機械学習を理解するには、「3つの魔法の武器」を理解するだけで十分です

クイズ番組「ジェパディ」の優勝者や囲碁の名人から、広告に関連した不名誉な人種プロファイリングまで、私たちは人工知能の発展が急速に加速する時代に入ったようだ。しかし、公平な道徳的判断を用いて複雑な認知タスクに完全に従事できる電子「脳」を備えた完全に知覚力のある存在を創造することは、現在の私たちの能力を超えています。

[[184775]]

残念なことに、現在の開発状況は、AI が将来どうなるかについての広範な不安を煽っています。最近、この技術が大衆文化に登場したことは、私たちがこの技術に対していかに慎重かつ悲観的であるかを示しています。恐怖の問題は、それが深刻な結果をもたらし、時には無知を助長する可能性があることです。

AI の内部の仕組みを理解することは、こうした懸念に対する一つの解決策となります。さらに、そのような真剣さは、責任ある安心できる関与につながる可能性があります。

人工知能の中核となるのは、優れたツールであり、広く使用されている機械学習です。しかし、機械学習の重要性を理解するには、まずその可能性が欠点をはるかに上回るかどうかを検討する必要があります。

データが鍵

簡単に言えば、機械学習とは、アルゴリズムを通じてデータを分析することで、特定のタスクを解決する方法をコンピューターに教えることを指します。たとえば、手書き認識では、分類アルゴリズムを使用して、異なる人が書いた文字を区別することができます。一方、住宅データセットでは、回帰アルゴリズムを使用して、不動産の販売価格を定量化可能な方法で推定します。

結局のところ、機械学習はデータに帰着します。ほぼすべてのビジネスは、市場調査、ソーシャル メディア、学校アンケート、自動化システムなど、何らかの方法でデータを生成します。機械学習アプリケーションは、大規模なデータセットの混沌の中に隠れたパターンや相関関係を見つけ、動作を予測できるモデルを開発しようとします。

データにはサンプルと機能という 2 つの重要な要素があります。前者はグループ内の個々の要素を表し、後者はそれらが共有する特性を表します。

ソーシャル メディアを例に挙げると、ユーザーはサンプルであり、その使用法は機能に変換できます。たとえば、Facebook は「いいね！」アクティビティのさまざまな側面（ユーザーごとに異なります）を、ターゲット広告の重要な機能として使用しています。

Facebook の友達もサンプルとして使用でき、他の人とのつながりを特徴として使用して、情報の拡散を研究できるネットワークを構築できます。

私の Facebook 友達ネットワーク: 各ノードは、他の友達とつながっている場合もつながっていない場合もある友達です。ノードが大きいほど、接続の数も多くなります。同様の色は同様の社会的サークルも表します。

ソーシャル メディアに加えて、産業プロセスの監視ツールとして使用される自動化システムは、特定の時間に行われたセンサー測定によって特徴付けられるプロセス全体の一時的なスナップショットをサンプルとして取得します。これにより、システムはプロセス内の異常をリアルタイムで検出できるようになります。

これらすべてのさまざまなソリューションは、機械にデータを入力し、与えられた情報を戦略的に評価しながら独自の予測を行うように機械に教えることに依存しています。これは機械学習です。

出発点としての人間の知性

あらゆるデータはこれらの単純な概念に変換でき、人工知能を含むあらゆる機械学習アプリケーションはこれらの概念を構成要素として使用します。

データが理解できたら、その情報をどう扱うかを決定します。機械学習の最も一般的で直感的なアプリケーションの 1 つは分類です。システムは、参照データセットに基づいてデータをさまざまなグループに分類する方法を学習しました。

これは、類似の製品をグループ化する（キッチン用品と美容製品など）場合や、過去の経験に基づいて良い映画を選択する場合など、私たちが毎日行うさまざまな決定に直接関係しています。これら 2 つの例は完全に無関係であるように見えるかもしれませんが、分類に関する基本的な前提、つまり予測が決定されたカテゴリとして定義されるという前提に基づいています。

たとえば、ローションのボトルを手に取るとき、私たちは特定の特徴のリスト（容器の形や製品の香りなど）を使用して、それが美容製品であることを正確に予測します。同様の戦略として、一連の特徴（監督や俳優など）を評価して、映画が良いか悪いかの 2 つのカテゴリのどちらに属するかを予測するというものがあります。

一連の例に関連付けられたさまざまな特徴間のさまざまな関係を理解することで、映画を見る価値があるかどうかを予測したり、さらには、それを実行するプログラムを作成したりすることができます。

しかし、この情報を習得するには、データ サイエンスの専門家で、数学と統計に精通し、アラン チューリングやマーガレット ハミルトンを誇りに思うほどのプログラミング スキルを持っている必要があります。そうではありません。

たとえ言語学や文学に興味を持つ人が少数であっても、私たちは皆、日常生活を送るのに十分な母国語を知っています。数学についても同じことが言えます。数学は常に私たちの身近にあるので、食料品の購入や材料の計量からレシピに従うことへの変化は負担にはなりません。同様に、機械学習を習得することは、それを意識的かつ効果的に活用するための要件ではありません。

確かに、世界には非常に才能がありプロフェッショナルなデータ サイエンティストがいますが、データの基礎を学べば、ほとんど努力せずに情報の見方や使い方を改善できるのは誰でもです。

アルゴリズムで問題を解決する

分類アルゴリズムに戻って、意思決定の方法を模倣したアルゴリズムを考えてみましょう。私たちは社会的な生き物ですが、社会的な交流はどうでしょうか? 印象は重要であり、私たちは誰でも、誰かに出会ってから最初の数分以内にその人のことを好きかどうか判断する内部モデルを持っています。

結果は、良い印象か悪い印象かの 2 つが考えられます。各人について、過去のいくつかの出会い（サンプル）に基づいて、異なる特性（特徴）が（無意識であっても）考慮されます。それは声のトーンや外見、礼儀正しさのレベルなどかもしれません。

私たちが遭遇する新しい顔ごとに、頭の中のモデルが入力を記録し、予測を構築します。このモデルを、最終結果との関連性に応じて重み付けされた一連の入力に分解できます。

ある人にとっては魅力が非常に重要かもしれませんが、他の人にとってはユーモアのセンスや犬好きの方が重要かもしれません。各人は自分の経験やデータに完全に応じて独自のモデルを開発します。

データが異なると、トレーニングされるモデルも異なり、結果も異なります。私たちの脳は、これらの要因が私たちが与える重みにどのように影響するかを決定するメカニズムを発達させます（ただし、私たちはそれを完全に理解しているわけではありません）。

機械学習が行うことは、特に人間が容易に処理できない量のデータがある状況で、機械が結果を計算するための正確で数学的な方法を開発することです。今では、データはかつてないほど膨大かつ永続的なものになっています。 AI のようなツールがあれば、このデータを積極的に活用して実際の問題を解決できるということは、誰もがこれを探求し、活用できるということです。これは、便利なアプリケーションを作成するためだけでなく、機械学習と AI をより明るい、より心配の少ない光の下に位置付けるためにも行う必要があります。

機械学習に利用できるリソースは多数ありますが、ある程度のプログラミングスキルが必要です。機械学習に適した人気言語の多くには、基本的なチュートリアルから完全なコースまでさまざまなコースがあります。たった午後で冒険を始めて、目立った成果を得ることができます。

だからといって、人間のような心を持つ機械という概念が私たちを心配させるべきではないと言っているわけではありません。しかし、これらのアイデアがどのように実現するかについてより深く理解することで、私たちは前向きな変化の担い手となり、AI が私たちをコントロールし続けるのではなく、AI をコントロールし続けることができるようになります。

（出典／Dataconomy翻訳／機械小易、校正／文偉）