人工知能技術はビッグデータに基づいていますか?

Googleの人工知能AlphaGOが囲碁界の無敗の将軍になって以来、AI（Artificial Intelligence）という2つの英語の単語は、瞬く間にテクノロジー業界で最もホットなキーワードの1つになりました。 2017年の初め、すでにAI分野で確固たる基盤を築いていたIBM Watsonは、一部のデータサービス企業やテクノロジー企業に参入しただけでなく、医療分野にも参入しました。患者のデータに基づいて、最大95％の精度で緑内障を診断できます。

[[187893]]

今や、AI やロボットが徐々に人間の仕事に取って代わる時代になりました。知らないうちに、AI 関連の技術は人々の生活の隅々にまで浸透し始めています。Google や Facebook の興味関心に基づく広告から、情報の検索やカレンダーの設定を手伝ってくれる音声アシスタントの Siri まで、その背後には AI の概念と技術があります。将来、投資、交通、医療、学習、生産などあらゆる場面でAIが活用され、人々のライフスタイルが一変するでしょう。

AI が「SF」から「テクノロジー」へと進化する理由は何でしょうか?

AIは実際には巨大で複雑な概念ですが、そのほとんどは「機械学習」と呼ばれる基本的な主要技術に基づいています。

機械学習技術とは、機械に自主学習能力を与えることです。単純な話に聞こえますが、この技術が初めて導入された1950年代には、アルゴリズムとハードウェア条件がまだ十分に成熟していませんでした。近年になって、ますます優れたアルゴリズムと強力なハードウェアコンピューティングパワーが、機械学習機能の飛躍的な進歩を可能にしました。その中でも、最も急速に進歩した主要技術の1つが、誰もが最もよく知っている「ディープラーニング」です。

このデータを見てみましょう：2015年、機械学習の周辺市場規模は約3億6000万米ドルでした。2020年までに29億米ドルを超えると予測されており、50億米ドルのAI市場全体の約60％を占めています。機械学習における技術革新がAI市場の発展の原動力であると言えます。

機械学習が重要なら、それは一体何なのでしょうか? なぜ急速に進歩しているのでしょうか?

「ビッグデータ」がディープラーニングの精度を向上

アルゴリズムとハードウェア条件の大きな飛躍は、機械学習の発展に優れた条件を提供しました。急成長するデジタルネットワークによってもたらされた「ビッグデータ」と相まって、テクノロジー大手が次々とディープラーニング技術への投資を急いでいます。現在、NVIDIAなどのチップメーカーにしろ、アルゴリズムに長けたGoogleやFacebookなどのソフトウェアベンダーにしろ、機械学習における主流技術として最もよく挙げられるのがディープラーニングです。

ディープラーニングの仕組みを説明する例を挙げてください。ディープラーニング機能を搭載した車両で自律走行したいとします。なじみのないルートや、歩行者がいつ道路から飛び出すかわからない危険な道路状況に直面したとき、機械はどのように判断を下すのでしょうか。ディープラーニングでは、まず道路標識、信号、街路樹、歩行者など、大量のデータ情報を機械に一度に提供し、環境内の物体を識別することを学習させることができます。学習が完了すると、運転中に障害物をすばやく正確に回避し、最適な経路を見つけ、目的地にうまく到着できるようになります。データが豊富で完全であればあるほど、機械はすべての識別の精度を向上させ、判断能力を高めることができます。

このように、AIが「ディープラーニング」によって思考を発達させる能力は、ビッグデータに大きく依存しています。しかし、ここで問題に直面することになります。ビッグデータがなければ、ディープラーニングは役に立たないのでしょうか。

「スモールデータ」向けの機械学習ソリューションも普及準備が整っている

ビッグデータはディープラーニングに強力な判断能力を与えますが、実際にはディープラーニングは機械が「学習」する唯一の方法ではありません。

自動運転の例に戻ると、今回は機械に大量のデータを与えず、「目的地」と「衝突しない」という2つの指示だけを伝え、試行錯誤を続けさせ、失敗から「経験」を得て学習効果を上げれば、最終的には目的地に到着できるようになるだろう（もちろん、移動能力に影響を与えるような重大な自動車事故に遭遇しない限り）。初期段階でビッグデータに頼らないこの学習方法は、「強化学習」に分類できます。

強化学習法は、機械が予期せぬ状況に対応する能力を補完することができます。AlphaGOの開発元であるDeepMindも、この方法の利点をよく理解しています。そのため、AlphaGOもディープラーニングと強化学習を組み合わせて、対戦相手が予期せぬ動きをしたときに新しい経験を積み上げ、将来同じ状況で敵を倒せるかどうかを判断する基準として活用しています。

なぜ「スモールデータ」AIトレーニングプログラムが必要なのでしょうか?

実際、「十分な量のデータを取得する」ことは非常にコストのかかる作業です。また、医療記録や希少疾患の症状など、一部のデータは本質的に希少です。そのため、強化学習などのデータ依存度の低い機械学習ソリューションが徐々に普及し、多くの企業や研究機関もこれに研究開発の力を注いでいます。最近、Gamalonというスタートアップ企業が、機械学習のための少量のデータトレーニングだけでディープラーニングに匹敵する正確な認識能力をAIシステムが実現できるという新技術を発表し、市場の注目を集めることに成功しました。

一般的にビッグデータに依存するディープラーニングに加えて、データ量への依存を減らすことができる他の機械学習ソリューションも絶えず開発されています。近い将来、車で出かけるときには、安全や渋滞を心配することなく、後部座席で快適に休むだけで済みます。AI は自然に私たちが最適なルートを見つけるのを手伝ってくれます。指を数回タップするだけで、スマートフォンが最適な買い物オプションの選択を手伝ってくれます。また、相談できるパーソナルな仮想健康コンサルタントがいて、毎日の食事がバランスが取れているかどうかをいつでも教えてくれたり、健康的なメニューの作成を手伝ってくれたりするかもしれません。

AI が私たちの生活に浸透する速度は、私たちが考えるよりも速いかもしれません。