100日間人工知能について学んだ後、私は次の5つの結論に達しました

この記事の著者は Jamie Beach です。彼は 100 日間人工知能を独学した後、人工知能に関する 5 つの洞察を共有しました。以下は彼の全文です。

[[276502]]

2019年1月末、私は人工知能に対する自分の理解が不十分であることに突然気づきました。それは私たちの日常生活にますます影響を与えています。 AI は私たちの受信トレイをスパムから守り、Alexa からの天気予報を更新し、Amazon が商品を勧めたり、Netflix が映画を勧めたりすることを可能にします。 Twitter や Facebook を開くたびに、私たち自身よりも私たちのことをよく知っている人工知能と人間との戦いが始まります。しかし、私はプロの技術者ですが、人工知能の本当の意味についてはほとんど知りません。

Wired誌の創刊者ケビン・ケリー氏は、「Future Thinkers」というポッドキャストのインタビューでAI関連の話題について語った。彼は、私たちの AI テクノロジーはまだ初期段階にあり、AI と機械学習について、理解するレベルを超えて少し時間をかけて学習すれば、自分が少数の人々のグループの一員に過ぎないことに気付くだろうと考えています。その日は仕事が終わって家に帰ってから、100日間の「AI学習ダイブ」を始めました。

私は学ぶ必要のあるすべてをカタログ化しました。仕事のせいで余暇を見つけるのは難しかったのですが、100日間で200時間近くの仕事を完了することができました。私は 9 冊の本を読み、2 つの Coursera コースを受講し (3 つ目のコースはすでに開始)、たくさんのポッドキャストを聴き、できるだけ多くのチュートリアルを視聴しました。

その間に私が学んだ 5 つの洞察は次のとおりです。

1. AIは古くて新しい

人工知能という用語はSF小説から生まれたものではありません。 1956 年、ダートマス大学の夏季セミナーに、機械に考えさせる方法を考え出すために多くの優秀な人々が集まりました。この集まりで「人工知能」という概念が生まれました。この会議で思考するロボットが生まれたわけではありませんが、そこでもたらされたアイデアと技術は、今でも今日の人工知能の基礎となっています。

ワークショップの後、AI のさまざまなサブフィールドへの関心が高まりました。ニューラル ネットワークは有望に思えましたが、当時この技術はほとんど活用されておらず、ほとんどの研究では最終的にこの概念は放棄されました。この期間は「AI の冬」として知られるようになり、数十年にわたって続きました。しかし近年、コンピューティング能力と利用可能なデータの飛躍的な増加と、ディープラーニングの最近の進歩により、機械学習の有効性が大幅に向上しました。 AIはアンドリュー・ン氏などの専門家によって「新しい電気」と呼ばれています。

2. 人工知能は機械学習と同等だが、その終結点ではない

「AIはPowerPointで、機械学習はPythonで行われます」

[[276503]]

汎用人工知能 (AGI) は、人間のように考える仮想の機械です。たとえば、ターミネーターはそのようなロボットです。スーパーインテリジェンスとは、人間の思考能力を超えた機械のことです（ニック・ボストロムの『スーパーインテリジェンス』を読んだことがある人なら、少し怖く感じるかもしれません）。しかし、現時点では、そのようなものは登場していません。今のところ、AGI は単なる空想であり、まだ未来の話であり、少し手の届かないものです。これは、誰もそれに取り組んでいないという意味ではなく、マックス・テグマークやレイ・カーツワイルのような賢い人々がそれについて広く語り、期待していないという意味でもありません。しかし、現在の人工知能は、AI のサブフィールドである機械学習がほぼ独占しています。

機械学習の基本原則は次のとおりです。

• ステップ 1:問題を予測問題に変換します。つまり、入力パラメータ (特徴) が与えられれば、結果を予測します。家の価格を予測したり、写真を撮るときの特定のカメラ位置の価値を予測したりできます。
• ステップ 2:意思決定を行うためのアルゴリズムまたはシステムを定義します。ここには、線形回帰、ニューラル ネットワーク、ディープラーニング、サポート ベクター マシン、リカレント ニューラル ネットワーク、畳み込みニューラル ネットワーク、敵対的生成ネットワークなど、さまざまな方法があります。各アルゴリズムは、特定の予測問題を解決するために使用できます。住宅の価格を予測するには線形回帰モデルで十分です。映画の脚本を予測するには再帰型ニューラル ネットワーク (RNN) を使用します。存在しない人物の顔画像を予測するには、生成的敵対的ネットワーク (GAN) を使用します。
• ステップ 3:大量のトレーニング データを取得します。一般的に言えば、データが多いほど、結果は良くなります。住宅価格については、住宅が販売されたときの特徴と実際の価格 (ラベル) を含む数千行のデータを取得する必要があります。文字認識を行うには、大量の文字画像を取得し、それに応じて注釈を付ける必要がある。
• ステップ 4:モデルをトレーニングします。トレーニング データを提供し、エラーを計算し、調整し、エラーが最小になるまで繰り返します。ここで重要な概念は勾配降下法とバックプロパゲーションです。

エラーが最小限に抑えられていると仮定すると、モデルは新しい機能を受け入れ、結果を予測できます。結果は通常、非常に正確で、人間よりも正確です。

3. 魔法など存在しない、あるのは数学だけだ

この 100 日間を始める前、機械学習には数学が関係することは知っていましたが、どれほどの数学が必要になるかは分かりませんでした。微積分と行列代数の知識は誰にとっても非常に有益であり、幸いなことに、これらを学ぶために数学を専攻する必要はなく、機械学習フレームワークは常に改良され、使いやすくなっています。

Google の Tensorflow、Microsoft の ML.NET、PyTorch などのいくつかの重要なフレームワークは、プログラム、数学、アルゴリズムに抽象化レイヤーを追加します。 Tensorflow の上には、Keras のような追加の抽象化レイヤーもあります。

さらに、研究者は機械学習モデルをサービスとして提供したり、AutoML や Auto-Keras などの自動化プログラムを作成したりすることで、機械学習をより身近なものにしています。

4. 偏見は大きな問題である

「本当の安全性の問題は、これらのシステムに偏ったデータを入力すれば、システム自体が偏ってしまうということだ」— ジョン・ジャンナンドレア

機械学習におけるバイアスは大きな問題です。エイミー・ウェッブの著書『The Big Nine』では、この問題について複数の章で取り上げています。テストデータの包括性と多様性は非常に重要ですが、不足していることがよくあります。

エイミーは固定バイアスの例として、ImageNet コーパスを使用しています。このコーパスには 1,400 万を超えるラベル付き画像が含まれており、その半分以上が米国で制作されています。もちろん、ImageNet はバイアスの唯一の例ではありません。

データセットに女性の「看護師」の画像や男性の「CEO」の画像が含まれていたらどうなるでしょうか。皮膚がんの画像​​データに肌の色が薄いサンプルしか使われていなかったらどうなるでしょうか。これらのモデルが実際に私たちの日常生活に入り込めば、深刻な結果を招くでしょう。 ML モデルの民主化が進むにつれて、このバイアスは存続し、多くの場合、トレーニングに使用されたテスト データがどのようなものかを知らずに、事前に作成されたモデルを使用することで増幅される可能性があります。

研究者たちはこの問題をよく認識しており、9 社すべて (G-MAFIA + BAT) がエンジニアリング文化における偏見を減らす必要性を説明するガイドラインを持っています。しかし、これは意図的なものではありませんでした。モデルに意図的にバイアスを加える人はいません。たとえ最善の意図を持っていたとしても、バイアスは避けられません。

したがって、機械学習がどのように機能し、それが私たちにどのような影響を与えるのか、つまり、機械学習が Twitter や Facebook にどのような影響を与え、私たち自身のニューロンをどのように刺激し、私たちの世界観をどのように形作るのかを理解することが重要です。

5. たくさんのチャンス

世界の AI によるビジネス価値予測 (10 億米ドル)、データソース: Gartner (2018 年 4 月)

ケビン・ケリーは正しい。人工知能と機械学習はまだ初期段階にあります。確かに、私たちの生活に浸透しているアプリはたくさんありますが、チャンスはまだたくさんあります。

機械学習はあらゆるものに革命を起こす可能性があり、また起こしてきたし、これからも起こすでしょう。過去 100 日間に私が読んだ多くの本の中に、マーシャル・ブライアン著の「マナ」という本があります。これは、機械と自動化がすべての仕事を引き受け、人間が好きなように暮らせる、ユートピアに近い社会を描いた SF 小説です。 AGI は必要ありません。機械学習だけが必要です。このような生活は私たちからどれほど遠いのでしょうか?

私は、Instagram の有名人や YouTuber が実在しないにもかかわらず、何千万人ものフォロワーを持ち、彼らが投稿するコンテンツがすべて GAN と RNN によって生成される未来を予見しています。機械学習によって駆動される新しいエンターテインメント モデルが誕生し、映画の脚本から本物そっくりの超リアルな 3D モデルまで、機械学習モデルによって作成されます。就職面接は忘れてください。自分の個人データ記録を、現在募集中のすべての求人情報の企業データ プロファイルと照合できるのに、なぜわざわざ手間をかける必要があるのでしょうか。がん治療からレストランでのディナー、リアルタイムで生成される音楽まで、あらゆるものを ML を使用してパーソナライズできます。自動運転タクシー、RNN ベースのコピーライティング サービス、自動化されたサービス契約、自動化された裁判所の判決、パーソナライズされた生活改善戦略、ドローン配達、AI ベースの投資、これらは数え切れないほど多く、具体的で、現在ほぼすべてが注目されている分野です。

AI と機械学習は、文明全体のレベルで人類に影響を与え、気候変動、戦争、病気、さらには小惑星の衝突などの存在リスクを軽減するのに役立つ可能性があります。

世界は今にも変わりそうだ。私たちはこれに気づくかもしれないし、気づかないかもしれない。この変化を推進するのは人工知能であり、それはすでに私たちに忍び寄り始めています。

ケビン・ケリーはこう言った。

• 未来はゆっくりと起こり、そして一気に起こります。

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。