新着コンテンツ
-
Aiの基礎知識
Ai（人工知能）の機械学習とディープラーニングの違いについて
Aiとは何ぞやといったことを調べていくとはじめにぶつかる言葉の壁がこの２つです。機械学習とディープラーニング。Aiという言葉自体は歴史が長く1950年代から研究が始まっったといわれています。一方この機械学習とディープラーニングという言葉は、2010年代の第三次aiブームの火付け役となった存在でまだ新しい言葉でもあります。では一体この機械学習とディープラーニングとはいったいどのようなものでどのような違いなのでしょうか。Ai（人工知能）の機械学習とは？簡潔にいってしまうと、膨大なデータの中からプログラミングのアルゴリズム（算法）を使い規則性を導き出す作業をしてくれるのがこの機械学習といわれるものです。例えば、写真を見て機械に犬か猫かを判断させるために必要なミカンとリンゴの写真のデータを機械学習システム（※ここではあえて理解しやすいようにするためシステムとしています。）に読み込ませます。これが判断の基準となるデータ、いわゆる教師データといわれるものです。次に無作為の写真データを機械学習システムに読み込ませて、どの写真がミカンでどの写真がリンゴであるのかを判断してもらいます。の判断のときに機械学習システムはミカンはオレンジ色、リンゴは赤色であるという色データや形は縦型に楕円形であるという形データを機械学習し最終的に判断していきます。判断フローとしては、無作為のデータをスキャナで入力し、システムの中で色・形といった判断材料をもとにシステム内で仕分けを行い、最終的にパソコンのモニター上に判断された写真データが出力データとして表示される。ここまでの流れがいわゆる機械学習といわれるものです。ちなみにこのシステムにおける判断材料としている色や形の部分にかんしては、専門的に「重み」・「重みづけをする」といいます。機械学習ではデータを入力する部分を入力層、データを処理する部分を中間層、そして判断データを出力する部分を出力層といいます。この大きくわけて３つの層まで全体を機械学習としています。 機械学習をより発達・進化させた学習方法のディープラーニングディープラーニング（深層学習）とは、文字通り深い層まで掘り下げて学習するという意味で、機械学習の方法の一つとなります。つまり機械学習という親カテゴリの中にディープラーニングという子カテゴリがあるものです。先ほど３つの層という話を機械学習の説明の際にしておりますが、今までの機械学習はまさにこの３ステップまでしか対応できませんでした。入力層-中間層（判断基準）-出力層という形でした。しかしディープラーニングはこの中間層における重みづけを複数回行えるようになりより深い部分・細かい部分の重みづけをすることができるようになったということです。先ほどのリンゴとミカンの話ではないですが、重みづけを単色でしかできなかったものが幅広い色の違いまで判断することができるようになり色味の違いまで分析できるようになり、リンゴとミカンの判別だけでなく等級の判別までできるようになったものがディープラーニングといわれています。現在のディープラーニングの適用領域としては、 音声認識 画像認識 文章理解上記の三とされています。その他にも徐々にロボットなどの制御の領域に広がりをみせています。音声認識のサービスとして身近なものがGoogle HomeやAlexaといった音を理解して、インターネット回線につなぐサービスなども音声認識の領域で機械学習が行われています。どのような音と文字とのつながりがあるのかという部分を音声認識と文章理解という２つの領域からこのようなサービスは成り立っています。また、Googleレンズの機能においては、画像認証と文章理解の二つの適応領域からサービスが展開されています。Googleレンズに映し出されたものが何なのかを文字・文章化することで画像検索や文字翻訳などを行ってくれます。まとめ機械学習とは学習するという一つのAiの分野であり、ディープラーニングはその分野における特定の方法であるという認識をしていただければと思います。機械学習という分野において、ディープラーニングという技術が進化したことで今のAiブームがあるといっても過言ではありません。そして、今後もディープラーニングは改良され、重みづけを人間がある程度していたものが少しずつ人間が行わなくても判断できるようなものがでてきています。Aiの機械学習における問題点の一つとして、重みづけを３階層以上深くできないという点を打ち破ったものがディープラーニングでした。そして、今後の課題はこの重みづけをどのようにして人の手を介さないで自動的に判断していくのかがカギとなってきます。すでに一部の技術では重みづけをしないディープラーニングもあるようですがまだまだ正答率・信用度を高めることができないでいます。しかし早い段階でこの問題はクリアできるようになるはずです。そして次に私たちが求められるものとしては、どのような判断をAiにさせて、判断したデータをどのような場面で活かすかが重要になってくるはずです。
-
Aiの基礎知識
Aiとは？人工知能の定義とは一体何かーAiの歴史ー
Aiの基本から、応用編までさまざまなAiに関する情報をとりあつかっているAiチョイスですが、そもそも、Aiとはなんぞや？といった説明をすっとばして、ただ情報ばかりを掲載していてはいけない。ということで、Aiチョイスに訪れてくれた初めての方やAiって結局なんなの？へAiの基本的な概念から今の生活で使われているAi、そしてこれからのAiが目指しているものついてご紹介いたしまうｓ。Ai（人工知能）とは？AIとは、Artificial intelligenceの略で日本語では"人工知能"と直訳されます。しかし、この人工知能という言葉そのものがSF小説や映画などで広く使われてきたため、人工知能＝人工的に作られた脳で機械が自分で物事を考え始めるといったことを想像されるのではないでしょうか。事実、多くのAiメディアでもまずこの人工知能の力量について言及していますが、そこまでの技術はまだ世界には存在しないことになっているようです。ネットの中で騒がれている人間を超える人工知能が生まれ世界に変革をもたらすといわれているシンギュラリティはまだ先の未来とされています。人工知能の定義は定まっていない人工知能＝Aiとは、人間の脳内で無意識におこなっている判断や推測などを模倣するものであるということです。Aiにまず人間の脳内でどのような判断が行われて動作に結びついているのかというものを理解させていく必要があります。そのため膨大な量のデータをAi読み込ま判断させるプログラムを組み立てていくものです。例えば、リンゴとミカンの写真を見比べてどちらがミカンであるのかという判断をさせるために色の判断基準をさせることができます。またカラーでの判断が難し場合にはミカンとリンゴの形や表面の凹凸具合で判断させる必要があります。しかし、この表面の凹凸を判断させるための技術というものはないようです。しかし現状におけるAiの考え方や技術は今過渡期を迎えており、明確な定義は存在しておりません。人工的につくった知的なふるまいをするもの（システムである）：溝口理一郎 北陸先端科学技術大学院大学教授人工的につくられた人間のような知能、ないしはそれをつくる技術：松尾豊 東京大学大学院 工学系研究科准教授人工知能とは、人間にしかできなかったような高度に知的な作業や判断をコンピューターを中心とする人工的なシステムにより行えるようにしたもの：IT用語辞典といった具合にAiの解釈においては、どれも解釈の幅を持たせた言い方をしており限定にこれといったものは存在しておりません。Ai（人工知能）の歴史Aiにおける歴史は長く、Aiの研究は1950年代にスタートしたといわれています。人工知能の歴史については、古代の神話・物語から始まるともされていますが、学問分野として確率されたのは1956年とされたと言われています。ある意味人類を創り出す科学からのアプローチをしていた学問だとも言えます。そもそも学問を始めるにあたりAi・人工知能の定義について議論がされました。何を持って人口知能であるのかといものですが、この問いに対して一つのテストが主張されました。それがチューリングテストです。人工知能を定義するチューリングテスト1950年にイギリスの数学者・コンピュータ科学者であるアラン・チューリングが、人工知能を定義するテストとして提唱したのがチューリングテストと言われています。このチューリングテストとは、人の判定者が２つの受け答えをするモノを目視せずに、対応のみで人かコンピュータかを判断させるものです。つまりこのテストの際、どちらかコンピュータかがわからない場合にコンピュータが「思考」しているとしました。しかし現代においてこのテストも人工知能を定義するテストとしては不十分であるとされています。知能を測る手段として用いられたゲームAi人工知能といえば、チェスとイメージしないでしょうか。実は1950年代にマンチェスター大学において、イギリスの計算機科学者のクリストファー・ストレイチーがチェスを打てるチェッカープログラムを開発した。さらに50年代〜60年代においてアメリカの計算機科学者のアーサー・サミュエルがアマチュアと互角に渡り合える程度のチェスプログラミングをつくりました。このような開発が進むことにより、知能を測る手段の一つとしてチェスプログラムであり人工知能vsチェス棋士もしくは将棋棋士といった構図が生まれました。ちなみに長い戦いの末、ついに1996年にIBMのコンピューターであるディープ・ブルーがチェスの世界チャンピオンであるがルリ・カスパロフとの戦い初めて勝利を納めました。Aiにおける３つのブームの波歴史からAi（人工知能）を紐解くと、大きくわけて三つのブームがあったとされています、推論と探索をメインとした第一次Aiブーム一つ目のブームはまさに、Aiが学問とされた最初の時期になる1950年代〜60年代です。この頃のブームの基本となるキーワードが「推論」と「探索」と言われています。「推論」と「探索」というのはあるルールとゴールが決められている中で、コンピュータがゴールにたどりつけるように選択肢を選ぶものです。チェスや囲碁、将棋といったボードゲームがそのうちの一つです。それぞれのゲームのルールにのっとって、多くの選択肢という定石をAiに与え最適な解を導き出させるものでした。しかし、ルールやゴールが決まっている状況でのみ動作するAiの限界に世の中が気づきはじめそしてフレーム問題といういわばルール外の問題が起きたときにAiは対処できなかったといことで第一次Aiブームは収束をしていきます。専門知識詰め込み型による第二次Aiブームトイプロブレム（おもちゃ・ゲームの問題）しか解けないとされていた、Aiですが、医療や様々な専門知識をデータとして蓄積することで、あらゆる状況にも対応できるようにしようという思いから「エキスパートシステム」がでてきました。これが1980年代の頃です。しかし、このエキスパートシステムにおいても第一次ブーム同様にフレーム問題の壁が立ちはだかります。ルールがないため、膨大な量のデータをシステムに入力する必要がありそれは時に矛盾を生じます。その結果、単純な物事しか判断できず、複雑な状況下における判断をこのエキスパートシステムは出来ず、やがて第二次Aiブームは収束していきます。機械学習とディープラーニングによって引き起こされた第三次Aiブーム第二次Aiブームの始まりから20年後の2000年代頃から再びAiが注目されるようになってきた。それは2006年にジェフリー・ヒントン（イギリスのコンピュータ科学研究者・現在トロント大学およびGoogleに籍をおく）によりディープラーニングが発明された。これにより膨大なデータにおいてもAiの元でありシナプスの代わりとも言われているニューラルネットワークの階層を深く掘り下げることができるようになりました。さらにビックデータと言われるようになり、大量のデータを元に音声認識や画像認識、文章理解などがすすんでいます。まとめAi（人工知能）とは、私たち人類にとってのある意味神への挑戦というところからスタートしている分野です。ある意味宗教的でもあり、タブーのような怖い部分も含みますが、細微な特徴を見つけることができるディープラーニングにより50年問題であったフレーム問題についてもこれで解決し、2045年問題へと続くような気がします。一方でこのAi（人工知能）を取り入れたサービスや商品が今次々とリリースされています。これからのビジネスを発展させるにおいて様々な分野においてこのAiは欠かせない存在になることは間違いありません。ぜひAiチョイスにて自身の分野におけるAiサービスや商品、ヒントを見つけていただければと思います。
-
Aiの基礎知識
ニューラルネットワークとは？Ai（人工知能）入門者向け基礎知識
機械学習においてディープラーニングが欠かせないものとして今やAi業界のみならず、様々なな業界でも話題に上がります。その会話の途中にかならず欠かせないものとしてあるのがニューラルネットワークの存在です。このニューラルネットワークとは、人間の脳細胞であるニューロンとニューロンのつながりを数学的表現で表したものになります。脳細胞のつながりであるシナプスも、より多くの場所とつながることで脳細胞事における情報伝達をよりスムーズにおこなうことができ、情報処理を簡単に行うことができるといわれて言います。つまりこのAiにおいても人工知能の情報処理能力を工場するためにもニューラルネットワークの組み合わせは複雑かつ多いものがいいのでしょうか。ニューラルネットワークとは人工知能の中にあるアルゴリズムアルゴリズムと聞いて最初にGoogle検索のアルゴリズムを思い浮かべる人も少ない無いかと思いますが、アルゴリズムとはある問題を解くため算法のようなものです。そしてニューラルネットワークとは、機械学習におけるデータとデータにおける特徴を導きだすために必要な算法になります。ニューラルネットワークの学習種類についてニューラルネットワークは、正解を求める学習と正解がない学習方法の二つに大きくわけられます。正解のデータを求める機械学習でよく利用されるのは、ある特定の仕分けを行う際に基準となるデータが存在する場合に利用することが可能な学習です。正解のデータをAiでは教師データとし、複数の読み込んだデータを機械学習で分析し教師データに近いものに振り分けるというものです。一方で正解がない学習については、大量のデータを読み込みながら機械学習そのもので特徴を見出して分類分けができるようになるものです。具体的には、大量の写真データをもとにGoogleが猫という教師データなしに、猫の特徴を認識し最終的にどの写真が猫であるかを理解することができる学習をさせたことが話題にもなりました。機械学習における層と層の関係性機械学習とは、データとデータとの関係性の特徴を割り出し予測や判断をするというものになります。機械学習においては、このデータとデータの関係性・特徴を見出すために基準となる大量のデータをまずは必要とします。これらのデータをまずは機械学習装置に入力します。これを入力層といいます。次に結果として機械学習装置から出力される特徴とされるデータを出力層といいます。そして、入力層と出力層の間に計算式を間に挟み出力されるものを隠れ層といいます。基本的な機械学習とは、三つの層で構成された装置という認識をまずは持っていただければと思います。そして、これらの層が多くなればなるほどデータとしてより複雑で細かい特徴を見出すことができるというわけです。ディープラーニングは3階層を突破したより深い機械学習装置であるディープラーニングは、この機械学習における層を3階層よりも深く計算できるようになったものをさします。つまりより深く詳しく計算することができるディープラーニングは、入力者である人間がプログラム設定時には気づかなかった特徴までも見出すことが可能となっているわけです。入力層におけるデータにおいて、1つの重みづけだけでは導き出せないこたえも２～３といった重みづけをしていくことで機械学習の精度はより高いものとなっていく。ここの点で注意するところは、今までの技術では機械学習の重みづけは人間の手、つまり想定で行っている場合がたいていの場合でした。しかし近年のディープラーニングにおいては学習過程で導き出される特徴・傾向によって重みづけを自身で行うことがプログラム設定されているもの現れはじめています。入力層から出力層にいたるまでの間の重みづけを通るルートなどを含めてニューラルネットワークという形であらわされています。イメージで例えるのであれば、計算式において何通りの組み合わせがあるのかというnCrの公式のようなものです。もっと身近なもので言い換えてしまうと競馬の３連単のようなものを、何万個以上もの元データから導きだすつながりのようなものと考えてもらってもいいかもしれません。データとデータとのつなぎでありそのつなぎは数式でつながっているというものが今回紹介しているニューラルネットワークというものになります。まとめ機械学習においてニューラルネットワークとは、シナプスのようなつながりの部分を意味しています。そしてこのニューラルネットワークにおける層の深さが機械学習における精度の高さであるとも言えるのではないでしょうか。より深く厚く複雑にニューラルネットワークを形成していくことでAiは様々な特徴や傾向を入力されたデータから読み解き判断していきます。このニューラルネットワークにおける重みづけという行為がありますが、これが人間の手で操作される部分でもありますが、このテコ入れがいずれなくなる日も近づいているように感じます。