パーセントポイントの劉一静氏：おそらくこれは人工知能をこのように見るべきだ

[51CTO.comより] 生活各界におけるデータの急速な増加、ビッグデータ技術の発展、高性能コンピューティングハードウェアの応用の成熟に伴い、人工知能技術は誕生から60年を経て、ようやく再び世間の注目を集めています。今年上半期の人工知能に関する多くの技術共有やテーマフォーラムの活動から、業界の熱意が深く感じられます。

テクノロジーへの注目は必然的に資本の追求をもたらし、人工知能も例外ではありません。しかし、客観的に言えば、人工知能が本当に大規模に応用され、さまざまなアプリケーションの実装が成功するには、かなりの時間がかかります。たとえば、商業分野での人工知能の価値はまだ十分に検証されていません。このような人気は、市場主導ではなく、依然としてテクノロジー主導です。顧客のニーズは十分に満たされておらず、新しいビジネスモデルは見られません。応用分野は比較的狭く、精密マーケティングやパーソナライズされた推奨などのインターネットシナリオ、自動運転や金融などに集中しています...百分店グループの技術担当副社長兼チーフアーキテクトの劉一静氏は、現在の人工知能技術は比較的狭いシナリオにしか適用できず、実際の問題をよりよく解決するにはまだ長い道のりがあると述べました。

ナレッジグラフは人工知能の発展を促進する強力なツールとなるだろう

業界によると、現在の人工知能の発展では、アルゴリズムやモデルに革命的な変化は見られない。ディープラーニングは1980年代に登場したが、現在広く注目されている主な理由は、データ量の急増である。継続的な発展の過程で、AIの発展には解決されていない理論的および技術的な問題がまだ多く残っている。これらの問題を一つずつ解決することで、AIの発展が促進される可能性がある。

「現在の発展状況から判断すると、AIは垂直産業でのみ有効活用され、商業価値を生み出すことができる。しかし、垂直産業のデータ量は膨大ではない。知識システムを構築し、小さなデータを有効活用することが肝要である。知識システムはAIにおいて非常に重要な技術分野の一つであり、知識表現と呼ばれている。周知のように、2012年、Googleのナレッジグラフは業界でますます認知され、ナレッジグラフに代表される知識工学はより一層の注目を集めるだろう」と劉一静氏は記者団に語った。

人工知能における知識表現理論は、人間のシステムにおける知識をコンピュータが理解できる言語で表現する方法と、この知識に基づいてコンピュータが推論できるようにする方法を研究します。代表的な技術には、オントロジー、セマンティック ウェブ、ナレッジ グラフなどがあります。実用的なナレッジ グラフを構築するのは簡単な作業ではありません。既存の知識を体系的に整理し、属性や関係などの形で記述する必要があります。現在、Google や Microsoft などの大企業が独自のナレッジ グラフの構築に着手しています。人工知能のさらなる発展は、あらゆる分野でナレッジ グラフの構築に間違いなく依存することが予測されます。

ディープラーニングは有用だが、それが***であると言うのは間違いである。

長い間、視覚と自然言語処理は独立した2つの分野でした。ディープラーニングは、この2つを有機的に結び付け、お互いの急速な発展をもたらします。ディープラーニングによって、画像や動画の理解が単純な独立したラベルから一貫した自然言語による説明へと進歩するのに、わずか数年しかかかりませんでした。

ディープラーニングにより、1 次元の画像データと 2 次元のビデオデータの理解と認識能力が強化されます。このAIブームにより、「ディープラーニング」が広く普及しました。ディープラーニングはAIを実現するための最良の武器であり、その威力は想像を絶するものだと考える人もいます。この点に関して、著者はインタビューの中で、ディープラーニングが本当にそれほど魔法のようなものなのかについて、特に劉一静氏に相談した。

ディープラーニングは機械学習の一種であり、コネクショニズムの手法とみなすことができますが、それがすべての手法というわけではありません。この手法は帰納法と完全な帰納的設計しか解決できず、それがその限界でもあります。ディープラーニングのトレーニングには膨大なサンプルが必要であることは周知の事実です。例えば、AlphaGO の自己ゲームを学習するためのサンプルが多ければ多いほど、効果は高くなります。また、ディープラーニングのレイヤーや機能が増えるほど、必要なデータも多くなります。しかし、実際のビジネスシナリオでは、本当にそれほど多くのデータがあるのでしょうか?

例えば、囲碁やゲームなど、何度も繰り返す必要のないシナリオでは、短期間でデータを蓄積できます。しかし、現実には、投資や財務管理、災害評価などのシナリオに直面します。データが哀れなほど少ない場合、どうすればよいでしょうか。十分なデータを蓄積できたとしても、時間の長さを把握することは困難です。これらのシナリオでは、ディープラーニングは無力です。

劉一静氏は次のように付け加えた。「学習が深まるにつれて、ディープラーニングには依然として多くの技術的制限が残るでしょう。結局のところ、ディープラーニングは最適化の問題であり、最適化の方法を選択する必要があります。たとえば、確率的勾配降下法はトレーニングに長い時間がかかり、多くのリソースを消費します。迅速な意思決定が必要な実際のシナリオで使用するのは困難です。新しい最適化手法はありますか？量子力学のように、これをより高速化できる計算方法はありますでしょうか？これも現時点での最大の制限の1つです。」

また、ディープラーニングは、ニューラルネットワークと呼ばれるエンドツーエンドの学習方法であり、入力から出力まで完全に自動化されたプロセスであり、その説明の難しさやフィードバック機構の欠如が限界となっています。簡単に言えば、モデルが何を学習したか、何を結論付けたかはわかりません。ましてやその結果を他の状況に適用することはできません。学習した知識を評価して最適化することもできません...「ディープラーニングは、少なくとも一部の分野では優れたツールですが、ディープラーニングは技術的なポイントにすぎず、人工知能の実現にはまだ遠い道のりです」と劉一静氏は結論付けました。

エッジコンピューティングは人工知能の実装の技術的サポートになるかもしれない

昨今、「すべてをクラウド化」することが企業間の競争の焦点となっています。一部の人工知能技術を実装するために、さまざまな端末からクラウドにデータを集約して集中型モデリングを行うのは信頼性が低いことが判明しました。簡単に言えば、データをクラウドに集約するとプライバシーが漏洩するリスクが依然としてあり、間違いなくデータセキュリティや法的倫理など多くの問題を引き起こし、業界リスクを高めます。自動運転やインテリジェント音声などのアプリケーションの実装には迅速な対応が必要ですが、これは確かにクラウドで実現するのが困難です。さらに、クラウドモデリング方式も効率に大きな影響を与えます。鍵となるのは、パーソナライズされた端末とデータの取り扱いです。この方法は維持が難しく、毎分バグだらけです。

人工知能のクラウド展開の問題をどのように解決するかについて、劉一静氏は、集中型モデリング（クラウドコンピューティング）＋マイクロモデリング（エッジコンピューティング）の組み合わせにより、履歴モデリングと現場モデリングを同時に実行できると述べた。エッジコンピューティングは、いくつかの簡単な問題を自ら処理し、その結果をクラウドにアップロードすることができます。言い換えれば、エッジコンピューティングはクラウドコンピューティングの「縮小+強化」バージョンであり、デバイスに近い小さなデータセンターとして理解できます。これは、人工知能の商用応用にとって重要な技術サポートになる可能性があります。

百度の人工知能の取り組みについて劉一静氏は、百度は2009年から人工知能技術を活用しており、自然言語処理と知識グラフの推進に注力していると述べた。最近では、新しくリリースされたインテリジェントインタラクション分析エンジンなど、さまざまなシナリオで製品を使用するニーズを満たすために、自然なインタラクションに重点が置かれるようになっています。現在のデータ分析技術には、より多くの専門性が求められています。PERCENTは、非常に曖昧なセマンティクスから正確なコンピューター操作への移行を解決したいと考えています。この目的のために、自然なインタラクションの分野での研究開発にさらに力を注いでいきます。

[51CTO オリジナル記事、パートナーサイトに転載する場合は、元の著者とソースを 51CTO.com として明記してください]