今回はAIの正体とはというテーマになります。AIとはなんなのか。またAIを活用するにはどうしたらよいのかについて解説しております。ぜひ最後までよんでみてください！
AIの活用について
昨今AI技術は様々な分野に活用されております。たとえばAI×車で自動運転の実現がすぐそこまできていたり、AI×ショッピングでは顧客のデータを解析し顧客の興味のある商品を進めてくれたりします。
このようなAIの活用例を聞いて、「AIはなんでもできる！わが社もAIを導入してスマートな会社にしよう！！」など、「AIを使用するのが目的」となっているケースがあります。しかし実はAIはなんでもできるわけではなく、得意・不得意がありますし、別にAI技術を使わなくてもできてしまうものなど山のようにあります。
ですのでAI時代に生きる私たちはAIとはなんなのか、そしてAIはなにができるのかを理解する必要があります。
AIはあくまで課題を解決するための手法であることを理解することが重要です！
AI の正体とは？？？
まずAIの正体について暴いていきます。AIとはディープラーニングであり、ディープラーニングとは機械学習手法の一種になります。ですので機械学習を理解することでディープラーニングについて知ることができます。
機械学習とは学習データをもとに反復学習をさせて予測や判別を行う手法のことになります。もうすこし簡易的な表現をつかうと経験したことをもとに予測や判断を行うものが機械学習になります。また機械学習の手法はさまざまあり、ロジスティクス回帰・ランダムフォレスト・SVM・Kmeans・主成分分析・ニューラルネットワークなどがあげられ、その中でこの「ニューラルネットワーク」を多層構造にしたものがディープラーニングにあたります。（厳密には少し違いますが）
さてAI＝経験したことをもとに予測・判別すると聞くと、みなさんが思い描いている人工知能という崇高な存在からだいぶありふれた存在に見えてきたかと思います。
AIは機械学習の一種であることを理解しよう
AI技術について
次にAI技術に使用されているディープラーニングについて深堀していきます。ディープラーニングとはニューラルネットワークを用いて複数の層を重ね合わし、多数の重みというパラメータを更新することで推論制度を著しく向上させた手法になります。また画像処理の分野で使用されているCNNというディープラーニングの手法では、いままで人が画像から任意の特徴量を抽出して、その特徴をもとに判別を行っていたのに対して、画像から特徴量を自動で抽出することで人が発見できなかった複雑な特徴から高精度な判別ができるようになりました。有名なのがGoogleが犬と猫の画像を仕分けるAIを作成したという話で、一見、犬と猫を仕分けるのは簡単そうに感じるかと思いますが、実際はどんな犬・猫に対しても一様に仕分けることができる特徴量を抽出しルールを作るのは人間には至難の技になります。
このようにディープラーニングでは従来人間が与えて学習させていた特徴量を自らが発見して学習する手法ということになります。この点がその他の機械学習手法ともっとも異なる点になります。
ちなみにディープラーニング技術の祖の考え方（パーセプトロン）は1960年ごろには考案されていたのですが当時計算コストが合わず実用化されておりませんでした。しかし昨今のデバイスの進化、特段GPUの進化によって著しく計算スピードが向上したことでディープラーニングの実用化が実現したいうわけです。
AIは自ら特徴をみつけだし学習を行うことで人が発見できなった複雑な特徴を用いて精度の高い推論を行うことができます
ニューラルネットワークについて詳しく解説している記事もあるのでよければ
AIの使いどころとは
さてさきほどの犬・猫の話からAIは人がきづかない複雑な特徴をもつ判別に有効になります。逆にいうと人が気づくような単純な特徴に対してわざわざAIを使ってやる必要はないのです。
例えば、ある装置の保全のためデータA、B、Cを観測しているとします。そしてその装置が故障しそうになるとAとBのデータが上昇することがわかっているとしたら、データA、Bに対して閾値を設けて閾値以上になった場合、点検するというルールを作ってあげればいいだけなのですが、往々にしてこのような案件に対してもAIを使用して満足している輩もいます。ですので私たちはAIを使う必要があるのかを事前に考える必要があります。
AIを学習させるのには、大量の学習データ必要になりますし、学習するための計算コストも必要になります。ですので事前にAIを使う必要があるのかしっかり検討しましょう。一辺倒にAIを使うのではだめです。
AIを導入するために不得意なことを理解する
最後にAIを導入するために必要なこと、そして不得意なことについて理解していきましょう。
まずAIを導入するために重要なのは所望のデータを集めることができるかになります。ディープラーニングの精度を向上させるためには、例えば画像であれば一万枚など多量のデータを準備して学習をおこなうケースが多々あります。また、ただ画像を集めればよいというわけではなく、その画像がなんなのかという「ラベル」をセットにして用意する必要があります。このように大量のデータと大量のラベルが必要になるわけです。またラベル付けの正確さも重要であり、間違えたラベルで学習をさせてしまうと推論制度も低下しますのでラベルの質は非常に大事になります。ですのでAIを導入したい場合は、データが多量に収集できるのか、データに正確なラベルを付与できるのかなどを事前に考える必要があります。
次に当然ですが学んでいないことを判断することも難しいです。例えば柴犬を学ばせたAIに対してチワワのような犬ではあるが見た目が異なるようなもの対する仕分け精度は著しく下がります。もしチワワも含めて犬と仕分けをしたい場合は柴犬とチワワを含んだデータを学ばせて2種類の犬の共通な特徴をAIに学んでもらう必要があります。なお現場で実装する際は遂次追加学習を行うことで解決することが多いです。
そして言葉の意味などを本質的に理解することも難しいです。AIを用いて小説などを生成することは可能になってきておりますが、AIは言葉の意味を理解しているわけではなく、前後にくるであろう文章を確率的に並べているだけにすぎません。(意味を理解させようとする取り組みもありますが、人間がおこなっている意味の理解とは異なると考えております。) また独創的な想像も難しく基本的には学習したデータの範疇にとどまります。ですのでこれらの作業には今後とも人間の手が必要になるでしょう。
さてここまでのAIが苦手なことについてまとめると以下の通りなります。
- データが少量
- データのラベルの質が悪い
- 学習した範疇外の推論・判別
- 感情の理解・独唱的なタスク
AIが苦手なことを理解して、AIが生かせる課題に対して適用させるようにしましょう。
まとめ
- AIとはディープラーニングであり、機械学習の一種である
- AIは自ら特徴量をみつけ学習する
- 簡単なタスクにAIを用いる必要はない
- AIの苦手なことを理解して活用
ディープラーニングの自分の手で構築したい方は下の記事を参考にしてみてください！
コメント