Webディレクターtsushan’s blog

都内で大手アパレルのWebディレクターとして勤めているTsushanです。興味関心がある分野のアウトプットを増やすためブログを書いています。 当分はAIについて書いていきます。

【人工知能】AI Mycin(エキスパートシステム)

量子コンピューターの理屈全然意味わからんわってなってるTsushanです。

 

今日は、軽めの内容かつて、1970年代に作られたエキスパートシステムのMycinについてご紹介しようと思います。

 

過去の記事にも書きましたが、エキスパートシステムと呼ばれるものは、簡単に説明すると、人間のあらゆる知識をシステムに書き込んで、システムを人間同様な判断などをしてもらうシステムであり、考え方でした。

【人工知能】AIの歴史:AIの三大ブーム - Webディレクターtsushan’s blog

 

そしてその考え方が盛んだった時期は、1970~1980年です。

 

その間に、一つ注目に値するエキスパートシステムが開発されました。

Mycinです。

 

Mycinとは、システムは伝染性の血液疾患を診断し、抗生物質を推奨するようにデザインされたシステムである。スタンフォード大学で1970年代初めに5、6年の歳月をかけて開発された。Mycinの名称の由来は、抗生物質の多くはサフィックス(接尾辞)「-mycin」がつくためである。

 

(なんで抗生物質には「mycin」がつくか、という風に疑問に思う方もいるかもしれないので、一応調べた結果を共有すると、「mycin」はさらに、「myco」「-in」という2つ語源に別れている。「myco」は「真菌」を意味し、「-in」は、もうすでにみなさん推測できているかもしれないが「入っている」などを意味している。mycinという言葉で「真菌が入っている」という状態を表す。*1

 

Mycinは、第1次AIブームで開発されていた推論エンジンを使い、予め与えられた知識ベースを元に、患者の疾患を判断していく。最終的に原因と思われる細菌名のリスト(確率の高い順)とそれぞれの信頼度、なぜそう推論したかという理由、推奨される薬物療法のコースを示す。

 

イメージは以下。(※M=Mycin、医師=医)*2

M:培地(微生物や生物組織の培養において、培養対象に生育環境を提供するもの(場所))はどこ?

医:血液

M:細菌のグラム染色による分類の結果は?

医:ネガティブ

M:細菌の形は?

医:棒状

M:患者の痛みはひどいか、ひどくないか?

医:ひどい

M:病原は緑膿菌です。

 

 

スタンフォード医学部での調査によると、Mycin の診断結果は 69%*3の正しさであり、細菌感染の専門でない医師よりはよい結果だが、専門医の診断結果(80%)よりも悪かった。

 

また実のところ、Mycinは現場では決して使われなかった。これは性能が悪かったせいではない。理由は、倫理や法律の面で、コンピュータを医療に使って間違った診断を下した場合、誰が責任を取るのかという問題であった。(実際、今は医者をサポートするアシスタントシステムとして申請を行えば、責任問題は医者が取るので、この点はクラリアできるようになっているとされいる。*4)また、人間の専門家がそのようなものを受け入れることへの抵抗もあったとされている。(これは、システムの精度を上げること、専門家が自ら育てやすい、親しみやすいものであれば採用され安くなるとされている。*5*6

 

Mycinはエキスパートシステムとしては優秀だったため、もっとたくさんの知識をシステムに詰め込めれば、もっともっと優秀なエキスパートシステムができるのではないかということで、その後知識工学という分野が確立されることになる。

 

以上、簡単ですが、エキスパートシステムMycinについてのご紹介でした。

また次回!!

【人工知能】AI 機械学習とその定義

ようやく「MI GENTE」の振り付けを音楽に合わせて踊れるようになりました。そろそろ次の曲をマスターに入るTsushanです。

 

今日は、機械学習について、その中でも機械学習の定義について勉強していきます。この定義をわかりやすく解説しているCourseraのAndrew Ng先生の授業を元に、さらに調べ、この記事を書いていきます。

 

復習だが、まず機械学習の立ち位置は以下である。

 

AI *1

∋ 4つのレベル*2

機械学習(レベル3)

ニューラルネットワーク *3

ディープラーニング

※ 「∋」 は「含む」の意味

※AIとは、AIのレベルと事例、ニューラルネットワークについてはすでにそれぞれ記事を書いたので、気になる方は脚注より、合わせてお読み下さい。

 

ただ機械学習の定義もAIの定義と同様定まっていないのが現状である。

今日は諸定義ある中でももっとも有名な2つの定義を紹介します。

アーサー・サミュエルによる機械学習の定義

コンピュータに明示的にプログラムすることなく学習する能力を与える研究分野  *4

これ、なんかなんとなく理解できるよね。

特に人間がプログラミングをせずとも、プログラム自身があるテーマについて学習できるようになること。

彼のこの定義は、非形式で、やや古いと言われている。*5

彼が有名な理由は、1950 年代に、世界で初めてチェッカーゲームのプログラム、つまり世界初の学習型プログラムであり、人工知能の基本概念をいち早く世界に示したからである。*6

彼のチェッカーゲームのプログラムの驚くべき点は、アーサー・サミュエル自身はあまり上手なチェッカープレーヤーではなかったが、彼のプログラムが、プログラム自身を相手に数万回ものゲームを行わせた。そこにあるボードの配置を学び続けた結果、1970年代中ごろには、腕の立つアマチュアと互角に戦えるレベルになっていた。*7

その彼が言う定義だから、ということでこの定義は有名になったと理解している。が、これは1950~80年代に提唱されたものである。だから、ちょっと古い。。

 

この定義よりも最近提示された定義がトム・ ミッチェルによる定義である。

トム・ミッチェルによる機械学習の定義

適切に提起された学習問題は以下のように定義される。 コンピュータ・プログラムは、ある課題Tについて、ある性能基準Pに基づき、もしTについての性能が基準Pで測定して、経験Eと共に改善している場合に、経験Eから学習したと言うことが出来る。*8

 

ぶっちゃけ、この文の途中で思考が停止した。。笑

性能基準P?基準Pを元に測定??なに???

 

これをすげーわかりやすく解説してくれたのがアンドリュー先生。まじで神。

 

チェスに例えて考えてみよう。

チェスプレイのプログラムがあり、1000回のチェスのプレイで、相手に勝つ確率を高めさせたいと考えている。

これを上記のトムさんの定義に当てはめてみると、以下になる。

タスクT:チェスのプレイ

基準P:相手に勝つ確率

経験E:1000回のチェスプレイ

 

あれ?めちゃめちゃシンプルやん。

チェスのプレイに置いて(タスクT)、相手に勝つ確率(基準P)が1000回のチェスプレイ(経験E)によって高まれば、このプログラムは、1000回のチェスプレイの経験によって学習したことになる。ということが、証明できる。

 

個人的にこういう例えのほうが圧倒的わかりやすい。

では、次は質問です。

以下の例において、どれがタスクT、基準P、経験Eでしょうか。

 

電子メールプログラムが、どの電子メールをユーザーがスパムとしてフラグを立てるかどうかを見ているとする。このようユーザーは、スパムボタンをクリックして特定の電子メールをスパムとして報告しそれ以外は報告しません。そして、どの電子メールをスパムとして報告するかにより、 電子メールプログラムがスパム電子メールをより正確にフィルターするように学習する。

 

・・・いかがですか?以下答え合わせ。

 

課題T:電子メールをスパムと非スパムに仕分ける

経験E:ユーザーがスパムと非スパムにラベル分けするのを見る

基準P:正しく分類された電子メールの比率

 

みなさん正解できましたか?

 

ちょっと長くなってしまいましたが、上記が、アーサー・サミュエルとエド・ミッチェルの機械学習に対する定義でした。

ぶっちゃけ、定義がわからなくても困ることはないですが、でもそこまで説明できると説明に深みができると思いますので、ぜひ皆さん各自で深めてみてください。

 

▼関連記事▼

tsushan.hatenadiary.jp

【人工知能】AI ニューラルネットワークとは

今年で提案書100書いて5件以上受注したいと最近考えているTsushanです。

 

さて、今まで人工ニューロンや形式ニューロンモデルについて勉強してきました。今日からは、ニューラルネットワークについて勉強していきます。

 

過去の記事でも言いましたが、人間の脳の中は、数千万億個のニューロンが互いにつながり、 巨大なシステムを構成しています。*1

 

ニューラルネットワークは、この脳機能に見られるいくつかの特性を計算機上のシミュレーションによって表現することを目指した数学モデルで、機械学習の一つである。略称:NN(人工ニューラルネットワークANNとも呼ぶこともある。)  

 

私達が最近良く耳にする「ディープラーニング」は、このニューラルネットワークの分野の中に含まれています。下図参考ください。

 

f:id:tsushan:20180319144645p:plain

図:AI>機械学習ニューラルネットワークディープラーニング *2

 

その人間の脳神経のようにコンピューターをプログラムして学習させよう、というアプローチがコネクショニズムと呼ばれる考え方です。1950~1990年代ではこの考え方はあまり実りがなかったのだが、ようやく、近年になってビックデータやハイスペックのコンピューターの登場により大きな発展が遂げました。*3

 

ニューラルネットワークが最も得意とするのはパターン認識・分類、ノイズが混在しているデータ処理、関数の近似です。ニューラルネットワークが最も早く応用されたのは、手書き文字の識別を含む画像のパターン認識音声認識などの情報工学に関連する分野です。その後医学の病気の診断、財務分析、経済分析、市場分析などにも応用されています。最近では、人文科学の領域の研究への応用も見られるようになっています。*4

 

ニューラルネットワークは、その構造によって大きく分けて2つの種類に分けられる。階層型ネットワーク相互結合型ネットワークです。

 

①階層型ネットワーク

これはニューロンを層状にならべ、前の層から次の層へ一方向にのみ信号が伝わるというネットワークです。入力層、出力層、隠れ層から構成され、層と層の間には、ニューロン同士のつながりの強さを示す重み「W」があります。この「W」について詳しく知りたい方は過去の記事の「結合荷重」を参考ください。

【人工知能】AI 形式ニューロンモデル(人工ニューロン) - Webディレクターtsushan’s blog

 

このタイプのネットワークは入力層のニューロンに加えた信号(入力信号) に対して出力層のニューロンの出力(出力信号)が一意的に定まります。下図参考。

 

 

f:id:tsushan:20180319151637p:plain

1: 階層型ネットワーク((ニューラルネットワークの種類))

 

この図は3階層で表現されているが、この階層の数によって解ける問題が異なってきます。

 

②相互結合型ネットワーク

このタイプでは信号の流れる方向は1方向でなく、フィードバックをします。 下の図2のような構造をもつものを、特にフィードバック付き相互結合型ネットワークとも呼んでいます。

 

f:id:tsushan:20180319152513g:plain

 

2: 相互結合型ネットワーク*5

f:id:tsushan:20180319153413g:plain



3:  フィードバック付き相互結合型ネットワーク *6

 

非階層型ネットワークは連想記憶モデルや音声合成音声認識の分野につかわれています。

 

これらの2つの型のネットワークについては、別の機会を設けて更に詳しく説明していきたいと思います。またニューラルネットワークの上の概念、機械学習についても別の機会で説明をしていきたいと思います。

 

ではまた!

【人工知能】AI 形式ニューロンモデル(人工ニューロン)

あと一週間ぐらいで曲「MI GENTE」の振り付けをマスターしそうなTsushanです。

 

さて、今日はニューロンモデルについて入っていきます。

 

今まで2回に分けて人工知能神経細胞とその情報伝達方法について説明してきました。その内容は、今日の形式ニューロンモデルに繋がっているため、まだ見てない人は是非それらも読んでください。

【人工知能】AIと神経細胞(ニューロン) - Webディレクターtsushan’s blog

【人工知能】AI 神経細胞(ニューロン)の情報伝達 - Webディレクターtsushan’s blog

 

過去の記事の中でも述べましたが、人工神経または人工ニューロン(英: artificial neuron)とは、人工知能において、生物学的神経を参考にして考案されたニューラルネットワークを構成する基本単位である。これが今回やる形式ニューロンモデルに当たる。

 

具体的には、図1を図2に変形したものである。

 

f:id:tsushan:20180310181219j:plain

図1_生物学的ニューロン 画像参考 *1

 

↓以下に変形

 

f:id:tsushan:20180310180636j:plain

図2_形式ニューロンモデル  画像参考 *2

 

情報伝達順番

情報は、他神経のシナプス樹状突起→細胞体→軸索の順にを通っていくので、図2ではそれぞれ「入力」「結合荷重1,2」「ユニット」「出力」と表現している。

※情報伝達の詳細については過去の記事をご覧ください。 *3

・入力

情報(化学物質に変換された電気信号)は、図1の「他神経のシナプス」からまずは伝達されてくるので、図2ではそれを「入力1」「入力2」と表現している。

※この入力の数(他神経のシナプス)は実際いくつあっても良い。ここは紹介の便宜上2つにしている。他の記事や文献では3個以上の形式的ニューロンも普通に見られる。

・結合荷重

結合荷重は、任意の実数値で、入力に重みをかける役割をしている。 これは、シナプスが異なる伝達効率を持って、樹状突起に情報を渡していることを表現している。

シナプスは、使わる頻度でそのシナプスの太さ、強さが異なる。太さや強さによって、電気信号の伝達効率も異なる。 *4

しきい値

樹状突起から流れてくる電気信号がある一定量を超えると通常-70[mV]ある膜電位は、瞬間的に0[V]を上回り、そのタイミングで情報が細胞体から軸索に移行して行く(発火インパルスと呼ばれる)。その情報の一定量を図2では「しきい値と呼ぶ。

※膜電位について詳しく知りたい方は、過去の記事をご覧ください。 *5

・ユニット

細胞体は、電気信号の量が一定値を超え、膜電位が0[V]を超えると、軸索に電気信号を流し始めます。そのため、図2のユニットは、入力された電気信号の総量が(入力に重みをかけた総和)がしきい値を超えたか判定をする役割を持っている。

・出力

通常はしきい値が超えればユニットは「1」を出力、超えなければ「0」を出力する。いま、図2では入力は2つしかないが、 たくさんの入力が加わったときも実際の細胞体が出力する信号の大きさは 一定であることが観測されている。   *6

※筆者が読んだ記事の中で、しきい値を超えた際に「1」超えなかった際に「−1」を出力したほうがいいというものもあった。 *7

 

ここまでが、形式ニューロンモデルについての機能説明でした。

次回では、この形式ニューロンモデルを数値で表していきます。

文系出身のTsushanでもなんとなく理解できた内容なので、みなさんもおそらく問題ないかと思います。

形式ニューロンモデルの数値化を紹介したあとは、いよいよニューラルネットワーク機械学習について見ていきたいと思います。

 

ではまた!!

 

 

【人工知能】AI 神経細胞(ニューロン)の情報伝達

休日ずっとダンスの動画見てなんか適当に踊ってるTsushanです。

 

前回の記事では、神経細胞ニューロン)の組織構造について書きました。

【人工知能】AIと神経細胞(ニューロン) - Webディレクターtsushan’s blog

 

今日は一歩進んで神経細胞ニューロン)の情報伝達について説明しようと思います。

人工知能の話は次回入るから、もうちょっと待って。。。

 

神経細胞ニューロン)の情報伝達

神経細胞の情報伝達を考える時に、2つのことを考えなければいけません。

神経細胞内の情報伝達(シナプスを通さない情報伝達)

神経細胞同士の情報伝達(シナプスを通す情報伝達)

 

でも人工知能を学んでいく上では、自分が調べてみた結果、現時点では②は必要がないかと思われるので、時間のない方は①だけ見て次に行ってください。② は自分の知識整理程度で書いてます。

神経細胞内の情報伝達 (シナプスを通さない情報伝達)

神経細胞内の情報伝達は電気信号の伝達によって行われている。 *1これを、イオン伝達という文章も見かけますが、どちらが正しいでしょうか。詳しい方いたらコメント下さい。

 

すごい簡単に言うと以下の3つ。

 

・この電気信号伝達は電位の変化によって起きる。電位の高いところから低いところに情報は流れていく。*2

神経細胞内は細胞外の間にある細胞液に対して-70[mV]の電位差を持っている。通常膜電位と呼ばれる*3 *4

神経細胞の細胞体に情報が入り始めてある値を超えると、発火(-70[mV]だった電位差が0[mV]を超え)と呼ばれる現象が起こる。その時初めて情報は、細胞体から軸索を通って次の神経細胞に移動していく。つまり発火しないと、情報が次の神経細胞たどり着かないことを意味する。

 

一旦この3つさえわかれば、次回やるニューロンモデルの話に入れるかと思うので、これから書く「シナプスを通す情報伝達」を見なくても大丈夫です〜。

 

神経細胞同士の情報伝達(シナプスを通す情報伝達)

自分で色々調べていくうちに、シナプスを通す時は、神経細胞内の情報伝達より複雑なことを行っていることに気づいて、へ〜なるほどって思ったので、ここでメモ。

 

前回の記事でも書いたように、末端軸索の膨らみであるシナプスと、次の神経細胞との間に20nm程度の隙間が空いている。

前回の記事内に詳細動画もあるので、見てない人は理解のために是非。

【人工知能】AIと神経細胞(ニューロン) - Webディレクターtsushan’s blog

 

シナプスの情報伝達

シナプスの情報伝達

末端軸索までたどり着いた電気信号はそのままではこの隙間を超えられないので、細胞間を飛び越えられる化学物質にここで変身する。

 

具体的には、電気信号を察知したシナプスにある小胞から「神経伝達物質」という化学物質が、シナプス間隙に分泌される。神経伝達物質が、次の神経細胞の細胞膜にある受容体に結合すると、電気信号が生じて情報が伝達される仕組みになっている。*5 *6

 

ちなみにみんなが知っている「ドーパミン」もこの神経伝達物質として知られている。

 

ここで、疑問に思ったのは、

・そもそも電気信号は情報を伝えているのであっているのか。

・もし電気信号で伝えているのは情報だった場合、シナプス小胞に含まれている神経伝達物質にすべて代替される認識であっているかどうか。(パケットとWiFiルーター的な??)

シナプス小胞はもとからシナプス内に含まれているのに対して、電気信号はあとから来たもの、化学物質の成分量で電気信号の内容を表現しているということなのか。

 

ま、こんな疑問AIを考える上では多分な〜〜にも役に立たないけど、

また時間があったら調べます。

 

では、次回は形式ニューロンモデルに入っていきます!

tsushan.hatenadiary.jp

 

【人工知能】AIと神経細胞(ニューロン)

最近「ごはん行きましょう!」というのがいよいよ口癖になってきたTsushanです。

その場で次のスケジュールに抑えるまであとひと頑張り。

 

さて、今日のテーマは「神経細胞」について。

 

AIのディープラーニングができる元になった考え方はコネクショニズムと呼ばれるもので、人間のようにたくさんの経験を積ませて、そこからAIが自ら学習させていく考え方である。(これに対して、A→B、B→Cと繋がりを一つ一つ教えていくのが、「記号主義」と呼ばれる考え方である。)*1

そのため、AIなどで使わる根本的な単位や考え方に、実際の神経細胞の仕組みが当てはめられている。

例えば、人工神経または人工ニューロン(英: artificial neuron)とは、人工知能において、生物学的神経を参考にして考案されたニューラルネットワークを構成する基本単位である。

 

だから、少し遠回りと感じるかもしれないが、AIの勉強に入る前にまず少し生物学の神経細胞についてお勉強しましょう。

 

神経細胞ニューロン

神経細胞とは、電気信号を発して情報をやりとりする特殊な細胞である。その数は大脳で数百億個、小脳で1000億個、脳全体では千数百億個にもなる。*2 ここで自分にとって意外な事実は、小脳の方が神経細胞の方が多いということ。

 

f:id:tsushan:20180302111153j:plain

ニューロン

画像参考*3

 

神経細胞は、細胞体、軸索、樹状突起の3つの要素で成り立っており、「ニューロン(神経単位)」とも呼ばれる。

 

細胞体(soma):上図で「細胞体部」と書かれているオレンジの部分で、中に赤丸の「核」が描かれており、神経細胞のメイン部分である。

樹状突起(dendrite):細胞体から飛び出した枝のような部分。ほかの神経細胞から電気信号の情報を受け取る“入力アンテナ”である。

軸索(axon):細胞体から飛び出した枝のような部分。細胞体から延びている突起状の構造で、神経細胞において信号の“出力アンテナ”である。 細胞体から出ている軸索は普通1本で、軸索の先端はいくつにも枝分かれしている。

 

シナプス

シナプス(Synapse):軸索が枝分かれしているところを軸索末端という。またこの末端のところの膨らみの部分をシナプスという。(上図)このシナプスは、他のニューロンと繋げる役割を持っている。ここで注意してほしいのが、このシナプスは完全に他のニューロンとくっついているわけではなく、ほんの少しだけ隙間が空いている。(数万分の1mm)そのため、電気信号を一度化学物質に変換して、情報の伝達を行っている。*4

 

参考までに、ここにニューロンが情報伝達するイメージ動画を載せておきます。(2分ほど)

www.youtube.com

 

下が、シナプスが電気信号を他のニューロンに伝えているシーンの動画です。音はないです。(40秒ほど)
 

www.youtube.com



 
正直AIをプログラミングする上では、ここまでの知識を理解していなくてもなんの問題もないかと思われる。でもこれらの知識を知ったほうが、よりAIについての理解が深まるので、ぜひ各自で更に深めてほしいと思う。もちろん自分も。
 
次回は、この神経細胞ニューロン)の情報伝達の仕組みを勉強して、ニュートラルネットワークに話を移したいと思う!!
 
ではまた!!

 

tsushan.hatenadiary.jp

 

【人工知能】AI 4つのレベルとその事例

旧正月を中華街で過ごしたTsushanです。最近、中国が恋しいです。

 

前回のブログでは、AIの歴史について紹介した。

【人工知能】AIの歴史:AIの三大ブーム - Webディレクターtsushan’s blog

 

AIは主に3つのブームと冬の時代を経て、今に至っている。*1

ブーム1:探索・推論(1950年代後半〜1960年代)

ブーム2:エキスパートシステム(1980年代〜1990年ごろ)

ブーム3:機械学習ディープラーニング(2010年〜現在)

 

ただ、いま身の回りのすべてのAI関連の製品やサービスが機械学習ディープラーニングのレベルのものかというと、決してそんなことはない。実際は、上記の3つブームの技術内容がさまざまな場面で使われているのが現状である。

 

そこで今日は、AIの4つのレベルとその事例について紹介する。

この記事について書こうとした理由は、意外と本にもネットにもAIのレベル別事例集がないんだなと、不便に感じたからである。

(この記事で述べられるものは、松尾 豊 氏著:人工知能は人間を超えるか、を参考に、筆者自ら調べた内容である。そのため、一部筆者の推測が含まれている。ぜひそれを念頭に読んでほしい)

 

 

人工知能のレベル分けと事例

人工知能のレベル分けと事例

※画像の無断使用は禁止。引用される際は必ず、ソースを貼り付けください。

 

 

AIは現在4つのレベルに別れている、これはAIの歴史の分類とほぼ同じである。またここでは、厳密ではただの制御工学のものをレベル0に分類している。

 

レベル0:制御工学の応用

特徴:

マーケティング的に、「人工知能」「AI」名乗っているものであり、ごく単純な制御プログラムを搭載しているだけの家電製品に「人工知能搭載」などとうたっているもの。

人工知能は人間を超えるか」より引用

例)

・気温の変化や省エネのレベルに応じて自動で温度・湿度を調整するエアコン。
・中に入っている食材に合わせて最適な温度調節をする冷蔵庫。

これらは制御工学、システム工学の発展であり、人工知能ではない。

 

ではどこまでの機能が備えられると単純な制御プログラムではないと言えるのか。

 

文系出身の自分はこの問題に多くの時間を取られた。。。

正直、機械学習ディープラーニングを学んでいく上では、ここの分類ができなくてもなにも困ることはないと思うが、とても気になったので調べてみた。

※調べた詳細内容についてはまた別記事で。

 

その結果、以下の持論を持つようになった。

AI家電であるもの

・何かしらの認知センサーと特有のアルゴリズムを持ち、かつ自動で機能調整できるもの。(ここのAI家電は基本後述するAIレベル1に相当する)

AI家電ではないもの

・単一機能しかなく、家電本体で自動機能調整、制御ができないもの。

・単一機能にインターネットに繋いたり、スマートフォンに情報送受信できる機能を加えたもの。(これは、IoT家電に分類されるのが正しい)

 

この分類の仕方に正直自信はあんまりないので、私のこの記事を見て、こうやって分類したほうがわかりやすいよ!!って方がいたら、ぜひコメントください!

 

ではレベル1の特徴と事例を見ていきましょう。

 

レベル1:推論・探索

特徴:簡単なIF分岐をして、物事を判断ができるもの

例)

ハノイの塔・迷路など簡単なパターンゲームが解けるプログラム

・チェス・将棋の対戦プログラム 機械学習ディープラーニングができないもの

・ChatBot ※言わいるBotもここに分類される

・ルンバ980などのロボット掃除機 *2 など

 

調べて結構びっくりしたのが、最近の話題のチャットボットの技術は、AIの第一次ブームの1970年代前後でもうすでにできていたこと。今のチャットボットって、その技術をうまく見せているだけなんだなと。

 

レベル2:知識の応用

特徴: エキスパートシステムと呼ばれているもの。同じIF分岐でも、レベル1の探索よりパターンが複雑で多い。

例)

・Dendral 世界初のエキスパートシステム*3

・医、薬学知識などを大量に読み込み、症状から病名を判定したMYCINシステム*4

・クイズ番組で優勝したワトソン

・思いついた人物を当てるアプリ「アキネーター」 *5 など

 

アキネーターってが流行ったのは多分2012年ぐらいで、あのときの自分はまだ学生で、ただただすげーとしか思わなかったが、 そこで使われているものははきちんとしたAI技術なんだなと驚き。あと、最先端技術のイメージのワトソンは、機能別でみていくと実はすべて最先端技術がというとそうでもないみたい。これも、結構へ〜ってなった。

 

レベル3:機械学習

特徴:ビックデータをもとに自動的に判断したりする人工知能機械学習アルゴリズムが利用されていることが多い。

※情報ソースについてはこれから更に更新をかけていきます。

例)

スパムメール検知機械学習の古典)*6

・クレジットカード不正検知機械学習の古典)*7

・商品レコメンデーション*8

・サイト内の検索機能エンジン(その中のレコメンド機能も該当する)*9

・手書きの数字認識*10

・顔検出(※特定の顔を検出というよりかは、顔であることを認識する)*11

・株式取引*12

・形状検出*13

Google検索エンジン(RankBrain)2015年 *14 など

 

馴染みのある、スパムメールにフィルターをかけたりするのも、実は機械学習を使っているのは1番驚いた。あと、Google検索エンジンは、もうてっきりディープラーニングやってんだろって思ってた(妄想)けど、ここはまだ機械学習のレベルなんだと逆に新しい発見をした。

 

レベル4:ディープラーニング

特徴:人間が勉強サンプルや概念を与える必要がなく、自ら特徴量と呼ばれるものを学習できるもの。

例)

・ILSVRC トロント大学チーム優勝 2012年 初のディープラーニング成功事例 *15

Google ディープラーニングで猫の認識 2012年 *16

・AlphaGo 2016年 *17

 

以下はまだちゃんとしたソースで調べきれていないが、こんなこともできるみたいです。一部抜粋 *18

・一般画像認識 人間並み、時には人間よりも正確に素早く画像を識別

・顔から感情を推定

・顔から年齢

・性別を推定 

・白黒→カラー変換

・ニューラル翻訳

・説明文から写真を生成

・教師なし学習  など

 

正直まだパッとしないな〜って印象。でもそう思うのも、単純に自分がまだこの機械学習ディープラーニングの分野についての知識が疎いのだからだと思う。

もっと勉強していきます〜〜。

 

 

ここまでが、AIのレベルとその事例についてでした。

いかがだったでしょうか??

もの足りなかった人、この記事もどんどん確かなソースと情報をつけて更新かけていくので、ぜひまた見に来てください!

 

また今後AIの事例について世の中で多くなっていくと予想されるが、その事例を見ながらしっかりこの事例はこのレベル技術の応用かな?という想像をしていくと、事例認識に対する精度が高くなっていくと思うので、ぜひみなさんも意識しながらやってみてください! 

 

では、今日はここまで!!

 

追記:2018/03/19

多分提案を書く際に思いつくものに関しては、殆どのものがレベル3「機械学習」の部分に当たるものかと思われる。だから、あとは、機械学習はどこまでできるの?自社のサービスとどれぐらい相性がいいの?というのを確認したほうがいい。もしかしたら、自社で利用しているサービスがすでに機械学習している、っていうこともありえたりするので、そこの注意は必要かも。※実際に自分が提案書を書いてみた経験論。

 

AIが活躍する分野についても、内容を更新しました。2018/03/25

ぜひそちらの事例もあわせて確認ください。

 

tsushan.hatenadiary.jp

 

*1:総務省|平成28年版 情報通信白書|人工知能(AI)研究の歴史

*2:お掃除ロボットの人工知能とアルゴリズム | ロボット掃除機比較ガイド

*3:Dendral - Dendralの概要 - Weblio辞書

*4:MYCINとは - Weblio辞書

*5:研究開発:Akinator アキネータの仕組み - livedoor Blog(ブログ)

*6:http://www.kochi-tech.ac.jp/library/ron/2012/2012info/1130378.pdf

*7:「カード不正利用」の検知精度、深層学習で劇的向上 :日本経済新聞

*8:レコメンドに浸透していくDeep Learning: 大手サービスの実用例から最新アルゴリズムを概観する - DeepAge

*9:goo Search Solution - ECサイト内検索・商品検索サービス |

*10:手書き数字を98%認識、正解未知データを学習するAI

*11:https://news.mynavi.jp/article/cv_future-14/

*12:https://kaigi.org/jsai/webprogram/2017/pdf/1112.pdf

*13:http://www.riken.jp/brict/Yoshizawa/Lectures/Lec22.pdf

*14:いま、人工知能は「Google検索」を大きく変えようとしている|WIRED.jp

*15:【連載第1回】ニューラルネットの歩んだ道、ディープラーニングの登場で全てが変わった - 日経BigData

*16:Google、大規模人工ニューロンネットワークを用いた研究成果を紹介 | 日経 xTECH(クロステック)

*17:AlphaGo の論文をざっくり紹介 - technocrat

*18:2016年11月現在のAIにできることとできないこと - WirelessWire News(ワイヤレスワイヤーニュース)