5分で様々な人工知能技術を紹介

人工知能は、コンピューターが人間と同様のレベルの知能を発揮できるようにするさまざまな技術を網羅する幅広い用語です。

汎用AI

人工知能の最も一般的な用途の 1 つは、さまざまなタスクにおいて超人的な能力を発揮するロボットです。 彼らは戦うことも、飛ぶことも、そしてほぼあらゆる主題について深い会話をすることもできます。 映画には、ヴィジョン、ウォーリー、ターミネーター、ウルトロンなど、良いロボットも悪いロボットも数多く登場します。これは AI 研究の究極の目標ですが、現在の技術は汎用 AI と呼ばれる AI のレベルにはまだ程遠い状態です。

ナローAI

代わりに、今日私たちが持っている AI は、Narrow AI と呼ばれる人工知能のサブセットです。

狭義のAIは、いくつかのタスクにおいて現在の人間のレベルに到達、あるいはそれを超えることができる。

例えば、数年前、Google の人工知能プログラム DeepMind AlphaGO が囲碁で非常に優れており、当時の世界チャンピオンに勝ったというニュースを読んだことがあるかもしれません。しかし、このプログラムは「囲碁」というゲームをプレイする以外のことは何もできませんでした。 「PUBGやFortniteのようなゲームはもうプレイできません。現在の時刻もわかりません。

現在、私たちが目にしているのは基本的に狭義の AI であり、狭義の AI には 2 つの種類があります。一つずつ見ていきましょう。

• シンボリックAI
• 数値AIは一般的に機械学習（ML）とも呼ばれます。

シンボリックAI

シンボリック人工知能は、何十年も前から存在しているため、旧式の AI (GOFAI) とも呼ばれています。 プログラマーは、シンボリック AI システムを制御するすべてのルールを手動で記述する必要があります。 したがって、正しい解決策を確立することは困難です。 ただし、特定の状況で AI プログラムが特定の決定を下した理由を人間が理解する必要がある特定のユースケースでは、依然として使用されています。 たとえば、AI 裁判官が誰かに懲役刑を宣告する場合、その判決の理由を説明する必要があります。

ML 機械学習

ML はシンボリック AI よりも比較的新しいものですが、はるかに強力です。 Google DeepMind の AlphaGO は ML システムです。

ML では、すべてのルールを手動で記述するプログラマーがいる代わりに、AI プログラムが大量の例やデータを使用して、私たちが何をしたいかを自ら「学習」します。

これは、人間が新しい情報を「学習」する方法に似ています。 子どもに犬の外見を教えたいとき、背が低くて耳が垂れていて尻尾を振っている動物は犬だとは教えません。 代わりに、私たちは子供たちに「犬」の絵をいくつか見せます。そして、時間が経つにつれて、子供たちは犬が何であるかを自然に理解するようになります。 ML プログラムも同じパラダイムに従います。

スマートフォンやセンサーの登場により、私たちは毎日膨大なデータを生成するようになり、機械学習手法のトレーニングには十分すぎるほどのデータが揃うようになりました。 マルチコアCPUやGPUなどの電子チップのコストも年々低下しています。 生成されるデータ量の爆発的な増加と、安価なハードウェアの利用可能性が、現在の AI 革命の大きな理由です。

現在、機械学習には主に 3 つの種類があります。

1. 従来の機械学習

従来の ML では、統計的手法に基づくアルゴリズムを使用して ML を実行します。その中で最も有名なアルゴリズムは、線形回帰、サポート ベクター マシン、決定木などです。これらの技術に関する数学と統計のほとんどは数十年前に確立され、十分に理解されています。これらが ML や AI として広く呼ばれるようになったのは、ここ 10 年ほどのことです。

これらのアルゴリズムの背後にある数学を学ぶには、『The Elements of Statistical Learning』という書籍が参考になります。 Python の sklearn および xgboost パッケージには、基本的に、前述のように Python で従来の ML を実行するために必要なものがすべて含まれています。

2. ディープラーニング（DL）

DL は、コンピューター ビジョン (CV) と自然言語処理 (NLP) の分野に革命をもたらしました。

ディープ ニューラル ネットワークでは、複数層の人工ニューラル ネットワークがリンクされており、普遍近似定理に従って任意の数学関数を近似できます。人工ニューラル ネットワークの各層は、線形操作と非線形操作で構成されます。 。

線形操作のパラメータは、学習したいタスクに関する大量のデータをアルゴリズムに入力することで「学習」できます。 内部的には、「勾配降下法」と呼ばれる学習アルゴリズムを使用して、最高の精度が達成されるまでパラメータを徐々に調整します。

ディープラーニングアプリケーションを開発するための主なPythonフレームワークは2つあります。TensorflowとPytorchです。

3. 強化学習（RL）

私の意見では、強化学習は 3 種類の ML の中で最も複雑です。世界最高の囲碁プレイヤーに勝利した Google DeepMind AlphaGO プログラムは RL の一例です。

従来の ML と DL では、AI システムは過去のデータから学習しますが、RL では、AI システムは、ペットの犬に新しい芸を習得させるトレーニングと同様に、何らかのアクションを実行してその報酬を測定することで学習します。 「AlphaGO」のようなゲームでは、スコアを最大化するための決定を下すことが報酬となります。

どうやって選ぶ？

最後に、さまざまな Narrow AI 技術が利用可能である中で、問題を解決するためにどのように技術を選択すればよいのでしょうか。

まず、ビジネスの観点から問題を理解します。次に、ビジネス目標を達成するまでさまざまなテクニックを試してください。ビジネスで使用できない方法を使用して 99.9% の精度を実現するよりも、ビジネスで使用できる方法を使用して 80% の精度を実現する方が優れています。