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. 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. 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. 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. 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. 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. 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. 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. では
AIは？
9

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. 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. 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. 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. 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. 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. 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. 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. 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. 身近な課題との
結びつけ
19

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. 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. 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