３度目のブームを迎えたＡＩ技術について、正しい理解と適用をしてもらうべく、歴史を踏まえながら解説します。（難しい数式を抜きにしてわかりやすさ重視で解説）

1. ＡＩとは？
2017/1/27 ロードローラーさん

2. 自己紹介 ロードローラーさん
 2011 京都大学 工学部 情報学科 卒業
 2013 京都大学 情報学研究科 修士課程修了
 画像処理、パターン認識の研究に着手
 その後、京都の某メーカに勤務
 専門は機械学習、IoT、ビッグデータ（バズワードばかり……）
ブログ：http://r2d.info/
Twitter：RoadRoller_DESU

3. はじめに

4. 今回の目標到達点
• 話題のＡＩについて中身を正しく知る
• ＡＩとは万能な何でも屋さんではないことを知る
• 難しい数式を抜きにしてわかりやすさ重視で解説
ＡＩって
なんかすごいんでしょ！
正しい理解と活用を！

5. ＡＩの定義

6. ＡＩって何の略？？
ＡＩ（artificial intelligence）
• 直訳：人工的な知能（※まんまです）
• Augmented Intelligence（拡張知能）とする流派もある
例えば、IBMはAugmented Intelligence派
ちなみに私は言葉の定義なんてどっちでもいい思っている派

7. ＡＩは明確に定義不可
仕組みが理解されると「それはAIではない」と言われだす
この現象をAI効果と呼ぶ
ルンバといった自走機器もAIと呼ばれた時期があった
⇒ 現在では『ただの制御工学でありAIではない』とされている
特定の問いに回答するチャットボットもAIと呼ばれた
⇒ 現在では『ただの~if~else~のプログラム』とされている
そのため……
技術に精通した研究者はAIという言葉を使わないことが多い

8. ＡＩの歴史

9. ３度のＡＩブーム
これまでＡＩは２度のブームと冬を経験している

10. 第１次ＡＩブーム
キーワードは『推論と探索』
• 事前にルールとゴールを明確に記述する
• ＡＩはゴールにたどりつけるように選択肢を探索する
＜例＞迷路問題
しらみつぶしに経路を探索してゴールにたどり着く

11. 第１次ＡＩブームの終焉
キーワードは『トイプロブレム（おもちゃの問題）』
ＡＩ適応可
• 人間がルールを明確に記述できる場合（例：迷路問題）
ＡＩ適応不可
• ルールが明確に記述できない場合
現実世界の現象は複雑かつ曖昧でルール記述しきれないため、
ＡＩはトイプロブレムにしか適用不可とされてブーム終焉
例えば囲碁の場合、
勝利するためには、
次の一手はどれが最善なのか
明確な定義が困難。
Which is Better??
※この問題は後に深層学習とモンテカルロ法によって解決される

12. 第２次ＡＩブーム
キーワードは「エキスパートシステム」
• 専門知識を取り込んで、分野に特化した推論を行う。
• 知識を入れたら入れただけAIは賢くなる。
＜例＞感染症診断システムなどで爆発的に人気が出た。
１分間の最高血圧が
９１以下
年齢が６１以上
洞頻脈がある

13. 第２次ＡＩブームの終焉
キーワードは『知識表現』
問題①：専門家の膨大な知識を全て記述することが困難
• 数が膨大で、途中で例外や矛盾も出てきてしまう。
問題②：抽象的な知識を記述できない
• どんな特徴に基づいて判断するのか知識を明確に表現困難
判断基準を明確に記述できる場合にしか適用できず、
例外や曖昧性のある現実問題には適用困難とされブーム終焉
＜例＞風邪のときはどんな特徴が表れる？どう見分ける？
咳が出る、鼻が出る、なんとなくダルい、のどが痛い ⇒ 抽象的で表現困難

14. 近年のＡＩ ～第３次ＡＩブーム～

15. ディープラーニングのすごい点
コンピュータが「抽象化」の機能を獲得
＜例＞ 顔とはどういったものですか？
今まで明確に記述できなかったルールや特徴量を、
ディープラーニングによってデータから抽出可能となった。
参考 http://static.googleusercontent.com/media/research.google.com/ja//pubs/archive/38115.pdf
従来
「目と耳と口があって…
丸いシルエットで… 」
ディープラーニング
「こんな感じのやつ！」

16. ディープラーニングによる変化
データから特徴量を抽象化して自動抽出
⇒人が担うタスクが特徴量設計からデータ準備へ変化
＜例＞ 顔検出する認識器を設計
従来
人手で特徴量を設計
・目、耳、口がある
⇒ 抽象的な特徴量をうまく
記述できない。例外に弱い。
※部分的に隠れたりすると対応不可
ﾃﾞｨｰﾌﾟﾗｰﾆﾝｸﾞ
データとラベルを用意
正例：顔画像
負例：顔以外の画像
⇒ 正例/負例を見分けるための
特徴量を自動抽出する

17. ディープラーニングによる変化
従来
人手で特徴量を設計
・願望を含む（～たい）
・特定単語を含む（切符, 購入）
⇒ 抽象的な特徴量をうまく
記述できない。例外に弱い。
※「京都まで1枚」と言われると対応不可
ﾃﾞｨｰﾌﾟﾗｰﾆﾝｸﾞ
データとラベルを用意
正例：
・京都まで切符１枚お願いします
・山科まで行きたいんですけど
負例：
・遅延証明書をください
⇒ 正例/負例を見分けるための
特徴量を自動抽出する。
画像だけでなく言語処理などの分野でも同様の変化
＜例＞ 問い合わせ文章から切符購入に関連するものを検出

18. まとめ

19. まとめ
• ＡＩは刻一刻と進化するため厳密な定義は困難
• 従来の課題は抽象的なルールと特徴量の記述困難性
• ディープラーニングによって抽象化の能力を得た
⇒正例負例のデータから特徴量を抽象化して自動抽出
• 例外や曖昧性を含んだ現実問題への適用に期待！！

20. ご清聴ありがとうございました