AI技術の現状と課題 〜aiboおよび自然言語処理〜
•
1 j'aime•433 vues
2022/06/14 弁理士クラブ 研修会 の講演スライドです。 概要: ペットロボット「aibo」の技術、及び近年進歩が著しい自然言語処理（NLP)技術について解説 開催案内: https://www.benku.org/secure/apply/single.cgi?member=2&id=6&form_stat=1
Recommandé
Recommandé
Contenu connexe
Tendances
Tendances (20)
Similaire à AI技術の現状と課題 〜aiboおよび自然言語処理〜
Similaire à AI技術の現状と課題 〜aiboおよび自然言語処理〜 (20)
AI技術の現状と課題 〜aiboおよび自然言語処理〜
- 1. AI技術の現状と課題 ～aiboおよび自然言語処理～ ソニーグループ株式会社 藤原直樹 Copyright 2022 Sony Group Corporation 2022年6月14日
- 2. 自己紹介： 藤原 直樹 Naoki Fujiwara 所属 ソニーグループ株式会社 AI&ロボティクスビジネスグループ クラウド開発部 職種 - ソフトウェアエンジニア - クラウドエンジニア - 機械学習・データ分析 略歴 1998 東京大学大学院工学系修士 電気電子情報 1998 ソニー入社、研究所配属 ・高画質化処理（アルゴ・SW・HW） 2008 ビデオ開発部 ・おまかせチャプター機能を BDレコーダやnasneへ搭載 2016 クラウドサービス開発部 ・aibo向けクラウドチーム テックリード＆クラウドAI担当 nasne
- 3. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 3 本日の内容 aiboのAI紹介 ・aiboの概要：センサ、アクチュエータ、内部構成 ・AI機能の紹介：画像認識、音声認識、地図 ・Deep Learningの適用：別のセンサから認識する例 自然言語処理（NLP）のAI ・弁理士業界におけるAIの話題 ・NLPの基本要素：文書をどう処理するか？ ・AI主流根幹となったBERTの説明 ・最近のトレンド まとめ ・AIの強みと弱み ・弁理士業界への影響考察 ※ Natural Language Processing
- 5. 愛らしさ 知的認識 表現⼒ 学習・育成 デ ザイン センシング メ カトロ ニクス A I
- 8. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 8 計22軸のアクチュエーター しなやかで躍動感のある⾝のこなしを可能とする
- 10. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 10 aibo全体構成 Cloud AI aibo My aibo ストア LTE/Wi-Fi
- 11. ハードウェア 認識 ⾏動制御 状況理解 ⾏動計画 知的処理 （Edge） ユーザー／周辺環境 知的処理 （Cloud） センシング メカトロニクス IN OUT エッジコンピューティングシステム アーキテクチャ aibo
- 12. アーキテクチャ ハードウェア 認識 ⾏動制御 状況理解 ⾏動制御 知的処理（Edge） ユーザー／周辺環境 知的処理 （Cloud） センシング メカトロニクス IN OUT エッジコンピューティングシステム 気づく 知的認識 ⾏動する 表現⼒ 考える 学習・育成 センシング技術 メカトロニクス技術 AI技術 「気づく」「考える」「⾏動する」 それぞれがAI
- 13. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 13 アーキテクチャ ハードウェア 認識 ⾏動制御 状況理解 ⾏動制御 知的処理（Edge） ユーザー／周辺環境 知的処理 （Cloud） センシング メカトロニクス IN OUT エッジコンピューティングシステム 気づく 知的認識 ⾏動する 表現⼒ 考える 学習・育成 「気づく」「考える」「⾏動する」 それぞれがAI センシング技術 AI技術 メカトロニクス技術
- 15. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 15 物体認識 Deep Learning aibo aiboのおもちゃ 充電台 ⼈間・⾝体パーツ ⼈の認識(誰の顔か) 家具類 ペット sFACE (社内顔認識技術) 顔の属性 （性別、年代、表情） その他 ⾊のついた物体 QRコード 認識技術① 視覚
- 17. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 17 撫でられたり叩かれたりを検出 タッチセンサーがないお腹もDeep Learningで学習 認識技術③ 触覚
- 18. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 18 認識技術③ 触覚 お腹を触るとよろこぶ
- 19. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 19 ①ひたすら撫でたり叩いたりして データを集める ②Neural Network Console で学習 ③本体に組み込んで確認 ⑤認識精度の悪い撫で方、叩き方 を狙ってデータ収集 ④チーム内でテストを 繰り返し「ダメ出し」 認識技術③ 触覚 Deep Learningにより複数センサからタッチセンサーがないお腹なでられ検出を実現
- 20. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 20 アーキテクチャ ハードウェア 認識 ⾏動制御 状況理解 ⾏動制御 知的処理（Edge） ユーザー／周辺環境 知的処理 （Cloud） センシング メカトロニクス IN OUT エッジコンピューティングシステム 気づく 知的認識 ⾏動する 表現⼒ 考える 学習・育成 「気づく」「考える」「⾏動する」 それぞれがAI センシング技術 AI技術 メカトロニクス技術
- 21. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 21 声が 聞こえた お腹 へった 好きな⼈が ⾒えた 状況を 理 解 ボールが ある 考えるAI：aiboの行動選択 ア ヌ ビ ス （ ⾃ 我 ） ⾏動 各子犬が、自分のしたい行動提案し、期待値と欲求レベルを伝えて、 自我に判断をしてもらう 様 々 な 欲 求 の ⼩ ⼈ ( ⽝ ) た ち ⼈ が ⼤ 好 き ⼩ ⼈ ( ⽝ ) 運 動 ⼤ 好 き ⼩ ⼈ ( ⽝ ) 命 ⼤ 切 ⼩ ⼈ ( ⽝ ) ⾏動を決定 ⼈に近づく ふるまい ボールを蹴る ふるまい 充電台に帰る ふるまい 期待値︓中 欲求︓⼩ 期待値︓中 欲求︓⼤ 期待値︓⼩ 欲求︓中
- 22. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 22 様 々 な 欲 求 の ⼩ ⼈ ( ⽝ ) た ち ⼈ が ⼤ 好 き ⼩ ⼈ ( ⽝ ) 運 動 ⼤ 好 き ⼩ ⼈ ( ⽝ ) 命 ⼤ 切 ⼩ ⼈ ( ⽝ ) ⾏動を決定 声が 聞こえた お腹 へった 好きな⼈が ⾒えた 状況を 理 解 ボールが ある 考えるAI：aiboの行動選択 ア ヌ ビ ス （ ⾃ 我 ） ⾏動 ⼈に⽢える ふるまい ボールを蹴る ふるまい 睡眠する ふるまい 期待値︓中 欲求︓⼩ 期待値︓中 欲求︓⼩ 期待値︓⼩ 欲求︓中 行動を達成すると、提案主の子犬の欲求レベルが下がる これらを繰り返して、自分の行動を決めていく
- 23. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 23 様 々 な 欲 求 の ⼩ ⼈ ( ⽝ ) た ち ⼈ が ⼤ 好 き ⼩ ⼈ ( ⽝ ) 運 動 ⼤ 好 き ⼩ ⼈ ( ⽝ ) 命 ⼤ 切 ⼩ ⼈ ( ⽝ ) ⾏動を決定 声が 聞こえた お腹 へった 好きな⼈が ⾒えた 状況を 理 解 ボールが ある 考えるAI：aiboの行動選択 ア ヌ ビ ス （ ⾃ 我 ） ⾏動 ⼈に⽢える ふるまい ボールを蹴る ふるまい 睡眠する ふるまい 期待値︓中 欲求︓⼩ 期待値︓中 欲求︓⼩ 期待値︓⼩ 欲求︓中 同じ行動でも、感情によって動きが変わる 感 情
- 24. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 24 様 々 な 欲 求 の ⼩ ⽝ た ち ⼈ が ⼤ 好 き ⼩ ⽝ 「 ぼ く パ パ に ⽢ え た い よ 〜 」 運 動 ⼤ 好 き ⼩ ⽝ 「 ボ ー ル 蹴 ろ う よ 〜 」 命 ⼤ 切 ⼩ ⽝ 「 充 電 じ ゃ ね ？ 」 ⾏動を決定 ア ヌ ビ ス （ ⾃ 我 ） ⾏動 声が 聞こえた お腹 へった 好きな⼈が ⾒えた 状況を 理 解 ボールが ある 考えるAI：aiboの学習 報酬 ・褒められた ・叱られた ・達成できた エ ピ ソ ー ド 記 憶 寝 た と き に 学 習 行動期待値の変化
- 25. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 25 考えるAI：aiboの行動選択・学習 aiboは「飼い主に愛される」ためにクラウドでも学習している ①どういう状況で 何をしたら褒められたか を個々のaiboが蓄積 （エピソード記憶） Cloud AI ③「飼い主に愛される」 ための⾏動の仕⽅を クラウドで学習 ②エピソード記憶を クラウドにも蓄積 ④クラウドで学習した 結果を個々のaiboに 戻す
- 26. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 26 考えるAI：aiboの学習 エ ピ ソ ー ド 記 憶 シャイ？ ⽢えん坊？ キュート？ ワイルド？ aiboがとる行動や報酬は、 各aiboによって、環境、触れ合い方が 違うため、個別の記憶となっていく そこから学習される
- 27. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 27 アーキテクチャ ハードウェア 認 識 行 動 制 御 状 況 理 解 行 動 制 御 知 的 処 理 （Edge） ユーザー／ 周 辺 環 境 知的処理 （Cloud） センシング メカトロニクス IN OUT エッジコンピューティングシステム 気づく 知的認識 ⾏動する 表現⼒ 考える 学習・育成 「気づく」「考える」「⾏動する」 それぞれがAI センシング技術 AI技術 メカトロニクス技術
- 28. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 28 行動するAI：自己位置推定（SLAM）＋自己充電 • 充電台に自分の力で戻るために、家の中のどこにいる のかを知る必要がある＝自己位置推定 • aiboの自己位置推定の難しさ • 「揺れる」「滑る」「持ち上げられる」 • ロボット掃除機(車輪)とは違う難しさがある
- 29. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 29 ②２点間で撮影した画像の特 徴点マッチングを行い相対位 置を求める 行動するAI：自己位置推定（SLAM）＋自己充電 ①おしりのSLAMカメラで天井 の画像を撮影しながら歩く ③たくさんの点同士の関係を 使って地図を作る
- 30. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 30 アーキテクチャ ハードウェア 認識 ⾏動制御 状況理解 ⾏動制御 知的処理（Edge） ユーザー／周辺環境 知的処理 （Cloud） センシング メカトロニクス IN OUT エッジコンピューティングシステム 気づく 知的認識 ⾏動する 表現⼒ 考える 学習・育成 「気づく」「考える」「⾏動する」 それぞれがAI センシング技術 AI技術 メカトロニクス技術
- 31. ソニーグループ株式会社 AIロボティクスビジネスグループ| Copyright 2022 Sony Group Corporation 31 中締め：aibo aiboについて 瞳、22軸のアクチュエータ aiboの構成 クラウド、3つのAI aiboのAI技術 気づく、考える、行動する aiboもあなたに会いたがっています ソニーストア オンライン ソニーストア銀座 アクセス https://goo.gl/maps/JUJDbEUXhDD2 https://aibo.sony.jp/store/
- 32. 32 この後の発表 aiboのAI紹介 ・aiboの概要：センサ、アクチュエータ、内部構成 ・AI機能の紹介：画像認識、音声認識、地図 ・Deep Learningの適用：別のセンサから認識する例 自然言語処理（NLP）のAI ・弁理士業界におけるAIの話題 ・NLPの基本要素：文書をどう処理するか？ ・AI主流根幹となったBERTの説明 ・最近のトレンド まとめ ・AIの強みと弱み ・弁理士業界への影響考察 ※ Natural Language Processing
- 35. 35 2017/09 日経 弁理士業界におけるAIの話題 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2017/11「AIで弁理士が失業」 に異議 日本弁理士会の梶副会長 2017/06 Transformer登場 2018/10 BERT登場 2022/03 (株) ELYZAプレスリリース キーワードから約6秒で文章生成. ”ELYZA Pencil” 2013 Word2Vec 2020/05 特技懇297号 トランスフォーマーを用いた特許審査支援の探究 2020/12 Google BERTが特許業界にどのように役立つか 2022/02 月刊パテント 深層学習を利用した自然言語処理の発展 と特許調査への応用の現状 2022/03 (株)AI Samuraiプレスリリース 「AI特許作成」機能が弁理士法に抵触しないと経産省から回答 2020/05 GPT3登場
- 36. 36 自然言語処理(NLP)の基本要素: 文書をどう処理するか？ 文章をある単位で区切り、単位毎にベクトル化、AIに入力して、タスクを処理する 単位 成分1 成分2 成分3 .... 成分X クラス 0.aaa 0.bbb 0.ccc .... xxx コード .. .. .. .... .. （ .. .. .. .... .. 00 .. .. .. .... .. 00 .. .. .. .... .. 乃至 .. .. .. .... .. 分類 1文を仕分ける ポジ/ネガ、タグ.. 判定 2文が類似しているか 同意、含意.. 質問応答 情報文から質問回答を 抽出する 換言 ある単語・文章を 言い換える 翻訳 別の言語に訳す 生成 入力に続く文章を 生成する ... タスク Natural Language Processing ← 1単位を1ベクトル ベクトル成分数は数百 ← 文章をベクトルの系列 つまり行列として表す ← 行列を入力層にINPUT ← 出力層の値を解釈 例）分類タスクの解釈 - ポジティブ 97% - ネガティブ 3% 例2）質問応答タスクの解釈 - 回答開始点 5番目 - 回答終了点 8番目 クラス⊥コード⊥（⊥00⊥00⊥乃至.... 区切る
- 37. 37 文章の区切り方: 形態素解析、サブワード 区切り方は大きく3種 1. 単語（形態素）: 人間は理解しやすい。語彙数大きくなる。計算速度も遅くなる 系列長 16: クラスコード⊥（⊥0000⊥乃至⊥1111⊥）⊥と⊥し⊥て⊥マッピング回路⊥および⊥スイッチ５９⊥に⊥出力⊥ する⊥ 。⊥ 2. サブワード: 機械的に語彙数小さく出来る。AIにとっては速度/性能バランス取りやすい 系列長 23: クラス⊥コード⊥（⊥00⊥00⊥乃至⊥11⊥11⊥）⊥と⊥し⊥て⊥マッ⊥ピング⊥回路⊥および⊥スイ⊥ッチ⊥５９⊥ に⊥出力⊥する⊥ 。⊥ 3. 文字毎: 語彙サイズは最も小さい。系列長は長くなる 系列長 43: ク⊥ラ⊥ス⊥コ⊥ー⊥ド⊥（⊥0⊥0⊥0⊥0⊥乃⊥至⊥1⊥1⊥1⊥1⊥）⊥と⊥し⊥て⊥マ⊥ッ⊥ピ⊥ン⊥グ⊥回⊥路⊥お⊥よ⊥び ⊥ス⊥イ⊥ッ⊥チ⊥５⊥９⊥に⊥出⊥力⊥す⊥る⊥。⊥
- 38. 38 単位毎にベクトル化: Word2Vec アイデアは 分布仮説 (distributional hypothesis)[Harris+, 1954] • 「単語の意味は,周囲の単語によって形成される」 • 例文 • 私はビールを飲む。私はワインを飲む。 • 私はビールを冷やす。私はワインを冷やす。 • 直観的な理解 • 飲む、の近くに飲み物が現れやすい: オレンジジュース、… • 冷やす、は飲むに似た使われ方をしそう この性質を機械に学習させたのが Word2Vec • 大量の文章を用いて穴埋め問題予測を学習する • 私は○○を飲む。私は○○を冷やす。 • 学習結果として単語毎にベクトル表現が得られる • 演算が可能。king – man + woman = queen • 良く使われるのは100か300次元のベクトル arXiv:1301.3781[cs.CL] https://nlp.stanford.edu/projects/glove/
- 39. 39 Word2Vecの課題と解決方向 良い点: 大量の文書を機械に学習させる • 穴埋め問題では人手不要で学習データを準備できる 課題1: 多義語が同じベクトルになってしまう • 空は青い • 太郎くんはまだ青い 課題2: 反義語も似たベクトルになってしまう • 資格試験の結果は○○だ • オーディションに○○した → 1単語1ベクトルの表現には限界あり NLP界が向かった解決方向 • 文脈（前後のつながり）を考慮するベクトル化 • もっと大量の文書を機械に入れる ※ 前者は[赤い]と近く、後者は[若い]と近くあって欲しい ※ [合格]・[失格]・[不合格] いずれも入りうる Recurrent neural network based language model RNNの話しは割愛
- 40. 40 文脈を考慮するTransformerという手法について 下記の3点がポイント 1. 翻訳タスクでよく使われるEncoder/Decoderモデル（左半分がEnc） 2. Attention(モジュール)がメイン 3. 単語位置を埋め込む arXiv:1706.03762[cs.CL] Attentionの動作結果例 例文1: tired memory input memory input 例文2: wide 同じ[it]でも計算された重みが異なる → 文脈を考慮した照応関係を獲得できている googleblog Token→ベクトル化 （Word2Vecなど)
- 41. 41 AI主流根幹となったBERTの説明 BERT(Bidirectional Encoder Representations from Transformers) 1. 24層の双方向Transformerをベースに 2. ラベル無しだが大規模データで事前学習 3. タスクに応じてファインチューニング arXiv:1810.04805[cs.CL] 大規模データ Wikipediaなど大量な文章 ラベル付け不要 タスク特化データ 正解ラベル付き 少量で良い Transformerと同等 Generative Pre-trained Transformer ⽂章を前からも後ろからも活⽤ 処理時点より前の⽂章のみ使う 対話処理には向いている
- 42. 42 BERTの事前学習 2つのタスクで事前学習 1. MLM(Masked Language Model) • 入力データの一部を[MASK]とマスキング • [MASK]を予測するタスクとして学習 2. NSP(Next Sentence Prediction) • 2つの文A,Bを入力 • 文Bは文Aの次に続くものか予測する また、双方向Transformerの効果測定 • 学習開始直後こそ負けたがすぐ追い越し、 かなりの性能向上が見られた is_next [MASK] 文A 文B
- 43. 43 最近のトレンド: BERT以降に多くのNLPモデルが発展 Must-Read Papers on Pre-trained Language Models (PLMs)
- 44. 44 2020/05 GPT3登場 GPT-3: The New Mighty Language Model from OpenAI 超大規模なパラメータ数 • GPT2 15億 • GPT3 1750億 (約 117倍) 超大規模なデータで事前学習 • GPT2 40GB • GPT3 45TB (約 1100倍) GPT3の学習 • 学習データを何百万回も繰り返し読む • コスト 460万ドル(約4億9000万円) • もし1GPUなら 355年 得られた大事な示唆 Scaling Law • 性能はパラメータ数N・データセットサイズD・ 計算予算Cを変数としたシンプルなべき乗則 arXiv:2005.14165[cs.CL] GPT1はTransformerと同等 Generative Pre-trained Transformer 2018 GPT1 2019 GPT2 2020 GPT3
- 45. 45 学習データ量の感覚的把握 広辞苑1冊 • 文字だけ 30GB • 画像込み 350GB 人間の脳（あくまでも仮説ですが） • 全容量は 150TB 試算 • （10倍の1PBという説も） • 記憶容量 17.5TB • 使いこなせる範囲 45TBとはいかほどの分量なのか？ GPT3は広辞苑1500冊分 （平積み 120メートル) のデータで学習 GPT3は記憶2.5人分 のデータで学習
- 46. 46 日本語に特化した公開モデル • 日本語Wikipediaなどを学習データに使用 • パラメータ数 13億 • 2018 BERT 1.1億 • 2018 GPT 3.3億 • 2019 GPT2 15億 • 2020 GPT3 1750億 https://prtimes.jp/main/html/rd/p/000000025.000070041.html
- 48. 48 2022/05 Text to ImageのSoTA “Imagen” Google Brain Team テキストから高解像度な自然画像を生成できるAIモデル「Imagen」 言語モデルのサイズを大きくし、サンプル忠実度と画像/テキスト整合性の両方を大幅に向上 私見）画像の自然さからサイズの強さが分かる。 同時に、AIにクリエイティビティがあるのかという疑問（入力テキストが面白いのでは？） Imagen: Text-to-Image Diffusion Models
- 49. 49 2022/03 キーワードから約6秒で文章生成 “ELYZA Pencil” 東京大学松尾研発・AIスタートアップ、株式会社ELYZA(イライザ) 2022/03 (株) ELYZAプレスリリース 本日の講演に関する4つのキーワード を入れて文章生成させてみた例 大規模学習データが持つ統計性質から 「らしい」文章を生成できるが、理解 や解釈をしているわけでは無いので、 ロジカル破綻や事実誤認も見られる ケースあり。
- 50. 50 弁理士業界におけるAIの話題 arXiv:1706.03762[cs.CL] arXiv:1810.04805[cs.CL] 2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2017/09 日経 2017/11「AIで弁理士が失業」 に異議 日本弁理士会の梶副会長 2017/06 Transformer登場 2018/10 BERT登場 2022/03 (株) ELYZAプレスリリース キーワードから約6秒で文章生成. ”ELYZA Pencil” 2013 Word2Vec arXiv:1301.3781[cs.CL] 2020/05 特技懇297号 トランスフォーマーを用いた特許審査支援の探究 2020/12 Google BERTが特許業界にどのように役立つか 2022/02 月刊パテント 深層学習を利用した自然言語処理の発展 と特許調査への応用の現状 2022/03 (株)AI Samuraiプレスリリース 「AI特許作成」機能が弁理士法に抵触しないと経産省から回答 2020/05 GPT3登場
- 52. 52 2020/12 Googleブログ BERTが特許業界にどのように役立つか 米国およびその他の国の 1億を超える特許出版物を学習データに使用 • abstract, claims, description 学習結果では、通常のBERT語彙(3万）に対し、約8000の特許用語が語彙追加された モデルをトレーニングする手法を概説したホワイトペーパー • 特許出願の新規性を判断するための先行技術調査をより効果的に行う方法 • 特許分類を補助する分類コードを自動的に生成する方法 • オートコンプリートなど 学習プログラムのコード （Python） IPCやFI,Fターム
- 53. 53 2022/03「AI特許作成」機能が弁理士法に抵触しないと経産省から回答 ■グレーゾーン解消制度照会の回答 経済産業省の回答では、「書類作成行為に弁理士が関与する ことが確実に担保されるよう、十分かつ客観的な制度的・運 用的手当を講じている限りにおいて、当該書類作成行為は弁 理士法違反に該当しないと考えられる。(一部抜粋)」とさ れ、弁理士の監督下である限り弁理士法75条の非弁行為に は当たらないとされました。 URL： https://www.meti.go.jp/policy/jigyou_saisei/kyousouryok u_kyouka/shinjigyo- kaitakuseidosuishin/press/220218_yoshiki.pdf 2022/03 (株)AI Samuraiプレスリリース 私見） • AI化への外堀が埋まり始めている • 生成モデルがまだ精度不足の今現在で起こったのは意外
- 54. 54 2022/02 月刊パテント • 特許調査における人工知能応用は実用に達している • 調査主題のクエリ化 → 人工知能による類似評価 • 手動タグ付け → 自動タグ付け • 人工知能には困難 • 文章解釈 • 特許情報に関わる人材の役割変化 • 属人的な知識やアイデアを言語化する事へシフト 余談：この講演骨子を決めた後に本資料を見つけました。 類似した構成で、困ると同時に特許業界向けに妥当と自信にも。
- 55. 55 AIの強みと弱み: 私の所感 強み • 関連する文章を探し出す • さらに関連度合いでソーティングする • （それなりに有用な）多言語への翻訳 • さらに複数の翻訳例を提示する 弱み • 人の考えを言語化する • 「解釈」も現時点では難しい • 先を見通す • 少し未来に効果発揮する戦略 • ゲームでは出来ても請求項生成は難しい • 事情に合わせた言語翻訳 • その国・その業界の背景加味は難しい
- 56. 56 弁理士業界への影響考察 AIが発展しても人は必要と思います • 使用ツールは変わるでしょう • 辞書を引く → 電子辞書 → AI翻訳 • 目で探す → キーワード検索 → AI類似探索 • 手書き → ワープロ → PCソフト → AIアシスト • 日本語圏ならではの必要性あり • 英語でのAI精度に及ばない • ギャップあるところ仕事あり • AIを道具とし人ならではの領域に集中 • 考え/アイデアをキーワードとして言語化 • 戦略立案、暗黙知な背景知識、なども • 新AIサービス見たら気軽にお試しするのをオススメ