AI
AIとはArtificial Intelligenceの略称です。AIは、コンピュータープログラムによって、大量のデータを処理しながら、自ら学習する能力があり、学習することで知識を深めて、認識したり、推論したり、判断したりするようになります。
AIには、機械学習とディープラーニング(深層学習)という2つの学習方法があります。
機械学習とは、AIが大量のデータを学習して、推論や判断ができるアルゴリズム(問題を正しく解答するための計算方法や処理方法)をつくりだすことです。つまり、AIは、大量のデータを学習することで、正しい答えを出す方法を身に着けます。
ディープラーニングとは、機械学習の一種ですが、人間の脳の働きのように、多層のニューラルネットワークを用いて、データを深く理解することにより複雑なパターンを学習します。ニューラルネットワークとは、人間の脳の神経細胞(ニューロン)をモデルにしたもので、パターンを認識するためのアルゴリズムです。
AIの機械学習
機械学習の方法には、教師あり学習、教師なし学習、強化学習という3つの種類があります。
教師あり学習とは、AIに正解のデータを提供することによって、学習させる方法です。例えば、動物の種類を判断するための学習方法では、画像に写っている動物にイヌ、ネコなどのラベルと呼ばれる正解を示す情報を与えます。
具体的には、イヌの画像にはイヌのラベル、ネコの画像にはネコのラベルを付けます。その結果、AIは、新しい画像データについて、すでに学習したラベル付き画像データから、その画像がイヌか、ネコかを推論して判断します。
このようにして、AIは、動物の画像データを大量に学習することによって、動物の画像を識別できるようになります。すなわち、AIは、正解のデータからルールやパターンを学習して、未知のデータについても推論や判断を行えるようになります。教師あり学習の活用方法としては、監視カメラの映像や医療画像の解析、翻訳機能などがあります。
教師なし学習とは、正解を教えずに、AIに正解を見つけ出させる学習方法です。すなわち、AIにデータを分析させて、データに含まれるルールやパターンを見つけ出させる方法です。これにより、AIは、ラベルで分類できないような判断基準を見つけ出すようになります。教師なし学習の活用方法としては、画像生成、自動運転、不正アクセスやウイルス検出などの異常検知などがあります。
強化学習とは、AIに目標達成のための最適な方法を見つけ出させる学習方法です。具体的には、AIは、目標を与えられ、大量のデータを読み込みます。そして、AIは、試行錯誤を繰り返しながら、大量のデータから最適なデータをつくり上げて、目標を達成します。強化学習の活用方法としては、囲碁・将棋のゲームや掃除ロボットなどがあります。
AIのディープラーニング
ディープラーニングでは、AIが、ニューラルネットワーク(Neural Network)によって、データの特徴などを多層的に学習して、複雑な推論や判断を可能にする方法を見つけ出します。その結果、機械学習では判断が難しい複雑な問題についても、正解を出すことができるようになります。
ニューラルネットワークとは、脳の神経細胞(ニューロン)の回路の特性をコンピューターで表すためにつくられた数理モデルです。ニューラルネットワークは、入力層、隠れ層(中間層)、出力層という3つ層から構成されています。ディープラーニングでは、複数の隠れ層を持つことで、複雑な問題も解くことができるようになります。
ニューラルネットワークとは、脳の神経細胞(ニューロン)
で行われている情報処理の仕組みを模して、
数学的にモデル化したものだよ!
すなわち、コンピューターの中で、ニューロンの働きを
シミュレートするんだ!
これによって、AIは、人間の脳のように、複雑な問題についても、
パターンを認識して、推論や判断ができるようになるんだよ!
ニューラルネットワークでは、学習するためのプログラミングをする必要がありません。人間の脳のように、自ら学習していきます。このようなニューラルネットワークを活用・発展させたディープラーニングによって、AIの活用範囲は大幅に拡大しました。
すなわち、ディープラーニングは、人間が指示しないことや把握できないことも、AIが読み取って判断する場合に活用されています。例えば、自動運転における標識や信号機の認識や歩行者の検知、医療研究におけるがん細胞の検出などがあります。
このように、ディープラーニングは、機械学習よりも応用範囲が大幅に広がるため、AIに対しては常にディープラーニングを行う方が得策のように思えます。しかし、ディープラーニングにも問題点があります。
具体的には、ディープラーニングには、膨大なデータと時間を必要とします。AIがデータを処理して正解を導き出すためには、最低でも万単位以上のデータを必要とします。
また、ディープラーニングには、いわゆる「ブラックボックス問題」があります。これは、AIがディープラーニングによって導き出した答えの根拠がわからない、という問題です。つまり、どのように考えて答えを出したのかわからない、ということです。
すなわち、人は、物事を考えるとき、数次元の思考レベルで答えを出します。また、それが人間の脳の限界です。一方、AIは、数百次元の思考レベルで答えを出すことができます。そのため、人間には、AIが答えを出した過程を把握できないことがあります。そして、根拠がわからないままで、AIの判断を利用するのは不安やリスクが伴います。
AIの歴史
1950年、英国の数学者アラン・チューリングは、「Computing Machinery and Intelligence(計算する機械と知能)」という論文を発表しました。その論文では、考える機械について言及していました。
1956年、米国のダートマス大学で開催された会議(ダートマス会議)で、数学者のジョン・マッカーシー教授は、考える機械にAIという名称を付けました。
1960年代、最初のAIブームが米国や英国で起こりました。迷路やチェスなどのゲームを行うAIが登場しました。しかし、AIは複雑な問題を解くことができませんでした。そのため、ブームは下火になっていきました。
1980年代、第2次AIブームが到来しました。エキスパートシステムと呼ばれるコンピューターシステムが採用されました。このシステムにより、AIは、専門の知識を与えられ、専門家のように推論や判断ができるようになりました。しかし、AIは自ら学習することはできず、膨大なデータの入力やルール化の作業を人間が行う必要がありました。
2000年代から現在まで、第3次AIブームが継続しています。コンピューターの性能が格段に高くなるとともに、機械学習やディープラーニングが実用化されました。これにより、AI自ら、データの特徴を学習して、推論や判断を行うことができる方法を見つけ出します。
これまで、AIは、将棋や囲碁の試合で、プロ棋士に勝利して世界を驚かせました。現在、AIは、膨大なデータの分析や必要なデータの選択などの作業を通して、様々な業務を支援しています。
コメント