自動化とAIの違いはなにか？
Your SlideShare is downloading.
×
Check these out next
More Related Content
Slideshows for you (20)
Similar to 人工知能と機械学習の違いって？ (20)
More from Shuyo Nakatani (20)
Recently uploaded (20)
人工知能と機械学習の違いって？
- 1. 人工知能と機械学習の 違いって？ 2017/03/08 Open Tech Talk NTT レゾナント × サイボウズ サイボウズ・ラボ 中谷 秀洋
- 2. アジェンダ • 人工知能と機械学習 ‣その違いと「人工知能ブーム」の正体 ‣予備知識不要 • 機械学習と深層学習 ‣その違いと深層学習のサンプルコード ‣多少の機械学習の知識前提
- 3. 「人工知能」ブーム • ライバル社が「人工知能」を使ったサー ビスをリリース • 「御社はAIでなにかしないんですか?」 と現場で営業にプレッシャー • うちも人工知能でなんかできない? • ところで人工知能って使っているうちに 勝手に賢くなるんだよね?
- 4. 「人工知能」ってなんだろう? • 「AIを使った」と言うには? ‣機械学習? ‣深層学習? ‣「本物の人工知能」技術?
- 5. まず最初に覚えること
- 6. 人工知能＝賢い
- 7. 2種類の人工知能 • 強いAI(汎用人工知能) ‣人間の脳に追いつき、超える(目標) ‣物語に出てくる、世の中がイメージするAI ‣一番楽観的な予測で、実現は30年後 • 弱いAI(特化型人工知能) ‣“強いAI”を実現するための要素技術 ‣機械学習、エキスパートシステムなどなど ‣賢くないし、(一般的な意味での)学習もしない
- 8. 機械学習 • 機械学習 ≠「学習」 ‣モデルを人間が決める ‣データに対し最高性能になるパラメータを見つける • できなかったことが、「学習」してできるように なったりしない ‣モデルを選んだ時点で、理想的な最高性能は決まる ‣追加学習の仕組みを持つモデルもあるが、勝手に追 加学習させるプロダクトはあまりない • 与えるデータをうまくコントロールしないと性能が下がる
- 9. エキスパートシステム • 1970～80年代に流行したAI技術 ‣専門家が記述したルール(If-Then)から答え を自動的に推論 プログラミン グが得意? 対話的な 機械学習ツール AzureMLなど 数式が苦手? Yes No機械学習 したい! 機械学習 ライブラリ sklearnなど Yes TensorFlowなど 深層学習 ライブラリ TensorFlowなど No もっとも原始的なエキスパートシステム
- 10. 深層学習＝人工知能? • 現在 実応用可能な技術の中で “強いAI” に一番近い技術 理想的な 人工知能の 世界 機械学習(理想) 機械学習(現実) 深層学習
- 11. 深層学習 • 通常の機械学習 ‣パラメータより多いデータを用意 ‣解は単純な空間のほうが好ましい(汎化性能) • 深層学習 ‣データよりはるかに多いパラメータ ‣複雑な表現の空間を見つけ出す すべての画像の空間 数字画像の空間 訓練用の数字画像 ここからは 機械学習の言葉も 使います 「数字画像」を「顔写真」 とかに置き換えてもOK
- 12. 深層学習の どのあたりが AI に近い？
- 13. • Street View House Numbers http://ufldl.stanford.edu/housenumbers/ • ストリートビューから切り出したハウスナンバー(表札)データセット
- 14. • Street View House Numbers http://ufldl.stanford.edu/housenumbers/ • ストリートビューから切り出したハウスナンバー(表札) １と９だけじゃなくて 同じデザインの他の数字の 画像も欲しいなあ
- 15. データの生成 • 従来 ‣データの構造を反映したモデルを構築 • 例:文字生成 ‣ペン、ストローク、文字の形、フォントの特 徴をモデル化 ‣ヒゲなどの特徴のある飾りまでうまく組み込 むのは至難の業
- 16. Generative Adversarial Nets (GAN;生成的敵対ネットワーク) 1. ディープニューラルネットワーク D と G を用意 ‣D はデータが「本物」か判別(鑑定家) ‣G は乱数から適当な画像を生成(贋作家) 2. D は、本物データと G が作った偽物を見分けら れるように訓練 3. G は、D に見分けがつかないデータを作れるよ うに訓練 4. 2. 3. を交互に繰り返すと、G が本物のような データを生成できるようになる ペン、ストローク、文字の 形、フォントの特徴、飾り などの知識を一切使わない
- 17. GAN を実装 • Python で 180行 ‣ https://github.com/shuyo/iir/blob/master/dnn/cdcgan-svhn.py ‣Conditional GAN + DCGAN • 線形代数とプログラミングの素養が あれば、深層学習を1ヶ月、 TensorFlow等を使ったプログラミングを 半月学べば書けるようになるレベル
- 18. 生成結果 • 学習の様子 ‣https://youtu.be/IXaeo9wxSoQ
- 19. 深層学習の特徴 • データの知識を使わない（使ってもいい） ‣GANは写真・イラストも同様に生成できる ‣言語の知識を使わない翻訳モデルとか ‣AI っぽい! • 本質的に不安定（不良設定問題） ‣データごとに異なる「うまくいく設定」を見つける • 膨大な試行錯誤＋職人芸 ‣リソースが多いほど有利 • 刺しているグラボの枚数が挨拶代わりｗ
- 20. References • 岡谷 貴之. 深層学習. 講談社 機械学習プロフェッショナルシ リーズ. 2015. • Goodfellow, Ian, et al. "Generative adversarial nets." Advances in neural information processing systems. 2014. • Mirza, Mehdi, and Simon Osindero. "Conditional generative adversarial nets." arXiv preprint arXiv:1411.1784 (2014). • Radford, Alec, Luke Metz, and Soumith Chintala. "Unsupervised representation learning with deep convolutional generative adversarial networks." arXiv preprint arXiv:1511.06434 (2015).
