LiBRA 06.2021 / AI
0 likes•844 views
https://libra.netcommerce.co.jp/
LiBRA 06.2021 / AI
- 3. 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
- 4. 判断／決定 「情報」を意味する3つの英単語の違い 様々なデータ・ソースから生 成される数字や記号など Dataを目的に応じて基 準を与え、分類・構造化 し、報告や検討しやすく 整理したもの Informationに内在する ルールや法則などの関係 を考察し、価値評価を加 えたもの Intelligenceによって示 された価値評価に基づき 判断し意志決定を行なう 情 報 data information intelligence 素材 整理 価値 decision データ･ソース 抽出・変換 分析･考察
- 5. BIとAI
- 6. BIとAI（人工知能）の関係 6 データ ビッグデータ 人間による推論・判断 人間の知的活動の生産性を高めるための手段 機械による推論・判断 人間の知的活動を拡張しその能力を高める手段 整理・見える化 BI（Business Intelligence） AI（Artificial Intelligence） 特徴の抽出 判断するための特徴パターンや推論するためのルールを生成 人間の学習と考察 コンピューター アルゴリズム 機械学習
- 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】
- 8. BIとAIの関係 8 アナリティクス Analytics データの中に意味のあるパターンを見出し、見える化して伝えること 人工知能 Artificial Intelligence 人間の”知能”を機械で人工的に 再現したもの ビジネスインテリジェンス Business Intelligence ビジネス活動から生じるデータの中に意味のあるパターンを見出し 見える化して伝えること 機械学習 Machine Learning 人間が自然に行っている学習能力と同様の機能を コンピュータで実現しようとする技術・手法 過去と現在を整理・見える化 未来を予測・見える化 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
- 9. 人工知能とは何か
- 12. 人工知能の2つの方向性 視覚（See） 聴覚(Listen) 対話（Talk） 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 何を知るべきを見つける どうすればいいかを探す 共通するのは何か？ 違うのは何か？ 足りないのは何か？ 意識・意欲・興味・自己理解など 疑問や興味を持ち 目的やテーマを設定する能力 脳で行う 知的処理 人間の能力 を超えるものもある 仕組みが分からず 実現の見通しがない
- 13. AIとAGIの関係 汎用型人工知能 AGI : Artificial General 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 特化型人工知能 AI : Artificial Intelligence 何を知るべきを見つける どうすればいいかを探す
- 14. 知能・身体・環境とAI 14 生物／生存と繁殖 自己概念 信念、欲求、感情、理性、自己意識 感覚器 運動器官 骨格、関節、筋肉、靭帯、腱 環境／ガイア仮説 身体 影響 受容 相互作用・適応 エネルギー循環 誕 生 死 滅 進化 遺伝・淘汰・絶滅 IoT ロボティクス 地球と生物が、相互に 関係し合い環境を作る 認識 判断 運動構成 AI/人工知能 繁 殖 長く生き延び 子孫を残す 内分泌系
- 16. 特化型と汎用型の違い 16 オープンな問い 自分は何をすべきか？ 生きるとはどういうことか？ 世界はどうあるべきか？ クローズドな問い 「これ」について教えて欲しい？ 「これ」でいいのだろうか？ 「これ」でうまくいくだろうか？ 専門的 総合的 汎用型人工知能 哲学や芸術 発明や発見 運動 など 特化型人工知能 画像診断 将棋や囲碁 音声認識 など
- 20. 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
- 21. 「人工知能」と言われるものの４つのレベル 21 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
- 22. 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。
- 27. 機械学習がやっていること モデル レントゲン写真から 「癌」の病巣を 識別するルール 入力 出力 癌 データ分析で ルールを作る 機械学習 癌の病巣が写っている 大量のレントゲン写真 ある患者のレントゲン写真 「癌」の病巣を表示 レントゲン写真から 「癌」の病巣を見つける「モデル」
- 28. ルールを作るとはどういうことか ・・・・・ 入力層 出力層 中間層（隠れ層） 入力と出力が一致するように 中間層の繋がりの重み付けを 調整してゆく。 ・・・・・ 入力層 出力層 中間層（隠れ層） イヌ 32% × ネコ 96% ○ ウシ 18% × 学 習 学習によって作られた 推論モデル ネコであることを 識別し分類する ルール 「ネコ」 である 教師データ 未知のデータ 教師データ
- 29. 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 推論 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
- 34. 「東ロボくん」の実力と代替可能な職業 34 国公立大学 172校 内 23校 30学部 53学科 合否判定80%以上 私立大学 584校 内512校 1343学部 2993学科 合否判定80%以上 MARCH /関関同立の学科を含む
- 35. 人間の知能そのものを持つ機械を作る 【図解】コレ１枚でわかる人工知能 人間にしかできなかったこと 人間にはできなかったこと 作業の効率化 能力の拡張 運転手 工場作業者 兵士 音声認識 文脈理解 検索代行 知識蓄積 関係付け・解釈 選択・判断 観察・監視 能力強化・補完 介助・補助 人工知能 Artificial Intelligence 汎用型人工知能 特化型人工知能 人間の新たな役割を生みだし進化を加速する 自律化 知的望遠鏡 知的介助 人間が知能を使って行うことを機械にさせる
- 36. 人工知能の３つの役割と人間の進化 36 人間の新たな役割を生みだし進化を加速する 自律化 知的望遠鏡 知的介助 機械自らが手順や判断基 準を見つけ出し人間が介 在することなく実行する 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 機械が人間に寄り添い、 利用者の裾野を拡大し、 新たな価値を生みだす 人工知能／Artificial Intelligence 人間の知的作業を自動化し知性を拡張する技術 自動車、システムや機器 の運用、土木工事など 医療診断、データサイエ ンス、各種学問分野など 音声認識端末、対話応答 サービスなど
- 38. 自律化
- 42. コンビニのレジは ”No Checkout”へ 手順が決まった仕事は機械に置き換わる 42 銀行の窓口業務は ATMへ 駅の有人改札は 自動改札へ 単純 複雑 手順の決まった仕事は 機械に置き換わる
- 47. 「自動化」から「自律化」への進化 47 データを蓄積 263 Kw ○×電力 経験や知見 ビッグデータ アルゴリズム構築 データ分析 機械学習 確率・統計的アプローチ 脳科学的アプローチ ロジック ロジック ロジック パターン 自動化（Automation） 自律化（Autonomous） 人間が体験から仮説を立て検証し、 ルールーを定義して実行させる仕組み 機械がデータから仮説を立て検証し、 ルールーを定義して実行させる仕組み アプリケーション サービスやロボットなど
- 50. スマートマシン 50 Movers (動く者) 自律運転車 Sages (賢者) 音声アシスタント 自律的に行動し、知能と自己学習機能を備え、 状況に応じて自らが判断して適応し、 これまで人間にしかできないと思われていた作業を実行する電子機械 Doers (行動する者) 人型介護ロボット 無人輸送ヘリ 工場作業ロボット 質疑応答システム
- 52. 人工知能とロボットの必要性 52 少子高齢化 低い労働生産性 グローバル競争の激化 人工知能 ロボット スマート・マシン 少ない労働人口での社会・経済基盤の維持 ワークライフバランスや賃金を犠牲にしない国際競争力の維持 高い付加価値や差別化による産業競争力の向上 過疎地での医療・福祉・生活支援などの社会課題を解決 労働環境の改善と生活の質的向上 など
- 54. 人工知能のロボットへの実装 54 反射的行動 行動の抽象化 理論化する Input Output 何かが来たらよける 大きな音がしたら逃げだす 段差があれば後退する など 何かが近づいたら危険かどうかを判断する 大きな音がしたら影響があるかを見極める 段差があれば乗り越えられるかどうか判別する など どういう場所が危険かを理解する 音の種類により危険かどうかを区別する 段差の限界を把握する など 情 報 の 抽 象 化 行 動 の 生 成 サブサンプション・アーキテクチャ Subsumption Architecture
- 55. 専門家と人工知能 55 学習・考察 モデル 最適解 洞察 決定 機械学習 (ディープラーニング) モデル 最適解 洞察 決定 BIG DATA 専門家によるアプローチ 人工知能によるアプローチ
- 57. Amazonの戦略と日本の現状 57 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
- 60. スマート・スピーカー 60 天気予報 音楽配信 ニュース配信 検索 ゲーム ・・・ 個別開発したサービス アシスタント サービス 音声対話によるサービスや機器の操作 「苦手」や「難しい」というユーザーの取り込み ユーザー増大によるサービス収益源の拡大 「標準」の地位を確保しユーザーの囲い込み インターネット → クラウド
- 62. 人工知能と人間の進化
- 65. 産業発展の歴史から見る人工知能の位置付け 65 人手による 家内制手工業 動力による 大量生産 データに基づく 科学的管理手法 データを活かした 知的処理能力の拡張 製作者の能力に 依存した 独自化 機械化と分業 による 専門化 プロセス分解 による 標準化 データ活用 による 個別化 製作者の能力 動力の進化 水力→蒸気力→電力 コンピュータ ＋プログラム 人工知能 需要の充足 効率化の追求 効率化の加速 最適化の追求 生産性の飛躍的向上 生産性の停滞 生産性の最適化 生産性 〜18世紀半ば 1800年代〜 1900年代〜 2010年代〜 機械化 自動化 最適化
- 66. 人工知能と機械学習
- 68. 機械学習の仕組み 68 IoT Web Mobile データ モデル 推論 機械学習 Machine Learning 識別 予測 判断 ゾウ or カバ？ 正常 or 異常？ 晴れ or 雨？ データ(学習データ)を分析して 特徴が共通するグループに分ける ための基準／ルール(モデル)を作る モデルを使ってグループ分けする 音声認識 顔認証 自動運転 創薬支援 天気予報 画像診断 人材採用 故障予測 機械翻訳 競技アドバイス 惑星探査 ヒビ割れ点検 製品品質検査 機械学習アプリケーション 推論モデル／学習モデルという 学習データという
- 69. モデルとは何か 69 動物 座標空間 実際には多次元の座標空間 特徴1 特徴2 特徴3 楽器 乗り物 モデル 特徴の組合せが 似通っているグループ 機械学習 データからモデルを 生成する仕組み
- 70. 学習と推論 70 大量の学習データ 機械学習 学習済 推論モデル アプリケーション 対象 データ 推論 エンジン CT画像データ 通話音声データ LIDERデータ など 推論 判別 画像：癌病巣の発見 音声：話者の特定 センサ：障害物回避 など GPUや専用LSIを使用 消費電力より並列処理性能を優先 FPGAやDSPなどを使用 高速処理と低消費電力を優先 GPU: 大規模並列処理可能なプロセッサ FPGA:プログラミング可能なLSI DSP:信号処理に特化したLSI LIDAR:レーザーの反射光から周辺環境の3次元的な構造を読み取る装置 学習 Learning 推論 Inference
- 71. ルールベースと機械学習 71 人間の体験や伝聞によっ て得られた知識 答えを出すための ルールを人間が記述 If 〜 then 〜 else データ センサーや業務システム、Webサイトなどから アルゴリズム データにある関係性や規則性 を見つけ出し、ルールを作る 推論 ルールを使って矛盾のない答えを導き出す ルールベース 機械学習 人間は自分が知っている以上のことを知っている。 意識していない経験や知識が判断に影響を与える。 人間が意識する／しないにかかわらずデータを分析 することで、そこに内在する規則性を見つけ出す。
- 75. 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＞
- 76. 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＞
- 77. ルールベースと機械学習 77 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. ルールベースと機械学習 78 経験の蓄積 ルール設定 人間によるルール設定 推奨・回答 学習アルゴリズム データ パターン／ルール 自動生成 推論 機 械 学 習 ル ー ル ベ ー ス 機械によるルール（推論モデル） 生成
- 83. 深層学習の学習と推論 83 ・・・・・ 入力層 出力層 中間層（隠れ層） 入力と出力ができるだけ一致 するように中間層の繋がりの 重み付けを調整してゆく。 ・・・・・ 入力層 出力層 中間層（隠れ層） イヌ 32% × ネコ 96% ○ ウシ 18% × 学習 推論 重み付けされた 「学習済の推論モデル」 「ネコ」 である 教師データ 未知のデータ 教師データ
- 84. 一般的機械学習とディープラーニングとの違い 84 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
- 86. ルールベースと機械学習 86 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
- 87. どんな計算をしているか 87 大量のサンプル・データ（例えば、癌の病巣が写っているレントゲン写真）を特徴を独自に数字化する。これを 特徴量という。 これを座標軸＊として、空間（特徴空間）上にサンプル・データを配置した時、最もうまく分離する特徴量（座 標軸）の組合せを作る。これが最適化された「推論モデル」となる。 深層学習（ディープラーニング）以前の機械学習は、この座標軸=特徴量の組合せを人間が設定しなければなら なかったが、深層学習はこれをデータを分析することで、自分で見つけ出すことができる。 最適化された推論モデル ＊イラストは表現上の制約から3つの座標軸で表しているが、実際の座標軸は数百を越える。
- 88. 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
- 92. 学習と推論の関係 学習 learning 大規模な計算能力 学習専用プロセッサー 長時間演算 推論 inference 学習モデル 学習モデル 学習モデル 学習モデル 学習モデル 比較的小規模な計算能力 推論専用プロセッサー 短時間演算 学習データ
- 93. 学習と推論の役割分担 93 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
- 94. デバイス側のAIチップ（エッジAIチップ）の必要性 電力消費量の増加 世界の電力消費量は伸び続けており、環境問題 としても取り沙汰されている。 デバイスが増加し、データのやり取りが増加す るとさらに世界の電力消費量が大きくなる可能 性が高い。 リアルタイム性への対応 データ転送などによる通信遅延の発生は，遠隔 医療や産業ロボット、自動運転では通信遅延は 命取りになる場合がある。 自動運転で認識が遅れてブレーキが遅れるなど 即時応答が必要な分野は多い。
- 95. IoT メカトロニクス 知能・身体・外的環境とAI 95 認識 意志決定 運動構成 感覚器 運動器官 骨格、関節、筋肉、靭帯、腱 外的環境 身体 知能 影響 受容 AI（人工知能） 意識 脳の活動領域
- 100. 機械翻訳の現状とそのプロセス 100 音声認識 Speech Recognition 機械翻訳 machine translation 音声合成 Speech synthesis 2016：人間並み 2018〜19：人間超え 2018〜19：人間との区別困難 プロの逐次翻訳に匹敵（状況による） 60 50 40 30 20 10 一般の人が翻訳した場合よりも高品質であることが多い 非常に高品質で適切かつ流暢な翻訳 高品質な翻訳 理解できる適度な品質の翻訳 主旨は明白だが文法上の重大なエラーがある 主旨を理解するのが困難 ほとんど役に立たない BLEUスコア 19851990 1995 2000 2005 2010 2015 2020 統計的機械翻訳 SMT(Statically Machine Translation) ニューラル機械翻訳 NMT(Nural Machine Translation) BLEU: BiLingual Evaluation Understudy
- 102. Googleが発表した自然言語処理モデル BERT 102 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。
- 103. 人工知能と機械学習の関係 103 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
- 104. 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
- 105. なぜいま人工知能なのか インターネット アルゴリズム GPU（Graphics Processing Unit） 脳科学の研究成果を反映 高速・並列・大規模計算能力 人工知能（Artificial Intelligence） ビッグデータ IoT モバイル・ウェアラブル ソーシャル・メディア ウェブサイト WWW
- 106. 第3次AIブームの背景とこれから 106 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
- 107. 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
- 108. 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。
- 109. 人工知能とは 109 推論 与えられた知 識をもとに新し い結論を得る こと 学習 情報から将来 使えそうな知 識を見つける こと 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
- 110. 人工知能とは ルールベース アプローチ 人間によるルール設定 脳科学的 アプローチ 機械学習 統計確率的 アプローチ 弱いAI Weak AI 強いAI Strong 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
- 111. ルールベース・アプローチ 専門家の知識やノウハウを人手に よってルール化し、そのルールに 従ってデータを処理 エキスパート システム 統計・確率論的アプローチ データに内在する因果関係を確率 的に記述する統計手法（ベイジア ン・ネットワーク）を使ってデー タを処理 脳科学的アプローチ 脳科学の研究成果を取り入れ脳の 神経活動を再現する数学的モデル （ディープ・ニューラル・ネット ワーク等）を使ってデータを処理 人工知能の3つのアプローチ if (条件) then (処理1) else (処理2) Aである確率: 90% Bである確率: 20% → Aが妥当 推論処理 機械 ルール生成 人間が入力 推論処理 機械 ルール生成 機械 推論処理 機械 ルール生成 機械 現実世界を全てルール化すること は不可能。微妙なニュアンスや関 係をルート化することも難しい。 データ量が増えるほどに処理の精 度が向上。ビッグデータが手に入 るようになり実用性も向上。 脳科学の知見を取り入れながら精 度向上中。但し画像や音声の認識 などの特定領域に限られている。 Expert System BRMS (Business Rule Management System)
- 112. 「記号処理」から「パターン認識」へ コンピューターの登場 数値計算だけではなく 記号処理への適用拡大 論理的思考の機械化 論理計算・記号処理 ルールベース オントロジー コンピューター性能の向上 大規模並列処理技術の向上 利用可能データの拡大 感覚的思考の機械化 パターン認識 確率・統計的アプローチ 脳科学的アプローチ 〜2000年 2000年〜 背 景 目 的 手 法 if (条件) then (処理1) else (処理2)
- 113. 人間の知性の発達と人工知能研究の発展 113 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
- 116. ニューラル・ネットワークの原理（３） 116 故障 稼働期間 稼働出力 稼働感覚 設置場所・気温 設置場所・湿度 ○○○ ・・・ 特徴量 推論： このデータの組合せなら故 障が起きる確率は○○％ 結果
- 117. 機械学習の学習方法 117 機械学習 教師あり学習 教師なし学習 入力と正解例の関係を示した 学習データを入力し、その関 係を再現するように特徴を抽 出、推論モデルを生成。 説明のない学習データを入力 し、抽出した特徴パターンか ら類似グループを見つけ、そ れぞれの推論モデルを生成。 クラスタリング 次元圧縮 分類 回帰 ＝イヌ 強化学習 推論結果に対して評価（報 酬）を与えることで、どのよ うな結果を出して欲しいかを 示し、その結果をもうまく再 現できる推論モデルを生成。 得点が高ければ＋評価 得点が低ければ − 評価 得点が高くなるように推論モデ ルを生成。 それぞれに固有の特徴パターン を見つけ出し推論モデルを生成。 特徴パターンの違いを見つけ出 し、推論モデルを生成。 広告 自動運転 ゲーム ＝ネコ
- 118. 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 これは “dog” です これは “cat” です これは “bird” です 概念 概念 概念 cat : 95% dog :15% bird : 2% 未知の画像 未知の画像 学習 推論 推論 学習
- 119. 機械学習における3つの学習方法 119 機械学習 Machine Learning 教師あり学習 Supervised Learning 入力と正解例の関係を示したデータ を学習データとして入力し、その関 係を再現するように特徴を抽出、モ デルを生成する。 教師なし学習 Unsupervised Leaning なんの説明もない学習データを入力 し、抽出した特徴のパターンから類 似したグループを見つけ出し、それ ぞれのモデルを生成する。 強化学習 Reinforcement Learning 推論結果に対して評価（報酬）を与 えることで、どのような結果を出し て欲しいかを示し、その結果をもう まく再現できるモデルを生成する。 回帰 Regression 分類 Classification クラスタリング Clustering バンディット アルゴリズム Bandit Algorism Q学習 Q Learning 売上予測 人口予測 需要予測 不正検知 など 故障診断 画像分類 顧客維持 など レコメンド 顧客セグメンテーション ターゲットマーケティング など ゲーム 広告 自動運転 リアルタイム判断 など 決定木、ランダム フォレスト、線形回 帰など k平均法、kモード、 DBSCANなど 次元削減 Dimensionality Reduction SVM、ロジスティッ ク回帰、ナイーブベ イズなど 主成分分析、特異値 分解、潜在的ディレ クトリ配分法など
- 121. 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
- 122. 敵対的生成ネットワーク GANs: Generative Adversarial Networks 122 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）
- 123. 深層強化学習 deep reinforcement learning 123 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
- 127. 深層学習が前提となったシステム構造 127 深層学習フレームワーク 学習処理実行基盤 画像解析 動画認識 音声認識 話者認識 言語理解 文章解析 機械翻訳 知識表現 検索 コールセンター 顧客応対 営業支援 提案活動支援 医療 診断支援 創薬支援 その他 その他 文献データ 社内業務 データ 概念体系 辞書 音響データ 言語データ 画像データ 動画データ その他 アプリケーション ソリューション 認識系 サービス 学習基盤 知識ベース 学習データ Ａ Ｉ プ ラ ッ ト フ ォ ー ム
- 128. データと データサイエンス
- 130. 業務 アプリケーション ソーシャル メディア 判断 決定 業務システムやネット から生成される素材 構造や体系を与え整理 必要性や信頼性に 基づき取捨選択し、 内容を分析して、 解釈や価値判断を追加 「情報」と「ビジネス・インテリジェンス・プロセス」 情 報 ETL Data Information Intelligence Decision 業務DB DWH BI BA 人工知能
- 131. アナリティクス・プロセス 131 予測・最適 化 Business Analysis データ収集 データ蓄積 集計・分析 Business Intelligence 検証・評価 行動 計画 洞察 DWH ソーシャル・メディア Webサイト 業務システム IoT/センサー アナリティクス プロセス
- 133. データ取得のためのプロセス設計 ステップ１：目的から仮説を導く 事業目的を明確にする その目的を達成する上での事業課題を洗い出す 事業課題を解消できるソリューション／事業の仮説を設定する ステップ２：データ項目とモデルを設定する 仮説の有効性を検証するために必要なデータ項目を決定する 必要なデータ項目が取得できる状況や条件を洗い出す 仮説を裏付けるプロセス・モデルを考える ステップ3：データの取得とフィードバック 必要なデータ項目を含むデータとその取得方法を考える ユースケースやペルソナを設定しデータ取得のストーリーを設計する ソリューション／事業を開発・実践しフィード・バックを手に入れる 評価・改善
- 135. データ尺度についての統計学的分類 135 質的変数： カテゴリー変数（categorical variable）とも呼ばれ、分類 や順序を与えるために用いられるものです。これには、名 義尺度と順序尺度があります。 量的変数： 定量的データ（quantitative data）と呼ばれ、間隔や大小 などの間隔や比率を示すために用いられます。これには、 間隔尺度と比率尺度があります。 名義尺度 nominal scale 分類するために数値を割り 当てたもので、数値が同じ ならば同じ分類に属し，数 値が異なれば異なる分類。 例えば、性別、居住地域、 所属部署、社員番号など。 順序尺度 ordinal scale 順序を示すために数値を割 り当てたもので、数値の大 小関係で表す。 例えば、好きなスポーツの 順位やマラソンの着順、売 り上げランキングの順位や 成績の5段階評価など。 間隔尺度 interval scale distance scale 目盛が等間隔になってい る、あるいは等間隔であ ると仮定されているもの で、大小関係に加えてそ の間隔に意味がある。 例えば、西暦や温度、偏 差値など。 比率尺度 ratio scale 原点（0）の決め方が定まっ ていて間隔にも比率にも意 味がある。 例えば、身長、体重、値段、 販売数量、市場シェアなど 尺度を与えることの利点 1. 曖昧性を排除：あいまいさが排除でき客観的で正確な記述が可能になります。例：“暑い”と気温20度 2. 簡潔性を向上：簡潔な表現でデータ全体の特徴・傾向を知ることが可能になります。例：血圧が半年で正常値の120に下がった 3. 比較を可能：他のデータとの比較が可能になります。例：AさんとBさんの給料 4. 計算を可能：分析結果に基づいて客観的で合理的な結論を導くことが可能になります。例：ユーザーに占める男女の比率
- 136. 機械学習とデータサイエンス 136 データ アナログな現実世界の「ものごと」や「できごと」 学習 推論 識別 予測 判断 ゾウ or カバ？ 正常 or 異常？ 晴れ or 雨？ 音声認識 顔認証 自動運転 創薬支援 天気予報 画像診断 人材採用 故障予測 機械翻訳 競技アドバイス 惑星探査 ヒビ割れ点検 製品品質検査 アプリケーション 機械翻訳 商品提案 モデルと プロセスの設計 要件と課題 の設定 仮説の設定 学習 モデル データ の探査 データ の収集 IoT、モバイル、Webなど 特徴が共通するグループに 分けるための基準／ルール (学習モデル)を作る 学習モデルを使って 特徴が共通するグループに 分類する 機械学習 デジタル化された学習データ データ・サイエンス 多くの学問領域にわたる科学的手法やシステ ムなどを使い、様々なデータから知見や洞察 を引き出そうとする研究分野 何を知りたいか？ どのように知るかを まずは明確にする
- 137. アナリティクスとビジネス・インテリジェンス 137 DWH Data Warehouse 業務システム IoT/センサー Big Data ソーシャル Webサイト 業務システム Big Data ソーシャル Webサイト 業務システム データに基づく 社内業務に関連した 意志決定の支援 意志決定方法の改善と リアルタイム化 価値の高い製品やサービス の提供 説明的アナリティクス リポーティング、OLAP分析、データマイニング 予測的アナリティクス 予測モデルとプランニング 指示的アナリティクス 大規模テストと最適化 DWH DWH RDB+列指向DB NoSQL+Hadoop 人工知能 アナリティクス1.0 アナリティクス2.0 アナリティクス3.0 BI(Business Intelligence) Harvard Business Review 2014.5月号「アナリティクス3.0」を参考に独自作成
- 138. ビジネス・インテリジェンスの適用とツール 138 ソーシャル・メディア Webサイト 業務システム IoT/センサー 非構造化データ ビックデータ 経営戦略や経営計画の立案 事業部門への指示と実行 月次などで行う経営会議での モニタリングと問題点の分析 の指示 問題点の分析と問題点を修正 するための意思決定と指示 全社の戦略に沿った部門別 の計画立案 部門での業務実行 日々のモニタリング 問題点の分析と上位部門へ の報告や修正 レポーティング OLAP分析 データマイニング プランニング 問題の兆候を発見する 問題の要因を検証する 対処のヒントを得る 計画の根拠を得る 集計、推移、比較、内訳、順 位、関係、シグナル表示 多次元データベース、スライ シング、ドリルダウン＆ドリ ルアップ、ドリルスルー クロス分析、相関分析、回帰 分析 モデリング、シミュレーショ ン Webリポート（リポートを Webページなどで多数のユー ザーに公開） ダッシュボード（複数のリ ポートを単一の画面で表示） 大量の分析元データの処理 最新の分析元データの共有 大量の分析元データの処理 より高度なマイニングアルゴ リズムの利用 多くの部署から収集された計 画データの統合 DWH 構造化データ 経営層の目的 現場部門の目的 BA：Business Analytics BI：Business Intelligence BI Business Intelligence アナリティクス Analysis
- 140. ETL (Extract, Transformation and Load) SFA POS ERP 製造管理システム 販売管理システム 会計システム CRM SCM DWH Load Transformation DBのレプリケーションが主目的 リアルタイム性はあまり考えられていない EAIやESBを使えばリアルタイムのデータ連係も可能 ただし、他システムへの負荷を考える必要有り Extract 不要なデータの削除 分析では不要なデータや異常なデータについて削除する。 値の変換 Null値の変換や、データ型の変換（日付→文字列など）を行なう。 クレンジング システム間でコードの意味が違う場合にそれを統一するなど、データの意味をそろ える。また、データ内に不整合があった場合にそれをエラーとしたり、一定のロジックで変換したりする。 統合・集計 複数のシステムから抽出した別のデータを1つのデータとして統合する。また、たとえ ば業務システムでは日単位のデータを月単位に集計するなどの集計処理を行なう。
- 141. データウェアハウス DWH Data Warehouse 項目別 統合化 非更新 時系列 基幹システムとデータウェアハウス（DWH）の違い 基幹システムは「機能別」に設計されており、データには「目的」がある。DWHで は、これを項目（サブジェクト）毎に再構成する 様々なシステムからのデータを一つに統合するために、データフォーマットの変換や 抽象化などを行う データの修正があった場合でも、古いデータを削除したり、上書きしたりせずに、追 記し、履歴を完全に残す データを上書きせずに追記していくことによって、過去のある時点でのデータを参照 できるようにする データウェアハウスの要件 基幹システム データウェアハウス トランザクションを高速処理することが目的 頻繁に更新、長期保存は前提にせず リレーショナル・データベースが一般的 高速な検索や集計処理することが目的 追加のみ、更新は行われない 列指向型データベースが広く利用
- 142. 業務DB DM データウェアハウス（DWH）とデータマート（DM） DWH 業務DB 分析処理 業務処理 DM DM DM DM DM 業務DB 業務DB 業務DB 業務DB DWH 業務DB 業務DB 業務DB 独 立 デ ー タ マ ー ト 型 従 属 デ ー タ マ ー ト 型 直 接 デ ー タ ウ ェ ア ハ ウ ス 型 ユーザーが、目的に応じて個別に データマートを作成する方式 規模が小さい場合や特定目的で簡単 に作れる点では便利。 システム規模拡大するとＤＭが増殖 し、タスキ掛けで相互にデータのや りとりが発生。データの重複保有も 増加。 データウェアハウスから切り出され たデータを格納した目的別データ マートを参照する方式 データロード・管理の複雑さやデー タ品質、データ同期の問題を解消。 データベースの数は多く、データ ベースソフトウェアのライセンス費 用や運用人件費などが高くつく。 データマートを廃止し、ひとつの DWHに全データを統合、多数の ユーザーを同時にサポートする方式 運用の容易さ、システム変更のしや すさ、維持コストの安さなど データマートの全廃が簡単でないこ とや高い処理能力を持つシステムが 必要 分析目的別サマリー・データベース 分析に必要となるあらゆる情報を集めたデータベース リアルタイムBIの基盤 低コスト・新鮮
- 144. データサイエンスの適用事例
- 146. 機械学習の活用プロセス 146 モデル運用 機械学習 モデル作成 学習データ 収集・加工 学習データ 定義 問題定義 問題発見 ゴール設定・KPI定義 業務方針決定 ノウハウの形式知化 目的変数の決定 説明変数決定 データソース決定 データ収集 加工プログラム開発 アルゴリズム選択 コーディング パラメータチューニング 環境構築 コーディング デプロイ&テスト 経営や業務 業務 IT 計算科学 統計学 計算科学 IT 業務 プロセス タスク スキルや知識
- 147. データサイエンティストの業務 後藤真理絵／リクルートマーケティングパートナーズ Data Scientist、Quipper Data Scientist
- 148. 人工知能の適用事例
- 149. 人工知能の進化と適用領域の広がり 149 ハードウェア 性能向上 ネットワーク 低コスト・高速化 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 人間 交通 自動車 情報システム 医療 ビッグデータ 収集・蓄積 アルゴリズム 進化 実用への適用拡大
- 150. 機械学習の仕組み 150 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
- 151. 機械学習(Machine Learning) パターン・規則・関係などの特徴を抽出、ルールを生成 機械学習とは何か 151 機械 人間 交通 自動車 情報システム 医療 検索 分類 判別 検知 予測 推 論 判 断 最適化 意志決定 機器制御 アドバイス
- 153. 人工知能の得意分野と不得意分野 153 自律的制御 状況を把握して自律的に判断し実行 自動運転自動車・株の自動取引など 推奨・判断 データを解析し最適解を見つけ出し推奨、判断 医療診断支援・商品レコメンドなど 知識の発見 データを解析し規則性やルールなどの知識を発見 故障診断や予知・創薬用新物質発見など 対話的操作 自然な対話で機器制御、サービスを利用 スマートアシスタント・サービスロボットなど 情報整理・提供 要求に従い大量の情報を整理し情報を探し出す 質問応答・判例検索など 静的・固定的なデータ 動的・解放的なデータ 全体が固定化し、ルールなどにより結果 の選択肢が限定されているデータ 静止画、ゲーム、試験問題など 得意な分野 不得意な分野 全体が動的に変化し、結果の選択肢が限定 できず完全な予測が困難なデータ 動画、一般的な常識を必要とする問 題や物理的な動作を伴う問題など 手を放せばモノは下へ落ちる 高速道路で走行中に手を出すと危険だ 部屋でボールを投げても遠くには投げられない など 不得意な分野も徐々に克服されつつはあるが、 「特化型人工知能」では限界もあり、「汎用 型人工知能」の成果をまたなければならない 領域でもある。
- 156. 人工知能の可能性と限界
- 158. 人間と機械の役割分担 158 WHY HOW What テクノロジーにより 置き換えられる領域 AI、ロボット、クラウド、自動化など 人間でなければ できない領域 なぜ、なんのために、何をしたいかなど
- 162. 学習データと結果の関係 162 宜しくお願い致します 汚い字の学習データ きれいな字の学習データ 機械学習 生成される出力結果 機械学習は学習データの範囲でのみ結果を出すことができる。 言語生成
- 163. 人工知能にできること、できないこと 163 これはネコである 認識 分類 人工知能に できること 株価が異常な値動きをしている 機械の振動が正常時とは異なっている ここに癌の病変がある データを分析する 私はネコを見たい 意志 問い 人工知能に できないこと なぜそうなっているのか？どうすべきか？ これは故障なのか？どのような対応が必要か？ なぜ癌になったのか？どう伝えるべきか？ 問いを発する
- 165. 165 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
- 167. 人間にしかできないこと・機械にもできること 帰還した爆撃機の被弾状況 銃撃を受けても帰還できたのはなぜか？ 帰還した爆撃機の銃撃箇所の分布を調べてみた。 この範囲への銃撃なら飛行は継続できる。 これ以外に被弾したので撃墜されたのではないか？ 意味を理解する 問いを作る 第二次世界大戦中、イギリスはドイツより多くの爆撃機を失っていた。 彼らは装甲を追加することに決めたが、相当の費 用がかかるので追加する場所を慎重に選択する必要があった。 撃墜された爆撃機の被弾状況（想定） 帰還した爆撃機にはない銃撃箇所の分布を想定した。 この範囲が銃撃されたら飛行は困難になる。 ここへの銃撃を防ぐことはできない。 墜落しやすい箇所の装甲を強化すれば墜落は防げる。 正解を見つける 結果を検証する Abraham Wald （ハンガリーの数学者） が提示した解決策
- 168. 人間とAIの役割分担 人間にしかできないこと AIに任せた方がいいこと 疑問や興味を持つ 課題を持ち解決したいと思う 目的やテーマを設定する 結果をイメージできる 行動に意味を与える 最適な結果を高速に見つける 大規模データを高速に計算する 試行錯誤を高速に繰り返す 膨大な選択肢を絞り込む 膨大な組合せを検証する 意欲や興味、想像、意味付け 高速・大量な論理演算、検索と比較 マシンは答えに特化し、人間はよりよい質問を長期的に 生みだすことに力を傾けるべきだ。 “これからインターネットに起こる『不可避な12の出来事』” ケビン・ケリー・2016
- 169. 人工知能と機械学習 169 人工知能（Artificial Intelligence） 人間の”知能”を機械で 人工的に再現したもの 情報から知識を獲得する 知識から新たな結果を得る 学習（Learning） 推論（inference） ルールベース ：人間の持っている知識を機械に与える 機械学習 ：機械自身がデータから知識を獲得する 知識:ルールや関係、記憶など 意識 意欲 感情 特化型人工知能 個別の領域において知的に振る舞う 汎用型人工知能 異なる領域で多様で複雑な問題を解決する 脳の全機能を 人工的に実現する 脳の特定の機能を 人工的に実現する データに潜む関係や構造を機械に 自動的に発見してもらう仕組み
- 172. 人工知能の４レベル 172 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
- 173. 人口知能の抱える課題と限界 173 フレーム問題 現実世界で人工知能が、起こりうる全てを考慮すると無限の時間がかかってしまうの で特定のテーマや範囲に枠（フレーム）をはめて、その枠の中だけで処理する。例え ば、チェスや将棋、画像認識や音声認識などに絞り込めば一定の成果は期待できる。 しかし、現実世界のあらゆる事象に対処しようとすると、振るい分けをしなければな らない可能性が無数にあるため、抽出する段階で無限の時間がかかってしまう。 記号接地問題 シンボル(記号)を、それが意味するものと結びつけることが必要だが、人工知能にお いては解決されていない。例えば、「馬」の意味と「シマ」の意味がわかっていれば 「シマウマ＝馬＋シマ」と教えられたとき、シマウマを見た瞬間「シマウマは、シマ のある馬」だということが人間には理解できるがコンピュータにはできない。「青り んご = りんご + 青い」も同様。 心身問題 心と体の状態との間の関係、つまり一般的に非物質的であると考えられている心とい うものが、どうして物質的な肉体に影響を与えることができるのか、そしてまたその 逆もいかに可能なのかは、解明されていない。意識や意欲なども同じで、それ自体が 解明できておらず、コンピューター上で実装のしようがない。 意志が無い 事例が少ないと対応できない 人間のように知覚できない 問いを生み出せない 枠組みをデザインできない ひらめきがない 常識的な判断ができない リーダーシップを発揮できない
- 175. シンギュラリティの意味 （１） 175
- 176. シンギュラリティの意味 （２） 176 人間の知性を超える 人工知能への不安 人工知能が人工知能を作り 知能が爆発的に拡大する 人間に代わって 人間を支配する 人間と融合し ポスト・ヒューマンが 登場する 同一分野での経験の蓄積に頼る仕事は置き換えられる 新しい科学的発見が加速する 人間にしかできないホスピタリティや社会的承認といった欲求を満た すビジネスが拡大する
- 177. AIやロボットに置き換えられるものと残るもの 177 繰り返し 繰り返し ではない タスク 分析的 マニュアル的 分析的 マニュアル的 記録や計算 定型的顧客対応 選別と整理 定型的な組み立て 仮説設定 医療診断 説得/売り込み ビルの管理 トラックの運転 将来置き換えられ るか、既に置き換 えられている 雇用が維持される リンダ・グラットン 講演資料を参考に作成
- 187. スマートマシンが労働にもたらす影響 187 スマートマシンによって影響を受ける キャリアパス（2020年まで） 破壊されるキャリアパス 17％ パーソナルスマートマシンによって 高められるキャリアパス 12% エンタープライズスマートマシン によって高められるキャリアパス 22％ 影響を受けないキャリアパス 49% 出所：ガートナー
- 189. 自動運転レベル 189
- 191. 自動運転のためのプラットフォーム 191 参 照 アップデート ３次元地図 走行アルゴリズム 教科学習 アップデート 自動車 5G クラウド GPU、FPGA、センサーなど 高信頼 ネットワーク 3次元地図データベース ディープラーニングなど
- 192. 富士通 Mobility IoT 2020 192
- 193. 自動運転車の動向 193 年 概要 2025年 ・運転手の操作を必要とする自動運転車が高速道路を走行 ・自動運転車の普及台数は23万台 ・世界の自動車販売台数（1億1,500万台）のうち自動運転車は1%以下 ・自動運転車価格：7,000~10,000ドル＋自動車本体 2030年 ・運転手を伴わない完全な自動運転車が市場投入 ・自動運転車価格：5,000ドル ＋自動車本体 2035年 ・世界の自動車販売台数（1億2,900万台）に占める自動運転車の 比率は9%に（1,180万台） - 運転手を要するものは700万台、完全な自動運転車は480万台 ※2035年の米国における自動運転車の割合は世界全体の普及台数の29% （350万台）、中国は24%（280万台）、ヨーロッパは20%（240万台） ・自動運転車の累積台数は5,400万台 ・自動運転車価格：3,000ドル ＋自動車本体 2050年以降 ・すべての車が自動運転車に 出所：IHS Automotiveによるロボットカー市場予測 2014.1.2
- 196. 皆さんへの質問 196 人工知能は人間の知性を超えたのか／超えるのか？ 特定の知的作業では人間の能力を超えているし、今後もその範囲は拡がってゆ く。しかし、何らかの知的作業を行うための好奇心や意欲、複数の知的作業を 客観的に見つめる意識、それを組合せ適切に配分してゆくための能力は、その メカニズムが分からないので実現は難しい。 人工知能は人間の雇用を奪うのか？ 既存の雇用は人工知能に置き換わってしまうことも多いだろう。しかし「労働 塊の誤謬」は否定されており、人工知能の発展は新しい仕事を登場させ、新た な雇用を生みだす。ただし、既存の雇用に必要な能力にこだわり、新たな雇用 に必要な能力を持てない人たちが一定数存在することは否定できない。 人工知能の発展で人間はどのような役割を求められるのか？ 人間は問いを発し機械はその答えを提示する。人間は「なぜ？」や「どうし て？」の疑問を持ち、何が真の答えなのかを探し求める好奇心や探究心を持ち 続けることが求められる。そうやって人工知能と共存し、さらなる発展や進化 を遂げる。 労働塊の誤謬：経済学の用語で、世の中における仕事は一定量しかないという考え方、または、その一定量の仕事を労働者が取り合うしかないという見方を意味する。
- 198. AI用プロセッサの動向
- 199. 深層学習の学習および/または推論を高速化 199 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
- 204. 開発の焦点はエッジAIへ移行 ＝ 専用設計による効率化 CPU/SOC GPU FPGA ASIC/ 専用チップ 学習・推論 （サーバー） NVIDIA (+ARM) AMD Intel Xeon (AMD) Google “Cloud TPU” Intel “Nervana” Graphcore Amazon “Graviton” Wave Computing Cerebris 推論 （サーバー） Microsoft “Brainware” Baidu “SDA” DeePhi Tech Google “TPU” 推論 （デバイス） Apple “A13” Huawei “Kirin” Huawei “Ascend” ARM “ARM NPU” Gyrfalcon NVIDIA (+ARM) Teradeep DeePhi Tech Google “Edge TPU” Mobileye Hailo Thinci “DNN Engine” KAIST “DNPU” デンソー/東芝 Tesla 日経XTECH記事に加筆/修正 Neuro Morphic Intel “Loihi” Manchester Univ. “SpiNNaker” IBM “TrueNorth Quantum
- 205. 急増するAIチップ
- 206. SOCと汎用プロセッサ CPU CPU CPU CPU CPU CPU CPU CPU CPU CPU CPU CPU FPGA SOC 汎用CPU 汎用CPU+FPGA CPU CPU CPU CPU 特定のデバイス用 の専用設計 汎用演算に特化し、 マルチコア化によっ て処理能力を強化 FPGAにより目的別 の高速化ハードウェ アを入れ替えて使 用
- 211. ARMのAIアーキテクチャ ARM DynamIQ Arm ML （Machine Learning） Arm OD （Object Detection） 2017年3月発表 CPUクラスタの規模を最大8コアに拡張 ヘテロジニアスマルチコア構成が可能 AI/ML「にも」有効 モバイルデバイス上での機械学習を高速化 毎秒4.6兆回以上の演算（4.6TOPs）が可能 画像認識に特化 60 fps（フレーム/秒）のフルHD映像をリアルタ イムに検知 監視カメラなどへの応用（IoT） Arm MLとArm ODを組み合わせることで 高性能かつ電力効率の高い人物検出・認識ソリューションを実現
- 213. 補足資料
- 214. ルール生成の自動化 ～統計的手法と機械学習 214 エキスパートシステムの限界 人間の頭脳の処理はあまりに複雑で、すべてをルール化することは不可能 人間がルールを生成するのは手間と時間がかかる ルールを自動的に生成することができれば、より簡単に人間の頭脳に近づくことができる 一定のアルゴリズムを与えて自動学習させる 人間の脳をシミュレートして学習させる 機械学習 ニューラルネットワーク 大量のデータを統計的に処理して ルールを生成 人間の頭脳の構造を再現 膨大なデータが必要 膨大な計算量が必要
- 217. ベイズ確率 = 観測に基づいて確率を変更 ゆがみの無いコインを投げて、表が出るか 裏が出るかを見たところ、3回続けて表が出 た。次は裏表どちらが出るか？ ある商店街の道路で通行人の性別を調べ たところ、3人連続で男性が通った。次に通 るのは男性か女性か？ ① 3回連続で表が出たので、次は裏が出る 確率が高い。 ② 何回投げても確率は変らない。表と裏で 出る確率は同じ。 ③ このコインは表が出やすいので、次も表 の確率が高い。 ① 3人連続で男性だったので、次は女性が 通る確率が高い。 ② 何人通っても確率は変らない。男性か女 性かの確率は同じ。 ③ この通りは男性が通る確率が高いので、 次も男性の確率が高い。 ② 何回投げても確率は変らない。表と裏で 出る確率は同じ。 答え ③ この通りは男性が通る確率が高いので、 次も男性の確率が高い。 答え 一般的な確率 ベイズ確率
- 221. BRMSとは • Business Rules Management System ビジネス上の様々なルールをプログラム化せずにシステムに実装 プログラム ルール プログラム化＝ハードコード ・ルールをソフトウェア仕様として 定義しなおす必要がある ・コーディングが必要 ・ルール追加・修正のたびにテスト が必要となる BRMSシステム (ルールエンジン 推論エンジン) ルールベース (ルールリポジトリ、 ナレッジベース) ルールベース＝BRMS ・ルールを自然言語に近い形で記述 ・担当者がルールを作成できる ・ルールの齟齬などをシステムが自動チェック ・コーディングの必要無し ・都度テストを行う必要無し
- 222. ビジネスルールとは？ • ビジネス運用上の様々なポリシー、規約、制約 – 保険加入の審査 – 携帯電話の料金・割引プラン – 金融業における与信審査 – 社内決済、稟議条件など • ビジネスルールの特徴 – ビジネス環境によって様々に変化する – 期間限定 – 企業の企画・営業部門が適宜決める • ビジネスルールの問題 – 様々な条件をいちいちプログラミングするのは大変 – 改変の都度テストが必要になる
- 224. ビジネスルールの例 (携帯電話の料金プラン) 新規契約か？ 申込書審査 2台目以降は50%割引 同一家族か？ 家族間は通話料無料 学生か？ 学生は基本料金50%割引 夏休み期間か？ 夏休み中は20%割引 2台目か？ 2台目割引とは併用不可