学習における3つの学習方法
99
機械学習
Machine Learning
教師あり学習
Supervised Learning
入力と正解例の関係を示したデータ
を学習データとして入力し、その関
係を再現するように特徴を抽出、モ
デルを...
 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...
敵対的生成ネットワーク GANs: Generative Adversarial Networks
101
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...
深層強化学習 deep reinforcement learning
102
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...
ディープラーニングの2つの課題
103
ディープラーニングの課題
大量の学習データ
が必要
結果が
説明できない
精度を高める高めるためには
大量の学習データを
用意しなければならない。
なぜ、この結果になったのかを
説明できない。
学習データ...
「機械学習」の課題
104
大量の学習データ
・・・
機械学習
少ない学習データ
・・・
機械学習
「機械学習」の大きな課題の1つは、
その性能を上げるために大量の学習データを必要とすること
・・・
機械学習
ルール
目標値
OR
解決策
移転...
転移学習 Transfer Learning
105
大量の学習データ
タンパク質の特徴を
整理したデータ
・・・
タンパク質の分類方法を学習した
ニューラル・ネットワーク
機械学習
少ない学習データ
敗血症患者の血液から
取得した
タンパク質...
深層学習が前提となったシステム構造
106
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...
人工知能の適用事例
人工知能の進化と適用領域の広がり
108
ハードウェア
性能向上
ネットワーク
低コスト・高速化
高度な専門的アドバイス
 膨大な文献や診断記録から病名や治療法を提示
 株式市場やSNSから投資判断
 規制や産業動向からM&A戦略を提案
...
機械学習の仕組み
109
機械 人間 交通 自動車 情報システム医療
 故障や異常の検知
 エネルギー効率を
最適化した制御
 最適計画に基づく
生産
 健康のためのアド
バイス
 予防診断・病気の
予測
 趣味嗜好にあわせ
情報提...
機械学習(Machine Learning)
パターン・規則・関係などの特徴を抽出、ルールを生成
機械学習とは何か
110
機械 人間 交通 自動車 情報システム医療
検索 分類 判別 検知 予測
推 論 判 断最適化
意志決定 機器制御アドバ...
人工知能の適用領域
111
人間の関与
自律的制御
状況を把握して自律的に判断し実行
自動運転自動車・株の自動取引など
推奨・判断
データを解析し最適解を見つけ出し推奨、判断
医療診断支援・商品レコメンドなど
知識の発見
データを解析し規則性や...
人工知能の得意分野と不得意分野
112
自律的制御
状況を把握して自律的に判断し実行
自動運転自動車・株の自動取引など
推奨・判断
データを解析し最適解を見つけ出し推奨、判断
医療診断支援・商品レコメンドなど
知識の発見
データを解析し規則性や...
人工知能の可能性と限界
AIに出来ること、人間に求められる能力
114
自分で問いや問題を
作ることが出来ない
与えられた問いや問題には
人間よりも賢く答えられる
問いや問題を作る能力
人工知能を使いこなす能力
結果を解釈し活用する能力
人間に求められる能力
AI
多様性
性別・人種・ジャンル・地域・趣味嗜好など
創造力とは何か
創造力
コミュニケーション力
相手の意見を訊き
自分の意見を述べ共感を生む
アウトプット力
自分の意見や主張を伝わるように
表現し発信し続ける
デザイン力
要素分解と構成を繰り返...
ミッシング・ミドル(失われた中間領域)
116
主
導
共
感
創
造
判
断
訓
練
説
明
維
持
増
幅
相
互
作
用
具
現
化
ト
ラ
ン
ザ
ク
シ
ョ
ン
反
復
予
測
適
応
人間のみの活動
人間による
機械の補完
機械によ...
機械学習の活用プロセス
117
モデル運用
機械学習
モデル作成
学習データ
収集・加工
学習データ
定義
問題定義
 問題発見
 ゴール設定・KPI定義
 業務方針決定
 ノウハウの形式知化
 目的変数の決定
 説明変数決定
 ...
学習データと結果の関係
118
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
人工知能にできること、できないこと
119
これはネコである
認識
分類
人工知能に
できること
 株価が異常な値動きをしている
 機械の振動が正常時とは異なっている
 ここに癌の病変がある
データを分析する
私はネコを見たい
意志
問い...
人間は「テーマ」を決め「問い」を発し、AIは「答え」を見つける
120
美味しいカレーを
食べたい!
この近くにある
カレー屋さんを教えて?
この新しい事業プランを
成功させたい!
成功事例や成功させるため
の要件を教えて?
AI
121
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...
「AIカント君」の可能性について
122
AIカント君
イマヌエル・カント
Immanuel Kant
1724年4月22日〜1804年2月12日
プロイセン王国(ドイツ)の哲学者
カントの著作を
学習データとして入力し
彼のテーマや思考のパタ...
人間にしかできないこと・機械にもできること
帰還した爆撃機の被弾状況
 銃撃を受けても帰還できたのはなぜか?
 帰還した爆撃機の銃撃箇所の分布を調べてみた。
 この範囲への銃撃なら飛行は継続できる。
 これ以外に被弾したので撃墜されたの...
人工知能と機械学習
124
人工知能(Artificial Intelligence)
人間の”知能”を機械で
人工的に再現したもの
情報から知識を獲得する 知識から新たな結果を得る
学習(Learning) 推論(inference)
ルール...
技術水準
125
顔認識
画像認識
音声認識
映像認識
言語翻訳
予測分析
質問応答
論理的対話
自由な対話
雑談
人間以上
人間同等
人間未満
実用レベル
人間未満
分野限定で
実用レベル
人間未満
実用レベル
には未達
汎用型人工知能の登場...
人工知能と付き合う3つの方法
126
ビッグデータ 263
Kw
○×電力
仮設設定
自然言語や動作
による指示・操作
自律動作・判断
規則性の発見
自然言語や
動作の理解
最適解の発見
コンピュータ
や機械
状況や変化
人間と機械との
「自然...
人工知能の4レベル
127
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...
人口知能の抱える課題と限界
128
フレーム問題
現実世界で人工知能が、起こりうる全てを考慮すると無限の時間がかかってしまうの
で特定のテーマや範囲に枠(フレーム)をはめて、その枠の中だけで処理する。例え
ば、チェスや将棋、画像認識や音声認識な...
人工知能は人類にとって脅威となるのか?
意味を理解しているわ
けでは無い
人間の脳の仕組みが
わかっていない
予測を超えて進化する
可能性も
今すぐ、あるいは数年のうちに人間の「脅威」となる可能性は少ない
しかし、可能性を常に意識し、暴走などに...
シンギュラリティの意味 (1)
130
シンギュラリティの意味 (2)
131
人間の知性を超える
人工知能への不安
人工知能が人工知能を作り
知能が爆発的に拡大する
人間に代わって
人間を支配する
人間と融合し
ポスト・ヒューマンが
登場する
 同一分野での経験の蓄積に頼る仕事は...
AIやロボットに置き換えられるものと残るもの
132
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...
人工知能に置き換えられる職業と置き換えられない職業
133
人工知能やロボット等による代替可能性が高い100種の職業 人工知能やロボット等による代替可能性が低い100種の職業
感性、協調性、創造性、好奇心、問題発見力など
非定型的で、機械を何に...
技術的失業と労働人口の移動
134
肉体労働 頭脳労働事務労働
ホスピタリティ
クリエイティビティ
マネージメント
低所得層 高所得層中間所得層
超高齢化社会を人工知能やロボットで対応
135
人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
若者人材の確保が困難
136
2009年をピークに減少
継続的に人口が増加
超高齢化社会を人工知能やロボットで対応
137
人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
人工知能が奪っていくのは、労働ではなく定年かもしれない
138
http://ranq-media.com/articles/590
ベーシックインカム(Basic Income/BI)
139
一定金額の現金を国民全員に無条件で給付する制度
無理して働かなくてもよくなり
倒産や雇用への不安も解消する
柔軟な労働市場が生まれる
労働力の質が高まる
産業構造の転換が容易になる
...
スマートマシンが労働にもたらす影響
140
第一次産業革命
(18世紀後半〜)
オートメーション
(1970年〜)
スマートマシン
(これから)
農民→工場労働者 単純作業→管理・操作
(単純肉体労働) (知的労働)
知的労働→???
スマートマシンが労働にもたらす影響
141
日本の労働人口の約49%が人工知能やロボット等で代替可能に
国内601種類の職業について、それぞれ人工知能やロボット等で代替される確率を試算し、10〜20年後に
日本の労働人口の約49%が就いている職...
スマートマシンが労働にもたらす影響
142
スマートマシンによって影響を受ける
キャリアパス(2020年まで)
 破壊されるキャリアパス 17%
 パーソナルスマートマシンによって
高められるキャリアパス 12%
 エンタープライズスマー...
自律走行できる自動車
143
レベル4・5
レベル3
レベル2
レベル1
レベル0
自動運転
自動運転
運転支援
運転支援
支援なし
ドライバーが常にすべての操作
(加速・操舵・制動)を行う。
加速・操舵・制動のいずれかをシ
ステムが行う。
加...
自動運転レベル
144
自動運転の定義 (SAE International)
145
自動運転のためのプラットフォーム
146
参 照
アップデート
3次元地図
走行アルゴリズム
教科学習
アップデート
自動車 5G クラウド
GPU、FPGA、センサーなど 高信頼
ネットワーク
3次元地図データベース
ディープラーニングなど
富士通 Mobility IoT 2020
147
自動運転車の動向
148
年 概要
2025年 ・運転手の操作を必要とする自動運転車が高速道路を走行
・自動運転車の普及台数は23万台
・世界の自動車販売台数(1億1,500万台)のうち自動運転車は1%以下
・自動運転車価格:7,000~10,...
人と人工知知能との関係の築き方
149
https://mirai.doda.jp/theme/ai-robot/calling/
スマートマシンに負けない人間の5つの能力とは
150
創造力
人間には、新しいものごとを生み出す創造力を持っている。事業の枠組みをデザインし、新しい事業を創造し、ビジネスにつなげていくことができる。新規事
業を立ち上げ、そのプロセスや自動化にお...
2045年までのスマートマシンに関わるロードマップ
151
2017年 コンピューターの10%が学習するマシンになる
2018年 成長企業の45%でマシンよりも従業員数が少なくなる
2020年 知識労働者の30%がマシンに職を奪われる
2020...
皆さんへの質問
152
 人工知能は人間の知性を超えたのか/超えるのか?
特定の知的作業では人間の能力を超えているし、今後もその範囲は拡がってゆ
く。しかし、何らかの知的作業を行うための好奇心や意欲、複数の知的作業を
客観的に見つめる意識、そ...
求められる人間力の形成
153
第一が、「職業的能力」。これは、書物で学べる「文献的知識」では
なく、経験を通じてしか掴めない「職業的智恵」のことだが、この能
力を身につけていくためには、スキルやテクニック(技術)だけでな
く、ハートやマインド...
AI用プロセッサの動向
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
...
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...
深層学習の計算処理に関する基礎知識
人工知能の
2つの処理
ビッグデータを使ってニューラルネッ
トワークを訓練する
学習
訓練
訓練されたニューラルネットワークを
使って画像認識や判断を行う
推論
学習には膨大な計算能力が必要
推論には学習ほど...
AI = 膨大な計算が必要、しかし計算は単純
Σ φ重み付け
された入力 出力
入力の総和
評価関数
ニューラルネットワークの学
習と推論を比べると、推論
には8ビット程度の精度があ
れば良く、計算負荷も低い。
学習には16-32ビットの精度
...
学習と推論
学習/訓練
学習
データ
何度も繰
り返して
重みを調
整
学習データを使ってニュー
ラルネットワークが正しい
判断を下せるよう重みを調
整
調整箇所が膨大にあり、
何度も繰り返し計算しなけ
ればならない
16~32ビットの精度が必...
GPUは何故ディープラーニングに使われるのか
GPUは何故ディープラーニングに使われるのか
データセンター向けGPU
CUDAコア:5,120基
Tensorコア:640基
(120TFLOPS)
210億トランジスタ
ダイサイズ:810mm2
製造プロセス:12nm
72億トランジスタ
ダイサイズ:456mm2
製造プロセス:14n...
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
LiBRA 08.2019 / AI
Nächste SlideShare
Wird geladen in …5
×

LiBRA 08.2019 / AI

2.684 Aufrufe

Veröffentlicht am

https://libra.netcommerce.co.jp/

Veröffentlicht in: Technologie
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Antworten 
    Sind Sie sicher, dass Sie …  Ja  Nein
    Ihre Nachricht erscheint hier
  • Gehören Sie zu den Ersten, denen das gefällt!

LiBRA 08.2019 / AI

  1. 1. 最新のITトレンドとビジネス戦略 サービス&アプリケーション・先進技術編/人工知能とロボット 2019年8月版
  2. 2. ご案内 2 知識の定着は、ネットを眺め、資料を読むだけでは不十分です。実際に第三者 を相手に自分の言葉で説明してみるのが最も効果的です。 また、本プレゼンテーションは、ロイヤリティ・フリーです。ご自身の資料と して、加工編集して頂いても構いません。 知識の確かな定着と仕事の生産性向上のために、ご活用下さい。 ネットコマース株式会社 斎藤昌義 http://libra.netcommerce.co.jp/ 最新のアップデートは、「ITビジネス・プレゼンテーション・ライブラリー/LiBRA」にて随時更新しております。
  3. 3. 人間の頭脳を機械に置き換え 知的作業を機械にやらせる技術  人間の仕事はなくなるの?  人間は働かなくてもよくなるの?  人間は機械に支配される時代が来るの? AI(人工知能) モノをインターネットにつなげる技術  つなげてどうするの?  つなげると何ができるようになるの?  つなげると社会やビジネスはどう変わるの? IoT( )モノの インターネット IoTとAIの一般的理解と本当のところ 3 現実の出来事をデータで捉え 最適なやり方を見つけ出し 社会やビジネスを動かす仕組み 人間の新たな進化を後押しする  自動化の範囲が広がり人間に新たな役割を担う機会を与える  これまで人間には見えなかったことが見えるようになる  人間の知的能力を劇的に拡張する 技術は使うが技術ではない! 本物の人工”知能”はない! コグニティブ Cognitive 社会やビジネスに 新たな X 急激な 変革を促すちから
  4. 4. 判断/決定 「情報」を意味する3つの英単語の違い 様々なデータ・ソースから生 成される数字や記号など Dataを目的に応じて基 準を与え、分類・構造化 し、報告や検討しやすく 整理したもの Informationに内在する ルールや法則などの関係 を考察し、価値評価を加 えたもの Intelligenceによって示 された価値評価に基づき 判断し意志決定を行なう 情 報 data information intelligence 素材 整理 価値 decision データ・ソース 抽出・変換 分析・考察
  5. 5. BIとAI
  6. 6. BIとAI(人工知能)の関係 6 データ ビッグデータ 人間による推論・判断 人間の知的活動の生産性を高めるための手段 機械による推論・判断 人間の知的活動を拡張しその能力を高める手段 整理・見える化 BI(Business Intelligence) AI(Artificial Intelligence) 特徴の抽出 判断するための特徴パターンや推論するためのルールを生成 人間の学習と考察 コンピューター アルゴリズム 機械学習
  7. 7. BIとAI(人工知能)の関係 7 人間による推論・判断 機械による推論・判断 BI(Business Intelligence) AI(Artificial Intelligence) 過去と現在を 整理・見える化 未来を 予測・見える化 人間による 規則・ルール・傾向の発見 機械による 規則・ルール・傾向の発見 統計分析 脳神経活動 の模倣 知的活動の支援 人間の知的能力は変わらないが生産性を高める 知的能力の拡張 人間の知的能力を機械によって増強する  インターネット・クラウドの普及により、容易になったビッグデータの収集  高性能・低価格した情報テクノロジーにより、強力なデータ処理能力を獲得 【弱いAI】 【強いAI】
  8. 8. BIとAIの関係 8 アナリティクス Analytics データの中に意味のあるパターンを見出し、見える化して伝えること 人工知能 Artificial Intelligence 人間の”知能”を機械で人工的に 再現したもの ビジネスインテリジェンス Business Intelligence ビジネス活動から生じるデータの中に意味のあるパターンを見出し 見える化して伝えること 機械学習 Machine Learning 人間が自然に行っている学習能力と同様の機能を コンピュータで実現しようとする技術・手法 過去と現在を整理・見える化 未来を予測・見える化 知的活動の支援 人間の知的能力は変わらないが生産性を高める 知的能力の拡張 人間の知的能力を機械によって増強する
  9. 9. 人工知能とは何か
  10. 10. 人間と機械 Q1.穴掘りの生産性はどちらが高いだろう? Q2.ショベル・カーが登場したことで、人間は不要になったのか? Q3.ショベルカーの登場により、人間の役割はどう変わったのか? VS
  11. 11. 人間は何を作ってきたのか 11 鳥のように空を飛びたい 馬のように速く走りたい 魚のように海に潜りたい
  12. 12. 人工知能の2つの方向性 視覚(See) 聴覚(Listen) 対話(Talk) 汎用型人工知能 異なる領域で多様で複雑な問題を解決する 特化型人工知能 個別の領域において知的に振る舞う 自己理解・自己制御 意識・意欲を持つ 自ら課題を発見し 自律的に能力を高めてゆく 人間が課題を発見し 人間が能力を高めてゆく
  13. 13. 特化型と汎用型の違い 13 オープンな問い  自分は何をすべきか?  生きるとはどういうことか?  世界はどうあるべきか? クローズドな問い  「これ」について教えて欲しい?  「これ」でいいのだろうか?  「これ」でうまくいくだろうか? 専門的 総合的 汎用型人工知能  哲学や芸術  発明や発見  運動 など 特化型人工知能  画像診断  将棋や囲碁  音声認識 など
  14. 14. 人工知能とは? 14 人間を超越した知性や知能を実現するテク ノロジー。人工知能は、やがて神のような 存在となり、人間を奴隷のように支配する ようになる。 人間の知性や知能についての解釈は多様。脳の仕 組みも未だ十分には解明されていない。従って、 人間を超越する知能や知性をとせのように創れば いいのか分からないので、実現不可能。 自然な会話や学習による知識の獲得、状況 に応じた判断などの知能を必要とする作業 を、コンピューター上に構築した人工的な 知能を用いて再現する仕組みや研究のこと 人工知能についての国際的な定義は存在しない。 但し、言語理解や論理的思考など、人間がこれま で脳内で行ってきた知的作業を再現することがで きるテクノロジーと研究分野を意味している。 人間の内に取り込む知能 人間と対立する知能 拡張知能 Extended Intelligence Augmented Intelligence
  15. 15. 統計と機械学習の違い 統計 Statics 機械学習 Machine Learning 記述統計 Descriptive Statistics 推測統計 Inferential Statistics 得られたデータの特徴や傾 向をわかりやすく表現する 一部のデータからそのデー タを含む全体の特徴を推測 する 収集したデータの統計量 (平均や分散など)を計算 してデータの示す傾向や性 質を知る 採取したデータ(標本やサ ンプルとも呼ぶ)から母集 団(全体のこと)の性質を 推測 人間が、データから規則・ルール・傾向を発見し、説明 することを支援する 予測 Prediction 分類・識別・判断 Classification/Identification/Decision 学習されたモデルから 将来を予測する 学習されたモデルから 分類・識別・判断を行う 学習のためのデータを計算 することで、予測のための モデル(推論モデル)を生 成する 学習のためのデータを計算 することで、分類・識別・ 判断のためのモデル(推論 モデル)を生成する 機械(ソフトウェア)が、データから規則・ルー ル・傾向を発見し、予測と分類・識別・判断を自動化する
  16. 16. 「人工知能」と言われるものの4つのレベル 16 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
  17. 17. 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。
  18. 18. 機械学習でできる3つのこと 18 可視化 分 類 予 測 大量のデータ項目の関連性を見つけ出し その組合せを人間が感覚的に理解できるようにする 人間には判別できない類似傾向をを見つけ出し、 グループ化して区別する 過去のデータの傾向から、 将来どうなる可能性があるのかを予測する 例:地域や性別、年齢 などにより疾病がどの ように分布するのかを 地図上に表示する。 例:店舗の監視カメラ の映像から、顧客の購 買動向や趣味嗜好を分 類する。 例:日照量、気温、湿 度などの気象データか ら、水、肥料などの量 やタイミングを教える。 モデル 入力をどう処理して 出力するかのルール
  19. 19. 機械学習がやっていること モデル 入力をどう処理して 出力するかのルール 入力 出力 人間の思考で ルールを作る 実験・観察・思考 データ分析で ルールを作る 機械学習
  20. 20. 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」
  21. 21. 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
  22. 22. 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
  23. 23. ビジネス・プロセスのデジタル化 23 見える化 グラフ・モニター・イメージなど データ化 ビジネス・プロセスのデジタル化 分析 統計・機械学習 機械 人間 高速に結果 考察して仮説 なぜ? どうして? こうしたい! 疑問・仮説 そして判断
  24. 24. 一般的なプログラムと機械学習を使ったプログラム 24 達成目標 業務目的 処理プロセス アルゴリズム 判断や分類 のルール (一般的プログラムでは分岐条件) データによる 機械学習 人間の 経験や習慣 人間の 経験や習慣 一般的なプログラム 機械学習を使ったプログラム
  25. 25. AI導入/データの戦略的活用における3つの課題 25 事業価値向上 AI導入 データの戦略的活用 良質・大規模な 学習データの収集と整備 データ分析・AI活用に 精通した人材の確保 経営者や業務部門における データ活用のリテラシーの向上 テクノロジーやツールの問題ではなく、人間の問題が大きい
  26. 26. 人工知能の限界 26 データ化 できた事実 数学の言葉で 表現できる処理 (論理・確率・統計) 脳の仕組みを参考にした 数理モデル 人工知能/AI Artificial Intelligence 森羅万象 全ての事実 人間の知性 知的処理 脳の仕組み 人間を 支配する? シンギュラリティ が到来する? 神になる? 意識・意味・常識 だから安心というわけではない!AIは知性の一部を代替するだけ。
  27. 27. 「東ロボくん」の実力と代替可能な職業 27 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
  28. 28. 人間の知能そのものを持つ機械を作る 【図解】コレ1枚でわかる人工知能 人間にしかできなかったこと 人間にはできなかったこと 作業の効率化 能力の拡張 運転手 工場作業者 兵士 音声認識 文脈理解 検索代行 知識蓄積 関係付け・解釈 選択・判断 観察・監視 能力強化・補完 介助・補助 人工知能 Artificial Intelligence 汎用型人工知能 特化型人工知能 人間の新たな役割を生みだし進化を加速する 自律化 知的望遠鏡 知的介助 人間が知能を使って行うことを機械にさせる
  29. 29. 人工知能の3つの役割と人間の進化 29 人間の新たな役割を生みだし進化を加速する 自律化 知的望遠鏡 知的介助 機械自らが手順や判断基 準を見つけ出し人間が介 在することなく実行する これまで人間には見えな かったことが見えるよう になる 機械が人間に寄り添い、 利用者の裾野を拡大し、 新たな価値を生みだす 人工知能/Artificial Intelligence 人間の知的作業を自動化し知性を拡張する技術 自動車、システムや機器 の運用、土木工事など 医療診断、データサイエ ンス、各種学問分野など 音声認識端末、対話応答 サービスなど
  30. 30. 人間にしかできなかったこと 人間にはできなかったこと 作業の効率化 能力の拡張 コレ1枚でわかる人工知能とロボット 30 人に代わって作業を行う コンピューター・プログラム 人に代わって作業を行う 機械的駆動装置 ハードウェア・ロボット またはスマート・マシン ソフトウエア・ロボット またはボット 人間の知能そのものを持つ機械を作る 汎用型人工知能 特化型人工知能 人間が知能を使って行うことを機械にさせる 人工知能 Artificial Intelligence
  31. 31. 自律化
  32. 32. コレ一枚でわかるスマートマシン スマートマシン(Smart Machine) 自動化 決められたやり方を その通り確実にこなす 自律化 自分で学習し、独自にルールを生成し、 状況を自ら把握して、最適な選択や判断を行う 自律走行車 無人ヘリコプター 音声アシスタント ロボット 専門家アドバイザー クラウド ビッグデータ 人工知能
  33. 33. 自動化と自律化 33 機械による 作業 プログラム (人間による修正・最適化) 業務プロセスの設計 (経験や知見) データの取得 (体験・実測) 事業課題の発見 仮説の設定 機械による 作業 プログラム (機械学習による修正・最適化) 業務プロセスの設計 (機械学習やシミュレーション) データの取得 (センサー) 事業課題の発見 仮説の設定 自律化された工程 自動化された工程
  34. 34. 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 34 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
  35. 35. 自動化と自律化の領域 35 繰り返し 給与計算・部品表展開などの単一作業/ルーチンワーク ルール 生産管理・販売管理・工程管理などの連続する一連の作業 最適化 状況の変化をセンサーやログによって収集し 人間の与えた基準で最適条件を見つけて実行 判断 機械学習や認知機能によって未知の状況 にも対応し、自ら判断して実行する 発見 過去の事実と照らし合わせて 新たな事実を見つけ出す 自動化 Automation 自律化 Autonomy 発明 発見した事実を組合せ 過去になかった 創作物を創り出す 機械自らが手順や判断基準を見つけ出し、 人間が介在することなく実行する 人間の与えた手順や基準に従って、 人間が介在することなく実行する
  36. 36. 自動化から自律化への進化 連続する作業の自動化 生産管理・販売管理・工程管理など 伝票や作業の流れなどのオンライン処理 最適対応が求められる作業の自動化 状況の変化をセンサーやログによって収集し パターン化されたルールに基づき機器を制御 状況に応じて自ら判断する作業の自動化=自律化 未知の状況にも対応し、自ら判断して実行する 人 間 の 与 え た ル ー ル や 判 断 基 準 に 従 っ て 人 間 が 介 在 す る こ と な く 実 行 す る 。 機 械 が 自 ら ル ー ル や 判 断 基 準 を 生 成 し 人 間 が 介 在 す る こ と な く 実 行 す る 単一作業の自動化 給与計算・部品表展開など のバッチ処理
  37. 37. 知的望遠鏡 ディープラーニング/深層学習 人間が教えなくても森羅万象の中からパターンを見つけ出し世界を分類・整理する これまで人間には見えなかったことが見えるようになり 人間の知見を広げ、知性を高めることに役立つ
  38. 38. 自動車を ガレージから出す ピザを注文する 空調の温度を 調整する 配車サービスで 車を呼ぶ 預金残高を 確認する 人に寄り添うIT クラウド・サービス 利用者の抵抗を無くす 自然な音声対話 日常生活に関わる 様々なデータを収拾
  39. 39. 「自動化」から「自律化」への進化 39 データを蓄積263 Kw ○×電力 経験や知見 ビッグデータ アルゴリズム構築 データ分析 機械学習 確率・統計的アプローチ 脳科学的アプローチ ロジック ロジック ロジック パターン 自動化(Automation) 自律化(Autonomous) 人間が体験から仮説を立て検証し、 ルールーを定義して実行させる仕組み 機械がデータから仮説を立て検証し、 ルールーを定義して実行させる仕組み アプリケーション サービスやロボットなど
  40. 40. 自動化と自律化の目指す方向 40 全体最適 個別最適 抵効率 高効率 自律化 自動化 標準化により 全体最適を目指す 効率を高めつつ 個別最適を目指す 人間の介在をなくし 超効率化を目指す
  41. 41. スマートマシン 人工知能 Artificial Intelligence ビッグ データ 機械学習 機械的駆動装置 油圧・電磁アクチュエーター モーター/エンジンなど スマートマシーン Smart Machine セ ン サ ー 通 信 機 能 応対・応答機能
  42. 42. スマートマシン 42 Movers (動く者) 自律運転車 Sages (賢者) 音声アシスタント 自律的に行動し、知能と自己学習機能を備え、 状況に応じて自らが判断して適応し、 これまで人間にしかできないと思われていた作業を実行する電子機械 Doers (行動する者) 人型介護ロボット 無人輸送ヘリ 工場作業ロボット質疑応答システム
  43. 43. スマートマシンの3類型 スマートマシン(Smart Machine) 自律的に行動し、知能と自己学習機能を備え、 状況に応じて自らが判断して適応し、 これまで人間にしかできないと思われていた作業を実行する電子機械 音声アシスタント自律運転車 工場作業ロボット 無人輸送ヘリ 無人攻撃機 医療診断支援 論文試験採点 災害救助ロボット 人型介護ロボット Movers (動く者) Sages (賢者) Doers (行動する者)
  44. 44. 人工知能とロボットの必要性 44 少子高齢化 低い労働生産性 グローバル競争の激化 人工知能 ロボット スマート・マシン  少ない労働人口での社会・経済基盤の維持  ワークライフバランスや賃金を犠牲にしない国際競争力の維持  高い付加価値や差別化による産業競争力の向上  過疎地での医療・福祉・生活支援などの社会課題を解決  労働環境の改善と生活の質的向上 など
  45. 45. マン・マシン・インターフェイスとしてのスマートマシン 45 人がピックアップ 人が配送 自律走行車工場内ロボット クラウド ビッグデータ 人工知能 ネ ッ ト で 注 文
  46. 46. 人工知能のロボットへの実装 46 反射的行動 行動の抽象化 理論化する Input Output  何かが来たらよける  大きな音がしたら逃げだす  段差があれば後退する など  何かが近づいたら危険かどうかを判断する  大きな音がしたら影響があるかを見極める  段差があれば乗り越えられるかどうか判別する など  どういう場所が危険かを理解する  音の種類により危険かどうかを区別する  段差の限界を把握する など 情 報 の 抽 象 化 行 動 の 生 成 サブサンプション・アーキテクチャ Subsumption Architecture
  47. 47. 専門家と人工知能 47 学習・考察 モデル 最適解 洞察 決定 機械学習 (ディープラーニング) モデル 最適解 洞察 決定BIG DATA 専門家によるアプローチ 人工知能によるアプローチ
  48. 48. 知的望遠鏡 ディープラーニング/深層学習 人間が教えなくても森羅万象の中からパターンを見つけ出し世界を分類・整理する これまで人間には見えなかったことが見えるようになり 人間の知見を広げ、知性を高めることに役立つ
  49. 49. Amazonの戦略と日本の現状 49 家電製品 オンライン通販 オンライン・サービス メーカー 小売店 物流事業者 商品個別の情報を識別し、詳細な商品管理を実現 詳細なマーケティング分析 販促・宣伝 仕入れの最適化商品開発 棚卸し作業の効率化 配送の追跡 レジ人員の削減 購入時の作業時間が圧倒的に短縮される利便性 家庭サービスのOS IDによる一元化 コンビニ電子タグ 1000億枚宣言 経済産業省+コンビニ5社* 2025年までに全商品にRFID (ICタグ)を付け、カゴに入 れた商品を一括で集計できる セルフレジを実現。 *セブンイレブン、ファミマ、ローソン、ミニストップ、ニューデイズ(今後、増やしたい意向) 家庭サービスの全領域を amazon IDで紐付けることで、 個人の生活全判に関わる行動 データを手に入れ、様々なビ ジネス分野での「絶対的仲介 者」としての地位を得ようと している。 小売店舗のOS 画像認識やディープラーニン グ、センサー技術などを駆使 して実現(RFIDは使用せず) 音声というハードルの低いUIによる手軽さと操作の利便性
  50. 50. コンテキスト・テクノロジー 50 ビッグ・データ 行動パターン 生活習慣 興味・関心 好き嫌い スケジュール 行先・訪問相手 アナリティクス(人工知能) おすすめ情報 アドバイス 自動操作 自動設定 案内・予約 事前告知
  51. 51. 進化したbot(ボット) 51 福岡行き 航空券を 予約して!ご希望の 日時を 教えて 下さい! 来週金曜日 の午前中で お願い! メッセージ アプリ クラウド 次の日程 では 如何? 音声認識 テキスト認識 意味の解析 意図の解釈 クラウド アプリケー ション アプリケー ション テキストや音声で 普通に会話をするように 操作や指示ができる 「難しい」を解消し 利用者の裾野を拡げ 利用頻度を増やす
  52. 52. ITと人間との関係の変遷 52 インプランタブル ウェアラブル モバイル デスクトップ インターネット & クラウド メインフレーム ホーム ブレイン・マシン インターフェイス キーボード タッチ センサー 音声 生体器官
  53. 53. 人工知能と人間の進化
  54. 54. 操作の無意識化と利用者の拡大 54 学習 習熟 学習 習熟 学習 習熟 利用者の拡大 キーボード操作 タッチ操作 音声操作 操 作 の 無 意 識 化
  55. 55. 自動化・自律化によってもたらされる進歩・進化 55 意識しなければ できないこと 意識しなくても できること 肉体労働 知識労働 意識する 意識しない 意識すべき新たな領域を拡大 自動化・自律化 人間独自の進歩・文明の進化
  56. 56. 産業発展の歴史から見る人工知能の位置付け 56 人手による 家内制手工業 動力による 大量生産 データに基づく 科学的管理手法 データを活かした 知的処理能力の拡張 製作者の能力に 依存した 独自化 機械化と分業 による 専門化 プロセス分解 による 標準化 データ活用 による 個別化 製作者の能力 動力の進化 水力→蒸気力→電力 コンピュータ +プログラム 人工知能 需要の充足 効率化の追求 効率化の加速 最適化の追求 生産性の飛躍的向上生産性の停滞 生産性の最適化 生産性 〜18世紀半ば 1800年代〜 1900年代〜 2010年代〜 機械化 自動化 最適化
  57. 57. 人工知能と機械学習
  58. 58. 人工知能と機械学習 58 人工知能(Artificial Intelligence) 人間の”知能”を機械で 人工的に再現したもの 基礎的 応用的 知識表現 推論 探索 機械学習 自然言語理解感性処理 画像認識 エキスパートシステム データマイニング 情報検索 音声認識ヒューマンインターフェース 遺伝アルゴリズム マルチエージェント ニューラルネット ゲーム プランニング ロボット 人工知能の一研究分野
  59. 59. 学習と推論 59 大量の学習データ 機械学習 学習済 推論モデル アプリケーション 対象 データ 推論 エンジン  CT画像データ  通話音声データ  LIDERデータ など 推論 判別  画像:癌病巣の発見  音声:話者の特定  センサ:障害物回避 など GPUや専用LSIを使用 消費電力より並列処理性能を優先 FPGAやDSPなどを使用 高速処理と低消費電力を優先 GPU: 大規模並列処理可能なプロセッサ FPGA:プログラミング可能なLSI DSP:信号処理に特化したLSI LIDAR:レーザーの反射光から周辺環境の3次元的な構造を読み取る装置 学習 Learning 推論 Inference
  60. 60. ルールベースと機械学習 60 人間の体験や伝聞によっ て得られた知識 答えを出すための ルールを人間が記述 If 〜 then 〜 else データ センサーや業務システム、Webサイトなどから アルゴリズム データにある関係性や規則性 を見つけ出し、ルールを作る 推論 ルールを使って矛盾のない答えを導き出す ルールベース 機械学習 人間は自分が知っている以上のことを知っている。 意識していない経験や知識が判断に影響を与える。 人間が意識する/しないにかかわらずデータを分析 することで、そこに内在する規則性を見つけ出す。
  61. 61. これまでの機械学習とディープラーニング 61 特徴量の抽出 モデル 最適解 識別 分類 判断 特徴量の抽出 モデル 最適解 識別 分類 判断 BIG DATA これまでの機械学習のアプローチ ディープラーニングによるアプローチ BIG DATA
  62. 62. 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>
  63. 63. 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>
  64. 64. ルールベースと機械学習 64 答えを出すための ルール(知識)を 人間が記述がして登録 If 〜 then 〜 else 推論 機械学習 Machine Learning ビッグデータ (学習データ) インターネット IoT HPC (high-performance computing) GPU、AI専用LSI、量子コンピュータなどを利用 INPUT  レントゲン写真  遺伝子データ  電子メール  外国語音声  ・・・ OUTPUT  癌病巣の発見  病気の診断  犯罪の証拠を発見  翻訳  ・・・ ルールベース 機械学習
  65. 65. ルールベースと機械学習 65 経験の蓄積 ルール設定 人間によるルール設定 推奨・回答 学習アルゴリズム データ パターン/ルール 自動生成 推論 機 械 学 習 ル ー ル ベ ー ス 機械によるルール(推論モデル) 生成
  66. 66. 人間が特徴量を教えることで データの中からパターンを見つ け出し、分類・整理する 人間が教えなくても森羅万象の 中からパターンを見つけ出し 世界を分類・整理する ディープラーニングが、なぜこれほど注目されるのか 機械学習 データを分析することで、そこに内在する規則性や関係性(パターン)を見つけ出す 従来型の機械学習 パターンを見つける時の着目点(特徴量) を人間が指定する 深層学習(Deep Learning) パターンを見つける時の着目点(特徴量) をデータの中から見つけ出す データ データ ルールベース 人間の経験や知見に基づいて、解釈のためのルールを作る
  67. 67. 機械学習と推論(1) 67 機械学習 猫や犬のそれぞれの特徴を 最もよく示す特徴データの 組合せパターン(推論モデ ル)を作成する 対象データ 推論 どちらの推論モデルと 最も一致しているか の推論モデルに最も 一致しているので これは「猫である」と 推論する 学習 Learning 推論 Inference 大量の学習データ 推論モデル の推論 モデル の推論 モデル
  68. 68. 機械学習と推論(2) 68 耳 目 口 特徴量 猫と犬を識別・分類する ために着目すべき特徴 人間が 観察と経験で 決める 機械学習 統計確率的 アプローチ 機械が データ解析して 決める 機械学習 ディープラーニング (深層学習) 「特徴量」ごとに 猫/犬の特徴を 最もよく表す値を 見つけ出す 学習 猫の特徴を最もよく表す 特徴量の組合せパターン 犬の特徴を最もよく表す 特徴量の組合せパターン 猫の推論モデル 犬の推論モデル 大量の学習データ 大量の学習データ 犬 dog 猫 cat
  69. 69. 機械学習と推論(3) 69 特徴の抽出 推論モデルとのマッチング 猫 犬 推論モデル推論モデル 「猫」の推論モデルに 98%の割合で一致している 推論結果 だから「この画像は猫である」 「特徴量」に着目して それぞれの値を計算する 推論 特徴量未知のデータ 耳 目 口
  70. 70. 深層学習の学習と推論 70 ・・・・・ 入力層 出力層中間層(隠れ層) 入力と出力ができるだけ一致 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 推論 重み付けされた 「学習済の推論モデル」 「ネコ」 である 教師データ 未知のデータ 教師データ
  71. 71. 一般的機械学習とディープラーニングとの違い 71 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
  72. 72. ニューラル・ネットワークの仕組み 長い尻尾 縞模様 しなやかな 四肢 尖った耳 ・・・ 猫を認識 特徴量 猫の特徴を示す要素 特定の特徴量に 反応するニューロン 上位階層の特定・複数の 組合せが反応すると 反応するニューロン 上位階層の特定・複数の 組合せが反応すると 反応するニューロン 「猫」が入力されると 強く反応するニューロン 深層学習(ディープラーニング)以前の機械学習は、 人間が設定しなければならなかったが、 深層学習はこれを自分で見つけ出す。 ニューロンとは「神経細胞」。 その繋がりをニューラル・ネットワークという。
  73. 73. ルールベースと機械学習 73 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
  74. 74. どんな計算をしているか 74  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。
  75. 75.  大きさ  直径  重さ  中空かどうか  底のあるなし  ・・・  ・・・  ・・・  〇〇cm以上〜〇〇cm未満  〇〇cm以上〜〇〇cm未満  〇〇g 以上〜〇〇g 未満  中空である  底がある  ・・・  ・・・  ・・・ 人間が 観察と経験で 決める 機械が データ解析して 決める 機械が データ解析して 決める 機械が データ解析して 決める 機械学習 統計確率的 アプローチ 機械学習 ディープラーニング (深層学習) 統計確率的機械学習とディープラーニングの違い 特徴量 「コップであること」を決定 するための着眼点 最適値 「コップであること」を 決定するのに最適な値 推論モデルの生成 コップを識別するために最適な 特徴量の値とその組合せパターン(=推論モデル)を決定する 推論モデル保存 特徴抽出 推論モデル適用 推論結果未知の データ 推論 学習 学習 データ
  76. 76. 機械学習の仕組み 76 大量の学習データ 未知のデータ 学習 推論 特徴抽出人間による 特徴量の設定 機械による 特徴量の設定 特徴抽出 推論モデル生成 (ルールや特徴パターン) 推論モデル保存 推論モデル適用 (推論エンジン/特徴のマッチング) 推論結果 「コレはネコです」 ディープラーニング 分類に必要な特徴の設 定組合せは機械 従来の機械学習 分類に必要な特徴の設 定・組合せは職人技
  77. 77. うんコレ1枚でわかる画像認識 77 大量の学習データ 学習 推論 特徴抽出人間による 特徴量の設定 機械による 特徴量の設定 特徴抽出 推論モデル生成 (特徴パターン) 推論モデル保存 推論モデル適用 (推論エンジン/特徴のマッチング) 推論結果 「コレはキツネのうんこです」 ディープラーニング 分類に必要な特徴の設 定組合せは機械 従来の機械学習 分類に必要な特徴の設 定・組合せは職人技 未知の画像
  78. 78. 特徴抽出 機械学習の仕組み 78 推論モデル生成 (ルールや特徴パターン) 推論モデル保存 推論モデル適用 (推論エンジン/特徴のマッチング) 推論結果 大量の学習データ 未知のデータ 学習 推論 ウイルス検知・人物判別・異常/故障検知 人間による 特徴量の設定 機械による 特徴量の設定 特徴抽出 ディープラーニング 分類に必要な特徴の設 定組合せは機械 従来の機械学習 分類に必要な特徴の設 定・組合せは職人技
  79. 79. 学習と推論の関係 学習 learning  大規模な計算能力  学習専用プロセッサー  長時間演算 推論 inference 学習モデル 学習モデル学習モデル 学習モデル学習モデル  比較的小規模な計算能力  推論専用プロセッサー  短時間演算 学習データ
  80. 80. IoT メカトロニクス 知能・身体・外的環境とAI 80 認識 意志決定 運動構成 感覚器 運動器官 骨格、関節、筋肉、靭帯、腱 外的環境 身体 知能 影響受容 AI(人工知能) 意識
  81. 81. 機械と意識とAI 81 時間を計算する機械=時計 「意識」はあるのか? 「意識」はあるのか? 画像や音声を認識する機械=AI
  82. 82. ディープラーニングの画像認識能力 82 誤認識率: 4.94%,Feb.06,2015,Microsoft 4.82%,Feb.11,2015,Google 人間以上の認識率 http://sssslide.com/www.slideshare.net/NVIDIAJapan/gpu-51812232
  83. 83. ディープラーニングの音声認識能力 83 https://venturebeat.com/2017/05/17/googles-speech-recognition-technology-now-has-a-4-9-word-error-rate/
  84. 84. 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
  85. 85. 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
  86. 86. 第3次AIブームの背景とこれから 86 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
  87. 87. 人 工 知 能 の 冬 人 工 知 能 の 冬 1950 1960 1970 1980 1990 2000 2010 1958年 パーセプトロン 脳の神経活動を数式モデル化しコンピューターに処 理させる初歩的なニューラル・ネットワーク 1960年代 記号処理方式 記号処理のためのルールや数式をプログラム化し思 考や推論など人間が行う情報処理を行わせる 1980年代 専門家の知識やノウハウをルール化し、 コンピューターに処理を行わせる ルールベース アプローチ 2000年代 膨大なデータをベイズ理論に基づく統計的手法 で計算し自らルール生成し情報処理する 2006年 脳科学的アプローチ 脳科学の研究成果を取り入れより忠実に脳の神 経活動を再現 人工知能研究の歴史 インターネット登場 ハードウェア性能向上 ビッグデータ・IoT PC登場メインフレーム登場 知 的 活 動 を 再 現 脳 の 活 動 を 再 現 統計・確率論的 アプローチ
  88. 88. 人工知能とは/弱いAIと強いAI 人工知能(AI : Artificial Intelligence) 人間のような知的処理をコンピューターで行う技術 弱いAI Weak AI 強いAI Strong AI 知能を使ってすることを機 械にさせようとす取り組み 知能そのものをもつ機械を 作る取り組み 人間のような知的処理の実現 人間の脳で行う処理のしくみにか かわらず、結果として人間が行う 知的処理ができるようになること を目指す。 人間と同等の知能の実現 脳科学や神経科学の研究成果を取 り入れながら、人間の脳機能と同 等の汎用的な知的処理ができるよ うになることを目指す。
  89. 89. 人工知能とは 89 推論 与えられた知 識をもとに新し い結論を得る こと 学習 情報から将来 使えそうな知 識を見つける こと 人工知能(AI : Artificial Intelligence) 人間のような知的処理をコンピューターで行う技術 弱いAI Weak AI 強いAI Strong AI 知能を使ってすることを機 械にさせようとす取り組み 知能そのものをもつ機械を 作る取り組み
  90. 90. 人工知能とは ルールベース アプローチ 人間によるルール設定 脳科学的 アプローチ 機械学習 統計確率的 アプローチ 弱いAI Weak AI 強いAI Strong AI 人工知能(AI : Artificial Intelligence) 人間のような知的処理をコンピューターで行う技術
  91. 91. ルールベース・アプローチ 専門家の知識やノウハウを人手に よってルール化し、そのルールに 従ってデータを処理 エキスパート システム 統計・確率論的アプローチ データに内在する因果関係を確率 的に記述する統計手法(ベイジア ン・ネットワーク)を使ってデー タを処理 脳科学的アプローチ 脳科学の研究成果を取り入れ脳の 神経活動を再現する数学的モデル (ディープ・ニューラル・ネット ワーク等)を使ってデータを処理 人工知能の3つのアプローチ if (条件) then (処理1) else (処理2) Aである確率: 90% Bである確率: 20% → Aが妥当 推論処理 機械 ルール生成 人間が入力 推論処理 機械 ルール生成 機械 推論処理 機械 ルール生成 機械 現実世界を全てルール化すること は不可能。微妙なニュアンスや関 係をルート化することも難しい。 データ量が増えるほどに処理の精 度が向上。ビッグデータが手に入 るようになり実用性も向上。 脳科学の知見を取り入れながら精 度向上中。但し画像や音声の認識 などの特定領域に限られている。 Expert System BRMS (Business Rule Management System)
  92. 92. 「記号処理」から「パターン認識」へ コンピューターの登場 数値計算だけではなく 記号処理への適用拡大 論理的思考の機械化 論理計算・記号処理 ルールベース オントロジー コンピューター性能の向上 大規模並列処理技術の向上 利用可能データの拡大 感覚的思考の機械化 パターン認識 確率・統計的アプローチ 脳科学的アプローチ 〜2000年 2000年〜 背 景 目 的 手 法 if (条件) then (処理1) else (処理2)
  93. 93. 人間の知性の発達と人工知能研究の発展 93 if (条件) then (処理1) else (処理2) 論理的思考 感覚的思考 心身的反応 心による身体の制御 や身体の変化による 心の変化 パターンの認識や識 別、規則性やルール の発見 感覚として得られた ことについての論理 的な解釈 観察から意識 意欲から行動 特徴の抽出 概念の獲得 感覚についての 論理的理由付け ルールベース 機械学習 ??? 人 工 知 能 研 究 の 発 展 人 間 の 知 性 の 発 達
  94. 94. ニューラル・ネットワークの原理(1) 故障 稼働期間 稼働出力 稼働感覚 設置場所・気温 設置場所・湿度 ○○○ ・・・ 結果 特徴量 特徴量の設定と組合せを設計 人間の 職人技 機械による 自動化 従来型の 機械学習 深層学習 Deep Learning
  95. 95. ニューラル・ネットワークの原理(2) 多数のデータを入力することで 特徴量と故障との関係の強さが 明らかになる 故障 稼働期間 稼働出力 稼働感覚 設置場所・気温 設置場所・湿度 ○○○ ・・・ データ スパース(少数)コーディング 無駄な記憶や処理を省き、記憶 や処理の効率を飛躍的に高める
  96. 96. ニューラル・ネットワークの原理(3) 96 故障 稼働期間 稼働出力 稼働感覚 設置場所・気温 設置場所・湿度 ○○○ ・・・ 特徴量 推論: このデータの組合せなら故 障が起きる確率は○○% 結果
  97. 97. 機械学習の学習方法 97 機械学習 教師あり学習 教師なし学習 入力と正解例の関係を示した 学習データを入力し、その関 係を再現するように特徴を抽 出、推論モデルを生成。 説明のない学習データを入力 し、抽出した特徴パターンか ら類似グループを見つけ、そ れぞれの推論モデルを生成。 クラスタリング 次元圧縮 分類 回帰 =イヌ 強化学習 推論結果に対して評価(報 酬)を与えることで、どのよ うな結果を出して欲しいかを 示し、その結果をもうまく再 現できる推論モデルを生成。  得点が高ければ+評価  得点が低ければ − 評価 得点が高くなるように推論モデ ルを生成。 それぞれに固有の特徴パターン を見つけ出し推論モデルを生成。 特徴パターンの違いを見つけ出 し、推論モデルを生成。 広告 自動運転ゲーム =ネコ
  98. 98. 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 これは “dog” です これは “cat” です これは “bird” です 概念 概念 概念 cat : 95% dog :15% bird : 2% 未知の画像 未知の画像 学習 推論 推論 学習
  99. 99. 機械学習における3つの学習方法 99 機械学習 Machine Learning 教師あり学習 Supervised Learning 入力と正解例の関係を示したデータ を学習データとして入力し、その関 係を再現するように特徴を抽出、モ デルを生成する。 教師なし学習 Unsupervised Leaning なんの説明もない学習データを入力 し、抽出した特徴のパターンから類 似したグループを見つけ出し、それ ぞれのモデルを生成する。 強化学習 Reinforcement Learning 推論結果に対して評価(報酬)を与 えることで、どのような結果を出し て欲しいかを示し、その結果をもう まく再現できるモデルを生成する。 回帰 Regression 分類 Classification クラスタリング Clustering バンディット アルゴリズム Bandit Algorism Q学習 Q Learning 売上予測 人口予測 需要予測 不正検知 など 故障診断 画像分類 顧客維持 など レコメンド 顧客セグメンテーション ターゲットマーケティング など ゲーム 広告 自動運転 リアルタイム判断 など 決定木、ランダム フォレスト、線形回 帰など k平均法、kモード、 DBSCANなど 次元削減 Dimensionality Reduction SVM、ロジスティッ ク回帰、ナイーブベ イズなど 主成分分析、特異値 分解、潜在的ディレ クトリ配分法など
  100. 100.  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
  101. 101. 敵対的生成ネットワーク GANs: Generative Adversarial Networks 101 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)
  102. 102. 深層強化学習 deep reinforcement learning 102 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
  103. 103. ディープラーニングの2つの課題 103 ディープラーニングの課題 大量の学習データ が必要 結果が 説明できない 精度を高める高めるためには 大量の学習データを 用意しなければならない。 なぜ、この結果になったのかを 説明できない。 学習データの 精度を上げる 学習データを 水増しする 転移学習 を行う 解決策 説明可能な 手法を使う 説明が必要な用途 には使わない 解決策
  104. 104. 「機械学習」の課題 104 大量の学習データ ・・・ 機械学習 少ない学習データ ・・・ 機械学習 「機械学習」の大きな課題の1つは、 その性能を上げるために大量の学習データを必要とすること ・・・ 機械学習 ルール 目標値 OR 解決策 移転学習 強化学習・GANs
  105. 105. 転移学習 Transfer Learning 105 大量の学習データ タンパク質の特徴を 整理したデータ ・・・ タンパク質の分類方法を学習した ニューラル・ネットワーク 機械学習 少ない学習データ 敗血症患者の血液から 取得した タンパク質の特徴データ ・・・ 敗血症を判別する ニューラル・ネットワーク 機械学習 「転移学習」とは、すでに学習したモデル(学習済ニューラル・ネットワーク)を 少ない学習データで別の領域に適応させる技術
  106. 106. 深層学習が前提となったシステム構造 106 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
  107. 107. 人工知能の適用事例
  108. 108. 人工知能の進化と適用領域の広がり 108 ハードウェア 性能向上 ネットワーク 低コスト・高速化 高度な専門的アドバイス  膨大な文献や診断記録から病名や治療法を提示  株式市場やSNSから投資判断  規制や産業動向からM&A戦略を提案  遺伝子や疾患データから新薬候補物質を探索  論文の採点や校正 効率化・省力化  自動運転自動車やドローン  工作機械やロボット、搬送機械などの生産設備  コールセンターや受付での接客・応対  ニュース記事の執筆やテクニカルライティング  プログラミングやシステム運用 利便性と安心安全  ウイルスと振る舞いからワクチンを自動生成  自動翻訳・通訳  自然言語での検索や商品紹介・問合わせ対応  気象やゲノム、マクロ経済の解析  自然言語での対話型のデータ分析 機械 人間 交通 自動車 情報システム医療 ビッグデータ 収集・蓄積 アルゴリズム 進化 実用への適用拡大
  109. 109. 機械学習の仕組み 109 機械 人間 交通 自動車 情報システム医療  故障や異常の検知  エネルギー効率を 最適化した制御  最適計画に基づく 生産  健康のためのアド バイス  予防診断・病気の 予測  趣味嗜好にあわせ 情報提供  最適な経路の案内  渋滞を回避する道 路管制  災害時の誘導・管 制  自動運転  診断支援  新薬開発支援  ゲノム解析  運用管理  プログラミング  システム設計支援 パターン・規則・関係などの特徴を抽出 特徴をモデル化(多次元ベクトル) 高度な専門的アドバイス  膨大な文献や診断記録から病名や治療法を提示  株式市場やSNSから投資判断  規制や産業動向からM&A戦略を提案  遺伝子や疾患データから新薬候補物質を探索  論文の採点や校正 効率化・省力化  自動運転自動車やドローン  工作機械やロボット、搬送機械などの生産設備  コールセンターや受付での接客・応対  ニュース記事の執筆やテクニカルライティング  プログラミングやシステム運用 利便性と安心安全  ウイルスと振る舞いからワクチンを自動生成  自動翻訳・通訳  自然言語での検索や商品紹介・問合わせ対応  気象やゲノム、マクロ経済の解析  自然言語での対話型のデータ分析 機械学習
  110. 110. 機械学習(Machine Learning) パターン・規則・関係などの特徴を抽出、ルールを生成 機械学習とは何か 110 機械 人間 交通 自動車 情報システム医療 検索 分類 判別 検知 予測 推 論 判 断最適化 意志決定 機器制御アドバイス
  111. 111. 人工知能の適用領域 111 人間の関与 自律的制御 状況を把握して自律的に判断し実行 自動運転自動車・株の自動取引など 推奨・判断 データを解析し最適解を見つけ出し推奨、判断 医療診断支援・商品レコメンドなど 知識の発見 データを解析し規則性やルールなどの知識を発見 故障診断や予知・創薬用新物質発見など 対話的操作 自然な対話で機器制御、サービスを利用 スマートアシスタント・サービスロボットなど 情報整理・提供 要求に従い大量の情報を整理し情報を探し出す 質問応答・判例検索など 知的作業の支援 知的能力の拡張 知的作業の自律化
  112. 112. 人工知能の得意分野と不得意分野 112 自律的制御 状況を把握して自律的に判断し実行 自動運転自動車・株の自動取引など 推奨・判断 データを解析し最適解を見つけ出し推奨、判断 医療診断支援・商品レコメンドなど 知識の発見 データを解析し規則性やルールなどの知識を発見 故障診断や予知・創薬用新物質発見など 対話的操作 自然な対話で機器制御、サービスを利用 スマートアシスタント・サービスロボットなど 情報整理・提供 要求に従い大量の情報を整理し情報を探し出す 質問応答・判例検索など 静的・固定的なデータ 動的・解放的なデータ 全体が固定化し、ルールなどにより結果 の選択肢が限定されているデータ 静止画、ゲーム、試験問題など 得意な分野 不得意な分野 全体が動的に変化し、結果の選択肢が限定 できず完全な予測が困難なデータ 動画、一般的な常識を必要とする問 題や物理的な動作を伴う問題など  手を放せばモノは下へ落ちる  高速道路で走行中に手を出すと危険だ  部屋でボールを投げても遠くには投げられない など 不得意な分野も徐々に克服されつつはあるが、 「特化型人工知能」では限界もあり、「汎用 型人工知能」の成果をまたなければならない 領域でもある。
  113. 113. 人工知能の可能性と限界
  114. 114. AIに出来ること、人間に求められる能力 114 自分で問いや問題を 作ることが出来ない 与えられた問いや問題には 人間よりも賢く答えられる 問いや問題を作る能力 人工知能を使いこなす能力 結果を解釈し活用する能力 人間に求められる能力 AI
  115. 115. 多様性 性別・人種・ジャンル・地域・趣味嗜好など 創造力とは何か 創造力 コミュニケーション力 相手の意見を訊き 自分の意見を述べ共感を生む アウトプット力 自分の意見や主張を伝わるように 表現し発信し続ける デザイン力 要素分解と構成を繰り返し カタチを生みだす 移動力 時間や場所を面倒がらず 様々な場所に行って過ごす 人脈力 多くの人に 知られる存在になる
  116. 116. ミッシング・ミドル(失われた中間領域) 116 主 導 共 感 創 造 判 断 訓 練 説 明 維 持 増 幅 相 互 作 用 具 現 化 ト ラ ン ザ ク シ ョ ン 反 復 予 測 適 応 人間のみの活動 人間による 機械の補完 機械による 人間の能力の拡張 人間と機械の協働活動 機械のみの活動 「人間+マシン・AI時代の8つの融合スキルより(東洋経済社)/p.11」を参考に作成
  117. 117. 機械学習の活用プロセス 117 モデル運用 機械学習 モデル作成 学習データ 収集・加工 学習データ 定義 問題定義  問題発見  ゴール設定・KPI定義  業務方針決定  ノウハウの形式知化  目的変数の決定  説明変数決定  データソース決定  データ収集  加工プログラム開発  アルゴリズム選択  コーディング  パラメータチューニング  環境構築  コーディング  デプロイ&テスト  経営や業務  業務  IT  計算科学  統計学  計算科学  IT  業務 プロセス タスク スキルや知識
  118. 118. 学習データと結果の関係 118 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
  119. 119. 人工知能にできること、できないこと 119 これはネコである 認識 分類 人工知能に できること  株価が異常な値動きをしている  機械の振動が正常時とは異なっている  ここに癌の病変がある データを分析する 私はネコを見たい 意志 問い 人工知能に できないこと  なぜそうなっているのか?どうすべきか?  これは故障なのか?どのような対応が必要か?  なぜ癌になったのか?どう伝えるべきか? 問いを発する
  120. 120. 人間は「テーマ」を決め「問い」を発し、AIは「答え」を見つける 120 美味しいカレーを 食べたい! この近くにある カレー屋さんを教えて? この新しい事業プランを 成功させたい! 成功事例や成功させるため の要件を教えて? AI
  121. 121. 121 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
  122. 122. 「AIカント君」の可能性について 122 AIカント君 イマヌエル・カント Immanuel Kant 1724年4月22日〜1804年2月12日 プロイセン王国(ドイツ)の哲学者 カントの著作を 学習データとして入力し 彼のテーマや思考のパターンを モデル化する 問い: 生きるとは何か? 答え: 生きるとは、 XXXXXである! 「AIカント君」には、 内発的な疑問を持つことはできないので、 このような問いを産み出すことはできない。 「わたしは何を知ることができるのだろうか」 「わたしは何をすべきなのであろうか」 「わたしは何を望むのがよいのだろうか」 「人間とは何だろうか」 カントの考え方を知る手助けにはなるかもしれない。しかし、
  123. 123. 人間にしかできないこと・機械にもできること 帰還した爆撃機の被弾状況  銃撃を受けても帰還できたのはなぜか?  帰還した爆撃機の銃撃箇所の分布を調べてみた。  この範囲への銃撃なら飛行は継続できる。  これ以外に被弾したので撃墜されたのではないか? 意味を理解する 問いを作る 第二次世界大戦中、イギリスはドイツより多くの爆撃機を失っていた。 彼らは装甲を追加することに決めたが、相当の費 用がかかるので追加する場所を慎重に選択する必要があった。 撃墜された爆撃機の被弾状況(想定)  帰還した爆撃機にはない銃撃箇所の分布を想定した。  この範囲が銃撃されたら飛行は困難になる。  ここへの銃撃を防ぐことはできない。  墜落しやすい箇所の装甲を強化すれば墜落は防げる。 正解を見つける 結果を検証する Abraham Wald (ハンガリーの数学者) が提示した解決策
  124. 124. 人工知能と機械学習 124 人工知能(Artificial Intelligence) 人間の”知能”を機械で 人工的に再現したもの 情報から知識を獲得する 知識から新たな結果を得る 学習(Learning) 推論(inference) ルールベース :人間の持っている知識を機械に与える 機械学習 :機械自身がデータから知識を獲得する 知識:ルールや関係、記憶など 意識 意欲 感情 特化型人工知能 個別の領域において知的に振る舞う 汎用型人工知能 異なる領域で多様で複雑な問題を解決する 脳の全機能を 人工的に実現する 脳の特定の機能を 人工的に実現する データに潜む関係や構造を機械に 自動的に発見してもらう仕組み
  125. 125. 技術水準 125 顔認識 画像認識 音声認識 映像認識 言語翻訳 予測分析 質問応答 論理的対話 自由な対話 雑談 人間以上 人間同等 人間未満 実用レベル 人間未満 分野限定で 実用レベル 人間未満 実用レベル には未達 汎用型人工知能の登場で 能力向上が期待される領域 デイープラーニングの進化で 能力向上が期待される領域 日経コンピュータ 2016.4.28 P22の資料を参考に作成
  126. 126. 人工知能と付き合う3つの方法 126 ビッグデータ 263 Kw ○×電力 仮設設定 自然言語や動作 による指示・操作 自律動作・判断 規則性の発見 自然言語や 動作の理解 最適解の発見 コンピュータ や機械 状況や変化 人間と機械との 「自然な関係」を築く 膨大なデータから 「仮設」を見つけ出す 状況や変化を読み取り 自律的に動作する
  127. 127. 人工知能の4レベル 127 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。振る舞いのパターンを多くするために、予め用意された ルールに従い学習・推論し実行する。  「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:学習の着眼点は人間が教えるが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、コンピュータが自ら大量のデータを分析し 機械学習を活用し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:学習の着眼点を人間が教えなくても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。  1つの駒の位置だけではなく、複数の駒の関係性を見たほうがいいということを、自分で見つけ出す囲碁や将棋のシステム  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 レ ベ ル 1 レ ベ ル 2 レ ベ ル 3 レ ベ ル 4
  128. 128. 人口知能の抱える課題と限界 128 フレーム問題 現実世界で人工知能が、起こりうる全てを考慮すると無限の時間がかかってしまうの で特定のテーマや範囲に枠(フレーム)をはめて、その枠の中だけで処理する。例え ば、チェスや将棋、画像認識や音声認識などに絞り込めば一定の成果は期待できる。 しかし、現実世界のあらゆる事象に対処しようとすると、振るい分けをしなければな らない可能性が無数にあるため、抽出する段階で無限の時間がかかってしまう。 記号接地問題 シンボル(記号)を、それが意味するものと結びつけることが必要だが、人工知能にお いては解決されていない。例えば、「馬」の意味と「シマ」の意味がわかっていれば 「シマウマ=馬+シマ」と教えられたとき、シマウマを見た瞬間「シマウマは、シマ のある馬」だということが人間には理解できるがコンピュータにはできない。「青り んご = りんご + 青い」も同様。 心身問題 心と体の状態との間の関係、つまり一般的に非物質的であると考えられている心とい うものが、どうして物質的な肉体に影響を与えることができるのか、そしてまたその 逆もいかに可能なのかは、解明されていない。意識や意欲なども同じで、それ自体が 解明できておらず、コンピューター上で実装のしようがない。 意志が無い 事例が少ないと対応できない 人間のように知覚できない 問いを生み出せない 枠組みをデザインできない ひらめきがない 常識的な判断ができない リーダーシップを発揮できない
  129. 129. 人工知能は人類にとって脅威となるのか? 意味を理解しているわ けでは無い 人間の脳の仕組みが わかっていない 予測を超えて進化する 可能性も 今すぐ、あるいは数年のうちに人間の「脅威」となる可能性は少ない しかし、可能性を常に意識し、暴走などに気をつける 一方、雇用への影響は確実にある 統計的機械学習においては、AIは意味を理解しているわ けではなく、ただ単に教えられたことを処理し、計算結果 を返しているだけ そもそも、人間の脳の仕組みがわかっていないため、仕 組みを真似ようにもそれが正しいかどうかわからない。現 在は「こうだろう」という予測に基づいてコンピュータをとに かく回している段階 しかし、ポテンシャルは高く、予測を超えて進化する可能 性も無くは無い
  130. 130. シンギュラリティの意味 (1) 130
  131. 131. シンギュラリティの意味 (2) 131 人間の知性を超える 人工知能への不安 人工知能が人工知能を作り 知能が爆発的に拡大する 人間に代わって 人間を支配する 人間と融合し ポスト・ヒューマンが 登場する  同一分野での経験の蓄積に頼る仕事は置き換えられる  新しい科学的発見が加速する  人間にしかできないホスピタリティや社会的承認といった欲求を満た すビジネスが拡大する
  132. 132. AIやロボットに置き換えられるものと残るもの 132 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
  133. 133. 人工知能に置き換えられる職業と置き換えられない職業 133 人工知能やロボット等による代替可能性が高い100種の職業 人工知能やロボット等による代替可能性が低い100種の職業 感性、協調性、創造性、好奇心、問題発見力など 非定型的で、機械を何にどう使うかを決められる能力 技能や経験の蓄積に依存し、パターン化しやすく 定型的で、特定の領域を越えない能力 2015年12月02日・株式会社野村総合研究所 https://www.nri.com/jp/news/2015/151202_1.aspx
  134. 134. 技術的失業と労働人口の移動 134 肉体労働 頭脳労働事務労働 ホスピタリティ クリエイティビティ マネージメント 低所得層 高所得層中間所得層
  135. 135. 超高齢化社会を人工知能やロボットで対応 135 人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
  136. 136. 若者人材の確保が困難 136 2009年をピークに減少 継続的に人口が増加
  137. 137. 超高齢化社会を人工知能やロボットで対応 137 人工知能やロボットを積極的に駆使し、労働生産性やQOL(Quality of Life)の向上が急務
  138. 138. 人工知能が奪っていくのは、労働ではなく定年かもしれない 138 http://ranq-media.com/articles/590
  139. 139. ベーシックインカム(Basic Income/BI) 139 一定金額の現金を国民全員に無条件で給付する制度 無理して働かなくてもよくなり 倒産や雇用への不安も解消する 柔軟な労働市場が生まれる 労働力の質が高まる 産業構造の転換が容易になる 年金や子ども手当、失業保険など がBIに統合される 恣意的な給付の選別がなくなり 制度運営のコストが削減される 不公平感が解消される 社会や経済の発展と安定に貢献する 生存に対する給与 手厚いセイフティネット
  140. 140. スマートマシンが労働にもたらす影響 140 第一次産業革命 (18世紀後半〜) オートメーション (1970年〜) スマートマシン (これから) 農民→工場労働者 単純作業→管理・操作 (単純肉体労働) (知的労働) 知的労働→???
  141. 141. スマートマシンが労働にもたらす影響 141 日本の労働人口の約49%が人工知能やロボット等で代替可能に 国内601種類の職業について、それぞれ人工知能やロボット等で代替される確率を試算し、10〜20年後に 日本の労働人口の約49%が就いている職業において、それらに代替することが可能との推計結果 人工知能やロボット等による代替可能性が高い労働人口の割合(日本、英国、米国の比較) 出所:野村総合研究所 報道発表 2015.12
  142. 142. スマートマシンが労働にもたらす影響 142 スマートマシンによって影響を受ける キャリアパス(2020年まで)  破壊されるキャリアパス 17%  パーソナルスマートマシンによって 高められるキャリアパス 12%  エンタープライズスマートマシン によって高められるキャリアパス 22%  影響を受けないキャリアパス 49% 出所:ガートナー
  143. 143. 自律走行できる自動車 143 レベル4・5 レベル3 レベル2 レベル1 レベル0 自動運転 自動運転 運転支援 運転支援 支援なし ドライバーが常にすべての操作 (加速・操舵・制動)を行う。 加速・操舵・制動のいずれかをシ ステムが行う。 加速・操舵・制動のうち複数の操 作をシステムが行う。 加速・操舵・制動を全てシステム が行うが、システムから要請があ ればドライバーはこれに応じる。 加速・操舵・制動を全てシステム が行い、ドライバーは関与しない。 *レベル4は高速道路や特定の地域などに限定される。 事故責任
  144. 144. 自動運転レベル 144
  145. 145. 自動運転の定義 (SAE International) 145
  146. 146. 自動運転のためのプラットフォーム 146 参 照 アップデート 3次元地図 走行アルゴリズム 教科学習 アップデート 自動車 5G クラウド GPU、FPGA、センサーなど 高信頼 ネットワーク 3次元地図データベース ディープラーニングなど
  147. 147. 富士通 Mobility IoT 2020 147
  148. 148. 自動運転車の動向 148 年 概要 2025年 ・運転手の操作を必要とする自動運転車が高速道路を走行 ・自動運転車の普及台数は23万台 ・世界の自動車販売台数(1億1,500万台)のうち自動運転車は1%以下 ・自動運転車価格:7,000~10,000ドル+自動車本体 2030年 ・運転手を伴わない完全な自動運転車が市場投入 ・自動運転車価格:5,000ドル +自動車本体 2035年 ・世界の自動車販売台数(1億2,900万台)に占める自動運転車の 比率は9%に(1,180万台) - 運転手を要するものは700万台、完全な自動運転車は480万台 ※2035年の米国における自動運転車の割合は世界全体の普及台数の29% (350万台)、中国は24%(280万台)、ヨーロッパは20%(240万台) ・自動運転車の累積台数は5,400万台 ・自動運転車価格:3,000ドル +自動車本体 2050年以降 ・すべての車が自動運転車に 出所:IHS Automotiveによるロボットカー市場予測 2014.1.2
  149. 149. 人と人工知知能との関係の築き方 149 https://mirai.doda.jp/theme/ai-robot/calling/
  150. 150. スマートマシンに負けない人間の5つの能力とは 150 創造力 人間には、新しいものごとを生み出す創造力を持っている。事業の枠組みをデザインし、新しい事業を創造し、ビジネスにつなげていくことができる。新規事 業を立ち上げ、そのプロセスや自動化においてスマートマシンを活用しながら、事業をスケールさせていくといったアプローチはありだろう。 交渉能力 人間には、ビジネスを進めていく上での対人関係を構築し交渉を進め、事業者同士による提携やサービス連携などエコシステムを形成することができる。 通常のルーチンワークはスマートマシンに任せ、人間は、交渉によるビジネス領域を拡大させていく役割が重要となるだろう。 リーダーシップ力 人間には、人を動かすリーダーシップを持っている。Gartnerの予測に、ロボットの上司による監視下に置かれる可能性を指摘しているが、データに基づく 人間の業務評価の判断の一部をすることができても、リーダシップを発揮することは困難だろう。人間が、リーダシップを発揮することで、組織を動かしてく 営みは、人間にしかできないだろう。 常識力 人間には、常識的な判断をし、事業を進めていくことができる。スマートマシンは常識や道徳観を身につけることは難しい。さらに、日本人には、おもてなし の心をもって、サービスができる点は強みといえるだろう。 大局的な視点 人間には、さまざまな経験に基づき、大局的な視点でものごとを判断し、行動することができる。スマートマシンは、学習することで、その分野の専門性を高 めていくことができるが、人間のような大局的な視点で判断し行動することは難しいだろう。 スマートマシンとの「分業」を想定したキャリアパスを スマートマシンにより、人間のキャリアパスはよくも悪くも影響を受けていくことになる。 スマートマシンにより、人間への置き換えが進むというよりも、スマートマシンが作業できる得意な領域を任せることで、良きパートナーとして、「分業」を進め、 より効率的でビジネスを発展させていくことが重要となるだろう。 人間は、人間にしかできない能力を高め、中長期的なキャリアパスを考え行動していくことが求められていくだろう。 http://japan.zdnet.com/article/35073187/1/
  151. 151. 2045年までのスマートマシンに関わるロードマップ 151 2017年 コンピューターの10%が学習するマシンになる 2018年 成長企業の45%でマシンよりも従業員数が少なくなる 2020年 知識労働者の30%がマシンに職を奪われる 2020年 ロボット市場は、非製造分野で1兆4000億円に 2025年 ドローン市場が10万以上の雇用を生み出す(米国) 2030年 世界の雇用50%20億人分の仕事が機械化でなくなる 2045年 コンピューターの能力が全人類の知能を上回る 出所:Gartner Predicts 等 Singularity シンギュラリティ(特異点)
  152. 152. 皆さんへの質問 152  人工知能は人間の知性を超えたのか/超えるのか? 特定の知的作業では人間の能力を超えているし、今後もその範囲は拡がってゆ く。しかし、何らかの知的作業を行うための好奇心や意欲、複数の知的作業を 客観的に見つめる意識、それを組合せ適切に配分してゆくための能力は、その メカニズムが分からないので実現は難しい。  人工知能は人間の雇用を奪うのか? 既存の雇用は人工知能に置き換わってしまうことも多いだろう。しかし「労働 塊の誤謬」は否定されており、人工知能の発展は新しい仕事を登場させ、新た な雇用を生みだす。ただし、既存の雇用に必要な能力にこだわり、新たな雇用 に必要な能力を持てない人たちが一定数存在することは否定できない。  人工知能の発展で人間はどのような役割を求められるのか? 人間は問いを発し機械はその答えを提示する。人間は「なぜ?」や「どうし て?」の疑問を持ち、何が真の答えなのかを探し求める好奇心や探究心を持ち 続けることが求められる。そうやって人工知能と共存し、さらなる発展や進化 を遂げる。 労働塊の誤謬:経済学の用語で、世の中における仕事は一定量しかないという考え方、または、その一定量の仕事を労働者が取り合うしかないという見方を意味する。
  153. 153. 求められる人間力の形成 153 第一が、「職業的能力」。これは、書物で学べる「文献的知識」では なく、経験を通じてしか掴めない「職業的智恵」のことだが、この能 力を身につけていくためには、スキルやテクニック(技術)だけでな く、ハートやマインド(心得)と呼ばれるものを身につけ、磨いてい かなければならない。 第二が、「対人的能力」。もとより、その中核は「コミュニケーショ ン力」であるが、特に、言葉以外の眼差しや表情、仕草や姿勢、空気 や雰囲気などを通じてメッセージ交換を行う「非言語的コミュニケー ション力」を磨いていかなければならない。 第三は、「組織的能力」。これからの高度知識社会では、メンバーの 人間成長を支え、その知的創造力を引き出す「心のマネジメント」や 「支援型リーダーシップ」の力を身につけなければならない。 人工知能革命によって「学歴社会」は崩壊する(田坂 広志) https://forbesjapan.com/articles/detail/21189/2/1/1
  154. 154. AI用プロセッサの動向
  155. 155. 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
  156. 156. 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
  157. 157. 深層学習の計算処理に関する基礎知識 人工知能の 2つの処理 ビッグデータを使ってニューラルネッ トワークを訓練する 学習 訓練 訓練されたニューラルネットワークを 使って画像認識や判断を行う 推論 学習には膨大な計算能力が必要 推論には学習ほどの計算能力は不要 計算自体は単純で精度も低い積和演算の繰 り返しだが、計算の数が膨大
  158. 158. AI = 膨大な計算が必要、しかし計算は単純 Σ φ重み付け された入力 出力 入力の総和 評価関数 ニューラルネットワークの学 習と推論を比べると、推論 には8ビット程度の精度があ れば良く、計算負荷も低い。 学習には16-32ビットの精度 が必要で、計算負荷も桁違 いに高い。
  159. 159. 学習と推論 学習/訓練 学習 データ 何度も繰 り返して 重みを調 整 学習データを使ってニュー ラルネットワークが正しい 判断を下せるよう重みを調 整 調整箇所が膨大にあり、 何度も繰り返し計算しなけ ればならない 16~32ビットの精度が必 要 学習/訓練 実際の データ 認識 識別 判断 学習済み(重みの付けら れた)ニューラルネットワー クに実際のデータを入力し て判断させる 計算は多いが、繰り返し計 算は不要 精度は8ビットで十分 できあがったモデル
  160. 160. GPUは何故ディープラーニングに使われるのか
  161. 161. GPUは何故ディープラーニングに使われるのか
  162. 162. データセンター向けGPU CUDAコア:5,120基 Tensorコア:640基 (120TFLOPS) 210億トランジスタ ダイサイズ:810mm2 製造プロセス:12nm 72億トランジスタ ダイサイズ:456mm2 製造プロセス:14nm Broadwell-EP:24コア (2016年)

×