人工知能と機械学習の違いを本当に理解していますか?

この記事はLeiphone.comから転載したものです。転載する場合は、Leiphone.com公式サイトにアクセスして許可を申請してください。

最近、自社の製品やサービスにAIを活用していると主張する企業によるAIの誤用に関する報告書が発表されました[29][30]。 Verge[29]のデータによると、AIを使用していると主張するヨーロッパのスタートアップ企業の40%は実際にはその技術を使用していない。昨年、TechTalksは、一部の企業が自社製品やサービスのユーザーエクスペリエンスを向上させるために、機械学習や高度な人工知能を使用して何千人ものユーザーからデータを収集して調査していると主張する、そのような不正行為を予期せず明らかにしました。[2][33]

残念なことに、人工知能とは何なのか[44]、機械学習とは何なのか[18]については、一般の人々やメディアの間でまだ多くの混乱があります。これらの用語はしばしば同義語として使用されます。他のケースでは、AIと機械学習は比較的独立して並行して発展している分野ですが、この傾向を利用して意図的に誇大宣伝や注目（刺激）を作り出し、売上や収益を増加させるケースもあります[2][31][32][45]。

以下では、人工知能と機械学習の主な違いをいくつか見ていきます。

機械学習とは何ですか?

トム・M・ミッチェル『機械学習』マグロウヒル、1997年[18]

CMU コンピュータサイエンス学部の暫定学部長であり、カーネギーメロン大学教授、機械学習部門の元学部長でもあるトム・M・ミッチェル氏は、次のように述べています。

科学分野は、研究対象となる中心的な問題によって最もよく定義されます。機械学習の分野では、次のような質問に答えることを目指しています。

「経験とともに自動的に向上するコンピュータシステムをどのように構築できるのか、そしてすべての学習プロセスを支配する基本法則とは何なのか？」[1]

機械学習（ML）は人工知能の一分野であり、コンピュータ科学者で機械学習の先駆者であるトム・M・ミッチェル[19]によって次のように定義されています。「機械学習とは、コンピュータプログラムが経験を通じて自動的に改善できるようにするコンピュータアルゴリズムの研究です。」[18] — MLは、人工知能を実現するために私たちが採用したいアプローチの1つです。機械学習は、大規模なデータ セットと小規模なデータ セットの両方を調査し、データを調べて比較し、共通のパターンを発見して微妙な違いを探ることに依存しています。

たとえば、お気に入りの曲を多数、それに対応するオーディオ統計（ダンス性、楽器編成、テンポ、ジャンル）とともに機械学習モデルに入力するとします。 NetflixやSpotifyなどが行っているように[20][21][22]、自動化（使用される教師あり機械学習モデルに応じて）して、将来あなたが（高い確率で）好きになる音楽を推薦できる推薦システム[43]を生成できるはずです。

簡単な例として、X 線画像とその説明 (症状、考慮すべき項目など) のかなり大規模なデータセットを機械学習プログラムにロードすると、後で X 線画像のデータ分析を支援 (または自動化) できるようになります。機械学習モデルは、さまざまなデータセット内のすべての画像を調べ、比較可能な署名ラベルを持つ画像に共通するパターンを見つけます。さらに、(画像に対して可能な ML アルゴリズムを使用していると仮定すると) モデルに新しい画像を読み込むと、そのパラメータが以前に収集された例と比較され、以前に分析した指標のいずれかが画像に含まれている可能性が明らかにされます。

教師あり学習（分類/回帰） | 教師なし学習（クラスタリング） | クレジット：Western Digital [13]

前の例の機械学習のタイプは「教師あり学習」と呼ばれ、教師あり学習アルゴリズムは、ターゲット出力と入力特徴間の関係と依存関係をモデル化しようとします。これにより、以前のデータセットから学習したことを前提として、これらの関係に基づいて新しいデータの出力値を予測できるようになります[15]。

教師なし学習は機械学習の別のカテゴリであり、主にパターン検出と記述モデリングに使用される機械学習アルゴリズムのクラスです。これらのアルゴリズムには、データに対する出力カテゴリやラベルはありません (モデルはラベルなしデータを使用してトレーニングされます)。

強化学習 | クレジット: David Fumo 著「知っておくべき ML アルゴリズムの種類」[3]

強化学習は機械学習の 3 番目に人気のあるタイプであり、環境とのやり取りから収集された観察結果を使用して、報酬を最大化したりリスクを最小化するためのアクションを実行することを目的としています。この場合、強化学習アルゴリズム (エージェントと呼ばれる) は反復を通じて環境から継続的に学習します。強化学習の良い例としては、コンピュータが超人的なレベルに到達し、コンピュータゲームで人間に勝つことが挙げられます[3]。

機械学習、特にその高度なサブブランチであるディープラーニングやさまざまな種類のニューラル ネットワークは、目がくらむほど複雑です。いずれにせよ、一般の人々が内部の仕組みを観察するのに時々問題を抱えているかどうかにかかわらず、それは「魔法のよう」（計算学習理論）[16]です。ディープラーニングとニューラルネットワークを人間の脳の働きと比較する人もいますが、両者の間には根本的な違いがあります[2][4][46]。

人工知能（AI）とは何ですか？

カーネギーメロン大学コンピュータサイエンス学部の教授兼学部長アンドリュー・ムーア氏が人工知能の全体像を解説 | Youtube [14]

一方、人工知能の範囲は非常に広範囲です。カーネギーメロン大学コンピュータサイエンス学部の元学部長アンドリュー・ムーア氏[6][36][47]によれば、「人工知能とは、最近まで人間の知能が必要だと考えられていた方法でコンピュータを動作させるための科学と工学である。」

これは AI を一文で定義する素晴らしい方法ですが、それでもこの分野がいかに広範かつ曖昧であるかを示しています。 50年前、チェスをプレイするプログラムは人工知能の一種と考えられていました[34]。なぜなら、ゲーム理論とゲーム戦略は人間の脳だけが実行できる能力だからです。今日、チェスのゲームは退屈で古いものであり、ほとんどすべてのコンピュータオペレーティングシステム（OS）の一部となっています[35]。したがって、「最近まで」とは、時間の経過とともに進化してきたものです[36]。

カーネギーメロン大学の助教授兼研究者であるザカリー・リプトンは、「ほぼ正しい」[7]の中で、AIという用語は「人間が持っているが機械にはない能力に基づいた理想であり、動的な目標である」と説明しています。 AI は、私たちが知っているテクノロジーの大きな進歩も伴います。機械学習はそのうちの1つにすぎません。これまでの AI 研究ではさまざまな技術が活用されてきました。例えば、1997年に世界チェスチャンピオンを破った人工知能ディープブルーは、ツリー探索アルゴリズム[8]と呼ばれる手法を使用して、各ターンで数百万のステップを評価しました[2][37][52][53]。

[[377769]]

深さ優先探索を使用して 8 つのクイーンのパズルを解く例 | 人工知能入門 | . how2Examples

今日私たちが知っている人工知能は、Google Home、Siri、Alexa に代表される人間とコンピュータのインタラクション ガジェットや、Netflix、Amazon、YouTube に代表される機械学習駆動型のビデオ推奨システムによって象徴されています。こうした技術の進歩は、徐々に私たちの日常生活に欠かせないものになりつつあります。これらは、人間として、また専門家として私たちの能力を高め、より効果的にしてくれるインテリジェントなアシスタントです。

機械学習と比較すると、人工知能は動的な目標であり[51]、関連技術がさらに進歩するにつれてその定義も変化します[7]。数十年後には、今日の AI の革新的な進歩は、今日の私たちにとっての折りたたみ式携帯電話と同じくらい退屈なものと見なされるようになるかもしれません。

テクノロジー企業はなぜ AI と ML を同じ意味で使用する傾向があるのでしょうか?

「... ...私たちが望むのは、経験から学ぶことができる機械です」〜アラン・チューリング

「人工知能」という用語は、1956年にアレン・ニューウェルとハーバート・A・サイモンを含む研究者グループによって造られました[9]。それ以来、AI業界は多くの浮き沈みを経験してきました。最初の数十年間、この業界は大いに宣伝され、多くの科学者が人間レベルの人工知能がすぐそこまで来ていることに同意していました。しかし、これらの主張が実現されなかったため、業界や一般の人々の間で不満が広がり、AIブームの時代が到来し、その間にAI分野への資金と関心は大幅に低下しました[2][38][39][48]。

その後、組織は、根拠のない誇大宣伝と同義語になっていた「AI」という用語から自らの業務を切り離そうとし、自らの業務を指すために別の名前を使用するようになりました。例えば、IBMはDeep Blueをスーパーコンピュータと表現し、人工知能を使用していないと明言しましたが[10]、実際には人工知能を使用していました[23]。

この時期には、ビッグデータ、予測分析、機械学習など、さまざまな用語が注目を集め、人気を集め始めました[40]。 2012 年には、機械学習、ディープラーニング、ニューラル ネットワークが大きく進歩し、ますます多くの分野に応用されるようになりました。組織は突然、「機械学習」や「ディープラーニング」という言葉を自社製品の宣伝に使い始めました。[41]

ディープラーニングは、従来のルールベースのプログラミングでは達成できないタスクを解決し始めています。音声認識や顔認識、画像分類、自然言語処理などの初期の分野では急速な進歩が見られました[2][24][49]。2019年3月には、最も著名なディープラーニングの先駆者3人がチューリング賞を受賞しました。彼らの貢献とブレークスルーにより、ディープニューラルネットワークは今日のコンピューティングの重要な要素となっています[42]。

したがって、この勢いから、人工知能の復活が見られるのです。多くの制限がある旧式のソフトウェアに慣れている人にとって、ディープラーニングの効果はまるで「魔法」のように思えるかもしれません[16][16]。特に、ニューラルネットワークとディープラーニングは、かつてはコンピュータの禁断の領域と考えられていた少数の分野に進出しており、今日では機械学習やディープラーニングのエンジニアが高給を稼ぎ、非営利団体で働くことさえできるという事実は、この分野の人気を物語るのに十分です[50][11]。

ソース | Twitter | GPT-2 の優れた言語モデルとその意味、Open AI

残念なことに、これはメディア企業があまり精査せずに報道することが多く、AI 記事では水晶玉やその他の超常現象の説明と併せて報道されることが多いのです。このような欺瞞的な行為は、企業が自社製品に誇大宣伝を生み出すのに役立ちます。[27]しかし、後日、期待に応えられなかったため、これらの機関はいわゆる人工知能を補うために他の機関を雇わなければならなくなりました[12]。最終的には、短期的な利益のために分野への不信感を助長し、新たなAIの冬を引き起こす可能性がある[2][28]。

リソース

機械学習入門 | Matt Gormley | カーネギーメロン大学コンピューターサイエンス学部 |

| http://www.cs.cmu.edu/~mgormley/courses/10601/

みんなのための AI | Andrew Ng | Coursera |

| https://www.coursera.org/learn/ai-for-everyone

機械学習クラッシュコース | Google |

| https://developers.google.com/machine-learning/crash-course/

機械学習入門 | Udacity |

| https://www.udacity.com/course/intro-to-machine-learning–ud120

機械学習トレーニング | Amazon Web Services |

| https://aws.amazon.com/training/learning-paths/machine-learning/

機械学習入門 | Coursera |

| https://www.coursera.org/learn/machine-learning

参考文献:

[1] 機械学習の分野 | トム・M・ミッチェル | http://www.cs.cmu.edu/~tom/pubs/MachineLearning.pdf

[2] AIと機械学習の違いが重要な理由 | Ben Dickson | TechTalks | https://bdtechtalks.com/2018/10/08/artificial-intelligence-vs-machine-learning/

[3] 知っておくべき機械学習アルゴリズムの種類 | David Fumo | Towards Data Science | https://towardsdatascience.com/types-of-machine-learning-algorithms-you-should-know-953a08248861

[4] 私たちのAIシステムが世界トップクラスのDota 2プロ5人と対戦する様子をご覧ください | Open AI | https://openai.com/five/

[5] ニューラルネットワークとディープラーニングの違い | Quora | https://www.quora.com/What-is-the-difference-between-Neural-Networks-and-Deep-Learning

[6] 機械学習でできること、できないこと | WSJ | https://blogs.wsj.com/cio/2018/07/27/what-machine-learning-can-and-cannot-do/

[7] カーネギーメロン大学コンピュータサイエンス学部長が語るAIの未来 | Forbes | https://www.forbes.com/sites/peterhigh/2017/10/30/carnegie-mellon-dean-of-computer-science-on-the-future-of-ai

[8] AIからML、そしてAIへ：渦巻く命名法とスラーリッド思考について | ザカリー・C・リプトン | ほぼ正しい | http://approximatelycorrect.com/2018/06/05/ai-ml-ai-swirling-nomenclature-slurried-thought/

[9] ツリー探索アルゴリズム | AI入門 | http://how2examples.com/artificial-intelligence/tree-search

[10] 1955年以来、データと効果的な方法に基づいた教育の改革 | カーネギーメロン大学 | https://www.cmu.edu/simon/what-is-simon/history.html

[11] Deep-BlueはAIを使用しているか? | Richard E. Korf | カリフォルニア大学 | https://www.aaai.org/Papers/Workshops/1997/WS-97-04/WS97-04-001.pdf

[12] 人工知能：給与は急上昇中 | ステイシー・スタンフォード | 機械学習回顧録 | https://medium.com/mlmemoirs/artificial-intelligence-salaries-heading-skyward-e41b2a7bba7d

[13] 「疑似AI」の台頭：ハイテク企業がボットの仕事を人間にひそかに任せる方法 | ガーディアン | https://www.theguardian.com/technology/2018/jul/06/artificial-intelligence-ai-humans-bots-tech-companies

[14] オブジェクトストレージで機械学習パイプライン分析を簡素化 | Western Digital | https://blog.westerndigital.com/machine-learning-pipeline-object-storage/

[15] アンドリュー・ムーア博士オープニング基調講演 | 人工知能とグローバルセキュリティイニシアチブ | https://youtu.be/r-zXI-DltT8

[16] 機械学習のためのベストパブリックデータセット50 | ステイシー・スタンフォード | https://medium.com/datadriveninvestor/the-50-best-public-datasets-for-machine-learning-d80e9f030279

[17] 計算学習理論 | ACL | http://www.learningtheory.org/

[18] 機械学習の定義 | Tom M. Mitchell | McGraw-Hill Science/Engineering/Math; (1997 年 3 月 1 日)、1 ページ | http://www.cs.cmu.edu/afs/cs.cmu.edu/user/mitchell/ftp/mlbook.html

[19] 機械学習の方法と応用における先駆的な貢献とリーダーシップに対して。|「トム・M・ミッチェル教授」全米工学アカデミー。2011年10月2日閲覧。

[20] レコメンデーションシステム | Wikipedia | https://en.wikipedia.org/wiki/Recommender_system

[21] Spotifyの「This Is」プレイリスト：50人の主流アーティストの究極の楽曲分析 | ジェームズ・ル | https://towardsdatascience.com/spotifys-this-is-playlists-the-ultimate-song-analysis-for-50-mainstream-artists-c569e41f8118

[22] レコメンデーションシステムがどのように提案を行うか | Bibblio | https://medium.com/the-graph/how-recommender-systems-make-their-suggestions-da6658029b76

[23] ディープブルー | サイエンスダイレクトアセット | https://www.sciencedirect.com/science/article/pii/S0004370201001291

[24] 2015 年に機械学習が成し遂げた 4 つの大きな飛躍 | Sergar Yegulalp | https://www.infoworld.com/article/3017250/4-great-leaps-machine-learning-made-in-2015.html

[25] AI研究におけるディープラーニングの限界 | ロベルト・イリオンド | Towards Data Science | https://towardsdatascience.com/limitations-of-deep-learning-in-ai-research-5eed166a4205

[26] ヨーロッパの「AIスタートアップ」の40％はAIを使用していないと報告 | The Verge | https://www.theverge.com/2019/3/5/18251326/ai-startups-europe-fake-40-percent-mmc-report

[27] このスマート歯ブラシは独自の「組み込みAI」を搭載していると主張している | The Verge | https://www.theverge.com/circuitbreaker/2017/1/4/14164206/smart-toothbrush-ara-ai-kolibree

[28] 来たるAIの秋 | ジェフリー・P・ビガム | http://jeffreybigham.com/blog/2019/the-coming-ai-autumnn.html

[29] ヨーロッパの「AIスタートアップ」の40％はAIを使用していないと報告 | The Verge | https://www.theverge.com/2019/3/5/18251326/ai-startups-europe-fake-40-percent-mmc-report

[30] AIの現状：相違点 | MMCベンチャーズ | https://www.mmcventures.com/wp-content/uploads/2019/02/The-State-of-AI-2019-Divergence.pdf

[31] 2019年のトップセールス＆マーケティングの優先事項：AIとビッグデータ、600人以上のセールスプロフェッショナルへの調査で明らかに | Business Wire | https://www.businesswire.com/news/home/20190129005560/en/Top-Sales-Marketing-Priorities-2019-AI-Big

[32] 人工知能は驚異的な成長で誇大宣伝を上回る | Forbes | https://www.forbes.com/sites/jonmarkman/2019/02/26/artificial-intelligence-beats-the-hype-with-stunning-growth/#4e8507391f15

[33] AIの誤用は顧客ロイヤルティを破壊する可能性があります：正しい方法は次のとおりです | Compare the Cloud | https://www.comparethecloud.net/articles/misuse-of-ai-can-destroy-customer-loyalty-heres-how-to-get-it-right/

[34] 人工知能のタイムライン | Wikipedia | https://en.wikipedia.org/wiki/Timeline_of_artificial_intelligence#1950s

[35] コンピューターチェス | Wikipedia | https://en.wikipedia.org/wiki/Computer_chess

[36] カーネギーメロン大学の人工知能 | カーネギーメロン大学機械学習学部 | https://www.youtube.com/watch?v=HH-FPH0vpVE

[37] Deep Blueにおける検索制御方法 | セマンティック・スカラー | https://pdfs.semanticscholar.org/211d/7268093b4dfce8201e8da321201c6cd349ef.pdf

[38] 冬が来るのか？ | カリフォルニア大学バークレー校 | https://pha.berkeley.edu/2018/12/01/is-winter-coming-artificial-intelligence-in-healthcare/

[39] AIウィンター | Wikipedia | https://en.wikipedia.org/wiki/AI_winter

[40] データサイエンスのごく短い歴史 | Forbes |