「人工知能、データサイエンス、機械学習」について語る -- 概要

[[190364]]

この記事は、写真付きの 4 つの例を含む 6 時間かけて執筆されました。目的は、これら 3 つの用語をマクロな観点から分析して理解することです。さまざまな段階の人工知能 (AI と略記)、データ サイエンス、機械学習 (ヒューマン コンピューター インタラクションと略記) の愛好家に適しています。完全な読み取りには 20 分ほどかかる場合があります。

序文: 学際的な研究は一般的な傾向であり、新しい分野は市場の需要から生まれます。人間とコンピュータのインタラクションは、このような時代に誕生しました。え？あなたの学校ではまだ関連専攻が開設されていないの？慌てる必要はありません。旧資本主義国であるドイツでも同じです。ただし、微積分、線形代数、最適化、統計、プログラミングを習得すれば、コンピューター ビジョンの専門コースを 2 ～ 3 回受講するだけで習得できる可能性があります。この記事は、人間とコンピュータの相互作用をマクロな観点から分析することを目的としています。より具体的な主題や問題については、記事に記載されているリンクを参照してください。

機械学習、ディープラーニング、強化学習、これら「学習」とは何でしょうか? 3 つの答えはあなたを驚かせるかもしれません。

この記事の概要:

1. 人間とコンピュータの相互作用の概念 2. AI の応用分野 3. AI ソリューション - 機械学習 4. 機械学習の基礎モデル - オペレーションズ リサーチと統計 5. AI アルゴリズム 6. 強い AI と弱い AI 7. AI の学術界と産業界の世界ランキング

話を元に戻して、人間とコンピュータの相互作用という大きなバブルを一つずつ破り、その背が高く雄大な外見の下にある弱い本当の顔（数学モデル + アルゴリズム）を、最も理解しやすい言語で復元するよう努めましょう。

この記事の一部は、以下の質問に対する私の回答から抜粋したものです。

機械学習、最適化理論、統計分析、データマイニング、ニューラルネットワーク、人工知能、パターン認識の関係は何ですか？ – Zhihu

まず、最近よく使われるようになった、人間と機械のインタラクションに関する用語をいくつか挙げます。知らないと、取り残されてしまう可能性があるからです。

人工知能、データサイエンス、ビッグデータ、機械学習、ニューラルネットワーク、ディープラーニング、コンピュータービジョン、自然言語処理、強化学習、(非)教師あり学習、データマイニング、テキストマイニング、パターン認識、仮想現実、拡張現実、GPU コンピューティング、並列コンピューティング、モノのインターネット、インダストリー 4.0、スマートサプライチェーン、スマート xx、ビジネスインテリジェンス、xx インテリジェンス、画像処理、自動運転、統計的推論、(凸)最適化、K 平均法アルゴリズム、Ford-Fulkerson アルゴリズムなど。 （「火」に関する追加用語はコメント欄に歓迎します）

以下では、これらの用語を概念、アプリケーション、モデル、方法、アルゴリズムに従って分類してみます。

1. 概念 – 人工知能、データサイエンス、ビッグデータ

これら 3 つの用語のうち最大のものが最初に配置されます。これらは概念に属します。

簡単に言えば、コンピューターが人間のように考え、タスクを自動的に処理できる場合、それは人工知能と呼ばれ、人間が実行したい複雑なタスクや非常に反復的なタスクを実行するようにコンピューターに教えることを意味します。 （ここで注意すべき点は、コンピュータはベクトルや行列などのデータしか理解できないということです）

この概念に基づくと、コンピューターは発明されて以来、「人工知能」の帽子をかぶっていると言えます。たとえば、どのコンピューティング言語でもループ ステートメントを学習すると、この目的に非常に役立ちます。 for i=1..100 と記述すると、コンピューターに作業を 100 回繰り返すように要求するのと同じになります。まだ足りませんか? 100 を 1 億に変更します。コンピューターにあなたの代わりに仕事をさせる（「教える」）これが人工知能です。

なぜなら、人工知能は、通常、非常に大量のデータを処理する方法をコンピューターに「教える」からです。たとえば、画像処理では、コンピュータにとって、1000×1000 の画像は 100 万ピクセルにすぎません (グレースケール画像は 100 万の数字、RGB 画像は 100 万のベクトル*3)。

したがって、データサイエンスやビッグデータも人工知能の概念の範囲内にあります。人工知能と同様に、これらは単なる誇張された「用語」です。上記の 3 つの段落を理解すれば、初心者に自慢できるほどの資金が得られます。

これらの業界がどれだけ人気があるか、大まかに知るには給与を見ればわかります。

国内トップ（世界）のネット企業・学術界（人工知能）の超高給人材採用計画とは？ – 知乎

ループ ステートメントよりも少し複雑な別の例、prediction (Forecasting, Prediction) を見てみましょう。

一連の点 (x_i、y_i) が与えられれば、人間の目では、データの過去の傾向に基づいて、矢印が指している場所に次の点 x_n – y_n の y 座標が表示されるはずです。しかし、予測を待っている類似のデータが 1,000 個ある場合はどうでしょうか。この点を描くのに 1,000 人の人が必要ですか。いいえ、x_n に基づいて y_n の値を予測する方法をコンピューターに教えるだけで済みます。 – とても簡単です。統計を勉強した人なら、線形回帰について知っているはずです。最小二乗法を使用して、以前のデータ (x_i、y_i) に基づいて線形係数 b_0 と b_1 を計算します。次に、予測関数 y=b_0+b_1*x を使用します。コンピューターはこの式を使用して、後続のすべての y 値を予測できます。もちろん、区分線形回帰（区分線形フィッティング）の発展版もありますので、次回はその分析を聞いてみてください。

2. 応用

パターン認識、コンピュータービジョン、自然言語処理、データマイニング、モノのインターネット、ビジネスインテリジェンス、自動運転、クラウドコンピューティング、仮想拡張現実など。

これらはすべて人工知能とビッグデータの応用シナリオです。

パターン認識: コンピューターを使用して、整理されていないデータやピクセル (画像) の山の中に隠された「パターン」またはルールを自動的に識別します。

コンピュータービジョン、画像処理: 人間と同じように画像やビデオ内のパターンを認識するようにコンピューターに「教える」こと。

自然言語処理: 同様に、コンピューターは、人が話す内容を単なる一連の音声信号として、またはより低いレベルでは、時間 t の x 座標を持つ 2 次元データとして認識します。電気信号をテキストに変換するには、それを「教える」人が必要です。

データマイニング: 大量のデータから有用な情報を抽出します。どうでしょう？パターン認識に少し似ていると思いませんか？ただし、主なデータオブジェクトはデータベースです。似たような手法としては、テキストマイニングがあります。

モノのインターネット: あらゆるもの (家電製品など) をインターネットに接続し、データをリアルタイムで接続したままにして、コンピューターでデータを処理します。例えば、所有者の生活習慣に応じて暖房を自動的にオン/オフすることができます。

ビジネス インテリジェンス: ビジネス ビッグ データの分野に適用される人工知能。たとえば、不正な銀行取引の監視などです。

自動運転: 名前の通り、車に内蔵されたコンピューター、あるいはクラウド上に設置されたコンピューターが自動的に運転します。車のカメラによってリアルタイムに生成される画像情報とレーダーによって生成される信号をコンピューターで処理します。

クラウド コンピューティング: コンピューティング タスクを「クラウド」に送信し、結果を送り返します。クラウドは大規模なコンピュータ クラスターである場合があり、CPU と GPU をどのように調整するかが課題となります。

仮想現実と拡張現実 (VR、AR): VR グラスを試したことがあるでしょう。今後のトレンドは、3D 映画やコンサートなどで、自宅にいながらライブ体験を楽しめることです。 Pokemon Go は、仮想生活と現実生活を融合させた AR の代表的な例です。両者のコア技術は、キャリブレーション、3D 再構築、認識、追跡などのコンピューター ビジョンにあります。

上記の 9 つの用語を翻訳することで、母は私が「概念」の誇大宣伝に惑わされることを心配する必要がなくなると思います。

別の例: パターン認識における画像セグメンテーション。

絵が与えられた場合、絵の中のすべての物体の輪郭を描き、絵をいくつかの部分に分割する方法が自然にわかり、絵の「パターン」が認識されます。しかし、100 枚または 1,000 枚の写真を与えられた場合はどうでしょうか。1 枚ずつ手作業でアウトラインを描く忍耐力がありますか。このとき、アウトラインの描き方をコンピューターに教える必要がありますが、これは数枚の写真に限定されません。このモデルまたはアルゴリズムは、大多数の写真に適用可能でなければなりません。これはパターン認識と画像セグメンテーションです。

3. 方法 – 機械学習

これまで、概念とアプリケーションについて説明してきました。では、2 のアプリケーションを実装するにはどのような方法を使用できますか? 機械学習は最も強力な方法の 1 つです。機械学習は、その重要性を反映するために、メソッド内で別々に配置されます。これは統計と最適化に基づいて構築された新興分野ですが、人工知能やデータサイエンスなどの分野の主要なコースの中心にあることは間違いありません。

機械学習は、その名前が示すように、機械に「学習」する方法を教えたり、機械が自ら「学習」できるようにしたりします。したがって、文字通り言えば、それは当然人工知能の範疇に入ります。一見複雑に見える「学習」という用語は、線形回帰の例では、単に 2 つの係数 b0 と b1 を解く (学習する) ことを指します。他の一般的な「xx 学習」は、いくつかのパラメータを解決するだけです。聞こえはいいですが、それだけです。

統計学とオペレーションズ・リサーチという 2 つの基本分野にとって、機械学習も応用分野です (以下の 4 種類の問題を参照)。これは、機械学習がマルコフ確率場 (MRF) などの統計モデルや偏微分方程式 (変分法など) などの他の分野のモデルを広範に活用し、最終的にエネルギー関数を最小化する最適化問題に変換されるのが一般的だからです。

機械学習の核心はモデリングとアルゴリズムにあり、学習されたパラメータは単なる結果です（5 を参照）。

機械学習における最も重要な 4 つの問題の種類 (学習結果による分類):

予測– 回帰などのモデルを使用できます。

クラスタリング- K-means 法など。

分類- サポートベクターマシンなど。

次元削減- 主成分分析 (PCA) (純粋な行列演算) など。

最初の 3 つは文字通りの意味から理解しやすいのですが、ではなぜ次元削減が必要なのでしょうか。通常、独立変数 x は 1 次元ですが、機械学習では常時数百万の次元があり、計算の複雑さが非常に高くなるためです。しかし、何百万もの次元のうち、おそらく数百の次元に情報の 95% が含まれています。したがって、計算効率を高めるために、情報の 5% を破棄し、数百万の次元から情報の 95% を含む次元を見つける必要があります。これが次元削減の問題です。

学習方法による機械学習の分類：

教師あり学習（ディープラーニングなど）、

教師なし学習（クラスタリングなど）

半教師あり学習、

強化学習。

ここでわかりにくい定義に入るよりも、2 つの例を挙げる方が効果的かもしれません。

電子メール分類の例:

メール マネージャーにおけるスパムと非スパムの分類は、典型的な機械学習の分類問題です。これは教師あり学習の問題です。教師あり学習とはどういう意味ですか? コンピューターはあなたの監督 (ラベル付け) の下で学習します。簡単に言うと、新しいメールが届いてそれをスパムとしてマークすると、コンピュータはメールの内容が「スパム」としてマークされる理由を学習します。逆に、通常のメールとしてマークすると、コンピュータはメールの内容がスパムとどう違うのか、なぜ「通常」としてマークされるのかを学習します。これら 2 つの分類は、単純に「0」と「1」の分類、つまりバイナリ分類問題として考えることができます。さらに、マークが増えれば増えるほど、コンピューターはより多くのパターンを学習し、新しいメールをマークする精度がますます高くなります。

もちろん、分類はスパムの識別に使用されるだけでなく、不正な銀行取引の識別 (ビジネス インテリジェンスの分野) や、コンピューター ビジョンでコンピューターに画像を与えて犬か猫かに分類する (有名な ImagNet は画像を 20,000 を超えるカテゴリに分類します) などの他の用途にも使用されます。等

これまでに教師あり学習について説明してきました。教師なし学習とは、コンピューターが手動でラベル付けすることなく予測、分類、その他のタスクを実行することを意味します。

別の例 – クラスタリング – 教師なし学習

画像内の点には事前にラベルが付けられていません。コンピューターにとっては、左の画像には 12 個の点 (x、y 座標) しかありませんが、人間の目には、おおよそ 3 つのカテゴリに分けられることがわかります (この場合、123、321、132 はすべて同じクラスターを表し、順序は関係ありません)。コンピュータにデータを分類する方法を教えるにはどうすればよいでしょうか。これがクラスタリング問題です。最も古典的なアルゴリズムは K-means と呼ばれます。

半教師あり学習は、この 2 つの中間に位置します。強化学習には、オペレーションズ リサーチ、確率過程、ゲーム理論のより深い基礎が関係しますが、ここではここでは詳しく説明しません。

新しい分野や方法として、機械学習は人工知能やデータサイエンスなどの問題を解決するために広く使用されてきました。業界によれば、ニューラル ネットワーク、ディープラーニング、強化学習などのモデルはすべて機械学習のカテゴリに分類されます。

このセクションの最後に、質問しましょう。1 の線形回帰は教師あり学習ですか、それとも教師なし学習ですか?

4. モデル – オペレーションズ・リサーチ (OR)

凸最適化、統計解析、ニューラルネットワーク、ディープラーニング

これらはすべて実際の問題を解決するモデルであるため、グループ化されています。たとえば、画像セグメンテーションの問題を解決するには、統計モデル (マルコフランダムフィールドなど)、ニューラル ネットワーク モデル、そしてもちろんディープラーニング、つまり畳み込みニューラル ネットワーク モデル (畳み込みニューラル ネットワーク) を使用できます。

統計学とオペレーションズ リサーチは、深いルーツを持つ学問です。この 2 つの用語自体が専門職になる可能性があり、その下には無数の分野と方向性があります。彼らの研究対象はビッグデータなので、人工知能やデータサイエンスと自然なつながりがあります。最近、人間とコンピュータの相互作用の増加により、統計と凸最適化モデル（特に確率的グラフィカルモデル）が再び人気を集めています。これらと人工知能は互いに補完し、促進し合うと信じています。

最初の 2 つの巨大な分野と比較すると、ニューラル ネットワーク (ラベル付きデータを必要とする教師あり学習) とディープラーニングは、せいぜいグラフ理論に基づくモデルとしか考えられません。ニューラルネットワークにも長い歴史があります。初期の完全接続ニューラルネットワーク（Fully Connected Neural Network）と多層ニューラルネットワークはどちらも従来のニューラルネットワークです。多くのパラメータを計算する（これらのパラメータを学習する）のは非常に複雑であるため、あまり実用的ではなく、十分な注目を集めていません。近年の畳み込みニューラル ネットワークの出現までは、ディープ ニューラル ネットワークは基本的に他のすべての従来の手法を上回っていました。欠点は、膨大なラベル付きデータ セットと長いトレーニング時間 (コンピューター リソース) が必要になることです。

もちろん、人工知能、特にディープラーニングは過熱する傾向があり、概念を誇張する不健全な傾向が現れ、概念が置き換えられるのではないかとの疑惑さえ生じています。以下のリンクは、UCLAの統計学およびコンピュータサイエンスの教授であり、コンピュータビジョンの第一人者の一人であるSong-Chun Zhu氏へのインタビューであり、ディープラーニングに冷水を浴びせています。 コンピュータビジョンの3つの源泉の予備調査と人工知能についての議論 | 物事の真相に迫る

私は OR 出身なので、オペレーションズ リサーチを最後に挙げました。OP は、人工知能における OR の重要な役割を明確にする必要があります。

機械学習ではこれについて言及しましたが、ここでも再度強調したいと思います。人工知能の問題のほとんどすべては、最終的には最適化問題を解決することに帰着します。最適化問題を解決する方法を研究する分野はオペレーションズ・リサーチです。

オペレーションズ・リサーチの役割は、他のモデル（統計など）から生じる最適化問題を解決することに限定されず、人工知能の問題を解決するためのモデル自体（最適化モデル）として使用することもできます。

最適化モデルは、目的関数と制約で構成されます。最適化問題とは、制約を満たしながら目的関数の最適解を見つけることです。読者の皆様は、ぜひ私のオペレーションズ・リサーチのコラムに注目し、次回の詳細な分析を聞いてください。ここで一つ言及しておきたいことがあります。皆さんがよくご存知のサポートベクターマシンは、実はオペレーションズリサーチにおける二次計画問題として捉えることができるのです。

[オペレーションズ・リサーチ] ビッグデータと人工知能時代のオペレーションズ・リサーチ – 知乎コラム

最後に、著者の研究の方向性について少し述べたいと思います。著者の研究の方向性は、オペレーションズ リサーチで混合整数非線形計画法 (Mixed Integer Nonlinear Programming) モデルを使用して、画像セグメンテーションなどの人工知能のアプリケーションを解決することです。

スペースが限られているため、この記事では詳細には説明しません。オペレーションズ リサーチについて知っておく必要のあるほぼすべての情報がここにあります。

オペレーションズ・リサーチ – モデリング、最適化、意思決定の科学 – Zhihu コラム

5. アルゴリズム – K平均法、フォード・フルカーソン法

人工知能の実践的/科学的研究プロジェクトに携わったことのある人なら、実践的な問題を解決することは、子供の頃に文章問題を解くことに似ていることを知っています。未知の変数（すでにモデルの範囲内にある）を想定することから始まります。一般的な手順は、数学的モデリング、アルゴリズム設計、プログラミング実装、そしてこれについて繰り返し熟考することです。したがって、記事の完全性を保つために、アルゴリズムのセクションが追加されました。

K-means については 3 のクラスタリング問題で説明しました。ここでは最大フローとアルゴリズムとモデルの関係に焦点を当てます。

Ford-Fulkerson アルゴリズムは、オペレーションズ リサーチやグラフ理論における非常に古典的な問題である最大フロー問題に対するアルゴリズムです。画像処理、特に画像セグメンテーションにおいて極めて重要な用途があります。

図に示すように、3*3 ピクセルの画像を 3*3 ポイント グラフ (グラフ理論用語ではグラフ) として考え、上下左右の方向に隣接するポイントをエッジで接続してエッジ (グラフ理論用語ではエッジ) を形成します。このようにして、画像セグメンテーション問題は、グラフ理論 (またはネットワーク フロー) に基づく最適化問題に完全に変換されます。下の図に示すように、9 ピクセルの画像は、最大フロー アルゴリズムによって緑色の線で 2 つの部分 (セグメント) に分割されます。緑色の線は最小カット (min cut) です。ここで、ポイント s とポイント t は、ネットワーク フロー モデルを構築するために追加された 2 つの追加ポイント (ターミナル ノード) です。

以下は、モデルとアルゴリズムの関係についての議論であり、私の回答を引用しています。

データ分析（人工知能）を学びたい場合、どのようなコースを受講する必要がありますか？ – Zhihu

ここで、数学的モデリングの重要性を強調したいと思います。なぜ数学的モデリングが必要なのでしょうか。実際、多くの単純なアルゴリズムは数学モデルに基づいて構築する必要はありません。たとえば、クラスタリングにおける古典的な EM アルゴリズムは反復法です。基本的に、アルゴリズムのアイデアを一目で確認し、プログラミングを通じて実装することができます。では、数学モデルに基づくアルゴリズムの利点は何でしょうか。その答えは、優れた数学モデルは、多くの場合、グラフ理論のように数十年、あるいは数百年にわたって研究されてきた主題であり、多くの特性が徹底的に研究されており、直接使用できるということです。上記の例に戻ると、私が構築したネットワーク フロー モデルは長い間研究されてきたモデルであるため、その既知の優れた定理やアルゴリズムの多くを直接使用して、問題を解決できます。たとえば、最大フローに基づいて Ford-Fulkerson アルゴリズムを改良できれば、それは巨人の肩の上に立つようなものです。したがって、ここで数学的モデリングが重要になります。

多くの場合、同じ問題は、異なる視点から見ると何百もの数学的モデリング手法で解決でき、異なる数学モデル間の違いは非常に大きくなります。数学的モデリングは実際の問題を解決するための最初のステップであり、これに基づいてのみアルゴリズムとデータ構造の設計を検討することができます。したがって、数学モデルとその背後にある数学的基礎は、私の意見では極めて重要であり、私が推奨する学習コースの中核でもあります。もちろん、コンピュータサイエンス学部出身の友人は数学をあまり深く勉強していないかもしれませんが、アルゴリズムの設計と実装にも重点を置くことができます。これも重要です。

6. 強い AI（または汎用人工知能）対応用 AI（狭義の AI、弱い AI）

上でいろいろとお話ししましたが、結局のところ、バイナリ メカニズムを備えたチューリング コンピューターに基づく「弱い人工知能」に行き着きます。つまり、コンピューターには、何をすべきかを「教える」人が必要なのです。人工知能とニューラルネットワークの究極の目標は、人間の脳の仕組みと構成（脳のニューロン、ニューラルネットワーク）を模倣し、コンピューターが人間のように考え、自律的な意識を持ち、学習し、自ら判断できるようにすることです。これを「強い人工知能」と呼びます。

ここで、私の母校であるドイツのハイデルベルク大学物理学部と英国のマンチェスター大学が主導する EU「ヒューマン ブレイン プロジェクト」について触れなければなりません。その最終目標は、コンピューターのバイナリ メカニズムを破壊し、人間の脳内のニューロンの放電 (スパーク) のランダム性を模倣し、人間の脳のように「考える」ことができるコンピューターを作成することです。それ以降、コンピューターはバイナリ（0または1）ではなくなり、[0,1]の間のランダムな値を取ることができるようになりました。さらに、IBM などの業界もそのようなコンピューターを構築しています。

このマシンが登場すれば、これまでの慣習はすべて破壊され、「強力な人工知能」という新しい時代が到来するかもしれない。

7. 人工知能の学術界と産業界における世界ランキング

作者の性格上、予想外のことが起こらなければ最終的には順位が付けられるでしょう。本日も例外ではなく、順位は特に決まっていません。

学術分野: 人工知能などの新興分野は通常、コンピュータサイエンスの学部に設置されます。CS ランキングはここで参照できます。

教授の数では、いつものように米国が1位です。CMU、スタンフォード、MIT、カリフォルニア大学バークレー校、ハーバード、プリンストン

英国ロンドンもAI大国：オックスフォード、ケンブリッジ、インペリアル・カレッジ、エディンバラ

カナダはディープラーニングの温床です。3 つの優れたディープラーニング大学 (トロント大学、モントリオール大学、UCB) はすべて州立です。

ヨーロッパは、教員のポストが不足しているため、当然ながら低い順位にランクされています。スイスの 2 つの大学がトップに立ちました。ETH、EPFL、ハイデルベルク HCI の 5 人の教授がポストを得るはずです。ああ、そのうち 3 人は物理学科に所属していることがわかりました。

アジアでは、シンガポールと香港が絶えず交流し、日本の東京大学が衰退し、中国の清華大学がダークホースとして台頭しているが、これに姚クラスの貢献は消えることはない。

産業界：産業界は、その富と才能を引き付ける力、そしてその計算能力とデータ量により、AIの分野で学界を上回っているかもしれない。

米国は当然ながら世界の AI の中心地です (シリコンバレー、シアトル、ボストン、ニューヨーク)。Google はスタンフォード大学のフェイフェイ・リー (サバティカル) とトロント大学のジェフリー・ヒントンを招聘したばかりで、Facebook にはニューヨーク大学のヤン・ルカンがいます。Microsoft と IBM Research は以前から有名で、Amazon のクラウド コンピューティングは世界で唯一であり、Uber、Airbnb、LinkedIn などの新興インターネット企業もサポートしています。

英国ロンドン：DeepMind は Google に買収されました。Google、Microsoft などの企業はすべてロンドンに研究機関を持っています。

欧州では、IBMやGoogleがチューリッヒやミュンヘンに研究所を持ち、人材採用を拡大している。Amazonはルクセンブルクに研究所を構えている。バイエル、ボッシュ、シーメンスなどドイツの伝統企業もAI研究機関の設立に力を入れており、BMW、メルセデス・ベンツ、アウディなどの自動車メーカーも自動運転に投資している。最後に、SAPの本社やNEC、ABBなどの欧州の研究機関があるハイデルベルクについてお話ししましょう。

カナダ：カナダ政府はトロントに人工知能研究機関であるベクター研究所を設立したばかりで、G・ヒントン氏が主任科学顧問を務めている。グーグルはモントリオールに新しい研究所を設立する準備を進めており、ヨシュア・ベンジオ氏が率いるディープラーニング研究所が有名であることがわかる。

中国: 北部のテクノロジーの中心地である北京とその独自の利点を活かして、Microsoft Research Asia は中国で多数の AI 大手を育成してきました。Baidu、JD.com、Horizo​​n Robotics、Didi などの多数のインターネット新興企業が台頭し始めています。南には深センがあり、ファーウェイ、テンセント、DJI、SFエクスプレスなども負けていません。

ここまでくれば、読者はもっと自信を持って「人工知能、データサイエンス、機械学習」を自慢できると思います。