脳神経系における機能創造の解明を目指した数理モデリング

近年の生体センシング技術と数理モデリング手法の進歩により,脳に代表される大規模な複雑系における機能創発のメカニズムの解明が
進められているでつ。

そのような研究においては,古くから利用されてきた脳波やより高い時空間分解能を持つ脳磁図,さらには,脈波や瞳孔径といった
幅広い生体センシングが利用される.数理モデリングとしては,集団レベルでの活動や発火レートを記述したニューラルネットワークモデルや
脳・神経系の幅広い情報コーディングを記述することができるスパイキングニューロンモデルが重要な役割を担うでつ。




人の脳は重さ約1.3kgの軟らかい組織の塊。
その中には複雑に配列された1000億以上の神経細胞を含んでいるでつ。

神経細胞は互いに接続し合いながら100兆にも及ぶネットワークを形成し、神経回路を構築しているでつ。
このネットワークが外部環境を知覚し、認知、感情を経て、行動を選択していると言われているでつ。
この小さな軟らかい塊が、人の運動、感覚、感情、意識をどのようにコントロールしているかは科学において未解明の神秘。

一方、近年、fMRIや脳磁計・脳波計などの神経活動計測技術の発展により、脳神経ネットワークの理解が深まり、
運動・感覚・感情・意識に関わる様々な脳機能が徐々に解明されつつあるでつ。
脳の神秘が解明されていくとAIの進歩と信頼性も上がっていくでつ。

現在は、これに運動・感覚・感情の脳機能を追加することにより、身体からの様々な情報をもとに脳神経系を
制御できるデジタルヒューマンモデルを開発しようとしているでつ。

人が動いたり、感じたり、感情をもって行動したりすることを再現するためには、それらに関わる脳神経の数理モデルと、
身体や内臓のモデルを構築する必要があるでつ。

バーチャルで人の運動・感覚・感情を予測・評価できれば、工場・家庭における作業やスポーツ、介護等の様々な場面で、
人のからだやこころのサポートに活用できるでつ。

THUMSは、骨、靭帯、筋肉、内臓臓器や脳組織などを含むバーチャル人体モデル。
有限要素法により、自動車乗車中などの加速度変化を伴う状況における人体の挙動やケガの程度を予測することができ、
現在、国内外の100を超える企業と大学・研究機関で利用されているでつ。

THUMSの脳モデルを構造と機能の面でより充実させることに特に注力しているでつ。
脳の構造モデルは、脳組織を脳梁・脳弓・大脳基底核・視床・中脳・橋・延髄・小脳・大脳実質に分け、脳組織と頭蓋骨との間に、
硬膜・くも膜・軟膜・脳脊髄液を含む構造を持った力学モデルとしているでつ。
頭部に衝撃が加わった場合に生じる脳組織内部のひずみを予測することができ、脳震とうなどの脳損傷の発生メカニズム解明に利用できるでつ。

このモデルに神経や血管のネットワークを配置することができれば、さらに高精度な損傷予測が可能になるでつ。
現在、構造モデルの高精度化に向けて、固体、流体、イオン電荷が入り混じった構造を力学的に解析する手法の開発を進めているでつ。

一方、脳の機能モデルは、身体運動を決める筋制御のアルゴリズムの構築から着手しているでつ。
身体運動を行うためには、400以上あると言われる骨格筋のそれぞれを協調・拮抗させ、姿勢や動作を随意に制御できなくてはならないでつ。
この随意筋制御には、脳脊髄における運動機能が関わっているでつ。

運動制御を実現するための脳神経の数理モデルを構築することができれば、筋制御によって、THUMSの身体動作をコントロールすることができるでつ。
脳・神経系における機能創発の解明を目指した数理モデリングとデータ駆動分析—局所神経回路から大域的全脳レベルまで開発が進んでいくでつ。

地震観測は…

大きな地震が起きると発電所のタービンは停止するようになっているでつ。
その後は、危険等がないか確認してからの再起動になるでつ。

そんな中でいろいろと地震観測が試みらえているでつ。
ということで…
最近は光ファイバーやAiを駆使した地震観測が開発されているでつ。




高速通信を支える基盤となっている光ファイバーケーブルを使って、地震を観測する研究が進んでいるでつ。
陸地や海底に張り巡らされた既存の光ファイバー網を活用できるため、容易に観測網を広げて防災に役立てることが可能。
国土交通省によると、2022年3月末時点で、国道の地下や河川の堤防など全国で計約3万8000kmが敷設。

海底のケーブルは世界で約500本あり、総延長は約140万kmに上るとされるでつ。
ケーブルのうち、通信に使っていない空きファイバーの端に専用の計測器を取り付け、レーザー光を照射。
光の一部は、ファイバー内にあるわずかな不純物に当たって、散乱光として計測器に戻ってくるでつ。

地震の揺れなどの震動で光ファイバーの一部がゆがんで伸び縮みすると、散乱の仕方が変化するでつ。
普段から散乱光を観測しておき、その変化を検出すれば、地震の発生や震源の位置などを推定できるでつ。
この仕組みは分散型音響センシングの頭文字を取ってDASと呼ばれるでつ。

2000年代に理論が確立され、5年ほど前から地震や火山の観測に応用され始めたでつ。
理論上は、計測器から数十km先まで、約5～10m間隔で震動を検出できるでつ。
ケーブルに沿って地震計を数千台並べた場合の観測に匹敵するでつ。

地震計が点での観測なのに対し、光ファイバーは線。高密度に地震波を捉えられるでつ。
ケーブルが地中にあるのもメリットで、火山噴火の際に火山灰や軽石などの噴出物の影響を受けにくいでつ。
国際通信などに使われる海底の光ファイバーケーブルも、地震観測に活用できるでつ。

三陸沖で観測を試みたところ、マグニチュード1・8程度の小さな地震や、遠く離れたロシアの地震なども感度良く捉えることができたでつ。
海底地震計は1台100万～1億円と高価で、陸上に比べて設置に時間がかかるため、観測点を増やしにくいでつ。
光ファイバーなら既存の設備を使って観測点を大幅に拡充できるでつ。

岸から数十km離れた海域での地震も検知できるため、緊急地震速報をこれまでより早く出せる可能性もあるでつ。
課題や欠点もあるでつ。
地震計は東西、南北、上下の3方向の震動をそれぞれ観測できるでつが、DASは光ファイバーの伸び縮みしかわからないでつ。
現状では地震計による観測が基本で、DASはあくまで下支え。

また、高密度に大量のデータが得られるのはいいるでつが、それだけのデータを蓄積するための設備が必要になるでつ。
大量のデータを素早く解析するには、コンピューターの高い処理能力も求められるでつ。

AIでDASの観測データを分析して、地震による揺れかどうかなどを判別してもらうのも有効。
この組み合わせがベストだあぁ～

Chat GPTと７０歳の取り扱い説明書なり～

ChatGPTが出来るのは、あらゆる質問の回答、物語やエッセイなどの文章生成、言語の翻訳、企画書の作成、プログラミング、
表の作成、議題に対するディスカッションや議論などでつ。

苦手なことは、正しい情報のリサーチ、テキスト以外の回答、例えば絵を描かせるなど、不確実性の高い情報、例えば株価の動きなど、
2022年以降の情報を参照すること例えば有料版でウェブブラウジング機能が追加され、最新のウェブ情報を参照できるようになったでつ。
ChatGPTは「OpenAI」という団体が運営しているでつ。




公開からわずか2カ月で利用者数が1億人を超えたでつ。
政府も生成AIの利活用ルールを議論するAI戦略会議で、AIを動かすために採用した仕組みや技術の開示など企業の行動指針案を提示。
G7が年内にまとめる成果文書への反映をめざすでつ。

G7の担当閣僚がAIのルールを協議する広島AIプロセスで成果文書を取りまとめるでつ。
指針案は人権侵害の防止、法の支配や多様性の尊重などAIについて誰もが守るべき基本的な責務を示したでつ。
AIの開発から提供・利用の各段階で、企業に求められる役割も盛り込んだでつ。

開発段階での役割は米国のオープンAIやグーグルといった一定規模以上の大企業を対象として想定。
各社が開発したAIの仕組みや機能を公開するでつ。
AIのリスクに関する開示も促すでつ。

犯罪や偏見につながるような不適切な入出力を防止する措置に関しても説明を求めるでつ。
例えばAIが不適切な回答やコンテンツを出力した際に、利用者からの修正の求めに応じる窓口などリスク管理体制も
説明対象となる可能性があるでつ。

生成AIを活用したサービスを提供する企業には考え得るリスクを利用者に伝えることやAIの動作に責任を持つことなどを
求める方向でつ。
利用者の段階では差別や犯罪などにつながる不適切な利用をしないことなどが責務となるでつ。

G7内での議論を巡っては、利用段階まで規制をかけようとする欧州連合と開発企業による自主規制にとどめたい米国とで規制の
手法に違いがあるでつ。
包括的なAI規制案の導入議論を進めるEUは生成AIの提供者にAI製の表示などコンテンツの透明性を担保する措置を要請。

リスクの程度に応じ、利用者にも問題が起きた際の利用中止といった義務を課すでつ。
米国はバイデン大統領が近くAIに関する大統領令を公表。
7月下旬に生成AIの米主要7社が確約した自主規制に法的拘束力を持たせるでつ。

開発企業に安全性や透明性の確保を求めることが柱となるでつ。
文章や映像といったコンテンツがAI製かどうかを明示できるシステム開発が必要。
日本政府は4日に立ち上げたAI国際戦略推進チームでG7の各国間での意見調整を急ぐでつ。

4日の戦略会議では24年度予算の概算要求に向け、AI関連の政策や予算の基本方針も決定。
基盤技術を海外に依存する現状をふまえ、国内での研究・開発体制を強化する。関連予算を23年度比で倍増させることも視野に入れるでつ。

そして７０歳の人でつなぁ～
高齢者というテーマと「新しさ」を結びつけて考えているビジネスパーソンは少ないでつ。
超高齢社会は日本のもっとも大きな課題。

今後はシニアが最大の購買層となっていくので、無数のビジネスチャンスがあることは明らか。
どの業界の人も、高齢者というターゲットのイメージが描けていない、昔から更新されていないでつ。
そこには、思い込みという枷かせがはまっているでつ。

この思い込みはしばしば、新しいことをする際のリスクを過大に見積もるという失敗を招きくでつ。
思い込みが招く新しいことへの尻込みは、見えないところで企業の足を引っ張っているでつ。

７０歳でも８０歳でも現役でやるには、思い込みもあるけど新しいことへのチャレンジでつなぁ～

電力業界の制度改正

生成AIを活用して国の制度改正などが電力業界に与える影響を分析・評価する手法を開発すると発表。
電力自由化や燃料価格高騰、再生可能エネルギーの導入拡大を巡る複雑な環境変化に的確に対応するでつ。

電力業界では2016年の「小売り全面自由化」などの改革を経て事業環境が変わり、高騰する燃料価格や
再生エネの利用加速といった課題も抱えるでつ。
経済産業省を中心に多数の委員会などが開催され、政策や制度の改正も多いでつ。

論点や情報は多岐にわたり、一元的に情報を把握して迅速に対処するのは難しいでつ。
こうした事情を踏まえ、生成AIを活用して制度改正の論点や背景を体系的に分析、整理し、変更内容を把握して
影響を効率的に評価する手法を開発。

まずは政府の委員会の議事録や資料を生成AIに読み込ませ、論点や要旨をまとめる利用方法などを想定。
実証実験を通じて効果を検証し、自社向けとして10月以降段階的に導入する計画。

AIが補助することで制度改正などへの対応を効率化できるほか、これまで十分に目を通すのが難しかった
過去の議事録などの分析も可能になるでつ。
精度が上がれば事業活動や政策提言、顧客への情報提供にも役立つでつ。

AIの技術がいよいよ本格化してきたでつ。

生産現場におけるAI応用との活用と新たな可能性。

高度化した機械学習やディープラーニングなどの手法に代表される AI 技術。 今まさに時代の寵児として多方面で脚光を浴びているでつ。 そのことは知的工場，いわゆる製 造業のスマート化へ向けても大きなインパクトを与えているでつ。 そりは… AI が製造革新のキーテクノロ ジーの一つとして期待される所以でもあるでつ。 とはいえ，生産現場に目を向けると，プロ セス・運転操業・保全・品質・セキュリティといった多種多様かつ膨大なデータが存在。 そうしたデータをいかに効率的かつ効果的に収集・解析し，有用情報化して安定・安全操業 に活かしていくのか，そして AI が どこまで適応できるのか，現実的課題。 部分的ながら導入への取り組みが進み始めた AI 。 改めて生 産現場の視点からその役割や可能性は… そして，どのような効果が期待できるのか， 導入へ向けた着眼点は何か，最新のソリューション提案などを通して考える必要があるでつ。 M2MとIoTとAI…製造現場で進む革新、スマート工場化、Industrie4.0はじめ海外の動向もあるでつ。 AIの技術も進んでるけど、生産現場に導入するには、課題が多いでつ。

WordやExcelもChatGPT化

「ChatGPT」を筆頭に、対話型の言語生成AIが、さまざまな面で注目を集めているでつ。
企業での適正な利用方法などはまだ定まっていないで。

活用が進めば、テキスト作成や表計算といったオフィスワークを大幅に効率化できるでつ。
マイクロソフトがリリースする「マイクロソフト365 Copilot」。
こりによって、WordやExcelの仕様がどう変わるのかってとこでつなぁ～




マイクロソフトは2023年3月、ChatGPTの屋台骨となっている大規模言語モデルGPT-4をワードやエクセルなど
マイクロソフトのOfficeツールと統合した新ツール「マイクロソフト365 Copilot」を発表。
Copilot、カタカナでコパイロットとは「副操縦士」の意味。

ビジネスパーソンの業務を適切に補佐し、ときになり代わって遂行する存在という意味。
これを使うと、ワード、エクセル、パワーポイントといったオフィスツールによる資料作成などの作業の多くを、自動化できるでつ。

文書作成ソフトのワードを例にすると…。
マイクロソフトによると、Copilotの質問欄に例えば「ドキュメントAとエクセルシートBを参照して、2ページのプロジェクト提案書を作成」と入力すると、
AIが当該のファイルを参照し、自動でプロジェクトの提案書を自然な言語で作成してくれるでつ。
また「3段落目をより簡潔に」や「書類全体のトーンをもう少しカジュアルに」などの指示が可能で、文章要約や文章トーンの調整もできるようになるでつ。
同様に表計算ソフトのエクセルでも、「やりたいこと」を簡単な表現で入力すると、AIが自動でデータの整理、図表の作成・挿入、データを用いた影響分析などが
できるようになるでつ。

プレゼンテーション資料作成ソフトのパワーポイントでも、すでに作成したワードやエクセルファイルを参照し、関連する写真の選択・挿入などを
含めて自動で資料を作成してくれるでつ。
そのほかEメールの要約を作成したり、返信を下書きしたりといったことも「副操縦士」はしてくれるでつ。

大きいのは、Web上に公開されている情報だけでなく、社内文書や議事録、メールのやりとりといった「社内データ」と連携できること。
それにより、社内事情などを的確に反映した社内資料をAIが自動で作成してくれるでつ。
気になるのは、そうやって自動生成された資料が果たして利用者の「イメージ通り」もしくはそれ以上の正確さやわかりやすさでできあがるのか、ということ。

発表時点でCopilotは限定された企業に提供され、試験運用が進められていでつ。
試験は数カ月続く見込み。
生成された情報をレビューし、ファクトチェックをするよう促しているでつ。
またAIに関する課題を明示し情報源を明確にすることで、AIの意思決定プロセスを透明化しているでつ。

実際にどれほどの精度で資料ができあがるのかは、現段階では未知数。
ただ対話型AIでは、ユーザーが入力した文字によって、AIが出力する内容や精度、スタイルは大きく変わでつ。
そのため、今後は「プロンプトエンジニアリング」と呼ばれる「AIにうまく依頼をするスキル」が重要になるでつ。

たとえば、翻訳タスクをAIに頼む場合、「この英語を日本語に翻訳してください」とシンプルに依頼をするよりも、翻訳の目的、
スタイル、語調などを定義することで、求める翻訳アウトプットを効率的に生成することができるでつ。

Smartsheetによる2017年のオフィスワーク自動化に関する調査レポートによると、1週間のうち4分の1以上の勤務時間が反復作業に費やされているとした人の割合は、
回答者約1,000人のうち40％以上に達したでつ。
また、反復的な作業を自動化することで、1週間あたり6〜7時間を節約できるとの回答割合は59％。

この調査は米国で実施されたもので、回答者の多くは反復的なタスクとして、Eメール対応、データ収集、データ入力を挙げているでつ。
AIツールが利用者の意図通りにこうした業務をこなしてくれるようになれば、オフィスワーカーの多くは、より多くの時間をそれ以外の業務に
充てられるでつ。

ChatGPTを巡っては、情報保護の観点から懸念もつきまとっていでつ。
海外の一部大手企業が利用を制限していると報じられているほか、3月末にはイタリアが一時禁止するなど、欧州では禁止論も高まっていでつ。

ただ、その一方で適切な利用方法を模索し、積極的に活用していこうという向きもあるでつ。
AIやロボットなどの自動化技術は人手不足が顕著な国ほど導入が進むでつ。
日本企業はこの新しい技術にどう向き合うかという課題に直面しているでつ。

AIの進化も急カーブで行きそうだなぁ～

医療AIなり～

医療AIとは、AIを活用して医療の質を向上させることを狙いとしたもの。
技術の発達が著しいAIを医療現場で活用することで、作業を効率化したり精度を高めたりできるでつ。

医療現場では、人員不足や地域格差が大きな問題となっており、これらを解決する糸口として大いに期待。
厚生労働省の「保健医療分野におけるAI活用推進懇談会」において、「AI開発を進めるべき重点領域」として、
以下の6項目が挙げられているでつ。



ゲノム医療
画像診断支援
診断・治療支援
医薬品開発
介護・認知症
手術支援
日本では主にこれら6項目において、医療AIが活用されることを示しているでつ。

1つ目はゲノム医療。
ゲノムが変異すると、疾患の原因になることもあるでつ。
しかし、30億塩基対もあるゲノムの変異を人が手作業で調べるのはほぼ不可能。
そこで、AIを使って、ゲノムがどのように変異したのかを短時間かつ正確に調べることができ、
診断に活用できるでつ。

さらに、AIは抗がん剤の感受性やがんの発生に関する遺伝子の変異も調べることができ、治療方針を決める際に
判断材料として用いることも可能。

このように、遺伝子変異が関係する疾患の診療にAIが活用されているでつ。
なお、日本ではゲノム医療におけるAIの活用が諸外国に比べ遅れをとっているため、取り組みの強化が
求められているでつ。

2つ目は画像診断支援。
画像診断支援には以下の3つの種類があるでつ。
医師の診察前にAIが診る
医師の診察後にAIが診る
医師と一緒に診る
医師の診察前にAIが診ることで、医師が重点的に診るべき症例を教えてくれるため、医師の負担が軽くなるでつ。
また、医師の診察後にAIが診ることで、二重チェックになり、より正確な診断のサポートをしてくれるでつ。
そして、医師と一緒に診ることは、医師の診察に隣からAIが助言をできるため、見逃してしまうことが少なくなる
効果が期待できるでつ。

3つ目は診断・治療支援。
医療AIは、日々発表される論文の解析や情報の検索、オンライン治療などに活用されているでつ。
大量の論文全てに目を通すのは困難であるため、AIに必要な情報をキャッチアップしてもらうことで、
医師の負担を減らすことが可能。
また、地域によっては医師が不足しており、適切な医療を施せない場合もあるでつ。
その際に、AIを利用することで、医師が充足している地域と同程度の品質を担保できるでつ。

4つ目は医薬品開発。
日本は新薬を開発できる数少ない国であるものの、すでに多くの医薬品が開発されているため、
新しく効果の高い医薬品を開発するのが難しくなっているでつ。
そこで、AIが持つビッグデータやディープラーニング、機械学習を活用することで、新たな医薬品を
開発しやすくなるでつ。

5つ目は介護・認知症。
介護・認知症分野では介護ロボットの開発が進められているでつ。
AIを搭載し、被介護者の生活リズムなどを予測することで、介護者の手を使わずに被介護者の
生活をサポートできるようになるでつ。
また、高齢化に伴い、認知症を患う方の数は増えることが予想されるでつ。
認知症患者の増加に対応するには、迅速な対応が求められるため、認知症の診断や治療にもAIを
活用することが必要。

6つ目は手術支援。
日本では若手外科医が減り続けており、外科医1人あたりの負担が大きくなってしまっているでつ。
そこで、AIを用いた手術用ロボットの開発が進められているでつ。
しかし、手術のデータが圧倒的に不足していることや医療機器のIoT化・医療機器同士の連携が進んでいないため、
AIを活用できる土台を整備することが必要。
本格的に実用化されている事例は多くないでつが、今後の研究によりさらなる実用化が期待されているでつ。

医療のAI化は、人手不足もあって球を要する技術でつなぁ～
Aiも後２～３年もするとかなりの普及してるのかなぁ～
課題は、たくさんあるけどね。

ChatGPTという新しい潮流だなぁ～

米OpenAI社が開発したChatGPTは、任意の文章を入力することでAIが応答する自動会話プログラム。
2022年11月に公開されると、精度の高さがまたたく間に話題を集め、様々な分野に応用できると
期待されているでつ。

日本のIT企業も、メディア向けにChatGPTを使った記事自動作成ツールを提供。
グーグルやヤフーなど検索サービスからのアクセスに力を入れるメディアを対象とし、SEOつまり検索エンジン最適化に
効果的な記事が手軽に作れると訴求するでつ。

SEOを意識した記事作成には多くの作業が発生し、工数を割くことができず運用を断念し、
集客に限界が生じてしまうといった相談が多く寄せられていたでつ。

一般的には次の10のステップがあり、ChatGPT使えば2～7の行程を自動化できるでつ。

1.キーワードリサーチ：トレンドや検索頻度、競合状況などから適切なキーワードを選定。
2.タイトルの作成：キーワードを含む適切なタイトルを作成。
3.コンテンツ計画：記事の構成やポイントを決定。
4.調査：対象のトピックに関する詳細な情報を調べる。
5.概要の作成：調査した情報をもとに記事の概要を作成。
6.本文の作成：概要をもとに詳細な本文を作成る。
7.キーワードの適切な配置：本文に適切なキーワードを配置。
8.インタラクティブな要素の追加：記事に画像やグラフなどのインタラクティブな要素を追加。
9.エラーチェック：記事のスペルミスや文法エラーをチェックして修正。
10.リンクの追加：他のサイトや記事とのリンクを追加。

メディア業界では、記事制作業務でのAI活用が進んでいるでつ。
日本経済新聞社は2017年から、企業決算をAIを使って自動で記事化。
売上高や利益などのデータとその背景や理由などを抽出し、日経の所定の表現に合わせて数分で完成。

人によるチェックや修正はしていないでつ。
2023年中にOpenAI社のAIをコンテンツ制作の肝にすると報じられているでつ。
AIを使ったコンテンツが研究段階から当社の中核ビジネスの一部となるでつ。

そして、クイズなどへの活用を想定しているでつ。
文章では「インターネットの過去15年間が、コンテンツを収集してレコメンドするアルゴリズムによって定義されたとすれば、
次の15年は、AIとデータがコンテンツ自体の作成、パーソナライズ、アニメーション化を支援することによって定義されるでつ。

米紙ウォールストリート・ジャーナルは、経費削減のため、低品質のコンテンツを作成するためだけに、AIに頼る選択をしたデジタルメディア企業は、
AI技術を誤って使っているでつ。
問題を引き起こしたケースもあるでつ。

米CNETは22年11月から秘密裏に77本の金融サービス系の記事をAIに書かせていたでつが、誤りや盗用が疑われ、
1月中旬に釈明する事態となったでつ。

AIの専門家の中にはAIのライティングツールが安価で簡単にコンテンツを生成できることから、AI文章が徐々にウェブを支配し、
読者を特定の製品やウェブサイトに押しやるためだけに作られた文章で検索結果やソーシャルメディアを汚染する可能性があると
予測する人もおり、ネットの情報環境の悪化が懸念されるでつ。

Aiのスタンダードになりそうだけど、検索とかしやすいということはリスクも多い。
セキリティが難しくなる感じがするでつ。

選択より前に脳が反応するみたい…

食事や就寝などの日常生活から就職や結婚、投資まで、数限りない決定をこなして生きているでつ。
自分で考えたと感じたとしても、実は自由な意思で選んだわけではない可能性があるでつ。

決定の9割以上は、決断する前に脳が無意識に下していたかもしれないでつ。
原動機付き自転車や自転車が、進入禁止の高速道路に入っていくでつ。
スマホに入れた交通案内のアプリの指示に従い、間違えて進入する人が増えているでつ。

警察の調べによると、2021年から22年9月に400件超も高速道路に入る事案が起きたでつ。
3分の1はスマホアプリが原因。

高速道路に入ってはいけないとわかっているのに「常識」が簡単に覆るのは、運転者が考えを巡らす自由意思を捨て、
無意識にアプリに意思決定を委ねたから。
道路の入り口には目立つ看板も多いでつ。

自分の目でみて運転する必要があるでつ。
あらゆる生物の頂点に立つ「理性の存在」だとする人間でつが、実は線条体など脳の一部が働くだけで
無意識に様々な決定を下しているでつ。

人間が考えぬいて自力で行動を決める自由意思の場合、思考を担う前頭前野が「自分で決めた」と
自覚できるでつ。

上司に会ったらあいさつする、考えて決めているように思えるでつが、人間の行動のほとんどは無意識に決まるでつ。
その比率は9割を超える可能性があるでつ。
自由意思は脳の無意識の反応がもたらす結果であり、人間は操り人形だという研究者さえいるでつ。

サルを含む人間以外の動物では、脳の線条体が決める無意識の反応に従って動くでつ。
餌を手に入れた喜びなどをたびたび経験すると、自然に餌に手を伸ばすようになるでつ。
この仕組みは人間も動物も同じ。

人間の場合は思考を担う前頭前野が線条体の暴走に待ったをかけるでつが、あくまで脇役。
1980年代の実験では、手を動かそうと思うよりも0.35秒だけ早く、脳内で電気信号が流れたでつ。
意思より早く手の動きを決める結果は自由意思は存在しない証拠とされ、脳科学や心理学に大きな影響を与えたでつ。

それでも自分の意思があると人々が思い込んでいるのは、人間が記憶を改ざんできるから。
複数の顔写真から魅力的な1枚を選んでもらう実験をしたでつ。
選んだ顔写真を別人にすり替えても6割超の人が気付かず、写真の人物が魅力的な理由を説明したでつ。

一貫した自由意思を持つためには、選択の理由さえ無意識に改ざんするでつ。
近代の西洋で宗教の影響力が衰えると、神に代わって人間が自ら考えて行動し、結果に責任を取る考えが広まったでつ。
それが法律につながり、現代社会は人間が自由意思に基づいて動くという前提の上に成り立つでつ。

自由意思が思いのほか強くないのなら、人の判断を裁く法律を適用する際に本人の意思がどれだけ働いたかを考慮する
必要が出てくるでつ。
脳研究などの科学の知見を法律にフィードバックさせる法心理学や神経科学の研究も始まっているでつ。

自由意思が無いとしたら不安になるが、近年は反論材料も出つつあるでつ。
無意識な電気信号より後に自由意思が働き、行動を修正できる可能性を実験で示したでつ。
足でボタンを踏む行為を中止する動作が、脳に早くから流れる電気信号の0.3秒後まで可能。

これまでの学説では、最初の電気信号に身を委ねるだけだったでつ。
ただ時間が短く、自由意思の証拠とするには頼りない印象も残るでつ。
自由意思は複雑で簡単な実験では測れないでつ。

実験結果は、手を動かす意思を自覚するよりも前に手を動かすための電気信号が脳を流れたでつ。
実験を数百回繰り返しても手は半ば無意識に動くでつ。
一方で高額な投資などの決断は、意識に関わる様々な脳の部分を盛んに働かせ、しっかり考えて決めるでつ。

00年代に海外で提唱された仮説で、一定の影響力を持つでつ。
ボタンを押すかどうかを求める脳科学の実験と異なり、現実の世界では多くの選択肢の中から決断
。投資や仕事の失敗は損失が大きいでつ。

選択肢が多く、強い責任を感じるほど自由意思が働きやすいでつ。
損得や長期的な影響を考える複雑な決定であればあるほど、人間は脳をフル回転させている可能性があるでつ。
人生の中での重要な決断は多いでつ。

全てを無意識に任せるのでは無く、意識して自由意思を働かせて決めるでつ。
なんとなく、わかるでつなぁ～
ちと意識する必要があるでつ。

難治がん、AIで早期発見するでつ。

画像解析に人工知能を使い、生存率が低い膵臓がんを早期発見する技術が進歩しているでつ。
コンピューター断層撮影装置検査で、専門医に匹敵する9割の精度を達成。

中皮腫や肺がんなど他の難治がんにも活用が広がるでつ。
こりで…
専門医不足を補い、患者の生存率向上につながると期待を集めるでつ。

膵臓がんの検査は一般に、超音波やCTを使って調べるでつ。
健康診断や人間ドックなどで受けられる。膵臓にがん細胞がちらばりつつ増えるため、
画像が不鮮明になり見つけにくいでつ。

検査に慣れた専門医でなければ早期発見は難しく、完治を目指す手術ができる患者は
約3割にとどまるでつ。
診断から5年後の生存率は8%台で、全てのがん患者で算出した同64%よりずっと低い難治性がんの筆頭。

国立がん研究センターによると、20年に国内で膵臓がんでは、肺や大腸、胃がんに次いで4番目に多い。
高齢化で20年間で2倍に増えたでつ。
米国や欧州の主要国でも4～7割増えているでつ。

人間ドックなどで一般的な、造影剤を使わない簡易的なCT検査の画像に対応したAIを試作。
11人の患者で調べると、94%の精度で膵臓がんを見つけることができたでつ。
同じ条件での専門医と同程度の性能だったでつ。

診断する医師の見落としを防ぐのに役立つでつ。
23年度以降に人間ドックなどで臨床研究を始める考え。
22年度末までに、さまざまな進行度の膵臓がん患者約300人のCT画像をAIに学ばせるでつ。

膵臓を立体的に解析する医師の読影法をまねて精度の向上を図るでつ。
20年代末までにこのAIを搭載した医療機器の承認申請を目指しているでつ。

まずは早期のステージ1以上のがんの発見に役立てるでつ。
将来は専門医でも発見が難しい超早期のステージゼロを目指すでつ。
撮影画像の範囲を広げて見つけやすくするでつ。

ステージゼロは粘膜など上皮細胞にがんがある程度の状態。
人間ドックなどでの心臓や肺のCTの検査に映り込んだ膵臓の画像なども参考に発見できるようにする計画。
専門医を上回るAIを開発する動きも進むでつ。

ステージ1にあたる2センチメートル未満の膵臓がんを75%の精度で見つけるAIを開発。
造影剤を注射するより専門的なCT検査の画像を使うでつ。
専門医でも発見できるのは6割といわれるでつが、それを上回る水準になったでつ。

06～18年に診断を受けたステージ1～4の約500人の膵臓がん患者と、約700人の健康な人の画像を
使ってAIに学ばせたでつ。
別の約1500人の患者と健康な人のCT画像で性能を検証すると、ステージ1の患者91人のうち68人を識別できたでつ。

早期の発見であるほど生存率は高まるでつ。
ステージ1の患者が5年間生きる確率は約50%。
今後は1センチ未満のがんの画像を集めてAIに学習させ、ステージゼロの発見に向けて改良。

スタートアップを22年末までに設立し、23年に臨床試験をして実用化を目指すでつ。
大手医療メーカーとの協力を検討しているでつ。
AIの精度を高めるには、学習に使う画像データの中から重要な部位を詳しく見ることも必要。

膵臓がんの初期に変形しやすい膵管と呼ばれる部位に注目し、CT画像の中から抽出するAIを開発。
画像から膵管を特定するには専門医でも1～2時間かかるでつが、AIならば数分ですむでつ。
膵臓がん患者で実際に膵管の画像に変化があるのか検証を進めて、AIの開発につなげるでつ。

生存率の低い難治がんの早期発見を目指したAIの開発は盛んでつ。
例えばアスベストの吸引で起こる悪性胸膜中皮腫はその一つで、日欧のメーカが取り組んでいる。

AIに100人以上の患者のCT画像を学ばせて、専門医並みの精度で中皮腫を見つけて、
がんの大きさも推定するでつ。
中皮腫は目立った症状が乏しく、X線やCTの検査で見つかるものの早期発見が難しいでつ。

5年生存率は2割以下と低いでつ。
医療の画像検査へのAIの利用は広がる見込み。
世界の医療画像向けAIの市場規模は2030年に119億ドルと21年の11倍。

年平均の成長率は30%超に達するでつ。
がんと心血管疾患向けが大きく伸びるでつ。
国内では、CT画像の前に内視鏡検査から実用化が進んでいるでつ。

内視鏡はがんなどの病変を至近距離から高画質で撮影できるため、AIの精度を高めやすいでつ。
内視鏡の撮影画像を解析する国内初となる診断支援ソフトウエアを19年に発売。

早期の大腸がんや切除が不要なポリープを見分けるでつ。
21年には潰瘍性大腸炎の状態を評価するソフトも発売。

CT画像を対象にしたがん検査用のAIでは、英スタートアップ、オプテラムが21年に米食品医薬品局の承認。
欧州など約30カ国で承認済みだ。肺がんを専門医以上の精度で見つけられるでつ。
小規模な病院でも導入しやすいように、サブスクリプションで提供。

22年10月に公開した資料によると、承認済みの約500件のAI医療機器のうち7割超がCTなどの放射線を使う機器。
医療機器が進歩して普及し、CTなどの撮影画像数が増え、医師の読影を支援するAIの需要は膨らんでいるでつ。
性能競争の段階となっているでつ。

画像検査にAIを使う利点には、人が気づいていない特徴まで判別可能な点があるでつ。
AIが示した部分を医師が詳しく調べればいいでつ。
AIの利用が進めば、医学の進展まで期待できるでつ。

不可能を可能にする技術が人間にはあるでつ。
この技術が２０年くらい早ければと思うでつ。

廃棄物をＡＩで選別

「資源ゴミＡＩ自動選別機」の開発を進めているでつ。
国連のＳＤＧｓの観点から、リサイクルを効率的に行うことに加え、
中国の廃プラスチック輸入禁止政策や、コロナ禍による家庭ゴミの増加など
国内外で急務となっている資源ゴミへの対応が必要。
特に３K現場だから、必須技術。




こりは、現在、ゴミ処理施設での労働力不足の解消による業務効率化と
事業継続性を確保するため、機械による省人化に取り組むでつ。

同選別機は２０２２年度内の導入を考えているでつ。
資源ゴミでも特に飲料用ガラス瓶は、ビールなどの茶色、日本酒などの透明、
ワインなどのその他の色に分けられ、リサイクル時に仕分けする必要があるでつ。

処理施設での選別は人の手により行われるが、現場作業者が高齢化しており、
長時間の立ち仕事で労働環境は決して良いとはいえないでつ。

自動色選別装置はあったけど、やっぱり手選別のがいいのと
シルバー人材の活用もあって、なかなか普及しなかったでつ。

とあるメーカーさんが、廃棄物処理事業の可能性について議論を重ねて、
２０年２月から実証実験を開始。

缶、ペットボトルなどリサイクル品は他にもあるが、当面は技術的に確立して
いないガラス瓶に注力すると、原稿読み取り機（スキャナー）の開発で
培った光学技術と認識技術を組み合わせ、瓶を選別するでつ。

ガラス瓶の色分けや輪郭から重心位置を読み取り、真空吸着ハンドにより選別。
四合瓶であれば毎秒１瓶と、人の選別速度に近い処理速度を可能。

実用化に向けては処理施設内の各種ラインに対応するため、試作品よりコンパクトで
自立型にして、大幅なライン改変もなく、後付け設置も可能。

ガラス瓶３種の認識率は平均９９.１％。これを９９.９％まで引き上げたいとこ。
特に難しいのは、飲料用の瓶と化粧品用の瓶の選別。

人工知能で廃棄物を自動選別する装置。
カメラとＡＩによる画像認識で仕分けるでつ。

２４時間稼働が可能。
人手不足が課題となっている廃棄物処理業界に訴求。

カラーカメラと近赤外線カメラなどが付いたセンシングユニットと、
仕分けるためのロボットで構成。

重量物に適した多関節ロボットと、軽量物や平たい形の廃棄物に
最適なパラレルリンクロボットから、用途に合わせて選べるでつ。

ロボットは最低２基組み合わせる。同ユニット一つで、多関節ロボットは
４台まで連動可。

使用前に仕分けしたい廃棄物をセンシングユニットで読み取り、
ロボットにどの廃棄物を仕分けるかを操作パネルで指示すると、ベルトコンベヤー上を
流れてくる廃棄物を自動で仕分けるでつ。

１回で仕分けきれなかった廃棄物に関しては、自動投入クレーンなどを使って廃棄物を
装置に再投入させることで何度でも仕分けできるでつ。
夜間にセットしておけば、翌朝までに仕分けを完了させることも可能。

ごみ処理の自動化。
瓶の色の決め方もそれぞれKnow-howがあるでつ。
だけどシルバー人材の活用という観点からは手選別も活かしたところでつ。

AIに言葉の意味はわかるか

人工知能（AI）が人間のものと区別ができないほど巧みな文章を生成したり、
コミュニケーションロボットが大きな支障なく会話を進めたりするのが当たり前に
なってきたでつ。

コンピューターで言葉を扱う自然言語処理技術がこの数年で急進展したでつ。
言語というあいまいで揺らぎの大きい情報を機械が上手に扱えるようになったでつ。

自然言語処理の応用範囲も広がり、社会や産業のDX（デジタルトランスフォーメーション）の
カギを握る技術になってるでつ。

自然言語処理AIを使った最新の言語モデルが生成する「人間が書いたような」文章が
話題になっているでつ。

いろいろやり取りしてるアカウントはタスクをロボットのように自動でこなす
ソフトウエアであるボットだったでつ。

ボットが自動投稿に用いていたのは米AI研究機関が開発した「GPT-3」という
AI言語モデル。

文章読解が得意なAI言語モデル。

2018年10月にグーグルが発表した言語モデル「BERT」は、読解能力のベンチマークテストで
人間の平均レベルをはるかに上回る結果をたたき出し「AIが読解力で人間を超えた」と
注目されたでつ。

このGPTやBERTといった言語モデルは、ディープラーニング（深層学習）をベースにした
トランスフォーマーというAI技術を使っているでつ。

こうした機械学習AIによる自然言語処理と並んで、一時は下火になっていたAIに文法を
教える手法にも新たな進展があり、機械学習と性能を競っているでつ。

有力な文法理論である「組み合わせ範疇文法」をベースにした、異なる文同士の
含意関係を判定できるソフトウエアを開発。
金融関係などビジネス文書や医療関連の文書の意味解析に使うことを試みているでつ。

だがAIの言語理解は人間のそれではないでつ。

今のAIは単語や文書を多次元のベクトルで表現し、その相互の関係から言葉の意味の
近さを推定しているでつ。
「リンゴ」と聞いて、赤く甘酸っぱい果物を思い出しているわけではないでつ。

こうした弱点を補うため、言葉が話されている状況や話者の身ぶりや表情などの情報を
補うことでより文脈や状況に沿った言語理解を進めようという「マルチモーダル言語処理」が
注目されているでつ。

情報通信研究機構（NICT）などが高齢者介護の支援を目的に開発した柴犬型の
対話ロボット「MICSUS」は、相手の顔の表情から感情を推定したり、手ぶりや
頷きなどの動作を読み取ったりして、対話の内容を柔軟に変えることができるでつ。

でもなまりとかあるとどう理解するか…
例えば、秋田と鹿児島のロボットは…
てなこと考えると言葉を理解するのは、人でも難しいでつ。

駐車場の空き情報、AIで把握

人工知能（AI）開発スタートアップは、AIでトラックの駐車場の空き状況を把握する
サービスの提供を始めたでつ。
昼夜や天候を問わずほぼ100%の精度で検知できるでつ。

大型物流施設の平面駐車場で8月から実証実験を進めてきたでつ。
多くのトラックが行き交う物流施設では、効率よく駐車場を運用するニーズが高い。
AIで的確に状況を把握することで円滑な駐車、出庫につなげるでつ。

今後、大型物流施設を中心に導入を進める計画。
クラウドを経由せず、端末側でAIがデータを処理する「エッジAI」の技術を活用。
車両映像を外部に送る必要がないため、利用者のプライバシーが守られるでつ。

クラウドにデータをあげて処理する場合と比べ、やりとりするデータの量が少なくなるため
通信費用が抑えられるのも利点。

駐車場の空き情報が携帯やナビにリアルにくるとありがたいでつ。

アンドロイドの案内が…

最近、駅やショッピングモールとかではアンドロイドが案内してくれるでつ。
なんとなく…
テレビで見てた未来だなぁ～

今…
マクロスと同じ年代。

そこまでは…
だけど、それに近いかなぁ～
さて、どこまで想像の世界が実現するのかなぁ～

AIへの攻撃、3つの手法

日立セキュリティフォーラム 2020 ONLINE」で、研究開発グループが人工知能（AI）システムへの
攻撃手法について解説。

AIは攻撃を受けると、予測結果を誤ったり個人のプライバシーを脅かしてしまったりするなどのリスクが生じるでつ。
これまでIT（情報技術）システムへの攻撃はユーザーのルーターやサーバーを攻撃する事例が多数。

だけど、AIに対して直接的あるいは間接的に攻撃する研究事例の報告が増えているでつ。
同分野の論文は2014年から18年までの5年間で世界で1000本ほどだったでつが、19年の1年間で
約1000本が報告。

学術的にAIへの攻撃が注目されており、「一定期間を経て、社会でも実際に攻撃が起こるように
なると予測。

人工知能（AI）の予測傾向から教師データを不正に推測する攻撃手法。

前提として、AIに予測させるには学習フェーズと予測フェーズが必要。
まず学習フェーズで教師データをAIエンジンに学習。
予測フェーズでは担当者が仕様に沿って予測用データを入力し、AIエンジンが予測結果を出力。

AIエンジンを直接攻撃することは難しいでつ。
攻撃者はAIの学習フェーズや予測フェーズにおいて一部のデータを汚染することで
AIエンジンのセキュリティーを破ったり、AIに誤った予測結果を出させたりするでつ。

攻撃手法は大きく分けて3つ。
1つめが教師データの一部を汚染する手法。
攻撃者に都合がよいように変更した教師データをAIエンジンに学習。
例えばスパムメールの検知用AIに誤った教師データを学習させて、スパムメールを
検知できないようにするでつ。

2つめは予測用データの一部を汚染する手法。
代表的な攻撃対象が人物認識や物体認識のAI。
元データの画像に対して人間には検知できない微小なノイズを重ね合わせることで、
AIが誤った予測をしてしまうなどの研究事例があるでつ。

3つめは逆予測による攻撃手法。
攻撃者はAIエンジンに一定量の予測用データを入力して、出力された予測傾向から教師データを
不正に推測。
個人情報をAIが学習していた場合、プライバシー侵害につながりかねないでつ。

具体的には攻撃者が顔画像などの教師データを不正に入手してしまうなどの被害が考えられるでつ。

人工知能に対するセキリティも重要課題でつ。
だけど知能を持つからちとやっかいでつなぁ～