人工知能の10大技術分野

[[357814]]

これを読んでいるあなたは、目の前のウェブサイトから CT スキャンの読み取りまで、すでに AI テクノロジーに囲まれているはずです。

人工知能について話すとき、人々はそれを機械学習やディープラーニングと同一視するのが普通ですが、それらは人工知能研究の分野における小さな分野にすぎません。これら 2 つは今日の人工知能分野で最もホットなトピックと言えますが、人工知能研究には非常に魅力的で幅広い応用の見込みがある領域がまだ数多くあります。

この記事では、人工知能におけるいくつかのホットなトピックについて説明します。その多くは相互に関連しており、人工知能研究の範囲内にあります。

機械学習

機械学習は、システムの開発と経験を通じてそのパフォーマンスを向上させることに関係しています。過去 10 年間の人工知能技術の進歩の多くは、機械学習の進歩によるものです。機械学習は人工知能と同義になるほど普及しており、現在、研究者たちは最先端の機械学習アルゴリズムを大規模なデータセットに拡張する取り組みを行っています。

ディープラーニング

ディープラーニングは機械学習の一分野であり、人間の脳内の生物学的ニューロンにヒントを得たモデルであるニューラルネットワークの名前を変更したものです。ディープラーニングは、物体認識、音声、言語翻訳、コンピューターゲーム、自動運転車など、人工知能の分野で多くのアプリケーションを推進してきました。

強化学習

強化学習は、人間の学習方法と同様に、閉じた形式の学習です。これは、特定の報酬を得るために環境と巧みにやりとりするインテリジェントエージェントで構成されています。エージェントの目標は、現実世界で経験から学び、常に新しいことを探求し、価値観や信念を常に更新する人間と同じように、連続的なアクションを学習することです。強化学習インテリジェントエージェントも同様の原則に従い、長期的に報酬を最大化します。 2017年、GoogleのAlphaGoコンピュータプログラムは強化学習を利用して囲碁の世界チャンピオンに勝利した。

ロボット

[[357816]]

技術的には、ロボット工学は別の分野ですが、人工知能と一部重複しています。人工知能により、動的な環境でのロボットのナビゲーションが可能になりました。自動運転車が自分自身や他の人に危害を与えることなく、最短時間で A 地点から B 地点まで移動できるようにするにはどうすればよいでしょうか? ディープラーニングと強化学習の研究により、ロボット工学におけるこの問題の答えが見つかったかもしれない。

コンピュータビジョン

[[357817]]

機械に考えさせたいなら、機械に「見る」ことを教える必要がある。 —— スタンフォード人工知能研究所所長 フェイフェイ・リー

コンピューター ビジョンは、コンピューターが周囲の世界を視覚的にどのように認識するかに関係します。 皮肉なことに、コンピューターは 100 桁の数字の 10 乗根を求めるといった膨大なタスクには優れていますが、物体を認識したり区別したりするといった単純なタスクには苦労します。 近年のディープラーニング、ラベル付きデータセットの利用可能性、および高性能コンピューティングの進歩により、コンピューター ビジョン システムは、視覚的オブジェクトの分類などの狭義のタスクにおいて人間を上回るようになりました。

自然言語処理

[[357818]]

自然言語処理には、人間の言語を認識して理解できるシステムが関与し、音声認識、自然言語理解、生成、翻訳などのサブタスクが含まれます。 世界中で複数の言語が話されているため、自然言語処理システムは真のゲームチェンジャーとなる可能性があります。 自然言語処理の現在の研究には、人間と動的に対話できるチャットボットの開発が含まれます。

推薦システム

[[357819]]

推奨システムは、読むべきもの、買うべきもの、デートの相手を推奨するなど、あらゆるところに存在し、今や仮想世界では迷惑なセールスマンに完全に取って代わっています。 Netflix や Amazon などの企業は、ユーザーの過去の好み、仲間の好み、傾向を考慮してより効果的な推奨を行うため、推奨システムに大きく依存しています。

アルゴリズムゲーム理論と計算メカニズム設計

アルゴリズムゲーム理論は、経済学と社会科学の観点から複数のエージェントのシステムを考察します。インセンティブベースの環境でこれらのエージェントがどのように選択を行うかを検討します。これらのマルチエージェント システムには、限られたリソース環境で一緒に競争するインテリジェント エージェントだけでなく、利己的な人間メンバーも含まれる場合があります。

モノのインターネット

[[357820]]

モノのインターネットの概念は、日常生活で使用される物理的なデバイスがインターネットに接続され、データ交換を通じて相互に通信できるというものです。 物理デバイスによって収集されたデータはインテリジェントに処理され、デバイスをよりスマートにすることができます。

ニューロモルフィックコンピューティング

[[357821]]

ニューロン モデルに基づくディープラーニングの台頭に伴い、研究者はニューラル ネットワーク アーキテクチャを直接実装できるハードウェア チップの開発に取り組んでいます。これらのチップは、ハードウェア レベルで脳をシミュレートするように設計されています。通常のチップでは、中央処理装置と記憶装置の間でデータを転送する必要があり、時間のオーバーヘッドとエネルギー消費が発生します。ニューロモルフィック チップでは、データはアナログ方式で処理され、チップに保存され、必要に応じてシナプスが作成されるため、時間とエネルギーを節約できます。

オリジナルリンク: https://towardsdatascience.com/hot-topics-in-ai-research-4367bdd93564