あなたは人工知能/機械学習についてどれくらい知っていますか?

[[188835]]

クイズ番組やマンマシン囲碁で人間に勝ったり、広告で人種差別的な偏見を示したとして批判されたりと、人工知能の発展のペースが急速に加速する時代に入ったようだ。しかし、現時点では、機械の電子的な「頭脳」が健全な道徳的判断を通じて複雑な認知タスクを実行できるようにする、あらゆる知覚能力を機械に与えることはできません。

現在の開発動向により、人々は一般的に人工知能の将来を恐れるようになりました。最近、大衆文化の中でこの感情が表現されている様子は、私たちがこの技術に対していかに慎重で悲観的であるかを示しています。問題は、恐怖が深刻な結果をもたらし、時には無知の温床にな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、こうした懸念を軽減し、人々が責任を持って自信を持って AI に参加できるようにするための良い方法です。

人工知能の核となるのは、独創的でかなり普及しているツールである機械学習です。しかし、機械学習を理解するには、まず機械学習の利点が欠点を上回る理由を理解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し、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、分類アルゴリズムが人の手書きに基づいて単語を認識します。住宅データセットは回帰アルゴリズムを使用して、定量化可能な方法で不動産の販売価格を推定します。

つまり、機械学習はデータに基づいて行われます。ほぼすべての企業は、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。機械学習プログラムは、一見混沌とした大規模なデータセット内の隠れたパターンやつながりを見つけ、動作を予測できるモデルを構築します。

データには、サンプルと特徴という 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、後者は個々の要素の共通の特性を表します。

ソーシャル メディアを例に挙げてみましょう。ユーザーはサンプルであり、その使用習慣は特性です。たとえば、Facebook は、ユーザーごとに異なる「いいね」アクティビティのさまざまな側面を、ユーザーをターゲットにした広告を配信するため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が特徴となるため、情報の拡散を研究するために使用できる人的ネットワークが構築されます。

Facebook の友達ネットワーク: 各ノードは友達であり、他の友達と接続しているか、接続していないかのどちらかです。ノードが大きいほど、接続の数も多くなります。同じ色は同じ社交界を表します。

ソーシャル メディアに加えて、産業オペレーションの監視ツールとして使用される自動化システムでは、オペレーション全体の時間スナップショットをサンプルとして使用し、特定の瞬間のセンサー測定を特徴として使用します。これにより、システムは操作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た後、機械が独自に予測を行うよう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プログラムはこれらの概念を構成要素として使用します。

データを解釈したら、取得した情報をどのように使用するかを決定する必要があります。分類は、最も一般的で直感的な機械学習の手順です。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カテゴリに分類する方法を学習します。

このプロセスは、製品を分類する（どれが台所用品でどれが美容製品かなど）場合や、過去の経験に基づいてどの映画を見るかを選択する場合など、私たちが毎日行う決定に直接関係しています。これら 2 つの例はまったく無関係に思えるかもしれませんが、どちらも分類の基本的な前提、つまり予測が特定の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、保湿剤のボトルを手に取るとき、容器の形状や製品の香りなど、特定の特性に基づいて、それが美容製品であると正確に予測します。同じ戦略を映画の選択にも適用できます。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します。

サンプルの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、予測を行うコンピュータ プログラムを開発したりすることもできます。

しかし、この情報を習得するには、数学と統計に精通し、プログラミングスキルに長けたデータサイエンスの専門家が必要ですよね? 必ずしもそうとは限りません。

私たちは皆、日常生活に対処できるほど母国語を知っていますが、言語学や文学を学んだ人はほんのわずかです。数学についても同じことが言えます。買い物のときにお釣りを計算したり、レシピの材料を測ったりするときなど、数学は常に私たちの身近にあります。同様に、機械学習を効果的に使用するために機械学習の専門家である必要はありません。

確かに、優れた実績を持つデータ サイエンティストの専門家はいますが、少し努力すれば、誰でも基本を習得し、情報の理解と使用方法を向上させることができます。

すべてのデザインアイデアをアルゴリズムに変換する

分類アルゴリズムに戻りましょう。私たちが意思決定を行う方法を模倣できる分類アルゴリズムがあると仮定します。私たちは社会的な動物です。では、社会的な交流を例に挙げてみてはどうでしょうか。第一印象は重要であり、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が好きかどうかを判断するために使用するモデルを心の中に持っています。

これには、良い印象と悪い印象という 2 つの結果が考えられます。私たちは、それぞれの人について、声のトーン、外向性、全体的な態度、礼儀正しさなど、私たちが経験したいくつかの出会い（サンプル）に基づいて、（たとえ無意識であっても）さまざまな特徴（特性）を考慮します。

私たちが出会うあらゆる見知らぬ人に対して、私たちの頭の中のモデルは上記の特徴を入力データとして受け取り、それに基づいて予測を行います。このモデリング プロセスを、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重要であり、他の人にとってはユーモアのセンスや犬への愛情がより重要です。誰もが独自のモデルを持っており、それは完全に自分の経験やデータに依存しています。

データが異なればモデルも異なり、結果も異なります。私たちの脳のメカニズムは、これらの要素の重みを独自に決定しますが、このメカニズムの具体的な原理は完全には理解されていません。

機械学習が行うことは、特に大量のデータを簡単に処理できない場合に、機械が対応する結果を計算できるようにする厳密な数学的手法を確立することです。データはかつてないほど増えており、人工知能などのツールによってそのデータを積極的に活用して実際の問題を解決できるようになった今、データを理解し活用するのは私たち全員の責任です。これは、便利なアプリケーションを作成することだけでなく、機械学習と人工知能の不安を軽減することにもつながります。

これは、機械が人間のような心を持つという考えを無制限に受け入れるべきだと言っているのではありません。しかし、AI の内部の仕組みをより深く理解することで、私たちは AI に支配されるのではなく、AI を支配して前向きな変化をもたらすための主導権を握ることができるようになります。