2019年の人工知能の開発動向

人工知能（AI）はAIと略されます。これは、人間の知能をシミュレート、拡張、拡大するための理論、方法、技術、アプリケーション システムを研究および開発する新しい技術科学です。人工知能は、知能の本質を理解し、人間の知能と同様に反応できる新しいインテリジェントマシンを生み出そうとするコンピュータサイエンスの一分野です。この分野の研究には、ロボット工学、音声認識、画像認識、自然言語処理、エキスパートシステムなどがあります。人工知能は誕生以来、その理論と技術がますます成熟し、その応用分野も拡大し続けており、将来、人工知能がもたらす技術製品は人類の英知の「器」となることが想像できます。人工知能は人間の意識や思考の情報処理をシミュレートすることができます。人工知能は人間の知能ではありませんが、人間のように考えることができ、人間の知能を超える可能性もあります。人工知能は間違いなく未来のトレンドです。有名なベンチャーキャピタル研究機関である CB Insights は、25 の人工知能トレンドを調査しました。彼らは、業界の採用率と市場優位性に基づいて各トレンドを評価し、それらを必要、実験的、脅威的、一時的に分類しました。

01 カプセルネットワークは高度な画像認識アルゴリズムに挑戦する

1. オープンソースフレームワーク

オープンソース ソフトウェアのおかげで、AI への参入障壁はかつてないほど低くなりました。 2015年にGoogleは機械学習ライブラリTensorFlowを公開し、コカコーラやeBayを含むますます多くの企業がTensorFlowを使い始めました。

2017年、Facebookはcaffe2とPyTorch（Pythonのオープンソース機械学習プラットフォーム）をリリースしました。Theanoは、モントリオール学習アルゴリズム研究所（Mila）の別のオープンソースライブラリです。これらのツールがますます広く使用されるようになったため、MilaはTheanoの開発を中止しました。

2. カプセルネットワーク

周知のとおり、今日の人工知能アプリケーションのほとんどはディープラーニングによって推進されていますが、カプセル ネットワークの出現によりその様相が一変する可能性があります。ディープラーニングコミュニティのジェフリー・ヒントンは、2011年に発表した論文で「カプセル」の概念に言及し、2017年から2018年にかけての論文では「カプセルネットワーク」の概念を提唱しました。

今日のディープラーニングで人気のニューラル ネットワーク構造の 1 つである畳み込みニューラル ネットワーク (CNN) に関して、ヒントン氏は、CNN には多くの欠点があると指摘しました。CNN は、正確な空間関係に直面すると、その欠陥が露呈します。

たとえば、顔の画像で口が額より上にある場合でも、CNN はそれを顔として認識します。 CNN のもう一つの大きな問題は、新しい視点を理解できないことです。ハッカーは微妙な変更を加えることでCNNの判断を混乱させることができる。

テストの結果、カプセル ネットワークは、アルゴリズムを混乱させるための画像の改ざんなどの複雑な敵対的攻撃に耐えることができ、CNN よりも優れていることがわかりました。カプセルネットワークの研究はまだ初期段階ですが、現在の高度な画像認識方法に挑戦する可能性があります。

3. 生成的敵対ネットワーク

2014 年、Google の研究者である Ian Goodfellow 氏は、「AI VS AI」という概念を使用して、「生成型敵対ネットワーク」(GAN) の概念を提唱し、ジェネレーターとディスクリミネーターの 2 つのニューラル ネットワークを提案しました。 Google DeepMindのインターンのアンドリュー・ブロック氏は、他の研究者と協力して大規模なデータセットでGANをトレーニングし、「BigGAN」を作成した。

GAN が直面している主な課題は計算能力であり、AI ハードウェアに合わせて拡張する必要があります。研究者はGANを「対面翻訳」に使用したり、動画を漫画にしたり直接絵画を作ったりするのに使用したりしているが、GANは偽の政治動画や変形ポルノを作るなど悪意を持った人々によっても使用されている。

4. フェデレーテッドラーニング

私たちは携帯電話やタブレットを使用すると毎日大量のデータを生成します。ローカルデータセットを使用して AI アルゴリズムをトレーニングすると、パフォーマンスを大幅に向上させることができますが、ユーザー情報は非常にプライベートで機密性の高いものです。

Google が開発した Federated Learning アプローチは、機密データを保護しながらこの豊富なデータセットを使用することを目的としています。 Google は、Gboard と呼ばれる Android キーボードで連合学習をテストしています。

共同学習法と他のアルゴリズムの違いは、非独立アイデンティティ分布 (Non-IID) と不均衡という 2 つの特性を考慮していることです。フェデレーテッドラーニングは、検索エンジンのFirefoxや人工知能のスタートアップOWKINなどで使用されています。

5. 強化学習

Google DeepMind が開発した AlphaGo が中国の囲碁の世界チャンピオンを破ったとき、強化学習は広く注目を集めました。その後、DeepMind は強化学習に基づいて AlphaGo Zero を開発しました。

カリフォルニア大学バークレー校の研究者たちは、コンピュータービジョンと強化学習を利用して、YouTube 動画からアクロバティックなスキルをアルゴリズムに教えました。

進歩にもかかわらず、強化学習は、現在人気の人工知能パラダイムである教師あり学習ほど成功していませんが、Microsoft、Adobe、FANUC などを含む強化学習の研究アプリケーションの数は増加しています。

02 自動運転の利益は2025年までに800億ドルに達し、物流が応用分野でリードする

6. 人工知能の端末化

人工知能技術は急速に進化しており、クラウドから端末へのプロセスを経ています。人工知能の端末化により、情報処理や問題解決がより良く、より速く行えるようになります。クラウド制御を使用する方法は放棄され、代わりに端末デバイス（スマートフォン、車、衣服など）にAIアルゴリズムが搭載されています。

NVIDIA、Qualcomm、Appleなど多くの企業が、端末側人工知能の突破と探求に加わっています。2017年と2018年は、多くのテクノロジー企業が人工知能の端末化の急速な発展期に入った2年間でした。同時に、彼らは人工知能チップの研究開発も強化しています。

しかし、AI は依然として保存と開発の面で困難に直面しており、端末デバイスと中央サーバーを接続するためのより豊富なハイブリッド モデルが緊急に必要とされています。

7. 顔認識

携帯電話のロック解除から飛行機の搭乗まで、顔認識の応用範囲はますます広がっています。各国で顔認識の需要が徐々に高まっており、多くのスタートアップがこの分野に注目し始めています。この技術を使用すると、顔の特徴を通じてマスクをかぶった容疑者の顔全体を復元できます。

しかし、顔認識はまだ改善の余地があります。この技術では、顔の真偽を誤判断する可能性があります。顔認識に含まれるデータは私たちが想像するよりもはるかに多く、それに伴うセキュリティの問題も私たちの注意を喚起するはずです。

8. 言語処理

自然言語処理 (NLP) は、人工知能のサブフィールドです。翻訳技術にとって、NLP はパンドラの箱のようなもので、豊富な市場機会がある一方で、大きな課題も抱えています。機械翻訳は、バックオフィスの自動化から顧客サポート、ニュースメディアまで幅広い用途で活用される、活用されるのを待っている宝庫です。

人間と機械の共生は、翻訳の未来の一般的な方向でもあります。多くのスタートアップ企業も、このパイの一部を手に入れることを期待しています。しかし、自然言語処理に基づく翻訳システムを完成させるのは簡単ではありません。中国語だけでも、さまざまな方言や書き言葉があり、多くのテクノロジー企業を困惑させることができます。関連データによると、中国語、アラビア語、ヨーロッパの言語などの人気のある高リソース言語に加えて、低リソース言語と少数民族言語の開発と応用には依然としてギャップがあります。

9. 自動運転

自動運転車の市場潜在性は非常に大きいものの、完全自律走行の将来は依然として不透明です。自動運転はテクノロジー企業やスタートアップ企業にとって新たな競争分野となり、新たな活力だけでなく多額の投資も投入されている。

投資家たちは彼らの決定に非常に楽観的です。いくつかの自動運転車ブランドへの投資総額は100億ドルを超えています。 2025年には市場利益が800億ドルに達すると予想されています。物流などの関連産業は、完全な自動運転を適用する最初の産業となり、コストを3分の1削減すると予想されています。

10. AIチャットボット

多くの人がチャットボットを AI と同義語と考えていますが、両者の間にはまだ違いがあります。昨今のAIチャットボットは非常に進化しており、実際の人間と会話する際には「えーと」などの口語表現や間も使っています。しかし、ロボットの挙動がリアルすぎることを懸念する声も上がっており、会話中にチャットボットの正体を確認する必要性が検討され始めています。

海外のテクノロジー大手FAMGA（Facebook、Apple、Microsoft、Google、Amazon）と国内のBATはいずれもこの分野に注目している。

[[262307]]

03 AI診断は大きな可能性を秘めており、製薬大手はAIアルゴリズムに賭けている

11. 医療画像診断

米国食品医薬品局（FDA）は「医療機器としてのAI 」のトレンドを加速させている。 2018年4月、FDAは専門家の介入を必要とせずに87.4%以上の精度で糖尿病網膜症の患者をスクリーニングできるAIソフトウェアIDx-DRを承認しました。

FDA はまた、CT スキャンを分析して患者の脳卒中リスクを予測できる Viz LVO と、肺や肝臓の病変の検出に重点を置く Oncology AI Suite も承認しました。この規制当局の迅速な承認により、80 社を超える AI イメージングおよび診断企業に新たな商業的道が開かれました。これらの企業は2014年以降、合計149回の資金調達を実施している。

消費者側では、スマートフォンの普及と画像認識技術の進歩により、スマートフォンが強力な家庭用診断ツールに変わりつつあり、Dip.Ioと呼ばれるアプリでは、従来の尿検査ストリップを使用してさまざまな尿路感染症を監視しています。ユーザーはスマートフォンでテストストリップの写真を撮ることができ、コンピュータービジョンアルゴリズムがさまざまな照明条件やカメラの品質に応じて結果を補正します。

さらに、多くの「ML-as-a-service」プラットフォームが FDA 承認の家庭用モニタリング デバイスに統合され、異常が検出されると医師に警告することができます。

12. 次世代義肢

義肢が直面する最も困難な問題の 1 つである器用さを解決するために、生物学、物理学、機械学習を組み合わせた初期の研究が登場しています。これは非常に複雑な問題です。例えば、手足を失った人が義手の指一本を動かすためには、その背後にある脳と筋肉の信号を解読し、ロボットの制御コマンドに変換する必要があり、これには多分野の協力が必要です。

最近、研究者たちは機械学習を利用して、身体のセンサーからの信号を解読し、それを義肢を動かすコマンドに変換し始めています。

他の論文では、筋電図信号（残存肢付近の筋肉の電気的活動）を使用してカメラを起動したり、コンピュータービジョンアルゴリズムを実行して目の前にある物体の掴み方や大きさを推定するなど、新しい解決策が検討されています。

毎年恒例の機械学習カンファレンス NeurIPS'18 は「AI 義肢チャレンジ」を開始し、この分野に対する AI コミュニティの関心をさらに強調しました。2018 年のチャレンジは、強化学習を使用して義肢の性能を予測することです。442人の参加者が AI に走り方を教えようとしています。スポンサーには AWS、Nvidia、トヨタなどが含まれます。

13. 臨床試験の患者募集

臨床試験の根本的なボトルネックの1つは適切な患者を募集することであり、Appleはこの問題を解決できるかもしれない。医療記録をデジタル化する取り組みにもかかわらず、相互運用性、つまり機関やソフトウェア システム間で情報を共有する能力は、依然として医療における根本的な問題の 1 つです。

理想的な AI ソリューションは、患者の医療記録から関連情報を抽出し、進行中の試験と比較し、一致する研究のための推奨事項を AI ソフトウェアに提供します。

しかし、Apple のようなテクノロジー大手は、ヘルスケアの取り組みのためにパートナーをうまく取り込んでおり、 Apple は医療データの流れを変え、特に臨床研究者が患者を募集して監視する方法に関して AI の新たな可能性を切り開いています。

Appleは2015年以来、臨床試験で患者を募集し、遠隔で健康状態をモニタリングして地理的な障壁を取り除くのに役立つResearchKitとCareKitという2つのオープンソースフレームワークを立ち上げており、またCernerやEpicなどの人気のEHRベンダーと協力して相互運用性の問題を解決してきた。

14. 高度な医療生体認証

研究者たちは、ニューラル ネットワークを使用して、これまで定量化が困難だった非定型的なリスク要因を研究し、測定し始めています。ニューラル ネットワークを使用して網膜画像と音声パターンを分析すると、心臓病のリスクを特定できる可能性があります。

たとえば、Google の研究者は、訓練された網膜画像ニューラル ネットワークを使用して、年齢、性別、喫煙などの心血管疾患のリスク要因を発見しています。また、メイヨー クリニックでは、音声の音響的特徴を分析することで、冠状動脈疾患の患者のさまざまな発話特性を検出できます。

近い将来、医療バイオメトリクスは受動的なモニタリングに使用されるようになるだろう。例えば、Google の特許では、皮膚の色や皮膚の変位から心臓血管機能を分析することを目指している。これらのセンサーは、患者の浴室の「感知環境」に設置され、手首や頬の皮膚の色の変化を識別して動脈硬化や血圧などの心臓の健康指標を判定することも可能になるかもしれない。

アマゾンは、顔の特徴認識と心拍数分析を組み合わせたパッシブモニタリングの特許も申請している。 AI のパターン検出能力は、今後も新たな診断方法やこれまで知られていなかったリスク要因の特定への道を切り開いていくでしょう。

15. 創薬

AI バイオテクノロジーの新興企業の台頭により、従来の製薬会社は、長期にわたる医薬品開発サイクルに革新的なソリューションを提供するために AI SaaS 新興企業に注目しています。 2018年5月、ファイザーはXtalPiと戦略的提携を結び、小分子医薬品の特性を予測し、「計算に基づく合理的な医薬品設計」を開発しました。

ノバルティス、サノフィ、グラクソ・スミスクライン、アムジェン、メルクなどの製薬会社はここ数カ月、腫瘍学や心臓病などの分野で新薬を発見するためにAIスタートアップ企業と提携することを発表している。

Recursion Pharmaceuticals のようなバイオテクノロジー AI 企業が AI と創薬に投資する一方で、従来の製薬会社は AI SaaS スタートアップと提携しています。これらのスタートアップの多くはまだ資金調達の初期段階にあるが、すでに独自の製薬クライアントを抱えている。

医薬品開発の成功を測る基準はほとんどありませんが、製薬会社は新しい治療法を発見し、時間のかかる医薬品開発プロセスを変革するために、AI アルゴリズムに何百万ドルもの資金を投入しています。

[[262308]]

04 AIのデータ依存性を解決する合成データセット

16. 予知保全

メーカーから設備保険会社まで、AI-IIoT は故障による損害が発生する前に予防策を提案できます。現場や工場の設備は大量のデータを生成しますが、予期しない設備の故障は製造業におけるダウンタイムの主な原因の 1 つです。機器や個々のコンポーネントがいつ故障するかを予測することは、資産保険会社や製造業者に利益をもたらします。

予知保全では、センサーとスマートカメラが機械から温度や圧力などのデータを継続的に収集します。リアルタイムデータの量と多様性により、機械学習は IIoT の不可欠な要素となります。時間が経つにつれて、アルゴリズムは潜在的な障害を実際に発生する前に予測できるようになります。

産業用センサーのコストが低下し、機械学習アルゴリズムが進歩し、エッジコンピューティングが拡大するにつれて、予測保守はより普及するでしょう。

17. バックエンドの自動化

人工知能は管理タスクの自動化を推進していますが、データの性質と形式が多様であるため、自動化は困難な作業となっています。業界やアプリケーションによっては、手書きの臨床記録などの「バックオフィス タスク」を自動化するという課題が、自然言語処理アルゴリズムに特有の課題をもたらします。

ロボティック プロセス オートメーション (RPA) はしばらく前から話題になっていますが、すべての RPA が機械学習に基づいているわけではありませんが、多くの RPA が画像認識と言語処理をソリューションに統合し始めています。

18. 合成トレーニングデータ

AI アルゴリズムをトレーニングするには、大規模なラベル付きデータセットへのアクセスが必要です。合成データセットは、ボトルネックの問題を解決する鍵となる可能性があります。AI アルゴリズムはデータに依存しています。一部の種類の実世界のデータに簡単にアクセスできない場合、合成データセットが役立ちます。興味深い新たな傾向として、AI 自体を使用して、より「リアルな」合成画像を作成し、AI をトレーニングすることが挙げられます。たとえば、Nvidia は、生成的敵対ネットワーク (GAN) を使用して、脳腫瘍の偽の MRI 画像を作成しました。

GAN は現実世界のデータを「拡張」するために使用されます。つまり、現実世界のデータとシミュレートされたデータを混合して AI をトレーニングし、より大規模で多様なデータセットを取得できるということです。さらに、ロボット工学も高品質の合成データから恩恵を受けることができるもう一つの分野です。

19. ネットワークの最適化

人工知能は通信を変え始めています。通信ネットワークの最適化は、レイテンシ、帯域幅、設計、アーキテクチャを改善する一連のテクノロジであり、データフローを好ましい方法で増加させることができます。通信サービスプロバイダーにとって、最適化は顧客体験の向上に直接つながります。帯域幅の制限に加えて、通信が直面している課題の 1 つはネットワークのレイテンシです。携帯電話の AR/VR などのアプリケーションは、レイテンシが極めて低い場合にのみ適切に機能します。

通信事業者も、AIベースのソリューションを次世代のワイヤレス技術、つまり5Gに統合する準備を進めています。サムスンは、5G時代に備えて、AIベースのネットワークおよびサービス分析のスタートアップであるZhilabsを買収しました。クアルコムは、AIエッジコンピューティングが5G計画の重要な部分であると考えています（エッジコンピューティングは帯域幅の制限を減らし、クラウドと頻繁に通信します。これは5Gの主要な焦点領域です）。

20. サイバー脅威ハンティング

サイバー攻撃に対応するだけではもはや十分ではありません。機械学習を使用して脅威を積極的に「探す」ことが、サイバーセキュリティの分野で勢いを増しています。名前が示すように、脅威ハンティングとは、警告や侵害が発生した後にただ反応するのではなく、悪意のあるアクティビティを積極的に探すことです。ハンティングは、ネットワークの潜在的な弱点に関する仮説と、継続的な反復プロセスで仮説をテストするための手動および自動ツールから始まります。

サイバーセキュリティにおける膨大なデータにより、機械学習はプロセスの不可欠な部分となり、脅威ハンティングはさらに勢いを増すと思われますが、常に変化する動的な環境に対処したり、誤検知を減らしたりするなど、独自の課題も伴います。

[[262309]]

05 偽造防止のためのアルゴリズム、指紋追跡、人工知能のトレーニング

21. 電子商取引検索

検索用語のコンテキスト理解は「実験段階」を脱しつつありますが、広く採用されるまでにはまだまだ長い道のりがあります。eコマース検索を使用して関連性の高い結果を表示するときに、適切なメタデータを使用して製品を説明することが出発点です。

しかし、説明とインデックス作成だけでは十分ではありません。多くのユーザーは自然言語で商品を検索したり（ 「ボタンなしのマゼンタ色のシャツ」など）、探している商品の説明方法を知らなかったりするため、eコマース検索での自然言語の使用は困難です。

22. 自動車保険金請求処理

保険会社やスタートアップ企業は、自動車所有者の「リスクスコア」を計算し、事故現場の画像を分析し、運転者の行動を監視するために AI を使い始めている。アント・ファイナンシャルは、「事故処理システム」の画像処理にディープラーニング アルゴリズムを使用している。これまで、自動車所有者や運転者は自動車を「査定人」に送り、査定人が車両の損傷を検査して詳細を記録し、その情報を自動車保険会社に送信していた。

今日では、画像処理技術の進歩により、車の写真を撮ってアップロードし、ニューラル ネットワークがその画像を分析して損害評価を自動化できるようになりました。これは、ドライバーのリスク分析を行うもう 1 つの方法であり、自動車保険の実際の価格設定モデルに影響を与える可能性があります。

23. 偽造防止

偽造品を見分けることはますます難しくなってきており、オンラインショッピングでは偽造品を購入することがかつてないほど容易になっています。ブランドや質屋は反撃するため、オンラインと現実世界の2つの戦線で偽造品と戦うために人工知能の実験を始めている。

しかし、オンラインの偽造品の範囲と規模は広大かつ複雑です。偽造業者は、元のブランドリストと非常によく似たキーワードと画像を使用し、偽造ウェブサイトで偽物を販売し、合法的な市場で偽物を販売し、ソーシャルメディアサイトで偽物を宣伝します。「スーパー偽物」や「AAA偽物」の増加により、肉眼でそれらを見分けることはほぼ不可能になっています。

現在、偽造品のデータベースを構築し、その特徴を抽出し、本物と偽造品を見分けるための人工知能アルゴリズムをトレーニングすることは面倒な作業ですが、高級ブランドやその他の高リスク小売業者にとっては非常に必要なことです。次の解決策は、物理的な商品に固有の「指紋」を識別または追加し、サプライチェーンを通じて追跡することかもしれません。

24. 小売業

店に入って、欲しいものを選んで、出て行くのはまるで万引きをしているような「気分」ですが、AI によって実際の窃盗がなくなり、レジなしの小売業がより一般的になる可能性があります。

米国の小売業者にとって、窃盗は常に大きな悩みの種となっていますが、店舗に出入りする人を追跡し、自動的に料金を請求すれば、万引きが行われる可能性は低くなります。他に考慮すべき点としては、特に混雑したスーパーマーケットで、人や物を追跡するためのカメラを確実に設置するために、建物のスペースをどのように活用するかということが挙げられます。

短期的には、潜在的な技術障害によって生じる導入コストと在庫損失、そして小売業者がそれらのコストとリスクをどの程度負担できるかが問題となるでしょう。

25. 作物の監視

ドローンは農家のために畑の地図を作成し、熱画像を使って水分を監視し、害虫に侵された作物を特定し、農薬を散布することができる。

スタートアップ企業は、サードパーティのドローンが収集したデータに分析機能を追加することに注力している。他にも、コンピュータービジョンを使って地上の農業機械をよりスマートにし、必要に応じて個々の作物に散布する技術を開発している企業があります。これにより、周囲の植物をすべて枯らしてしまう非選択性除草剤の必要性が減ります。精密散布は除草剤や殺虫剤の使用量を減らすことを意味します。

現地調査以外にも、コンピューター ビジョンを使用して衛星画像を分析することで、農業の実践に関するマクロレベルの理解が得られ、地理空間データによって、世界の作物の分布パターンや気候変動が農業に与える影響に関する情報が得られます。