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.

AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~

457 views

Published on

3度目のブームを迎えたAI技術について、正しい理解と適用をしてもらうべく、歴史を踏まえながら解説します。(難しい数式を抜きにしてわかりやすさ重視で解説)

Published in: Software
  • Be the first to comment

AIとは?? ~正しい理解のために過去のブームを振り返りながら解説~

  1. 1. AIとは? 2017/1/27 ロードローラーさん
  2. 2. 自己紹介 ロードローラーさん  2011 京都大学 工学部 情報学科 卒業  2013 京都大学 情報学研究科 修士課程修了  画像処理、パターン認識の研究に着手  その後、京都の某メーカに勤務  専門は機械学習、IoT、ビッグデータ(バズワードばかり……) ブログ:http://r2d.info/ Twitter:RoadRoller_DESU
  3. 3. はじめに
  4. 4. 今回の目標到達点 • 話題のAIについて中身を正しく知る • AIとは万能な何でも屋さんではないことを知る • 難しい数式を抜きにしてわかりやすさ重視で解説 AIって なんかすごいんでしょ! 正しい理解と活用を!
  5. 5. AIの定義
  6. 6. AIって何の略?? AI(artificial intelligence) • 直訳:人工的な知能(※まんまです) • Augmented Intelligence(拡張知能)とする流派もある 例えば、IBMはAugmented Intelligence派 ちなみに私は言葉の定義なんてどっちでもいい思っている派
  7. 7. AIは明確に定義不可 仕組みが理解されると「それはAIではない」と言われだす この現象をAI効果と呼ぶ ルンバといった自走機器もAIと呼ばれた時期があった ⇒ 現在では『ただの制御工学でありAIではない』とされている 特定の問いに回答するチャットボットもAIと呼ばれた ⇒ 現在では『ただの~if~else~のプログラム』とされている そのため…… 技術に精通した研究者はAIという言葉を使わないことが多い
  8. 8. AIの歴史
  9. 9. 3度のAIブーム これまでAIは2度のブームと冬を経験している
  10. 10. 第1次AIブーム キーワードは『推論と探索』 • 事前にルールとゴールを明確に記述する • AIはゴールにたどりつけるように選択肢を探索する <例>迷路問題 しらみつぶしに経路を探索してゴールにたどり着く
  11. 11. 第1次AIブームの終焉 キーワードは『トイプロブレム(おもちゃの問題)』 AI適応可 • 人間がルールを明確に記述できる場合(例:迷路問題) AI適応不可 • ルールが明確に記述できない場合 現実世界の現象は複雑かつ曖昧でルール記述しきれないため、 AIはトイプロブレムにしか適用不可とされてブーム終焉 例えば囲碁の場合、 勝利するためには、 次の一手はどれが最善なのか 明確な定義が困難。 Which is Better?? ※この問題は後に深層学習とモンテカルロ法によって解決される
  12. 12. 第2次AIブーム キーワードは「エキスパートシステム」 • 専門知識を取り込んで、分野に特化した推論を行う。 • 知識を入れたら入れただけAIは賢くなる。 <例>感染症診断システムなどで爆発的に人気が出た。 1分間の最高血圧が 91以下 年齢が61以上 洞頻脈がある
  13. 13. 第2次AIブームの終焉 キーワードは『知識表現』 問題①:専門家の膨大な知識を全て記述することが困難 • 数が膨大で、途中で例外や矛盾も出てきてしまう。 問題②:抽象的な知識を記述できない • どんな特徴に基づいて判断するのか知識を明確に表現困難 判断基準を明確に記述できる場合にしか適用できず、 例外や曖昧性のある現実問題には適用困難とされブーム終焉 <例>風邪のときはどんな特徴が表れる?どう見分ける? 咳が出る、鼻が出る、なんとなくダルい、のどが痛い ⇒ 抽象的で表現困難
  14. 14. 近年のAI ~第3次AIブーム~
  15. 15. ディープラーニングのすごい点 コンピュータが「抽象化」の機能を獲得 <例> 顔とはどういったものですか? 今まで明確に記述できなかったルールや特徴量を、 ディープラーニングによってデータから抽出可能となった。 参考 http://static.googleusercontent.com/media/research.google.com/ja//pubs/archive/38115.pdf 従来 「目と耳と口があって… 丸いシルエットで… 」 ディープラーニング 「こんな感じのやつ!」
  16. 16. ディープラーニングによる変化 データから特徴量を抽象化して自動抽出 ⇒人が担うタスクが特徴量設計からデータ準備へ変化 <例> 顔検出する認識器を設計 従来 人手で特徴量を設計 ・目、耳、口がある ⇒ 抽象的な特徴量をうまく 記述できない。例外に弱い。 ※部分的に隠れたりすると対応不可 ディープラーニング データとラベルを用意 正例:顔画像 負例:顔以外の画像 ⇒ 正例/負例を見分けるための 特徴量を自動抽出する
  17. 17. ディープラーニングによる変化 従来 人手で特徴量を設計 ・願望を含む(~たい) ・特定単語を含む(切符, 購入) ⇒ 抽象的な特徴量をうまく 記述できない。例外に弱い。 ※「京都まで1枚」と言われると対応不可 ディープラーニング データとラベルを用意 正例: ・京都まで切符1枚お願いします ・山科まで行きたいんですけど 負例: ・遅延証明書をください ⇒ 正例/負例を見分けるための 特徴量を自動抽出する。 画像だけでなく言語処理などの分野でも同様の変化 <例> 問い合わせ文章から切符購入に関連するものを検出
  18. 18. まとめ
  19. 19. まとめ • AIは刻一刻と進化するため厳密な定義は困難 • 従来の課題は抽象的なルールと特徴量の記述困難性 • ディープラーニングによって抽象化の能力を得た ⇒正例負例のデータから特徴量を抽象化して自動抽出 • 例外や曖昧性を含んだ現実問題への適用に期待!!
  20. 20. ご清聴ありがとうございました

×