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.

人工知能と機械学習の違いって?

13,960 views

Published on

2017/3/8 NTTレゾナントさんとサイボウズの合同勉強会 Open Tech Talk 「【解体新書】深層学習を取り入れたサービス作り」での発表資料のマイルド版です。人工知能と機械学習、深層学習の違いについて解説します。
https://connpass.com/event/51436/

Published in: Technology

人工知能と機械学習の違いって?

  1. 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. 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. 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. 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. 5. まず最初に覚えること
  6. 6. 人工知能=賢い
  7. 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. 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. 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. 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. 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. 12. 深層学習の どのあたりが AI に近い?
  13. 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. 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. 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. 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. 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. 18. 生成結果 • 学習の様子 ‣https://youtu.be/IXaeo9wxSoQ
  19. 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. 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).

×