2030 年までに人工知能はどのようになるでしょうか?

この記事は公開アカウント「Reading Core Technique」（ID: AI_Discovery）から転載したものです。

マッキンゼー・グローバル・インスティテュートの調査によると、人工知能は2030年までに毎年13兆ドルの追加価値を生み出すだろう。

[[354432]]

実際、人工知能は現在すでに収益を生み出していますが、主にソフトウェア分野に集中しています。しかし、2030年までに、人工知能はソフトウェア業界以外でも、特に小売、観光、輸送、自動車、素材、製造などの業界で莫大な利益を生み出すでしょう。しかし、そのような予測は誇大宣伝である可能性もあります。人工知能の黄金律は、人工知能技術に対して楽観的になりすぎたり悲観的になりすぎたりしてはいけないというものです。

人工知能、機械学習、ディープラーニングは、最近よく使われる流行語です。人工知能が世界の一部となるという現実的な期待を持つことは素晴らしいことですが、人工知能を理解し、その神秘性を解き明かすことも同様に重要です。この記事では、人工知能を完全に理解し、これらの概念の混乱を避けるために、人工知能のすべての概念について説明します。

さっそく始めましょう！

AI分野の絞り込み

人工知能は、自然言語処理 (NLP)、人工ニューラル ネットワーク、コンピューター ビジョン、機械学習、ディープラーニング、ロボット工学など、多くのサブカテゴリを持つ銀河のようなトピックです。

AI の正式な定義は次のとおりです。「視覚認識、音声認識、意思決定、言語間の翻訳など、通常は人間の知能を必要とするタスクを実行できるコンピュータ システムの理論と開発」。他の領域を詳しく調べる前に、AI を次の 2 つの広い領域に絞り込むことができます。

• 限定的 AI – 1 つまたは少数の特定のタスクを実行するようにプログラムできる AI。たとえば、自動運転車、次の単語の予測、自動修正などです。これが私たちが重点的に取り組みたい主なコンセプトです。
• 汎用人工知能 - 人間のような活動やタスクを実行します。汎用人工知能とは、あらゆる知的作業を人間と同じくらい効率的に実行できる知能のことですが、この分野ではまだ長い道のりが残っています。

人間を超えることができる AI として考えられている、スーパー AI または強い AI という別の用語もあります。しかし、これは現時点では単なる仮説であり、この記事では説明しません。また、今後数年間でこのレベルのインテリジェンスを達成することは困難です。

人工知能の概念と人工知能に関連するさまざまな側面を理解するために、宇宙を例にして簡単な類推を行うことができます。

広大な天の川は、AI が多数のサブフィールドで構成されているのと同様に、数十億の太陽系を含む広大な AI 分野に似ています。太陽系は、人工知能、つまり「機械学習」のサブフィールドのようなものです。地球は太陽系で唯一の居住可能な惑星であり、「ディープラーニング」とも言える。この類推をよりよく理解するために、簡単な式を示します。

人工知能 = 天の川、機械学習 = 太陽系、ディープラーニング = 地球

機械学習

機械学習とは、明示的にプログラムすることなく、プログラムが自動的に学習して効率を向上させる能力を指します。つまり、トレーニング セットが与えられ、機械学習モデルをトレーニングすると、モデルはその動作を理解するようになります。テスト セット、検証セット、またはその他の目に見えないデータでテストされた後でも、モデルは特定のタスクで評価できます。

簡単な例で説明すると、30,000 件の電子メールを含むデータセットがあり、そのうちのいくつかはスパムとして分類され、いくつかはスパムではないと分類されているとします。機械学習モデルはデータセット上でトレーニングされます。トレーニング プロセスが完了したら、トレーニング データセット外のメールでテストできます。機械学習モデルは、後続の入力について予測を行い、入力された電子メールがスパムであるかどうかを正しく分類できます。

機械学習には主に 3 つの種類があります。

• 教師あり学習 - これは、特定のラベル付きデータセットを使用してモデルをトレーニングする方法です。これらのデータセットは、バイナリまたはマルチクラス分類にすることができ、正しいオプションと間違ったオプション、またはオプションの範囲を指定するラベル付きデータが含まれます。モデルは、ラベル付けされたデータの助けを借りて、監督下で事前トレーニングされます。
• 教師なし学習 — 教師なし学習とは、ラベルのないデータセットでモデルをトレーニングすることを指します。これは、モデルが事前情報を持たず、類似した特徴とパターンをグループ化することで自己トレーニングすることを意味します。犬と猫を区別することは、教師なし学習の一例です。
• 強化学習 - 強化学習は試行錯誤のアプローチ モデルです。このモデルは繰り返し失敗することで学習します。期待された結果が得られなかった場合、モデルは再トレーニングされます。これはチェスをプレイするなどの概念に適用でき、何百万ものゲームをプレイした後、モデルは正しいパターンと動きを学習します。

データ

データとは、機械学習やディープラーニングのタスクに適した、あらゆる有用なリソースまたは利用可能な情報です。構築するモデルごとに利用可能なデータは大量にあるため、評価を完了するために必要な貴重なデータを見つけることが重要です。

データセットはデータの集合です。表形式のデータの場合、データセットは 1 つ以上のデータベース テーブルに対応し、各列は特定の変数を表し、各行は関連付けられたデータセットの特定のレコードに対応します。

今日、データの豊富さと増加により、人工知能はかつてないほど一般的になりつつあります。機械学習またはディープラーニング モデルのデータが多いほど、モデルのトレーニングの質が向上します。これは、より大きなデータセットでモデルをトレーニングできると、トレーニング プロセス中にモデルがより適切に学習し、手元のタスクのパフォーマンスが向上するためです。

データサイエンスはデータに関するものです。この言葉は見落とされがちですが、どんなプロジェクトにとっても最も貴重なリソースです。ビッグデータ、データサイエンス、データ分析の分野は飛躍的に成長しており、テクノロジー大手は有用なデータの収集への投資を増やしています。データ収集とは、特定のシステム内のターゲット変数に関する情報を収集して測定するプロセスであり、これにより、関連する質問に答えて結果を評価できるようになります。

ディープラーニング

ディープラーニングは、特定のタスクを実行するための人工ニューラルネットワークの概念に基づいた機械学習のサブフィールドです。人工ニューラルネットワークは人間の脳にヒントを得ています。しかし、理論的にはディープラーニングは脳のようには機能しません。特定のルールに従ってプログラムされなくても、必要な精度で正確なタスクを実行できるため、このように呼ばれています。

ディープラーニングは数十年前には非常に人気がありましたが、データ不足と複雑な計算を実行できないため、最終的には人気を失いました。ここ数年で状況は大きく変化しました。毎日膨大な量の豊富なデータが生成されており、大手テクノロジー企業や多国籍企業がこのデータに投資しています。強力なグラフィック処理装置 (GPU) により、計算能力はもはや大きな問題ではなくなりました。

ディープラーニングは現在非常に人気があり、ほとんどの最新の機械学習アルゴリズムを上回る大きな可能性を秘めています。

人工知能は現在最も急速に成長している分野です。フォーチュンによれば、人工知能の専門家を雇用する人の数は過去4年間で74％増加しており、現在最も「ホットな」仕事だと考えられている。経験豊富な AI 専門家の需要はかつてない速さで高まっています。機械学習、ディープラーニング、コンピュータービジョン、統計、自然言語処理などの AI サブフィールドの専門家に対する需要と求人は日々急増しています。

私たちは人工知能が台頭する時代に生きているのは幸運です。人工知能は私たちの周りにはどこにでもあり、私たちの周りには多くの機会があります。今後の新しいテクノロジーと人工知能の台頭に非常に期待しています！