AIが達成できること

半世紀にわたり、人工知能はコンピュータ開発の夢でしたが、常に手の届かないところにありました。しかし、AI を導入して実際のメリットを生み出す方法は数多くあります。

[[278666]]

1960 年代の人々は人工知能の明るい未来像を抱いていましたが、半世紀経った今でもこの展望は実現されていません。初期の進歩は遅かったものの、人工知能を応用するというビジョンは真に実現されたと人々は確信しています。ソフトウェアを使用するすべての製品は、人工知能技術を使用していると主張しているようです。こうした宣伝や誇大宣伝に直面して、人々は人工知能の実際の発展について明確な理解を持つ必要があります。

人工知能の次の大きなもの

人々は人工知能の応用に興奮しています。一部の方面では、処理能力の新たな発展により、人工知能がついに現実のものとなりつつあると宣伝されている。人々は再び、自分たちの生活が完全に破壊され、仕事がインテリジェントな機械に置き換えられるという見通しについて空想に満ちている。安価なグラフィックス処理ユニットが利用できるようになったことにより、畳み込みニューラル ネットワークは、画像認識などの特定のアプリケーションで商業的に実用的になりました。市場に出回っているほぼすべてのソフトウェアが「AI 搭載」と宣伝されていますが、企業がビジネスの将来を AI に託す前に、いくつかの現実を明確にしておくことが賢明でしょう。

実用的な AI は長い間「次なる大きなもの」とされてきました。日常業務の負担を軽減するとともに、人々が想像を絶する科学的・工学的偉業を達成するのを支援することが期待されています。 AI が労働力の大半を置き換え、多くの仕事が AI 駆動の機械に取って代わられるという、よりディストピア的なシナリオもあります。中には、人間は不要で非効率的であり、映画「ターミネーター」で描かれているように、人間と機械の間で究極の戦争が起こると結論付ける人もいます。

これらのビジョンは長い間実現されないでしょう。約 20 年前、ある専門家が AI は「Artificial Intelligence Was Not Invented (人工知能は発明されなかった)」の略であるという考えを生み出しましたが、当時も今もその考えは正しいです。人工知能は実用化に向けて成熟しつつある。しかし、これらのアプリケーションは限られており、汎用人工知能の実現は依然として遠いことは注目に値します。

人工知能の定義

ほとんどの人が「人工知能」という言葉を聞くと、あいまいな音声コマンドに応答し、複雑な計算や論理的な動作を実行できる SF の AI を思い浮かべます。これらの素晴らしい機械から導き出された結論は、人間は記憶力が限られており推論能力も遅いため、最終的には AI に追い抜かれるということだが、これは不正確で誤った定義である。その理由は単純で、人間が「知性」を定義するのは難しいからである。

IQ テストなどのいわゆる知能テストや、大学入学に使われるような学力テストは除外します。

非常に頭が良いとされる人が、さまざまな理由でこれらのテストであまり良い点数を取れないことをほとんどの人が知っています。代わりに、この議論の目的のためには、記憶と想起、連想と推論、新しい状況への創造的な解決策の適用などの能力の組み合わせを考慮する必要があります。

確かに、この定義は限定的で不正確ですが、人間の脳の機能についての私たちの理解も同様です。実際、人間の心は私たち自身の理解をはるかに超えているため、人間の心が何を意味するかについてさえ人々は合意できないのです。しかし、この知能の定義は、その後の AI 機能に関する議論のニーズを満たすものとなります。

真の知性が私たちからどれほど遠いかを理解するには、ゲーデル、エッシャー、バッハなどの理論を取り上げ、業界の専門家であるダグラス・ホフスタッターが書いたこのテーマに関する画期的な本を読むことをお勧めします。 40 年前に書かれたこの本は、最も低いレベルで考えるとはどういうことかを分析し、単純な数学の概念だけでなく、日常生活で算数を使用する際に人々が非常に抽象的な概念をどのように考えるかについても掘り下げています。この本は非常に啓発的な本であり、汎用人工知能は思っていたよりもずっと遠い未来の話だと人々に気づかせてくれました。考えてみてください。コンピューターが数学的な計算を正しく実行するようにプログラムするには、あらゆる側面を信じられないほどの精度で理解する必要があります。人々が知能が何であるかさえ理解していないのに、コンピューターを本当に知能的にプログラムすることはどうやって可能でしょうか?

実現可能な人工知能

コンピュータプログラミングを真の知能とみなすことは不可能ですが、特に専門分野では、限られた形態の知能とみなすことができます。 IBM の Watson はおそらくそのようなマシンの最も有名な例ですが、Watson にも明らかな限界があります。とはいえ、ほとんどの企業には、Watson 規模の AI プロジェクトをインストールして使用するために必要なリソースがありません。

しかし、限られた技術的背景の中で AI の利点の一部を実現する別の方法があります。最も基本的な最初のステップは、データ モデリングを改善することです。専門家が述べているように、オントロジーの形式でデータ モデルを定義することは、データの構文とセマンティクスを定義するのに役立つため、良いアイデアです。

Web オントロジー言語 (OWL) を使用してモデル化されたデータは、シンプルでありながら強力な基本的な人工知能である機械推論をサポートする形式で記録されます。 OWL は「記述ロジック」と呼ばれる推論の分野に基づいて構築されているため、強力かつ解釈可能な多くのロジックベースの推論手順に適しています。 AI ベースのアプリケーションが医療や軍事作戦などの用途に導入されるにつれて、AI プロセスがどのようにしてその結果に到達したかを説明する能力がますます重要になります。 AI 支援による推奨に基づいて重要な決定を下す前に、ユーザーは当然、AI がその結論に至った経緯を理解したいと考えます。これにより、「説明可能な AI」への欲求が高まりました。

畳み込みニューラル ネットワーク (CNN) は優れた画像認識機能を発揮しますが、その決定方法を正確に追跡することは困難です。分類と比較には多くのレベルがあり、最終結果は非常に正確で一貫性があります。しかし、だからといって、畳み込みニューラル ネットワーク (CNN) が各画像に対してどのように決定を下したかを実際に説明できるわけではありません。

対照的に、データ モデルが Web オントロジー言語 (OWL) またはその他の形式論理表現 (Common Logic など) を使用して形式化されている場合は、推論ルールを記述し、形式論理ルールを使用してそれを適用できます。簡単な例を考えてみましょう。「name」と「sex」という 2 つの属性を持つ「Person」クラスを持つ簡単なデータ モデルを作成します。 Person クラスのインスタンス間に確立できる関係には、「has_parent」と「has_sibling」の 2 種類があります。この単純なモデルを使用すると、PersonA has_sibling PersonB や PersonB has_Parent PersonC などのデータを保存できます。

「Person1 に person2 の兄弟がおり、かつ、Person2 の性別が女性である場合、Person1 には Person2 の姉妹がいる」のような単純なルールを使用すると、データベース内の各人物に関する新しい知識を推測できます (元のデータ モデルには姉妹の概念が含まれていなかったことに注意してください)。同様のルールを使用して、祖父母、兄弟、いとこなどの関係を推測することができます。そして、これはすべて形式論理に基づいているため、結果は完全に説明可能です。しかし、結果は説明できる範囲を超えており、正しいことが証明されています。

この推論は、市販の推論テクノロジー (商用およびオープンソースの両方) を使用して実行できます。 Protégé などのオントロジー編集ツールでは、HermiT や Pellet などのさまざまな推論エンジンを使用できます。このロジックベースの推論をサポートするデータベースおよび分析製品は数多くあり、正しく構成されていれば、そのパフォーマンスは他のデータベース テクノロジに匹敵します。

論理に基づく推論では、ヘーゲルの哲学の本質について議論したり、ピアノソナタを作曲したりできる人工知能システムを人々に提供することはできません。しかし、多くの日常的なデータ処理タスクを実行できる AI システムを人々に提供することは可能です。