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.

About AI(Machine Learning)

449 views

Published on

武蔵大学 伊藤ゼミ 講演資料

Published in: Education
  • Be the first to comment

  • Be the first to like this

About AI(Machine Learning)

  1. 1. AIとは何か? 武蔵大学 伊藤ゼミ 2019/06/11 資料 2019/6/11 (C) Copyright 1996-2019 SAKURA Internet Inc さくらインターネット研究所 所長 鷲北 賢さくらインターネット株式会社
  2. 2. 自己紹介 • 鷲北 賢(わしきた けん) • 1998年4月入社 • バックボーンのお守りからサービス開発まで ─ 初期の専用サーバ、データセンター構築 ─ オンラインゲームプロジェクト ─ さくらのクラウド開発マネージャー、などなど • 2009年より、さくらインターネット研究所 所長 ─ 仮想化技術の研究(Linux KVM) ─ 高性能リソースを分割するより小型計算機を集めて高性能化する ほうに興味あり • @ken_washikita、https://facebook.com/ken.washikita 2
  3. 3. ここでは • AIが現在どんな利用をされているのか • 将来をみすえて考えたとき、どんなことが できそうか • テクニカルな話はなるべく控えめに 3
  4. 4. 市場動向 4 IoTやAI、ロボットなどの技術革新により第4次産業革命へ 第 1次 産 業 革 命 第 2次 産 業 革 命 第 3次 産 業 革 命 第4次産業革命 蒸 気 機 関 電 力 ・ モ ー タ ー コ ン ピ ュ ー タ I o T ・ 人 工 知 能 ・ ロ ボ ッ ト データ量・処理量が飛躍的に増大 世界のデータ量は 2年ごとに倍増 実社会のあらゆる事業・情報が、データ化・ネットワークを通じて自由にやりとり可能にI o T ビ ッ グ デ ー タ 人 工 知 能 ( A I ) ロ ボ ッ ト 集まった大量のデータを分析し、新たな価値を生む形で利用可能に 機械が自ら学習し、人間を超える高度な判断が可能に 多様かつ複雑な作業についても自動化が可能に ディープラーニング等によりAI技術が 非連続的に発展 ハードウェアの性能は 指数関数的に進化 出典:経済産業省「『新産業構造ビジョン』 ~第4次産業革命をリードする日本の戦略~」
  5. 5. コンピュータの進化 5 1946年 ENIAC 現代 市販のGPU搭載サーバ ASRock https://www.asrockrack.com/general/productdetail.asp?Model=2U4G-EPYChttps://ja.wikipedia.org/wiki/ENIAC
  6. 6. コンピュータが進化するとどうなるか? • 小型化する • 価格が安くなる • 高速化する より複雑で大規模な問題が解けるようになる 6
  7. 7. 例:歩行ロボット 7 1971年 WL-5 2011年 ASIMO http://www.humanoid.waseda.ac.jp/booklet/kato_4-j.html https://www.honda.co.jp/ASIMO/about/
  8. 8. 歩行ロボットの進化 • メカトロニクスの進化もある ─ 高性能モーターや新素材の発明など • コンピュータの進化がもっとも大きい ─ 小型化(ASIMOの背中にすべて搭載できる) ─ 低価格化(たくさん使える) ─ 高速化(ASIMOは走ることも可能) 現在は荒地でも歩けるロボットが開発中 8
  9. 9. では AIは? 9
  10. 10. AIの歴史 • AI研究の歴史も古く、長い ─近代史だけでもENIACと同じぐらい古い • 大雑把に説明すると…挫折の歴史 ─何度か「ブーム」「ブレイクスルー」があった ─結果は、それほどすばらしくなかった ─例:ASIMOは市販されませんでした 10
  11. 11. 現在のAIブーム(1) • 従来のAIの手法 ─コンピュータにすべての状況をプログラムする ─歩くロボットなら; 「右足を一歩踏み出せ」「次に左足を踏み出 せ」「それを繰り返し実行しろ」 ─想定された状況ならばよい ─しかし現実世界は無限の状況からなる ─対応しきれない 11
  12. 12. 現在のAIブーム(2) • 現代のAIの手法 ─ 「自分をプログラムするプログラム」を作る ─ よちよち歩きのロボットを荒地で歩かせる ─ 最初は転んでばかりだが、だんだん上手に歩けるよう になる ─ 「自分をプログラムするプログラム」を改良する • パターンを抽出する ─ 高性能コンピュータの力で、膨大なデータから特徴を 抽出する ─ 特徴から価値を見出し、直接利用したり、プログラム の改良に利用したりする 12
  13. 13. 自分をプログラムする = 機械学習 パターンの抽出 = データマイニング 13
  14. 14. 機械学習 • 訓練データから既知の特徴に基づいて予測 すること ─多数の訓練(あるいはデータ)が必要 ─既知の特徴とは、たとえば「歩行」など ─多数というのは100とか1000ではなく、100万 とか1億というスケールの話 ─人間には真似できないが、コンピュータならや り遂げることができる 14
  15. 15. 機械学習のテクニック • 教師あり学習 ─ 訓練データにラベル(分類)が付いていて、それをガイドに学習を行う ─ データは先生からの助言と見なせることから「教師あり」と呼ばれる ─ 「正解」がある程度決まっているケースに使える • 教師なし学習 ─ 訓練データにラベルが付いていない ─ 正解が分かっていないが、パターンを抽出したいときに使う • 強化学習 ─ 学習の過程で環境を観測するエージェントを持つ ─ エージェントは行動結果に基づき報酬(プラスあるいはマイナス)を得る ─ エージェントは報酬に基づき行動を変える(学習) ─ エージェントはより大きな報酬を得られるように行動を変えていく ─ 「歩行」のような学習は強化学習が利用される 15
  16. 16. 事例1:胸部X線写真のAI診断 • ググってみて1番目に出てきた事例 https://www.m3tech.blog/entry/2018/07/30/111202 • アメリカ国立衛生研究所が公開した約11万 枚の胸部X線写真(14の疾患のラベル付) • これを教師データとして機械学習エンジン を開発 • 完成したAIで胸部X線写真を判定 • ほかのAIと比較した、という記事 16
  17. 17. 事例2:強化学習による歩行のシミュレーション • YouTubeで「強化学習 歩行」で検索 • 動画がたくさんヒットする • 意外に丁寧に説明してくれているので勉強 になる 17
  18. 18. データマイニング • これまで「未知」だったデータの特徴を発 見すること ─膨大なデータを分析するとき; ─従来は仮説を立て、特徴を探していた ─データマイニングは機械学習のテクニックを適 用しAIに特徴を抽出させる ─パラメータを変えながら何度も繰り返すことで 人間が気づかなかった特徴があぶりだせる 18
  19. 19. 身近な課題との 結びつけ 19
  20. 20. 考え方 • 基本は「学習」「パターンの抽出」 ─ データ(事例)はたくさんあるが、忙しすぎて分析が できていない ─ 一見複雑で、人間には手に負えない ─ 一見無価値で、人間がやるほどには見えない ─ AIにやらせてみたら? • データの集め方を考える ─ 具体的な方法が提案できればベスト ─ しかし具体的でなくても「できるはず」でもOK ─ なるべく人ではなく「機械や通信でやります」という 形にしておく 20
  21. 21. AIは万能ではありません • AI(機械学習)は強力なツール(道具)です ─ あくまでもツールにすぎません ─ 人間に代わって「考えて」くれるわけではありません ─ 判断や価値は人間でないと分かりません ─ 良いか悪いかはみなさんのアイディアにかかっていま す • 自由な発想が期待されています ─ コンテストでは「発想」がもっとも重視されます ─ 課題に対して、AIを活用できる発想をしてみてくださ い 21
  22. 22. 出典/参考リンク • Wikipedia ─ ENIAC ─ 機械学習 ─ データマイニング ─ 教師あり学習 ─ 教師なし学習 ─ 強化学習 • ASRock ─ https://www.asrockrack.com/gener al/productdetail.asp?Model=2U4G- EPYC • 2足歩行ロボット ─ http://www.humanoid.waseda.ac.jp /booklet/kato_4-j.html • ASIMO ─ https://www.honda.co.jp/ASIMO/ab out/ • M3 Tech Blog ─ https://www.m3tech.blog/entry/20 18/07/30/111202 22

×