Contenu connexe Similaire à LiBRA 08.2020 / AI (18) Plus de Masanori Saito (20) LiBRA 08.2020 / AI3. 人間の頭脳を機械に置き換え
知的作業を機械にやらせる技術
人間の仕事はなくなるの?
人間は働かなくてもよくなるの?
人間は機械に支配される時代が来るの?
AI(人工知能)
モノをインターネットにつなげる技術
つなげてどうするの?
つなげると何ができるようになるの?
つなげると社会やビジネスはどう変わるの?
IoT( )モノの
インターネット
IoTとAIの一般的理解と本当のところ
3
現実の出来事をデータで捉え
最適なやり方を見つけ出し
社会やビジネスを動かす仕組み
人間の新たな進化を後押しする
自動化の範囲が広がり人間に新たな役割を担う機会を与える
これまで人間には見えなかったことが見えるようになる
人間の知的能力を劇的に拡張する
技術は使うが技術ではない!
本物の人工”知能”はない! コグニティブ
Cognitive
社会やビジネスに 新たな X 急激な 変革を促すちから
7. BIとAI(人工知能)の関係
7
人間による推論・判断 機械による推論・判断
BI(Business Intelligence) AI(Artificial Intelligence)
過去と現在を
整理・見える化
未来を
予測・見える化
人間による
規則・ルール・傾向の発見
機械による
規則・ルール・傾向の発見
統計分析 脳神経活動
の模倣
知的活動の支援
人間の知的能力は変わらないが生産性を高める
知的能力の拡張
人間の知的能力を機械によって増強する
インターネット・クラウドの普及により、容易になったビッグデータの収集
高性能・低価格した情報テクノロジーにより、強力なデータ処理能力を獲得
【弱いAI】
【強いAI】
13. AIとAGIの関係
汎用型人工知能
AGI : Artificial General Intelligence
特化型人工知能
AI : Artificial Intelligence
特定の領域に特化した
知的処理
汎用的で自律的に拡張する
知的処理
共通するのは何か?
違うのは何か?
足りないのは何か?
何を知るべきを見つける
どうすればいいかを探す
16. 統計と機械学習の違い
統計
Statics
機械学習
Machine Learning
記述統計
Descriptive Statistics
推測統計
Inferential Statistics
得られたデータの特徴や傾
向をわかりやすく表現する
一部のデータからそのデー
タを含む全体の特徴を推測
する
収集したデータの統計量
(平均や分散など)を計算
してデータの示す傾向や性
質を知る
採取したデータ(標本やサ
ンプルとも呼ぶ)から母集
団(全体のこと)の性質を
推測
人間が、データから規則・ルール・傾向を発見し、説明
することを支援する
予測
Prediction
分類・識別・判断
Classification/Identification/Decision
学習されたモデルから
将来を予測する
学習されたモデルから
分類・識別・判断を行う
学習のためのデータを計算
することで、予測のための
モデル(推論モデル)を生
成する
学習のためのデータを計算
することで、分類・識別・
判断のためのモデル(推論
モデル)を生成する
機械(ソフトウェア)が、データから規則・ルー
ル・傾向を発見し、予測と分類・識別・判断を自動化する
17. 「人工知能」と言われるものの4つのレベル
17
単純制御:指示されたことをそまま行う
予め定められたルールに従い制御する(人工知能搭載○○)。
気温が上がるとスイッチを切るエアコン
洗濯物の重さで洗濯時間を自動的に変更する洗濯機
ひげの伸び具合で剃り方を変える電気シェーバーなど
ルールベース:指示されたことを自ら考えて実行する
外の世界を観測することによって振る舞いを変える。
振る舞いの種類・パターンを増やすため、予め多数のルールを用意しておく。
「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、
これからの打ち手を探索して打つことができる囲碁や将棋のシステム
与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム
機械学習:着眼点は人間が教え、対応パターンを自動的に学習する
人間があらかじめルールを細かく決めて組み込んでおかなくても、
大量のデータから対応パターンを自ら見つけ出す。
ただし学習のための着眼点(特徴量)は人間が設計。
「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、
対戦を繰り返すことでコンピュータ自身が自分で学習する将棋や囲碁のシステム
診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム
深層学習:着眼点を人間が教えずに、対応パターンを自動的に学習する
学習に使う変数(着眼点/特徴量)を自分で学習して見つけ、
対応のパターンを見つけ出す。
一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、
ということを自分で見つけ出すことができる医療診断システム
状況に応じて、最適な判断をおこなう自動運転の自動車
レ
ベ
ル
1
レ
ベ
ル
2
レ
ベ
ル
3
レ
ベ
ル
4
18. 各時代のAI(人工知能)と呼ばれるもの
ルールとゴールが決められているゲームの中
で、コンピュータがなるべくゴールにたどり
つけるように選択肢を選んでいくもの。
できること:
パズルや迷路を解く
数学の定理を証明する
チェスを指す など
トイプロブレムから脱却し、現実の問題を解
くために専門家(エキスパート)の知識をコ
ンピュータに移植することで現実の複雑な問
題を解かせようとするもの。
できること:
患者の症状から病名を特定する
起こっている現象から、機械の故障を診断する
患者の症状から、細菌感染の診断をする
人間がルールを与えるのではなく、データを
分析することで、そこに含まれるパターンを
見つけ出し、機械にルールを獲得させるもの。
できること:
画像を認識して分類する
自然な表現の文章に翻訳する
CTやレントゲン写真から癌の病巣を発見する
推論と探索
ルールベースと
エキスパートシステム
ディープ・ラーニング
を含む統計的機械学習
第一次AIブーム
第二次AIブーム
第三次AIブーム
1960年代
1980年代
2010年代
帰納法:事実や事例(データ)から導き出される傾向から結論を導く方法
演繹法:人間の経験や観察による一般的かつ普遍的な事実から結論を導く方法
ルールとゴールが厳密に決まっ
ていることが前提。ルールが記
述しきれず、ルールやゴールが
曖昧である現実世界では役にた
たない(トイプロブレム/おも
ちゃの問題)。
ルールとして教え込まなければ
ならないし、互いに矛盾する
ルールも出てくると処理できな
い。また、教えていない例外的
な事例が出てくると対処できな
い。
画像処理、音声認識、証券取引
といった用途ごとに特化した技
術が現状。人間の知能のように
汎用的で、意識や心も宿すよう
な技術ではない。
23. 自動化ツール
Google Cloud AutoML
Microsoft Azure ML
AWS SageMaker など
AIと人間の役割分担
データを準備
意志決定
学習方式の選択
パラメーターの調整
可視化・分類・予測
問いを生みだす
解決したいこと・知りたいことを決める
膨大なデータの中から、人間
の経験に基づく先入観なしに
規則、相関、区分を見つける
新たな問いを生みだす
判断・制御
モデル
公式・ルール・関数など
51. Amazonの戦略と日本の現状
51
家電製品 オンライン通販 オンライン・サービス
メーカー 小売店 物流事業者
商品個別の情報を識別し、詳細な商品管理を実現
詳細なマーケティング分析
販促・宣伝
仕入れの最適化商品開発
棚卸し作業の効率化
配送の追跡
レジ人員の削減
購入時の作業時間が圧倒的に短縮される利便性
家庭サービスのOS
IDによる一元化
コンビニ電子タグ
1000億枚宣言
経済産業省+コンビニ5社*
2025年までに全商品にRFID
(ICタグ)を付け、カゴに入
れた商品を一括で集計できる
セルフレジを実現。
*セブンイレブン、ファミマ、ローソン、ミニストップ、ニューデイズ(今後、増やしたい意向)
家庭サービスの全領域を
amazon IDで紐付けることで、
個人の生活全判に関わる行動
データを手に入れ、様々なビ
ジネス分野での「絶対的仲介
者」としての地位を得ようと
している。
小売店舗のOS
画像認識やディープラーニン
グ、センサー技術などを駆使
して実現(RFIDは使用せず)
音声というハードルの低いUIによる手軽さと操作の利便性
69. 機械学習の仕組み/学習が不十分な状態
四角い 丸い 尖ってる 光沢
40% 60% 40% 60%
リンゴである確率
(40%+60%+40%+60%)/4
50%
四角い 丸い 尖ってる 光沢
40% 50% 50% 60%
イチゴである確率
(40%+50%+50%+60%)/4
50%
リンゴ or イチゴ?
<特徴量>
70. 機械学習の仕組み/学習が十分な状態
四角い 丸い 尖ってる 光沢
10% 90% 20% 80%
リンゴである確率
(90%+80%)/4
85%
四角い 丸い 尖ってる 光沢
10% 70% 90% 30%
イチゴである確率
(70%+90%)/2
80%
リンゴ or イチゴ?
リンゴ イチゴ
<特徴量>
71. ルールベースと機械学習
71
答えを出すための
ルール(知識)を
人間が記述がして登録
If 〜 then 〜 else
推論
機械学習
Machine Learning
ビッグデータ
(学習データ)
インターネット
IoT
HPC (high-performance computing)
GPU、AI専用LSI、量子コンピュータなどを利用
INPUT
レントゲン写真
遺伝子データ
電子メール
外国語音声
・・・
OUTPUT
癌病巣の発見
病気の診断
犯罪の証拠を発見
翻訳
・・・
ルールベース
機械学習
78. 一般的機械学習とディープラーニングとの違い
78
耳 27%
目 48%
口 12%
特徴量
「特徴量」とは、猫と犬を識別・分類するために着目すべき特徴
正しく認識 82%
誤った認識 18%
認識結果
耳 27%
目 48%
口 12%
特徴量
学習
ディープラーニング
学習
推論
ディープラーニング
推論
正しく認識 82%
誤った認識 18%
認識結果
人間が認識結果が
最適になる組合せを
見つける
機械が認識結果が
最適になる組合せを
見つける
学習データ
教師付きデータ 学習データの一部
評価データ
80. ルールベースと機械学習
80
Sheep Dog
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Mop
を見分ける仕様
やルール
= if XX
Then XXX
else XXX
Sheep Dog
を見分ける仕様
やルール
0101011101010
1110101001011
1110010101010
Mop
を見分ける仕様
やルール
0111100101010
1101010001010
1110100100101
人間が記述 データから生成
82. 大きさ
直径
重さ
中空かどうか
底のあるなし
・・・
・・・
・・・
〇〇cm以上〜〇〇cm未満
〇〇cm以上〜〇〇cm未満
〇〇g 以上〜〇〇g 未満
中空である
底がある
・・・
・・・
・・・
人間が
観察と経験で
決める
機械が
データ解析して
決める
機械が
データ解析して
決める
機械が
データ解析して
決める
機械学習
統計確率的
アプローチ
機械学習
ディープラーニング
(深層学習)
統計確率的機械学習とディープラーニングの違い
特徴量
「コップであること」を決定
するための着眼点
最適値
「コップであること」を
決定するのに最適な値
推論モデルの生成
コップを識別するために最適な
特徴量の値とその組合せパターン(=推論モデル)を決定する
推論モデル保存
特徴抽出 推論モデル適用 推論結果未知の
データ
推論
学習
学習
データ
87. 学習と推論の役割分担
87
学習
推論
学習
推論
大規模な計算能力
専用プロセッサー
長時間演算
比較的小規模な計算能力
専用プロセッサー・省電力
短時間演算
学習モデル 学習モデル
学習
推論
学習モデル学習モデル
クラウドでモデルを作り、
そのモデルをエッジのデバ
イスに送りリアルタイムの
現場のデータから予測や判
定を行う。
リアルタイム性が重要な処
理は、できるだけ現場に近
い場所で処理できたほうが
有利。また、機器の個体差
にも対処できる。
クラウドで完結するサービ
スに適用。
学習
推論
推論モデル(予測や分類などの
ルール)を大量のデータから作る
推論モデルを使って現場データ
から予測や分類、判断/判定を行う
AISing,HACURUS,
SOINN など
ARAYA,LEAPMIND,
IDENなど
ABEJA,Microsoft,Google,
Facebook,Amazon,
Preferred Networkなど
NVIDIA,Intelなど
96. Googleが発表した自然言語処理モデル BERT
96
トロフィーが スーツケースに収まらない。なぜなら、それは 大きすぎるから だ。
トロフィーが スーツケースに収まらない。なぜなら、それは 小さすぎるから だ。
BERT:“Bidirectional Encoder Representations from Transformers”自然言語処理技術
(NLP: Natural Language Processing)人間が使う言語をコンピュータに理解させるための技術の一種
例えば、感情分析タスクであれば、与えられた文から感情を読み取って「肯定的」か「否定的」かのどちらで
あるかを判別。これを活かして、アルゴリズムが複数の映画レビューを参照し、その映画の平均的な評価を分
析するというタスクを高精度で実行
また、「文脈の理解」や「暗黙の了解」など、より深いレベルでの言語理解に役立つとコンタクトセンターで
活用されるなど。
97. 人工知能と機械学習の関係
97
人工知能 Artificial Intelligence/AI
機械学習 Machine Learning
ニューラル・ネットワーク
Neural Network
深層学習
Deep Learning
人間の”知能”を機械で
人工的に再現したもの
強いAI:コンピュー
タに人間と同様の知
能を持たせた仕組み
弱いAI:コンピュー
タに人間と同様の知
的な振る舞い・処理
をさせる仕組み
データからグループ分
けのためのルール(モ
デル)を作る仕組み
脳の仕組みを参考に作
られた機械学習の手法
従来よりも精度の高いモ
デルを作ることができる
ニューラル・ネットワー
クの手法
遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、
ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル
ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット
データ
プログラム
モデル
98. 人工知能・機械学習・ディープラーニングの関係
1950年代 1960年代 1970年代 1980年代 1990年代 2000年代 2010年代
人工知能
Artificial Intelligence
機械学習
Machine Learning
深層学習
Deep Learning
人間の”知能”を機械で
人工的に再現したもの
人工知能の研究分野のひとつで
データを解析し、その結果から
判断や予測を行うための規則性
やルールを見つけ出す手法
脳科学の研究成果を基盤にデー
タの分類や認識の基準を人間が
教えなくても、データを解析す
ることで、自ら見つけ出すこと
ができる機械学習の手法
データ
アルゴリズム
規則性やルール
遺伝アルゴリズム、エキスパートシステム、音声認識、画像認識、感性処理、機械学習、
ゲーム、自然言語処理、情報検索、推論、探索知識表現、データマイニング、ニューラル
ネット、ヒューマンインターフェース、プランニング、マルチエージェント、ロボット
100. 第3次AIブームの背景とこれから
100
1960 1970 1980 1990 2000 2010 2020 2030
第1次AIブーム
推論・探査など
ゲームや迷路などに
用途は限られ実用性は
無かった
第2次AIブーム
ルールベースなど
エキスバーとシステムと
して実用化されたが汎用
性が無かった
第3次AIブーム
機械学習(統計確率論や深層学習など)
汎用性、実用性が高まり、様々な分野の適用
が期待されている
大型コンピューター
メインフレーム
パーソナル・コンピューター
スマート
フォン
IoT
ビッグデータ時代の到来
ARPAnet 米国・インターネット
商用利用開始
日本・インターネット
商用利用開始(IIJ)
World Wide Web
が開発され公開
画像が扱えるWWWブラウザー
Mozaicが開発され公開
Windows95発売
IEが付属し、ブラウザーでの
インターネット利用者が拡大
ISLVRCにて
ディープラーニング圧勝
1969 1990 1993
1995
2012
Googleによる
猫認識
2011
Jeopardyにて
IBM Watson勝利
電脳将棋
竜王戦 開始
1997
チェス・チャンピオンに勝利
IBM Deep Blue
2007
iPhone
発売
1981
IBM PC 5150
発売
汎用人工知能
Artificial General Intelligence
登場の可能性
ムーアの法則/コンピュータ性能の加速度的向上1965〜
ムーアの法則の限界/新たな選択肢の登場
GPGPU、ニューロモーフィング・チップ
量子コンピュータ等
IBM S/360
メインフレーム
1964
ニューラル
ネットワーク
考案
Intel 404
マイクロプロセッサ
1971
データ流通量
1957
1956
ダートマス
会議
1982
第5世代
コンピュータ
プロジェクト
101. 人
工
知
能
の
冬
人
工
知
能
の
冬
1950 1960 1970 1980 1990 2000 2010
1958年 パーセプトロン
脳の神経活動を数式モデル化しコンピューターに処
理させる初歩的なニューラル・ネットワーク
1960年代 記号処理方式
記号処理のためのルールや数式をプログラム化し思
考や推論など人間が行う情報処理を行わせる
1980年代
専門家の知識やノウハウをルール化し、
コンピューターに処理を行わせる
ルールベース
アプローチ 2000年代
膨大なデータをベイズ理論に基づく統計的手法
で計算し自らルール生成し情報処理する
2006年 脳科学的アプローチ
脳科学の研究成果を取り入れより忠実に脳の神
経活動を再現
人工知能研究の歴史
インターネット登場
ハードウェア性能向上
ビッグデータ・IoT
PC登場メインフレーム登場
知
的
活
動
を
再
現
脳
の
活
動
を
再
現
統計・確率論的
アプローチ
102. 人工知能とは/弱いAIと強いAI
人工知能(AI : Artificial Intelligence)
人間のような知的処理をコンピューターで行う技術
弱いAI
Weak AI
強いAI
Strong AI
知能を使ってすることを機
械にさせようとす取り組み
知能そのものをもつ機械を
作る取り組み
人間のような知的処理の実現
人間の脳で行う処理のしくみにか
かわらず、結果として人間が行う
知的処理ができるようになること
を目指す。
人間と同等の知能の実現
脳科学や神経科学の研究成果を取
り入れながら、人間の脳機能と同
等の汎用的な知的処理ができるよ
うになることを目指す。
107. 人間の知性の発達と人工知能研究の発展
107
if (条件) then (処理1) else (処理2)
論理的思考
感覚的思考
心身的反応
心による身体の制御
や身体の変化による
心の変化
パターンの認識や識
別、規則性やルール
の発見
感覚として得られた
ことについての論理
的な解釈
観察から意識
意欲から行動
特徴の抽出
概念の獲得
感覚についての
論理的理由付け
ルールベース
機械学習
???
人
工
知
能
研
究
の
発
展
人
間
の
知
性
の
発
達
115. K-meansクラスタリング
階層的クラスタリング
Apriori
One-class SVM など
データを探索してその内部に何らかの構
造を見つけ出すこと。
例えば、よく似た属性値(の組み合わ
せ)を持つ顧客のセグメントを特定すれ
ば、マーケティング・キャンペーンでそ
のセグメントに特化した活動を展開でき
る。また、顧客セグメントを区別する主
要な属性値(の組み合わせ)を明らかに
することもできる。
過去のデータから将来起こりそうな事象
を予測すること。
例えば、クレジットカード取引に不正の
疑いがあるケースや、保険金請求を行い
そうな保険契約者を特定することが可能
です。
教師あり学習と教師なし学習
教
師
な
し
学
習
教
師
あ
り
学
習
線型モデル
ロジスティック回帰
判別分析
k近傍法
決定木
サポートベクターマシン(SVM)
ニューラルネットワーク
ナイーブヘイズ
ランダムフォレスト など
適 用 アルゴリズム
116. 敵対的生成ネットワーク GANs: Generative Adversarial Networks
116
生成者
Generator
識別者
Discriminator
画像
画像
元データ
レプリカ
元データの特徴から
できるだけ本物に近い
レプリカを生成する
元データの特徴から
元データと同じかどう
かを識別しようとする
「生成者」はレプリカをできるだけ元データに近づけようとし、「識別者」は確実に見分けられるように互いに競い合う。
「識別者」の能力が次第に上がり元データとレプリカをうまく見分けられるようになり、「生成者」は更に本物に近いレプ
リカを造れるようになる。
これを繰り返してゆくことで、「生成者」は元データと区別が付かないレプリカを造れるようになる。
認識や識別などの受動的機能
深層学習(ディープラーニング)
生成や復元などの能動的機能
敵対的生成ネットワーク(GANs)
117. 深層強化学習 deep reinforcement learning
117
勝
勝
負
プラス評価
マイナス評価
プラス評価
ゲームを繰り返し、結果の勝(プラス評価)/負(マイナス評価)
から、結果に至るプロセスひとつひとつを評価し、勝(プラス評
価)になる一番効果的/効率的なプロセスの組合せを見つけてゆく
強化学習 reinforcement learning
ブロック崩しなどのゲーム 囲 碁
ゲームに勝つために有効な特徴(量)を画像から直
接見つけ出すために深層学習(deep learning)のア
ルゴリズムであるCNN(convolutional neural
network)を使用する。
複雑なゲームでも人間が何を基準に勝ち負けを評価
するかを教えなくても、自分で勝ちパターンを見つ
け出す。
対戦ゲームの場合は、機械の中でお互いに対戦させ
て、学習の回数を増やし、勝ちターンを見つけ出し
て行く。
深層強化学習 deep reinforcement learning
Deep Mind社のDQN(Deep Q-Learning)など
囲碁の世界チャンピオンに勝ったAlphaGo/Alpha Go Zeroが有名
124. 機械学習の仕組み
124
機械 人間 交通 自動車 情報システム医療
故障や異常の検知
エネルギー効率を
最適化した制御
最適計画に基づく
生産
健康のためのアド
バイス
予防診断・病気の
予測
趣味嗜好にあわせ
情報提供
最適な経路の案内
渋滞を回避する道
路管制
災害時の誘導・管
制
自動運転
診断支援
新薬開発支援
ゲノム解析
運用管理
プログラミング
システム設計支援
パターン・規則・関係などの特徴を抽出
特徴をモデル化(多次元ベクトル)
高度な専門的アドバイス
膨大な文献や診断記録から病名や治療法を提示
株式市場やSNSから投資判断
規制や産業動向からM&A戦略を提案
遺伝子や疾患データから新薬候補物質を探索
論文の採点や校正
効率化・省力化
自動運転自動車やドローン
工作機械やロボット、搬送機械などの生産設備
コールセンターや受付での接客・応対
ニュース記事の執筆やテクニカルライティング
プログラミングやシステム運用
利便性と安心安全
ウイルスと振る舞いからワクチンを自動生成
自動翻訳・通訳
自然言語での検索や商品紹介・問合わせ対応
気象やゲノム、マクロ経済の解析
自然言語での対話型のデータ分析
機械学習
138. 138
ある ない
ある ない
ある ない
ある
(少ない学習データ)
ある
(膨大な学習データ)
高い 低い
(ひとつの知的処理に特化)
高い 低い
低い 高い
人間は身体に備わる様々な感覚器からの情報も含め総合して知覚・認識
しているが、機械には身体がないのでそれができない。
自分が現在何をやっているか、今はどんな状況なのかなどが自分でわか
る心の働きである意識により、人間は様々な知的処理を同時に実行し、
それを統合・制御しているが、機械にはできない。
人間は、自分の考えや選択を決心し、実行する能力、あるいは、物事を
成し遂げようとする意志を持っているが、機械にはない。
人間は少ない学習データからでも効率よく学習できる能力をそなえてい
るが、機械は膨大な学習データとそれを処理できる膨大な計算能力(消
費エネルギー)を必要とする。
人間はひとつの脳で様々な種類の知的処理が可能だが、機械は特定の知
的処理に特化している。
人間は、神経の機能単位が消失しても、それを自律的に補填・回復させ
ることができるが、機械にはそれができない。
人間の場合、1千億個のニューロンによる超並列処理がおこなわれてい
るが、その数を増やすことはできない。しかし、機械のプロセッサーは
増やすことはできる。
人間の知性と機械の知性
意識
身体性
意志
学習能力
汎用性
可塑性
スケーラ
ビリティ
高い 低い
人間の脳の消費エネルギーは思考時で21ワット/時程度のエネルギーを
消費するが、機械の場合はその数千倍から数万倍を必要とする。例えば、
GoogleのAlphaGoの消費電力は25万ワット/時とされている。
エネルギー
効率
ある ある 共に記憶能力はあるが、人間の場合は、身体的な感覚を含む記憶が可能
であり、記憶内容やメカニズムは必ずしも同じではない。
記憶能力
機
能
的
特
徴
器
質
的
特
徴
人間の知性 機械の知性 補足説明
144. 人工知能の4レベル
144
単純制御:指示されたことをそまま行う
予め定められたルールに従い制御する(人工知能搭載○○)。
気温が上がるとスイッチを切るエアコン
洗濯物の重さで洗濯時間を自動的に変更する洗濯機
ひげの伸び具合で剃り方を変える電気シェーバーなど
ルールベース:指示されたことを自ら考えて実行する
外の世界を観測することによって振る舞いを変える。振る舞いのパターンを多くするために、予め用意された
ルールに従い学習・推論し実行する。
「駒がこの場所にあるときは、こう動かすのがいい」といった予め決められたルールに従って、これからの打ち手を探索して打つ
ことができる囲碁や将棋のシステム
与えられた知識ベースに従って、検査の結果から診断内容や処方する薬を決めて出力する医療診断システム
機械学習:学習の着眼点は人間が教えるが対応パターンを自動的に学習する
人間があらかじめルールを細かく決めて組み込んでおかなくても、コンピュータが自ら大量のデータを分析し
機械学習を活用し対応パターンを自ら見つけ出す。ただし学習のための着眼点(特徴量)は人間が設計。
「駒がこの場所にあるときは、こう動かすのがいい」ということを設定しておかなくても、対戦を繰り返すことでコンピュータ自
身が自分で学習する将棋や囲碁のシステム
診断データや生体データを多数読み込み、ある病気とある病気に相関があるということを自分で学ぶ医療診断システム
深層学習:学習の着眼点を人間が教えなくても対応パターンを自動的に学習する
学習に使う変数(着眼点/特徴量)を自分で学習して見つけ、対応のパターンを見つけ出す。
1つの駒の位置だけではなく、複数の駒の関係性を見たほうがいいということを、自分で見つけ出す囲碁や将棋のシステム
一連の症状が患者の血糖異常を表していて、複数の病気の原因になっているようだ、ということを自分で見つけ出すことができる
医療診断システム
レ
ベ
ル
1
レ
ベ
ル
2
レ
ベ
ル
3
レ
ベ
ル
4