社内勉強会の資料です。 IT業界に入ったものの、レガシーな技術しか使ってないシステムを担当することになり、技術を知る機会が仕事に無いという若手SEが世の中にはたくさんいます。 そんな人が何を知るきっかけになれば、という思いでやってる勉強会です。 #1はAI全般についてです。

1. エンジニアのための勉強会 #1
A I

2. • AlphaGo？
• チャットボット？
• 株式売買？
• Deep Learning？
• 機械学習？
• 自然言語処理？
• ドラ○もん？
• ○ーミネーター？
AIに対するイメージ

3. • 「AI」はいわゆる「バズワード」
• 単語だけが先行して広まっている
• 「AIがヒトの仕事を代わりにやってくれるんでしょ？ 」
• マーケティング的な使われ方
• 「AI」という単語を商品で使いたい
• 「AI」が特定の技術を意味する単語ではない
• AIを構成する多くの技術がある
AIという言葉の危うさ

4. 出典：人工知能は人間を超えるか ディープラーニングの先にあるもの 松尾 豊 (著)
専門家間でもAIの定義は一致しない

5. 人工知能は「人工的につくられた人間のような知能」であり、人間
のように知的であるとは「気づくことのできる」コンピュータ、つ
まり、データの中から特徴量を生成し現象をモデル化することので
きるコンピュータである
AIを定義する
• 松尾教授の定義を参考にする
出典：人工知能は人間を超えるか ディープラーニングの先にあるもの 松尾 豊 (著)

6. • 強いAI
• 心を持つAIはコンピュータで実現できるとする考え方。汎用型AIとも
• ドラ〇もんや〇ーミネーターはこっち
• 弱いAI
• 問題解決できる便利な道具であれば良いという考え方。特化型AI
• いま世の中で実現してのはこっち
• 2つを混同するとAIができることを見誤る
強いAIと弱いAI

7. 「人間のような知能」は昔からある
書籍ではレベル分けされてたりするが割愛

8. AIの歴史
出典：NVIDIA 人工知能、機械学習、ディープラーニングの違いとは
https://blogs.nvidia.co.jp/2016/08/09/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
機械学習
狭義にはディープ
ラーニング前の手法、
広義には機械による
学習全般

9. • Deep Learningの台頭
• コンピュータの処理性能の向上（GPU等）により膨大な計算が可能に
• 2012年のILSVRCで圧倒的な成績
• AlphaGo
• 囲碁の世界チャンピオンに勝利
• フレームワークやサービスの多様化
• 誰でも少し勉強すれば高度な設備も要らず簡単に始められる
• GAFA、MSなどが多様なAPIを提供
なぜ今になってAI？

10. • ニューラルネットワーク（NN）
• 人間の脳の構造を模したアルゴリズム。入力に対して何らかの計算をして出力
• 中間層（隠れ層）の数を増やしたNNでの学習をDeep Learningと呼ぶ
Deep Learningとは
https://qrunch.net/@hokekiyoo/entries/vjBGEBV0ZePYyTVu

11. • 教師あり学習
• 大量のデータからニューラルネットのパラメータを決める（学習/訓練）
• パラメータをもとに入力に対する結果を決める（推定）
• 画像分類が代表例
• 教師なし学習
• データそのものが持つ構造を学習
• 強化学習
機械学習で使われる手法
Deep Learningに限った手法ではないので、タイトルは機械学習としています。

12. • 特徴表現学習
• ネコと見分けるための「特徴」を機械が学習
• 従来の機械学習では、ネコと見分けるための要素を人が教える必要があった
• 多層化により表現豊かに
• 感覚的には、層が深いとより多くの特徴を学べる
• 人の画像認識率や音声認識率は超えたとされる
• 2015年2月には人間を超えた
Deep Learningの何が凄いのか

13. • 強化学習
• 行動による報酬を最大化する仕組
• 深層強化学習
• 強化学習にDeep Learningを活用
• DQNが代表的な手法
• Deep MindのAlphaGo
強化学習
https://www.youtube.com/watch?v=V1eYniJ0Rnk&

14. • 分類モデルの応用
• ジェネレータとディスクリミネータ
• GANが代表例
• https://qiita.com/Kohey1480/items/1d72b7f2a4ea92915734
生成タスクへの応用

15. • RNN
• 時系列の概念を取り入れる
• LSTM
• Google翻訳にも使われている技術
• Attention
• Attention Is All You Need
• 時間の重みも加える
自然言語処理

16. • Tensorflow
• Googleの提供するディープラーニングのフレームワーク
• Jupyter Notebook
• Pythonとかインストールするの面倒…でもブラウザさえあればできる
• Google Colab
• Jupyter NotebookのUIでブラウザからGPUを利用できる
• Google Vision API
• https://cloud.google.com/vision/docs/drag-and-drop
有名なフレームワークやサービス

17. • Fashion MNISTを利用
• お気軽に機械学習を体験できるように用意されたデモデータのようなもの
• 60,000枚の画像で訓練して、10種類の衣類に分類する
• 単にMNISTと言うと「手書き数字」が有名
• Jupyter Notebookでブラウザから実行
• Tensorflow
• Tensorflowチュートリアルのコードを実行
ハンズオン内容

18. • Jupyter Notebook
• https://jupyter.org/try
• Tensorflow チュートリアル（日本語）
• https://www.tensorflow.org/tutorials/keras/classification/?hl=ja
ハンズオンURL

19. • 蒸留学習
• 教師あり学習で得られた結果を別の教師あり学習に適用
• 「ネコだけどイヌの推定値もちょっとある」を学べる
• 少ない学習でも精度の高い学習を行える
• BERT
• 自然言語処理で今一番注目されているらしい
• 学習済みの分散表現を利用
• ROBERTとかも提案されている（2019/7）
最近のAI研究事情

20. • 過学習
• 訓練データに最適化されて検証はダメダメ
• データが少ないと起きやすい
• 見せかけの最適解
• 適切な学習パラメータ調整が必要
• ブラックボックス
Deep Learningで生じる課題

21. • 何を学習としているかわからない
• AIが判断に使った「特徴」を人がみてもわからない
• https://newtechnologylifestyle.net/vgg16networkvisual/
• 説明責任を気にする会社
• 金融だと「AIに任せてたら損が出ました」と言えないと考えている人が多い
• 可視化する研究も最近は盛ん
• https://qiita.com/icoxfog417/items/8689f943fd1225e24358
「AIがブラックボックス」とは

22. • AIを使うことがゴールになっていないか
• AIを使う目的を見失わないこと
• 「それロジックでよくない？」
• AIを使うことに適したケースか
• データ量は十分か、データが分析可能な状態か
• 結果は目的に沿った数字か
• 1,000個の中に3個の不良品。全部不良品ではないと判定しても正答率は99.7%になる。
• 「不良品をどれだけ検出できたか」を目標とすべき
終わりに：AIをどう活用するか

23. • 人工知能は人間を超えるか ディープ
ラーニングの先にあるもの
• 松尾 豊 (著)
• ゼロから作るDeep Learning
• オライリージャパン
• 1は基礎、2は自然言語に特化
参考書籍

24. • JDLA Deep Learning for GENERAL/ ENGINEER （G検定/E検
定）
• G検定は座学、E検定は実装力も問われる。
さらに興味がある人は

25. Fin