人工知能に関しての入門資料です。

1. 人工知能についての基礎知識
2018/07/19
稲村 勇太

2. 1
目次
1. はじめに
2. 人工知能とは
3. 機械学習とは
4. 深層学習とは
5. AI活用事例

3. 2
この資料について
人工知能の基礎知識を理解するための資料
TVや新聞等でAI（人工知能）にまつわる
ニュースが連日報道されている 各社が様々なAIサービスを開発中
資料作成の背景
多くの法人企業において、
AIサービスの導入が検討されている
そもそも、
AIって何だろう？
AI（人工知能）について、
仕組みや原理をしっかり理解することが不可欠！・・・だと思う。

4. はじめに

5. 4
用語の位置づけ
人工知能
（Artificial Intelligence）
機械学習
（Machine Learning）
深層学習
（Deep Leaning）
機械学習/深層学習は人工知能の要素技術

6. 人工知能とは

7. 6
人工知能の分類
人工知能
（Artificial Intelligence）
弱い人工知能
特化型
汎用型
強い人工知能
<弱いAI>と<強いAI>に分類可能

8. 7
強い人工知能/弱い人工知能
強い人工知能 弱い人工知能
「知能」を持つ機械
人間と同等の知性の実現を目指す
「知能の一部を代替」する機械
人間と同じような知的処理の実現を目指す
特化型
汎用型
・コンピュータチェス/将棋・囲碁
・検索ワードに対する関連サイトの表示
・Excel マクロ（VBA）
→限定された種類の問いに対する返答を行う
・チャットボット（非定型の問いかけ）
・RPA（Robotic Process Automation）
→複数領域にまたがって使用可能
（特化型人工知能の集合体）
・人間のように思考/意思決定する
・物事を認識し理解する
→プログラミングされた特定の機能以外にも
自身の能力を応用して活用できる
※イメージしやすいように分類していますが、決まった定義の仕方はありません。

9. 8
（参考）人工知能の定義
知能を定義することは困難

10. 機械学習とは

11. 10
機械学習とは
【機械学習】
データから反復的に学習し、そこに潜むパターン（特徴）を見つけ出すこと

12. 11
パターン（特徴）とは
犬 猫
人間
鳴き声
色
大きさ
形
犬 猫
コンピュータ
鳴き声
色
大きさ
形
特徴 特徴
犬と猫は、同じ4本足の生物だが、
「鳴き声/大きさ/色/形」などの特徴を頼りに、
「犬」か「猫」かを判断する
デジタルの情報しか扱えないため、
あいまいな定義しか出来ない特徴では、
判断できない※
※一概に「大きさ○○cmなら犬」と断定できず、複数の要素が絡み合って初めて「犬」と断定できるため。

13. 12
機械学習における分析
【機械学習】
データから反復的に学習し、そこに潜むパターン（特徴）を見つけ出すこと
分析/解析 特徴
大量のデータ
上図の例では、大量の「猫」の画像を機械に読み込ませることで、
最大公約数的に「猫」の特徴を見つけ出させている。

14. 13
機械学習の分類
機械学習
（Machine Learning）
教師あり学習
強化学習
教師なし学習
学習方法によって分類される

15. 14
教師あり学習
犬
犬
特徴量を算出
①正解付きのデータを与える
訓練データとして、正解付きのデータ（ラベル付きデータ）を
入力。この例の場合、正解は犬だと分かっているので、
機械は分析した特徴量が「犬」の特徴であることを学習する。
犬
②大量のデータを学習
大量に学習することで犬に分類すべき特徴量が蓄積される。
③特徴量からモデルを作成
蓄積された特徴量からモデル（基準）を作成する。
※図はイメージしやすいように線形近似としています。
④正解無しデータも分類可能に
ラベルの無いデータを与えられても、
作成したモデルに照らし合わせることで、それが「犬」なのか判定でき
る。
犬
犬
犬
犬は茶色い？
犬の基準
データ
犬
正解無し
データ
？

16. 15
教師あり学習
犬
犬
特徴量を算出
①正解付きのデータを与える
訓練データとして、正解付きのデータ（ラベル付きデータ）を入力。
この例の場合、正解は犬だと分かっているので、
機械は分析した特徴量が「犬」の特徴であることを学習する。
犬
②大量のデータを学習
大量に学習することで犬に分類すべき特徴量が蓄積される。
③特徴量からモデルを作成
蓄積された特徴量からモデル（基準）を作成する。
※図はイメージしやすいように線形近似としています。
④正解無しデータも分類可能に
ラベルの無いデータを与えられても、
作成したモデルに照らし合わせることで、それが「犬」なのか判定でき
る。
犬
犬
犬
犬は茶色い？
犬の基準
データ
犬
正解無し
データ
？

17. 16
教師あり学習
犬
犬
特徴量を算出
①正解付きのデータを与える
訓練データとして、正解付きのデータ（ラベル付きデータ）を入力。
この例の場合、正解は犬だと分かっているので、
機械は分析した特徴量が「犬」の特徴であることを学習する。
犬
②大量のデータを学習
大量に学習することで犬に分類すべき特徴量が蓄積される。
③特徴量からモデルを作成
蓄積された特徴量からモデル（基準）を作成する。
※図はイメージしやすいように線形近似としています。
④正解無しデータも分類可能に
ラベルの無いデータを与えられても、
作成したモデルに照らし合わせることで、それが「犬」なのか判定でき
る。
犬
犬
犬
犬は茶色い？
犬の基準
データ
犬
正解無し
データ
？

18. 17
教師あり学習
犬
犬
特徴量を算出
①正解付きのデータを与える
訓練データとして、正解付きのデータ（ラベル付きデータ）を入力。
この例の場合、正解は犬だと分かっているので、
機械は分析した特徴量が「犬」の特徴であることを学習する。
犬
②大量のデータを学習
大量に学習することで犬に分類すべき特徴量が蓄積される。
③特徴量からモデルを作成
蓄積された特徴量からモデル（基準）を作成する。
※図はイメージしやすいように線形近似としています。
④正解無しデータも分類可能に
ラベルの無いデータを与えられても、
作成したモデルに照らし合わせることで、それが「犬」なのか判定でき
る。
犬
犬
犬
犬は茶色い？
犬の基準
データ
犬
正解無し
データ
？

19. 18
②データの分布状況を学習①正解無しデータを与える
教師なし学習
特徴量を算出？
購入者の年齢
販売部数
③新しいデータの分布を算出
新データ
訓練データとして、
正解無しデータ（ラベル無しデータ）を
入力。例として、本の購入情報
（題名、ジャンル、購入者の年齢、
販売部数）のデータを入力。
特定の基準（購入者の年齢、販売部数）を
元に、データの分状況を学習する。
新しく入力されたデータが、
どのグループのデータに近いか判別する。

20. 19
②データの分布状況を学習①正解無しデータを与える
教師なし学習
特徴量を算出？
購入者の年齢
販売部数
③新しいデータの分布を算出
新データ
訓練データとして、
正解無しデータ（ラベル無しデータ）を入力。
例として、本の購入情報（題名、ジャンル、
購入者の年齢、販売部数）のデータを入
力。
特定の基準（購入者の年齢、販売部数）を
元に、データの分状況を学習する。
新しく入力されたデータが、
どのグループのデータに近いか判別する。

21. 20
②データの分布状況を学習①正解無しデータを与える
教師なし学習
特徴量を算出？
購入者の年齢
販売部数
③新しいデータの分布を算出
新データ
訓練データとして、
正解無しデータ（ラベル無しデータ）を入力。
例として、本の購入情報（題名、ジャンル、
購入者の年齢、販売部数）のデータを入
力。
特定の基準（購入者の年齢、販売部数）を
元に、データの分状況を学習する。
新しく入力されたデータが、
どのグループのデータに近いか判別する。

22. 21
強化学習
①行動と報酬を与える
将棋の場合、「行動」として各駒の動き方を設定。
良い差し手であれば「報酬」として プラスのポイント が、
悪手であればマイナスのポイント が加算される。
②報酬の最大化
最大の報酬が得られるような行動を決定する。
※報酬の与え方を調整することで、その行動が「最適な行動（将
棋であればゲームに勝利すること）」となる。
・・・自分の手番
・・・相手の手番
※丸内の数字・・・「報酬」
例：将棋対戦AIの場合
手数
7
7
1
6
6
10
報酬の合計
報酬が最大となる「最良の選択肢」

23. 22
学習方法の比較
教師あり学習 教師なし学習 強化学習
学習方法
学習内容 入力と出力の関係 データの構造 価値を最大化する行動
主な用途
天気予報
文字認識、画像認識
購買情報分析 株の売買
囲碁、将棋AI
用途に応じて学習方法を選択
正解があり、
前もって正解サンプルから学ぶ
正解はなく、
自分でデータから何かを学ぶ
「正解」は無く、
収益の最大化を目指し、自分の行動
とそれに対する環境の変化について
学ぶ

24. 深層学習とは

25. 24
深層学習とは
人工知能
（Artificial Intelligence）
深層学習
（Deep Leaning）
深層学習は人工知能の要素技術

26. 25
ディープラーニングとは
機械学習の新しい学習手法の一つ
従来の機械学習 ディープラーニング
四足歩行なのが犬
犬だ！
人間が、機械にとっての判断の基準となる「特徴
量」を１つ設定し、その特徴量を元に機械は判断
を行う
犬だ！
学習データ
学習データ（犬の写真）を与えることで、機械が自
動で「特徴量」を複数設定して、判断を行う（言葉
で言い表せない様な特徴が設定される）

27. 26
従来の機械学習
りんご
入力データ 特徴量（色） 出力データ
人間が設定した一つの特徴量を元に判断
ぶどう
バナナ
りんご
りんご
りんご
ぶどう
バナナ
パイン

28. 27
従来の機械学習
りんご
りんご
りんご
ぶどう
バナナ
パイン
入力データ 特徴量（色） 出力データ
判断基準が一つしか無いので精度が低い
りんご
ぶどう
バナナ

29. 28
ディープラーニングによる機械学習
入力データ 特徴量（色） 特徴量（形） 出力データ
りんご
ぶどう
バナナ
パイン
機械自身が複数の特徴量を設定して判断
りんご
りんご
りんご
ぶどう
バナナ
パイン

30. 29
ディープラーニングによる機械学習
りんご
ぶどう
バナナ
パイン
従来より広範囲で高精度な判断が可能
りんご
りんご
りんご
ぶどう
バナナ
パイン
入力データ 特徴量（色） 特徴量（形） 出力データ

31. 30
（参考）ディープラーニングが普及した背景
インターネットの普及による
データ入手の容易化
高速演算処理を得意とする
GPUの性能向上

32. 31
（参考）実用化されたディープラーニング
データ認識の分野でしか実用化されていない
自然言語認識 画像認識 音声認識

33. 32
（参考）チャットボット開発基盤の比較
AWS GCP Azure IBM Cloud
サービス名 Amazon Lex Google Dialogflow Azure Bot Service
Watson
(Watson Assitant等）
特徴
Alexaと同じ技術基盤を
利用可能
Google HomeやGoogle
Assistantとの連携が可能
Cortanaと同じ
技術基盤を利用可能
国内での展開が
他社より先行している
強み
各種AWSサービスとの
連携が容易
■Googleの機械学習を
利用可能
■豊富な連携先や
テンプレートを利用可能
各種Azureサービスや
Office365(Skype）
連携が容易
国内での導入事例が多い
弱み
国内企業における
事例が少ない
国内企業における
事例が少ない
国内企業における
事例が少ない
基幹システムの
構築実績が少ない
事例
海外が中心
（NASA,Hubspot）
■ユニクロ
（顧客問い合わせ対応）
■三井住友FG
（顧客問い合わせ対応）
■東京大学
（OPENキャンパス対応）
■アスクル
（ECサイトでのFAQ対応）
■ロッテ
（Web上のレシピ検索）
費用
■音声リクエスト
0.004ドル/件
■テキストリクエスト
0.00075ドル/件
【Standard】
無料
※一部機能制限あり
【Standard】
無料
※既定のアプリのみ接続可能
【ライト】
無料
※月間10,000件まで
【Enterprise】
■音声リクエスト
0.0065ドル/件
■テキストリクエスト
0.002ドル/件
【Premium】
0.50ドル/1,000件
【標準】
0.0025ドル/件

34. AI活用事例

35. 34
法人向けAIサービスマップ
出典：AINOW 2017年9月5日
数多くの企業がAIサービスを展開中

36. 35
Alpaca
深層学習を活用した金融トレーディングプラットフォーム。
トレーディングを行う人が自分の投資タイミングの判断をAIに学習させ、
同様の投資タイミングが発生したときにお知らせする等のサービスを提供している。
https://www.alpaca.ai/ja/
金融業

37. 36
SmartNews
https://www.smartnews.com/ja/
サービス業
インターネットで収集した1,000万件以上の記事をAIで分類、カテゴリごとに配信を行
う。

38. 37
ViSENZE
AIによる画像認識で、雑誌や実際の写真から、類似の商品をECサイト上で見つけるこ
とが出来るサービス。ユニクロや楽天のアプリには既に本サービスが組み込まれてお
り、画像から商品検索を行うことが出来る。
※2018年7月現在、上記アプリでの組み込みは中止になった模様
https://www.visenze.com/
小売業

39. 38
Rist
機械学習を利用し、画像の中で特定のパターンに一致する箇所を認識し、そのパター
ンが基準を満たしているかどうかを判断するシステム。製造物に紛れ込んだ不純物の
発見や、建造物のゆがみ検知など、感覚的に人間が行っている判断の代行が可能。
http://www.deep-inspection.com/
製造業

40. EOF