AIと機械学習:深層学習、強化学習、転移学習


人工知能 AI

人工知能 AI (Artificial Intelligence)とは、人工的に人間と同様の知能を実現させる基礎技術です。

人工知能AIには、画像認識音声認識自然言語処理情報検索ロボットそして機械学習などがあります。

1980年代から機械学習が発達し、2010年代になり機械学習の中の深層学習が劇的に発達し、人工知能AIの機能向上が進んでいます。

人工知能AIには、特化型人工知能汎用人工知能があります。


特化型人工知能 AI、弱い人工知能 AI

特化型人工知能 (Artificial Narrow Intelligence)とは、特定の機能に特化した知能を実現する技術です。弱いAI(Weak AI)とも言われています。

特化型AIには、自動運転自動通訳/翻訳自動配車自動農業自動介護個人秘書、などがあります。

自動通訳/翻訳は、2025年頃に実現すると期待されています。


汎用人工知能 AI、強い人工知能 AI

汎用人工知能 (AGI, Artificial General Intelligence)とは、特定の機能に特化しない、人間と同様の知能を実現させる技術です。意識をもつ人工知能です。強いAI (Strong AI)とも言われています。

汎用AIは、2030年頃に開発の目処が立つと期待されています。



機械学習 マシンラーニング

機械学習 (Machine Learning)とは、人間が自然に行っている学習能力と同様の機能をコンピュータで実現しようとする人工知能の技術です。機械学習はデータをアルゴリズム(解を得るための具体的手順)により学習します。

ニューラルネットワーク (Neural Network)は機械学習で扱われる計算アルゴリズムの一つです。トロント大学のヒントン教授らによりニューラルネットの技術的なブレークスルーが起こされ精度の向上が進んでいます。

機械学習には、深層学習(ディープラーニング)教師あり学習強化学習モンテカルロ法アクティブラーニング教師なし学習転移学習マルチタスク学習、多様体学習等のアルゴリズムがあります。


深層学習 ディープラーニング

深層学習 (Deep Learning)とは、大量のデータを見てデータに含まれる特徴を段階的により深く(深層で)学習する方法です。ニューラルネットの構造を深く(狭義には4層以上の多層に)することで実現します。

複雑な問題を高い精度で解くことができます。画像認識などで成果が出ています。深層学習が人間以上の能力を発揮するようになってきたことから、深層学習あるいは機械学習をAIということもあります。


教師あり学習

教師あり学習 (Supervised Learning)とは、学習対象のデータに正解(ラベル)があらかじめ決まっている場合に、データと正解のペアをいわば教師からの助言として事前に与えて学習する方法です。ラベル付けされたデータの集合が提供された場合に適用できます。

教師あり学習には、半教師あり学習アクティブラーニング強化学習モンテカルロ法などがあります。

この反対概念が、教師なし学習です。詳細を下記します。


半教師あり学習

半教師あり学習 (Semi-supervised Learning)とは、学習対象のデータにラベルのないデータ集合もある場合に、ラベルありデータだけで学習した場合より,より予測精度の高い学習をする方法です。

学習対象のデータと正解のペアのデータの作成コストが高く、ディープラーニング導入の障害になっています。これに対してラベルのないデータも対象とすることで障害を低くすることができ、予測モデルの精度を向上させることができます。


能動学習 アクティブラーニング

能動学習 (Active Learning)とは、自ら能動的に動き、課題や問題を発見し学習する方法です。与えられたデータから学ぶのとは異なります。教師データ作成のコストを抑えながらモデルの性能向上を測ることができます。

学校教育においても、新しい高大接続の学習指針で従来の受け身の授業ではなくてアクティブラーニングが取り入れられています。


強化学習 

強化学習 (Reinforcement Learning)とは、学習対象のデータの正解がわからないが良さそうか悪そうかのリワード(報酬)がわかる場合に、選択による報酬を手掛かりに学習する方法です。

自動車の運転やゲームの対戦のように動的に変化する環境で、報酬のデータがプログラムの行動のフィードバックとしてのみ与えられる場合に、適用されます。


モンテカルロ法 

モンテカルロ法 (Monte Carlo Methods)とは、シミュレーションや数値計算を乱数を用いて行う方法です。 カジノのモテカルロから命名されました。

機械学習では、行動によって得られた報酬経験データだけを頼りに状態価値、行動価値を推定する方法として適用されています。強化学習の一種になります。


教師なし学習

教師なし学習 (Unsupervised Learning)とは、学習対象のデータはありますがその正解があらかじめ決まっていない場合に、なにかしらの構造や法則を見出す方法です。ラベルがないデータがアルゴリズムに与えられ、そのデータの中にある構造を見つけ出します。

教師なし学習は、データの中にある構造を見つけ出すこと自身、あるいは特徴を学習すること(特徴学習)が目標になります。


特徴学習、表現学習

特徴学習 (Feature Learning) あるいは表現学習 (Representation Learning) とは、画像や音、自然言語などの特徴量と呼ばれる数値を、抽出し学習する方法です。


多様体学習 

多様体学習 (Manifold Learning) とは、多次元データの中からそれよりも低次元のデータを抽出する方法です。ユークリッド空間を一般化させた多様体を用います。


転移学習 トランスファーラーニング

転移学習 (Transfer Learning) とは、ある領域で学習したこと(学習済みモデル)を別の領域に役立ち効率的に学習させる方法です。

複数の領域での学習の場合には、マルチタスク学習があります。

機械学習では、強化学習が目覚ましい進化を遂げていますが、転移学習が人間の力に近づくには大きな可能性を持っています。機械学習の次のフロンティアです。

転移学習」の詳細については、こちらを参照ください。


マルチタスク学習 

マルチタスク学習 (Multi Task Learning)とは、複数の領域を並行して学習して共通する要素を抽出して学習する方法です。


完全情報ゲームと不完全情報ゲーム

完全情報ゲームは、将棋,囲碁、チェス、オセロなど完全な情報が提供されるゲームです。完全情報ゲームは実世界では非現実的な設定です。

不完全情報ゲームは、麻雀、ポーカー、人狼、大貧民など対戦相手の持ち駒などの情報が提供されないゲームです。実世界は不完全情報です。不完全情報ゲームの方が現実的です。不完全情報ゲームで人工知能が上達すれば、実世界でも役に立つことになります。


発達学習、 ロボット学習 

発達学習 (Developmental Learning) あるいはロボット学習 (Robot Learning) は、機械学習とロボティクスとが交差した研究領域です。

認知的発達の一部として起こる学習です。学習アルゴリズムによりロボットに環境とロボットとが適応することを導きます。


AIの軍事利用

軍事におけるAIの導入が進んでいます。そこでは人間の判断のモデルとして OODAが活用されています。


人工知能AI開発のフレームワーク:OODA

人工知能の開発にOODAのフレームワークが使われています。例えばアップルSiriを開発している Sentient社は、人工知能の開発にOODAを人工知能開発のフレームワークとして活用しています。

OODA」の詳細については、こちらを参照ください。


人工知能AIに人間が勝ち残る力:OODA

2045年にはコンピュータが人類の知性を超え、人間が人工知能に追いつけなくなる技術的特異点 シンギュラリティ(singularity) に至ると、グーグルのAI責任者レイモンド カーツワイル (Ray Kurzweil)が予言しました。

人工知能が仕事を奪ったり、人間に対して軍事の脅威になったりと人工知能の脅威が懸念されています。人工知能に対して人間が勝ち残る力を見極めて強化していくことが重要です。

人工知能 AI に人間が勝ち残る力:OODA」の詳細については、こちらを参照ください。

アイ&カンパニー・ジャパン
「経営コンサルティング」「講演」のお問い合せは
こちらのeメールへお願いいたします
marketing@iandco.jp
image©️2017 I & Company, All rights reserved.