Kindle版にて読了。
ここのところ世間を賑わせている人工知能（AI）。
著者の解説によれば、現在は第三次AIブームだそうだ。
第一次ブームは1950～60年代、コンピュータで「推論・探索」をする研究が進んだ。
第二次ブームは1980年代、コンピュータに「知識」を入れることが試みられた。
そして、第三次ブーム、ビッグデータの時代に広がった機械学習と、技術的に大きなブレークスルーであるディープラーニング（特徴表現学習）が花盛りである、と。
第二次ブームでは、機械が「知識」を習得することの難しさが壁になった。
人間なら簡単に操ることのできる知識に関わる作業をコンピュータにやらせるのは想像以上に難しいらしい。
たとえば、以下のような難問がある。
フレーム問題：あるタスクを実行すrのに「関係ある知識だけを取り出してそれを使う」という、人間ならごく当たり前にやっている作業を人工知能に如何にして実行させるかという問題。
シンボルグラウンディング問題：人工知能が、記号（文字列、言葉）とそれが「意味」するものを結びつけることができない問題。
「知識」をたくさん投入しても、基本的に入力した知識以上のことはできない、というのが第二次人工知能ブームの限界であった。
こうした閉塞感を打破する技術が「機械学習」であり、そのキーファクターとなるのが「特徴量」。
特徴量というのは 、機械学習の入力に使う変数のことで、その値が対象の特徴を定量的に表す。
この特徴量に何を選ぶかで 、予測精度が大きく変化する、と。
ただし、特徴量を記述するのはあくまで人間であった。
これに革新をもたらすのが「ディープラーニング」である。
ディープラーニングは、データをもとに、コンピュータが自ら特徴量をつくり出す。人間が特徴量を設計するのではなく、コンピュータが自ら高次の特徴量を獲得し、それをもとに画像を分類できるようになる。ディープラーニングによって、これまで人間が介在しなければならなかった領域に、ついに人工知能が一歩踏み込んだのだ。
ＡＩを実現するために、これまでいろいろな研究が行われてきて、そのたびにさまざまなトピックが取り上げられてきたが、結局、「特徴表現をどう獲得するか」というのが最大の関門で、その山を越えられなかった。ところがいま、ビッグデータと機械学習の間に抜け道ができた。それがディープラーニングで、ここを抜けていくと、その先にとても肥沃な世界が広がっているということである。社会的なインパクトも大きい。この先にまだいろいろな山があるのかもしれない。しかし、人工知能は長い停滞の時を超えて動き出したのだ。
素人でもわかりにくい概念ではないけど、なんとなくピンとこないような気もする。
個人的には、以下のような例示がイメージしやすかった。
自動車でも飛行機や電車でも、操縦士・運転士の大きな仕事のひとつは「おかしなことが起こっていないか」という「異常検知」である。異常検知というタスクは、高次の特徴量を生成し、そこから「通常起こるべきこと」を想定し、それと異なっていれば何かおかしいと感じるということだから、特徴表現学習の得意とするところだ。この仕事をコンピュ ータができるようになると、運転を人工知能が行うことも、遠隔で操作することも、いまよりずっと簡単になる。
なるほど、こういう視点で考えれば、人工知能の活かし方についてのアイデアも湧くかもしれない。
アクセス
