『現在の人口知能の身近な例』

〜AIがすべてを変える〜

ワクワクしちゃうAI(人工知能)の専門用語 / 単語 〜37選〜 人工知能の用語集・単語・意味を知るだけで、新たな世界が広がります

f:id:inaka-gurashi-saikou:20170703135033j:plain

2136年には、AI(人工知能)が人間を超越し、すべての仕事をかわりに行ってくれます。

 

そんな風に機械のカタマリが言われているけれど、AI(人工知能)に関する専門用語や単語、言葉の意味をあまり知らないのではないですか....?

 

今回は、ワクワクしちゃうAI(人工知能)関連の専門用語や単語をお伝えします。

 

↓↓目次一覧から、人工知能用語の一覧が見れて便利です!

 

SPONSORED LINK

 

人工知能に関する専門用語・単語をお伝えします

1. AI / Artificial Intelligence(人工知能

人工知能とは、人工的にコンピュータ上などで人間と同等か、それ以上の知性を実現させる為の技術の事です。

 

人工知能という名前自体は、1956年にダートマス会議ジョン・マッカーシーにより命名されたもので、まだ名付けられてから100年も経過していないものです。

 

ヴィレバンですらAI(人工知能)を利用したAI店員を作り出すなど、多くの企業でAI活用事例が増加傾向にあります。

 

反面、オックスフォード大学とイェール大学の研究者らのレポートによれば、2136年には人間の生産性を汎用型人工知能が飛び越え、人のすべての仕事を代替する能力を持ち合わせると言っています。

SPONSORED LINK

 

2. 人工知能の4つのレベルについて

松尾豊氏著作の「人工知能は人間を超えるか」という文中に、人工知能を4つのレベルに分類する概念が登場しているので、紹介します。

 

人工知能レベル1〜単純なプログラム〜

家庭製品に単純な仕組みのプログラムを搭載するだけで、実際は人工知能を利用していないレベルのもの。マーケティング上必要とされているので、喧伝されているだけで人工知能が裏で動いている訳ではない

 

人工知能レベル2 〜古典的な人工知能

将棋プログラムやお掃除ロボット、質問に答える人工知能のことで、入力と出力に関する大量の組み合わせを所持する事で、多彩で流麗なアウトプットが出来るようにしている。

 

人工知能レベル3 〜機械学習を取り入れた人工知能

事前にAI(人工知能)側に与えたデータセットを土台に、入力と出力を学習していくもので、与えたデータを土台に自動的に学習し続けている

 

古典的な人工知能機械学習を取り入れた人工知能では、データ(情報)を土台に自ら学習し続けるかどうかがポイントとなる。

 

古典的な人工知能は、シンプルにAと言えばBというような組み合わせ数を大量に保持している場合が多く、データに基づく自己学習を行っている訳ではない。

 

人工知能レベル4 〜ディープラーニングを取り入れた人工知能

人間のニューロン神経細胞)に着目したニューラルネットワークによって、自ら学ぶ変数(この場合は特微量)を選択することができる人工知能のことです。

 

ディープラーニングを利用している人工知能では、研究者側がデータを用意する事なく、対象を学習し続けて理解と推論を行うようになります。

 

つまりは、自動学習する人工知能ですね。

SPONSORED LINK

 

3. Narrow AI(弱い人工知能 / 特化型AI)

特定領域に限定された処理を行うだけの人工知能を意味していて、ある出来事にしか特化していないAIなので、特化型AIとも呼ばれています。

 

最近のAI(人工知能)は基本的にこれらの弱いAIを指していて、将棋に強かったり、チェスに強いAIは、これらの特化型AIと定義して良いです。

SPONSORED LINK

 

4. AGI / Artificial General Intelligence(強い人工知能 / 汎用型AI)

AI(人工知能)が、人間とほぼ同じレベルで思考と会話を行える状態の事です。

 

どんな領域であっても人間と同等の行動か、それ以上の結果を生み出す汎用的な能力を持ち合わせているAI(人工知能)を意味していて、汎用型AI(人工知能)とも呼ばれています。

 

あたかも人間の精神を持ち合わせながら、知性と思考を兼ね揃えたようなAI(人工知能)を強いAIと定義していますが、いまだにそうしたAIは作り出されていません。 

SPONSORED LINK

 

5. ASI / Artificial Super Intelligence(人工超知能)

人間という知性体よりも、遥かに高度な知能と知性を持ったスーパー人工知能です。

 

AGI / Artificial General Intelligence(汎用型人工知能)が作られたあとの段階で生まれると予想されていて、AI(人工知能)がAIを作り出します(いわゆるシンギュラリティ)

 

最初にASI(人工超知能)を開発した国が、世界の全てを握るとも言われています。

SPONSORED LINK

 

6. Feature Value(特微量 / とくちょうりょう)

特微量とは、AI(人工知能)が学習データもどんな特徴があって、AIがどこに注目をすべきか?を理解するために利用する変数です。

 

AI(人工知能)が行うアルゴリズムにおいて、対象となる変数をどう扱うのか?どう注目するのかを理解するために特微量が必要となります。

SPONSORED LINK

 

7. Neural Network(ニューラルネットワーク

ニューラルネットワークとは、人間の脳の中にあるニューロン神経細胞)の働きをコンピューター上で表現したものです。

 

人間の脳はニューロン神経細胞)から発生する電気信号の入力と出力によって、情報を取得したり、新たなに記憶の定着を行っています。

 

コンピューターが行っている処理は「0と1」の2進数の組み合わせですから、人間の脳の働きとなるニューロン神経細胞)の動きを表現するには適している訳です。

 

また、最近話題の量子コンピューターでは『重ね合わせ状態(0と1とが重ね合わせで存在する状態)』を利用した圧倒的な処理速度を実現することも考えられています。

SPONSORED LINK

 

8. Machine Learning (機械学習

機械学習とは、準備されたデータからAIが対象データを識別し、反復的に学習し続け、学習対象に潜むパターンを見つけ出すことです。

 

学習結果から獲得した学習パターンに従った知識に基づいて、未来を推論し、予測する行動を選択できます。

 

また、Googleから人間の言葉(文章)から意味を理解・推論するAIエージェントも生まれているため、私たちの音声から機械学習するAI(人工知能)が生まれる可能性も十分にあり得ます。

SPONSORED LINK

 

9. The curse of dimensionality (次元の呪い)

大量のデータを分析する時に大きな次元のデータの処理をする事が多くなります。その時に、次元数が大きくなると次元の呪いと呼ばれる問題が発生します。

 

次元の呪いとは、データの次元数が大きくなり過ぎると、そのデータで表現できる組み合わせが飛躍的に多くなってしまうと生じる事象です。

 

その結果、手元にある有限なサンプルデータでは、十分な学習結果が得られなくなってしまい、実験結果が有用なものではなくなってしまいます。

 

その為、識別したい物体やデータからより有用な情報を取り出す操作となる特徴抽出を行う事が一般的になっています。

SPONSORED LINK

 

10. Supervised Learning(教師あり学習)

入出力のデータをセットで事前にAIが所持しているので、未知の入力データがあってもセットデータの規則性を元に分類などを行い出力を割り出します。

 

教師となる元のデータが存在しているので、教師あり学習と言う具合です。

 

また、プログラミングでは「入力するデータ」と「出力するデータ」が規則的なルールによって決められて行われます。

 

 

つまり、入力データがあるけれど、出力データがない場合は通常プログラムエラーを起こします。

SPONSORED LINK

 

11. Unsupervised Learning(教師なし学習)

AIは事前に与えられた入力データのみを持っているため、未知の入力データがあった場合、その入力データを読み込み済の入力データと比較してクラスタリングしたり、異常検知をしたりして出力を行います。

 

これは、前を向け。という入力データをAIは持ち合わせていますが、その後にどうしたら良いのかという出力データを持ち合わせていない場合を意味しています。

 

この場合は、入力データからどんな出力をする事が妥当なのかをAI(人工知能)側に任せています。

 

また、プログラミングでは「入力するデータ」と「出力するデータ」が規則的なルールによって決められて行われます。つまり、入力データがあるけれど、出力データがない場合は通常プログラムエラーを起こします。

SPONSORED LINK

 

12. Reinforcement Learning(強化学習)

強化学習は、AI(人工知能)に対して「行動の選択肢」と「報酬」を与える事で、行動する事で得られた報酬による評価を自分自身(AI)が行います。

 

そうする事で、教師あり学習や教師なし学習とは違う形式で、AIそれ自身がその都度与えられる評価や報酬を土台に少しずつ機械学習を行っていくという仕組みです。

 

報酬を得られる。という事はAI(人工知能)を動かしている側が求めている正解に近付いている事を意味していたりします。

 

AIそれ自身が独自に報酬から評価した行動なので、そもそも人間側が求めている合理的な解答ではない可能性があるからです。

SPONSORED LINK

 

13. Deep Reinforcement Learning(深層強化学習)

ディープニューラルネットワークを用いた強化学習の事で、Google Deep Mindが開発したDeep Q Network(DQN)が代表的な深層強化学習です。

 

Q関数を通じて強化学習を行い、作成した学習モデルがQ学習を行う事で、深層強化学習が行われるという仕組みです。

 

学習時にQ関数やQ学習を用いるので、Deep Q Learningとも呼ばれます。 

SPONSORED LINK

 

14. Deep Learning(深層学習 / 特微表現学習 / 表現学習)

Deep Learningディープラーニング)とは、AI(人工知能)がデータの特徴を学習して事象の認識や分類を行う「機械学習」手法のひとつです。

 

特に、人間の脳の神経回路から着想を得た「ニューラルネットワーク」をベースにした手法であり、回路の中間部分を多層(複数の層)から構成する事で、対象となる学習データの特徴を多段階的により深く学習します。

 

以前は利用されずらい学習手法でしたが、コンピューターの発達によって利用が可能となってきています。

SPONSORED LINK

 

15. Quantum Annealing(量子アニーリング

量子アニーリングとは、量子焼きなまし法とも呼ばれています。

 

教授西森氏が提唱している量子アニーリングは、解くべき問題に対する汎用性の高い近似解を求めるシュミレーテッド・アニーリングという手法で表現されいて、これは、コンピューター上で仮想的に温度変数を導入して温度を時間の変数として適切に制御する事で最適解に近い状態を求める事を意味しています。

 

この温度に当たる部分(熱のゆらいでいる変数)に対して『量子ゆらぎ』を導入し、古典的な確立過程の代わりに量子力学的な状態の重ね合わせを利用し、組み合わせ最適化問題の解を探索するという訳です。

SPONSORED LINK

 

16. Turing Machineチューリングマシン

アラン・チューリングと言う有名な科学者が提唱した概念に基づく架空の装置で、無限に長いテープとそのテープを書き込み・読み込みする装置さえあれば、どんなプログラムでも実行可能だと言います。

 

つまりは、情報を書き込んだテープを読み込み続けることさえ出来れば、どんなプログラムでも問題でも解決可能だと言いたいわけです。

 

とはいえ、テープの長さが地球100周分にも及んだら、どれだけ時間があっても足りませんし、計算時間も人間が何十世紀も時間を使わなくてはいけません。

 

理論上、計算される問題がスパッと解決されるなら、チューリングマシンは必ず存在する事になりますが、現状ではそんな状況にはなっていません。けれど、量子コンピューターが完成すれば、ほぼチューリングマシンに近い存在となるはずです。

SPONSORED LINK

 

17. Ontology(オントロジー

人工知能の用語としては、オントロジーとは「概念化の明示的な仕様」と定義されていて、コンピューターに知識を厳格に、かつ明示的に記述するための概念です。

 

コンピューターが人間のように自由に「AとBの関係性」を定義する事が出来ればよいが、単なる機械であるPCにはそれが難しい傾向にあります。

 

また、オントロジーには、次の流派が存在してます。

 

Heavy Weight Ontology(ヘビーウェイト・オントロジー

人間の側がオントロジー(概念化の明示的な仕様)をしていく事を前提としている流派で、どのように記述していく事が正しいのかを人の側に託しています。

 

Light Weight Ontology(ライトウェイト・オントロジー

コンピューターの側にデータを読み込ませて、オントロジー(概念化の明示的な仕様) に関する概念間の関係性を見つけようとする流派。Webマイニングやデータマイニングがそれにあたる。

 

18. 人工知能の頑健性 / ロバスト性とは?

人工知能が学習していく過程において、特徴量とは対象となるデータを定量的に決定するための変数です。

 

それらの大量に存在する特徴量を選択していく事で、最終的にAI(人工知能)それ自体が、対象からの概念を推論し、理解します。

 

AI(人工知能)が定義する「概念」それ自体が意味を持ち、それ自体が価値を持つ事を定義する為の要素として「頑健性 / ロバスト性」が存在しています。

 

いわゆる考えや概念を抽出する為には非常に長時間の精錬の時間を必要としていて、それらの概念や考えが揺るぎがない状態へと移行させるには、逆説的にデータにノイズを代入させる必要があります。

 

ノイズを加えても加えても自然と浮き上がる概念は、やはり頑健性/ロバスト性を持ち合わせていて、有意義で拡張性のあるデータだと言えます。

SPONSORED LINK

 

19. Black Box(ブラックボックス

内部の動作原理や構造を理解していなくても、外部から見た機能や使い方のみを知っていれば十分に得られる結果を利用する事のできる装置や機構の概念。(参照wiki 

 

AI(人工知能)においてもディープラーニングの過程などはブラックボックス化しています。

SPONSORED LINK

 

20. AI x Technological Unemployment(AIと技術的失業の関係性)

技術的失業とは、銀行にATMが導入されることで銀行窓口業務に関する人員がいらなくなることや、音楽データをインターネット上で販売する事で、CD販売店が不必要になる。

 

と、言うような技術の進歩によって、既存の職業が失業に追い込まれる状態です。

 

AI(人工知能)の急激な進歩によって、既存の職業がなくなるのではないのかという疑問を提示している技術者や研究者たちは多く存在しています。

 

また、イェール大学とオックスフォード大学の研究者チームが2136年には「AI(人工知能)が人間のすべての仕事を代替する」という予測をしていて、少しずつですが、人間の技術的失業が起こりうる可能性がうまれています。

 

そして、AIが雇用を変え、働き方を変え、社会を変える “全人口の1割しか働かない未来”の幸福論とは(前編) にて、井上 智洋さん (駒澤大学経済学部 准教授) は『AIと技術的失業の関連性』では、特に次のように言及しています。

 

人間とほぼ同じような知的振る舞いができる汎用AIが実現し普及すれば、量的にも、質的にも従来とは異なる変化をもたらすと考えられます。

 

たとえば新しい職業が生まれて、汎用AIがそれを次々とこなしていったとします。人間を雇用して教育するよりも、汎用AIをレンタルするほうが安いのであれば、後者を選ぶのが合理的な経営判断です。

 

人間の労働の大半がAIに代替されると、技術的失業者を吸収する余地はきわめて少なくなってしまうかもしれません。

 

つまり、現状ではなんでも人間以上に行動できるAI(人工知能)が存在していないために、状況として技術的失業が生じていないことを言及しています。

SPONSORED LINK

 

21. Bayesian optimization(ベイズ最適化)

ベイズ最適化とは、大域的最適化問題(Grogal Opitimization)の一種で、逐次最適化手法(Sequential Optimization)を行います。

 

 形状のわからない関数(ブラックボックス関数)の最大値、もしくは最小値を求めるための手法で、機械学習のハイパーパラメータ検索に利用されます。

 

ベイズ最適化では、効率的に精度の良い学習モデルが発見されやすいです。

 

 

SPONSORED LINK

 

22. Passive Consciousness Theory(受動意識説)

受動意識説とは、人間の自由意志とは全て幻想で、意識は現実世界に起きてしまった事に対する"後付け"をするための辻褄合わせの存在なのでは?という仮説です。

 

慶應義塾大学の前野教授が提唱した論説で、意識とは圧縮記憶装置のようなものであり、人間の脳に入った情報を選択的に、かつ長期的に記憶できる状態にするための役割ではないかと言及しています。

 

株式会社アラヤでは、人工意識に関する研究も進んでいますから、人間の意識それ自体を解明する時代ももうすぐくるかもしれません。

SPONSORED LINK

 

23. Technological Singularity(技術的特異点

シンギュラリティとは、AI(人工知能)が人間を超えてしまう日です。

 

シンギュラリティ(技術的特異点)という考え方は、レイ・カーツワイルが言及する100兆の極端に遅い結合(シナプス)しかない人間の脳の限界を、人間と機械が統合された文明によって超越する瞬間のことです。

 

一説にはAI(人工知能)がAIを生み出し始める瞬間だとも解釈されていて、その事象は2045年に起きると予測されています。

SPONSORED LINK

 

24. Moravec Paradox(モラヴェックのパラドックス

モラヴェックのパラドックスとは、AI(人工知能)が人間が普段を行っている人の顔を認識したり、無意識に行う行動がもっとも難しい課題だという指摘です。

 

モラヴェックのパラドックスの考えでは、AI(人工知能)が与えられたタスクをこなすことよりも、1歳児レベルの知覚と運動のスキルを与える方が遥かに難しく、また不可能だという事を意味しています。

 

AI(人工知能)の中には、AGI(汎用型人工知能)やASI(人工超知能)などの発展系が存在していて、必ずしもモラヴェックが言及する指摘が常に正しいとは言い切れません。

 

ですが、確かに人間が自然に行う行動をAI(人工知能)が代わりに行うことは、現状では極めて難しいことだとも言えます。

SPONSORED LINK

 

25. Deep Neural Network(ディープ・ニューラル・ネットワーク)

ディープラーニング(深層学習)を基本とするニューラルネットワークが、ディープ・ニューラル・ネットワークと呼ばれていて、通常の機械学習では入力層と出力層との2層(隠れ層を含む場合は3層)が基本です。

 

ディープラーニングは、隠れ層が2層以上の深層である事が、ディープ(深層)である事の定義です。

 

なので、ディープラーニングとは入力層 + 出力層 + 隠れ層(2層以上)を基本としたディープ・ニューラル・ネットワークでAI(人工知能)が学習していく事を意味しています。

 

言い換えれば、ディープラーニングをしているニューラルネットは、概してディープ・ニューラル・ネットワークと言及しているという訳です。

SPONSORED LINK

 

26. The Problem of 2045's(2045年問題)

2045年に到達した段階で、 ASI(Artificial Super Inteligence)と呼ばれる人口超知能が生まれるとされている時代。

 

AI(人工知能)がAIを生み出す事で、結果として人間が機械(AI)によって淘汰されていく事を意味しています。

SPONSORED LINK

 

27. Knowledge Blind Angles(知の死角)

Knowledge Blind Angles(知の死角)とは、東京大学の研究グループが定義する「超複雑系における巨大なブラックボックス=自動化されたシステムで人間が認知観測できない莫大な盲点の集合」のことを意味しています。

 

まず、1990年代初頭の複雑系は「ヒトゲノム以前の複雑系」で、2010年代後半の複雑系は「ニューラルネットワーク以降の複雑系」という25年以上の開きが存在しており、わかりやすく標語化すると、『超複雑系』になっています。

 

言い換えれば、プログラミング言語の記号やタグレベルで扱っていたゲノム複雑系が、コンピューターの「1、0」の羅列からなるビットの集合そのものを直接計算機が観察し、機能し、AI(人工知能)によって知識情報として組み立ててくれます。

 

以前とは違い、既に人間の知らない間で知識情報が生み出され、ブラックボックスが出来上がっていて、そこには「知の死角」が存在しています。

SPONSORED LINK

 

28.  ASILOMAR AI PRINCIPLES(アシロマAI 23原則)

ASILOMAR AI PRINCIPLES(アシロマAI 23原則)とは、AI の研究・倫理/価値観・将来的な問題などの3つの分野に関して、研究開発のあり方、安全 基準の遵守、透明性の確保、軍拡競争の防止、プライバシーと人格の尊重など、幅広い視点からの提言をまとめたAI開発における23の原則を意味しています。

 

ロボット3原則はロボット開発における守るべき原則ですが、アシロマAI 23原則はAI開発を通じて人間とAIとが最悪な対立構造を生まないための必須原則です。

 

AIが人間にどう影響するのか?

 

破壊か?

 

それとも共生か?

 

それらの未来自体は全く予測不可能ですが、未来が勝手に良くなることも、悪くなることなく、人類の選択次第ですから知っておくべき原則と言えますね。

SPONSORED LINK

 

29. Generative Adversarial Networks(敵対的生成ネットワーク)

敵対的生成ネットワークとは、Googleにも在籍していたグッドフェロー氏が提唱している教師なし学習をAI(人工知能)に対する行うことです。

 

GAN(敵対的生成ネットワーク)には2つの役割を果たす生成者(Generator)と識別者(Discriminator)というニューラルネットワークのキャラが用意されています。

 

これら2つのキャラたちが互いに『学習すべき対象のイメージが本物か偽物かを互いに競争しながら学習していく』ことで、研究者側が教師あり学習のように新たに情報を与えずに、人工知能のキャラクターたちだけで機械学習をしていくことが可能です。

 

AIたちだけで学習すべき対象の概念や特徴が正しいのかを判別することができるので、人間が関わらなくて良いこととなっています。

 

以前はAI(人工知能)が学習している間に研究者たちがあえて間違っている情報(ノイズ)を用意することで、AIが学習すべき内容の頑健性(ロバスト性)を高める手法が存在していました。

 

これは、どれだけノイズを入れ込んだとしても、それでも浮かび上がる概念それ自体は結果的に正しい概念だということの裏付けを行うために利用されていました。

 

このロバスト性を追求する方法の場合は、やはり人間が関わらなくてはいけないのですが、GAN(敵対的生成ネットワーク)なら学習する内容を精査し、批判する識別者(Discriminator)がいるので、人間が関わる工程がなくなったわけですね。

 

自らの行動自体が正しいのかの真偽判定を行う機能を有する教師なし学習が、GAN(敵対的生成ネットワーク)とも言えます。

SPONSORED LINK

 

30. Creative Adversarial Networks(敵対的創造ネットワーク)

敵対的生成ネットワークをアート作品にて利用している場合の名称、想像的に新たな作品を生み出すためにCAN(敵対的想像ネットワーク)と呼ばれます。 

SPONSORED LINK

 

31.Weapons of MATH Destruction(数学破壊兵器)


不公平データに基づく分析モデルに対して、欠陥のあるデータを入れてしまい、結果としてテクノロジーがあるにも関わらずバイアスをカモフラージュした状態で、欠損データ(偏見)などをブラックボックスに押し込む事。

 

分析すべきデータを正しく選択しない事で生じる問題で、最近ではNHKが開発した社会問題解決型のAIがこのWMD問題を抱えていると言える。

 

前提としてTVプロデューサー側が抱えている偏見をテクノロジー(人工知能)が言及しているように見せかけ、あたかもカモフラージュし、自らの意見を押し込んだブラックボックスを構築している。

 

AI(人工知能)がGANやディープラーニングによる学習速度を早める中で、対象のデータセットの真偽を正しく認識する事の重要性を理解させるAI(人工知能)に関連した問題だと言える。

 

Microsoft社のAI(人工知能)Tayが、Twitter上での学習データによってナチス派のフェミニスト嫌いの戦争賛成派になった時は意図せず起き得たとされているが、今回のWMD問題に関しては意図的な間違いだったとされている。

SPONSORED LINK

 

32. GNR Revolution(GNR革命)

GNR Revolutionとは、未来予測の第一人者レイ・カーツワイルが言及するGenetcis(遺伝子学)・NanoTechnology(ナノテクロジー)・Robotics(ロボティクス)によって人類が圧倒的な進化をする革命を総称した言葉です。

 

現在ではドローン革命が叫ばれていますが、2020年から2030年頃までにかけて生じる革命が、GNRのいづれかに修練し、またシナジー効果を生みだしながら畳み掛けるように起き続けるとしています。

 

どの分野においても、根源的に重要となるのがAI(人工知能)が持ち合わせている『機械学習・強化学習・深層強化学習』などの人間を超越している学習能力に基づくアウトプットです。

SPONSORED LINK

 

33. Individual Re-Recognition(個別の再認識)

中国で開発されている人工知能システムにおいて、犯罪予知に使われている技術です。

 

これは、別の服を来て別の場所にいたとしても、同一人物かを判定、照合、識別するもので、近年可能となった技術です。

 

中国では前提として街中にある監視カメラを通じて、個人を特定する顔認識技術や行動分析をAI(人工知能)技術を利用して行っています。

 

アニメサイコパスの世界に突入しているという事ですね。

 

SPONSORED LINK

 

34. Crowd analysis(群衆分析)

中国の監視カメラを通じて、個人を特定する為に顔認識技術や行動分析の為にAI技術を利用しています。

 

そして、人混みの中の「疑わしい行動」を検知する為に「群衆分析」を使い、鉄道の駅で普通の乗客から窃盗犯を見つける事などが可能です。

 

このCrowd Analysis(群衆分析)には、株式会社クラウド・ウォークの顔認識システム利用していて、犯罪歴のある人々の追跡に加えてナイフやハンマーの販売店といった高リスクの場所の監視にも使われています。

 

参照

SPONSORED LINK

 

35. Intelligence extension by AI(AIによる知能拡張)

AI(人工知能)による知能拡張が人間に生じた時に、人間同士の知能レベルや学習してきた内容によって、同一の概念の説明を、AIが変えてくれる事。

 

適宜相手の理解に合わせた説明や概念レベルでの比喩などを織り交ぜながら、最終的に相手の知識や学習と言ったバックグラウンドに適した情報をAI(人工知能)が選択をします。

 

そうなる事で、結果的にどのような領域の学習領域に位置していても、事象に対する理解を適切に行えるようになります。

 

AI(人工知能)が進化をする事で、ブラックボックスの度合いが増していくと、知の死角が生じやすいという問題があるが、このような問題も解決されていきます。

 

いわば、AI(人工知能)が知識のトランスレーターとして、プレゼンするAIになるという具合です。

SPONSORED LINK

 

36. Recurrent Neural Network(再帰ニューラルネットワーク

RNN / Recurrent Neural Network(再帰ニューラルネットワーク)とは、文章がどの程度の確率で出現するのか。そして、新たなテキストを生み出す事が出来るという2点の言語モデルに基づいています。

 

従来のニューラルネットワークでは、インプットデータとアウトプットデータは互いに独立しています。RNNのRはReccurent(再帰)という意味で、直前の計算に左右されずに、連続的な要素ごとに同じ作業を行わせることで、文章を連続的な情報として扱える。というわけです。つまりは、RNNは以前に計算された情報を覚えるための記憶力を持っているということです。

 

Google検索もAI(人工知能)技術を通じて、日々の検索を行っているのですが、例えばRankBrain(人工知能システム)を利用して、まさに今現在行われている検索キーワードに関連したリアルタイムの情報を機会学習する事ができるようになる事で、過去のデータと現在のデータに基づく新鮮な検索体験をユーザーに提供する事が可能となっています。

 

例えば、文章を「要約するAI」はRNN(再帰ニューラルネットワーク)を利用するでしょうし、DiscoGANを利用して、相手に合わせた要約するAIにも変化するでしょう。

SPONSORED LINK

 

37. Long short-term memory(再帰ニューラルネットワーク

LSTM / Long short-term memoryとは、リカレントニューラルネットワークの一種です。

 

LSTM(Long short-term memory)は、RNN(Recurrent Neural Network)の拡張として1995年に登場した時系列データ(sequential data)に対するモデル、構造(architecture)の1種です。

 

Long term memory(長期記憶)とShort term memory(短期記憶)という神経科学における用語から取られています。LSTMはRNNの中間層のユニットをLSTM blockと呼ばれるメモリと3つのゲートを持つブロックに置き換えることで実現されています。

 

参照

SPONSORED LINK

 

参照

文献: 人工知能は人間を超えるか ディープラーニングの先にあるもの 松尾豊 (著書)

NTTコムウェア | ディープラーニング

https://s3.amazonaws.com/ml-class/notes/MDPIntro.pdf

The AI revolution in science | Science | AAAS

https://www.sas.com/ja_jp/insights/analytics/machine-learning.html

https://innovation.mufg.jp/detail/id=123

https://japan.zdnet.com/article/35093175/2/

https://jinjibu.jp/article/detl/keyperson/1759/1/

ディープニューラルネットワークについて - Deeplearning4j: Open-source, Distributed Deep Learning for the JVM

http://jbpress.ismedia.jp/articles/-/50550?page=4

http://www.tmresearch.co.jp/sensor/wp-content/uploads/sites/2/2017/03/SENSOR35.pdf

https://roboteer-tokyo.com/archives/9031/3

http://kaseinoji.hatenablog.com/entry/cathy-wmd

深層強化学習について(チームラボ勉強会 2016/04/21)

https://singularityhub.com/2017/07/14/ray-kurzweil-a-strategy-for-keeping-the-world-safe-from-ai/

http://www.exponential.jp/?p=331

http://qiita.com/kiminaka/items/87afd4a433dc655d8cfd