Recommended
More Related Content
What's hot
What's hot (20)
Similar to LiBRA 05.2021 / Juku_AI
Similar to LiBRA 05.2021 / Juku_AI (20)
More from Masanori Saito
More from Masanori Saito (20)
Recently uploaded
Recently uploaded (9)
LiBRA 05.2021 / Juku_AI
- 2. DXを支えるテクノロジー・トライアングル データ解析 AI・機械学習 機械学習・深層学習 AIチップなど データ収集 IoT センサー・モバイル 自律制御など 5G 第5世代信システム DX : Digital Transformation デジタルを使いこなし その価値を最大限に活かせる 企業の文化や風土への変革 データ活用 クラウド サーバーレス・コンテナ SaaS・PaaSなど SDI ソフトウェア化 されたインフラ
- 3. 人間の知能と機械の知能
- 5. 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
- 7. 知能・身体・環境とAI 7 生物／生存と繁殖 自己概念 信念、欲求、感情、理性、自己意識 感覚器 目・耳・鼻・触覚 など 運動器官 骨格、関節、筋肉、靭帯、腱 環境／ガイア仮説 身体 影響 受容 相互作用・適応 エネルギー循環 誕 生 死 滅 進化 遺伝・淘汰・絶滅 IoT ロボティクス 地球と生物が、相互に 関係し合い環境を作る 認識 判断 運動構成 AI/人工知能 繁 殖 長く生き延び 子孫を残す 内分泌系 脳・神経系
- 8. 松尾 豊 東京大学 人工的につくられた人間のような知能、ないしはそれをつくる技術 中島秀之 札幌市立大学 武田英明 国立情報学研究所 人工的につくられた、知能を持つ実態。あるいはそれをつくろうとすることに よって知能自体を研究する分野である 西田 豊明 東京大学 「知能を持つメカ」ないしは「心を持つメカ」である 溝口理一郎 北陸先端科学技術大学院 人工的につくった知的な振る舞いをするためのもの(システム)である 長尾真 京都大学 人間の頭脳活動を極限までシミュレートするシステムである。人工的に作る新し い知能の世界である 浅田稔 大阪大学 知能の定義が明確でないので、人工知能を明確に定義できない 松原 仁 公立はこだて未来大学 究極には人間と区別が付かない人工的な知能のこと。 池上 高志 東京大学 自然にわれわれがペットや人に接触するような、情動と冗談に満ちた相互作用を、 物理法則に関係なく、あるいは逆らって、人工的につくり出せるシステム 山口 高平 慶應義塾大学 人の知的な振る舞いを模倣・支援・超越するための構成的システム 栗原 聡 慶應義塾大学 人工的につくられる知能であるが、その知能のレベルは人を超えているものを想 像している 山川 宏 玉川大学 計算機知能のうちで、人間が直接・間接に設計する場合を人工知能と呼んで良い のではないかと思う 人工知能についての明確な定義はい
- 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
- 17. 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
- 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
- 19. 自律化
- 24. 機械学習
- 26. 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」
- 27. 機械学習がやっていること：分ける／分類する 入力 出力 推論 Inference 入力を特徴の組合せ／ルールに照合 して、最も一致度が高いグループに 分類する計算処理 学習 Learning うまく分けるための特徴の組合せ／ ルールを、大量のデータの中から見つ け出す計算処理 動物 乗り物 楽器 学習 データ／学習データ 推論 入力 “X” 動物 入力 “X” の特徴は、「動物」の モデルと最も一致度が高いので、 動物のグループに分類する モデル 入力をどう処理して 出力するかのルール モデルとの照合 未分類 推論の結果＝動物 特徴が似たグループ
- 28. モデルとは何か 28 動物 座標空間 実際には多次元の座標空間 特徴1 特徴2 特徴3 楽器 乗り物 モデル 特徴の組合せが 似通っているグループ 機械学習 データからモデルを 生成する仕組み
- 29. 機械学習がやっていること モデル 推論モデル／学習モデル 入力 出力 Y＝f(X) X Y f 関数 学習：大量のXとYの関係を調べ、統計的に最も確からしい関数 f を見つける計算 推論：関数 f に入力Xを与え、出力Yを導く計算 学習データ 大量のデータを処理するため の計算資源が必要 学習ほどの計算資源は不要
- 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
- 37. 機械学習の学習方法 37 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
- 38. 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
- 39. 機械学習における3つの学習方法 39 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
- 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
- 44. AIの実用
- 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
- 47. 深層学習が前提となったシステム構造 47 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
- 48. 人工知能の可能性と限界
- 49. 機械翻訳の現状とそのプロセス 49 音声認識 Speech Recognition 機械翻訳 machine translation 音声合成 Speech synthesis 2016：人間並み 2018〜19：人間超え 2018〜19：人間との区別困難 プロの逐次翻訳に匹敵（状況による） 60 50 40 30 20 10 一般の人が翻訳した場合よりも高品質であることが多い 非常に高品質で適切かつ流暢な翻訳 高品質な翻訳 理解できる適度な品質の翻訳 主旨は明白だが文法上の重大なエラーがある 主旨を理解するのが困難 ほとんど役に立たない BLEUスコア 19851990 1995 2000 2005 2010 2015 2020 統計的機械翻訳 SMT(Statically Machine Translation) ニューラル機械翻訳 NMT(Nural Machine Translation) BLEU: BiLingual Evaluation Understudy
- 51. 人間と機械の役割分担 51 WHY HOW What テクノロジーにより 置き換えられる領域 AI、ロボット、クラウド、自動化など 人間でなければ できない領域 なぜ、なんのために、何をしたいかなど
- 55. データサイエンス
- 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
- 58. データ取得のためのプロセス設計 ステップ１：目的から仮説を導く 事業目的を明確にする その目的を達成する上での事業課題を洗い出す 事業課題を解消できるソリューション／事業の仮説を設定する ステップ２：データ項目とモデルを設定する 仮説の有効性を検証するために必要なデータ項目を決定する 必要なデータ項目が取得できる状況や条件を洗い出す 仮説を裏付けるプロセス・モデルを考える ステップ3：データの取得とフィードバック 必要なデータ項目を含むデータとその取得方法を考える ユースケースやペルソナを設定しデータ取得のストーリーを設計する ソリューション／事業を開発・実践しフィード・バックを手に入れる 評価・改善
- 59. 機械学習の活用プロセス 59 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
- 62. データサイエンティストの業務 後藤真理絵／リクルートマーケティングパートナーズ Data Scientist、Quipper Data Scientist