Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

LiBRA 08.2019 / ITソリューション塾_AI

350 views

Published on

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

Published in: Technology
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL MOVIE, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... ,DOWNLOAD FULL. MOVIE 4K,FHD,HD,480P here { https://tinyurl.com/yybdfxwh }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL BOOKS, INTO AVAILABLE Format, ......................................................................................................................... ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Be the first to like this

LiBRA 08.2019 / ITソリューション塾_AI

  1. 1. 人間に寄り添い能力を拡張する 人工知能(Artificial Intelligence/AI) ITソリューション塾・第31期 2019年6月12日
  2. 2. 人間は何を作ってきたのか 2 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
  3. 3. 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
  4. 4. 特化型と汎用型の違い 4 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
  5. 5. 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 学習それたモデルから分 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・識別・判断を自動化する
  6. 6. 「人工知能」と言われるものの4つのレベル 6 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
  7. 7. 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。
  8. 8. 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
  9. 9. 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」
  10. 10. 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
  11. 11. 一般的なプログラムと機械学習を使ったプログラム 11 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
  12. 12. AI導入/データの戦略的活用における3つの課題 12 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
  13. 13. 「東ロボくん」の実力と代替可能な職業 13 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
  14. 14. 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 14 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
  15. 15. 自動化と自律化の領域 15 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
  16. 16. 人工知能と機械学習
  17. 17. 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
  18. 18. 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
  19. 19. 人工知能と機械学習 19 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
  20. 20. ルールベースと機械学習 20 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。
  21. 21. 機械学習と推論(1) 21 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
  22. 22. 機械学習と推論(2) 22 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
  23. 23. 機械学習と推論(3) 23 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
  24. 24. 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>
  25. 25. 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>
  26. 26. 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。
  27. 27. 一般的機械学習とディープラーニングとの違い 27 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 72% 誤った認識 28% 認識結果 耳 43% 目 29% 鼻29% 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 89% 誤った認識 11% 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
  28. 28. どんな計算をしているか 28  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。
  29. 29. 学習と推論の関係、そしてIoT 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
  30. 30. IoT メカトロニクス 知能・身体・外的環境とAI 30 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
  31. 31. 機械学習の学習方法 31 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
  32. 32. 機械学習における3つの学習方法 32 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
  33. 33.  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
  34. 34. 敵対的生成ネットワーク/GANs: Generative Adversarial Networks 34 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)
  35. 35. 深層強化学習 deep reinforcement learning 35 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
  36. 36. 「機械学習」の課題 36 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
  37. 37. 転移学習 Transfer Learning 37 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
  38. 38. 深層学習が前提となったシステム構造 38 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
  39. 39. 人工知能の可能性と限界
  40. 40. AIに出来ること、人間に求められる能力 40 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
  41. 41. ミッシング・ミドル(失われた中間領域) 41 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
  42. 42. 機械学習の活用プロセス 42 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
  43. 43. 学習データと結果の関係 43 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
  44. 44. 44 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
  45. 45. 若者人材の確保が困難 45 2009年をピークに減少 継続的に人口が増加
  46. 46. 超高齢化社会を人工知能やロボットで対応 46 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
  47. 47. ベーシックインカム(Basic Income/BI) 47 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
  48. 48. AIプロセッサ
  49. 49. 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
  50. 50. 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
  51. 51. 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。
  52. 52. 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
  53. 53. GPUは何故ディープラーニングに使われるのか
  54. 54. GPUは何故ディープラーニングに使われるのか
  55. 55. 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)
  56. 56. TPUの進化 第一世代TPU 2016年 第二世代TPU 2017年 第三世代TPU 2018年 GPUの30倍の性能、80倍のエネルギー効率 人工知能の「推論」に特化 計算精度は8ビット 計算精度を16ビットに増強 サーバー側での学習への適用が可能に 精度向上のため、処理能力はTPU1の半分 第二世代TPUの8倍の処理能力 液冷によって実装密度を向上
  57. 57. ARMのAIアーキテクチャ ARM DynamIQ Arm ML (Machine Learning) Arm OD (Object Detection) 2017年3月発表 CPUクラスタの規模を最大8コアに拡張 ヘテロジニアスマルチコア構成が可能 AI/ML「にも」有効 モバイルデバイス上での機械学習を高速化 毎秒4.6兆回以上の演算(4.6TOPs)が可能 画像認識に特化 60 fps(フレーム/秒)のフルHD映像をリアルタ イムに検知 監視カメラなどへの応用(IoT) Arm MLとArm ODを組み合わせることで 高性能かつ電力効率の高い人物検出・認識ソリューションを実現
  58. 58. クライアント側でのAI処理(推論) 音声認識 自然言語処理 画像認識 顔認識・顔認証 周囲の状況を把握 認知・判断 状況予測・判断不審者の検知
  59. 59. Apple A12 Bionic CPU ISP Neural engine GPU SRAM DRAM
  60. 60. 60 ネットコマース株式会社 180-0004 東京都武蔵野市吉祥寺本町2-4-17 エスト・グランデール・カーロ 1201 http://www.netcommerce.co.jp/

×