More Related Content
What's hot (12)
Similar to 文科系のための础滨超入门 (20)
More from Hirokazu Yatsunami (7)
Recently uploaded (11)
文科系のための础滨超入门
- 2. 参考文献?音源 ? TBSラジオ『好奇心家族』 ? 『絵でわかる人工知能』 三宅陽一郎、森川幸人 ? 『仕事ではじめる機械学習』 有賀康顕、中山心太、西林孝 ? 『人工知能システムのプロジェクトがわかる本』 本橋洋介 ? 『14歳から知っておきたいAI』 インフォビジュアル研究所 2
- 4. Agenda 前 篇 ? はじめに ? 人工知能(AI)60年の歴史から学ぶ ? 現在のAIブームから考える 人工知能(AI)の未来予想図 人工知能?機械学習とは？ 4
- 5. 人工知能(AI)の現在 人工知能とは ? 人が行う知的処理(脳)を代わり*1に行う装置 もしくは ? 人の や 、 、 や を 代替するソフトウェア群の総称 ? 現在、活用されているのは「弱いAI」(詳細後述) 学習 認識?理解 予測?推論 計画?最適化 こんなルール があります 売り上げが 伸びそうです *1 代わりを行うには人と同等、それ以上の精度が必要です 目 耳 手足 計算 会話 5
- 6. 6 学習 認識?理解 予測?推論 計画?最適化 こんなルール があります 売り上げが 伸びそうです ?密漁船の検知 ?不正行為やサボ タージュの監視 ?過去の類似事例 検索 ?デフォルトの検知 ?プロジェクトの炎上 防止 ?不審者の検知 ?迷子の発見 ?検査、検品 ?農業での活用(レ タスと雑草) ? 読唇術 ? 翻訳 ?故障の検知 ?相性の予測 ?売上げの予測 ?交通渋滞の緩和 ?広告の最適化 ?出店の最適化 ?保育園の最適化 人工知能(AI)の現在
- 7. 7 学習 認識?理解 予測?推論 計画?最適化 こんなルール があります 売り上げが 伸びそうです 人工知能(AI)の現在 売上向上 コストダウン 品質向上 リスク低減 – 企業がAIを導入する目的
- 9. 9 人工知能(AI)の現在 - 例1 ? 中国で最大のECサイトを運営するアリババ(阿里巴巴集 団)のデザイナーは1500人ほど 売上向上 コストダウン 品質向上 リスク低減 ? デザイナーはAIのトレーナーとして毎日AIに対し商品学習を行ってい ます。 ? AIは1秒で8000バナー作成可能→人口4億人の消費者 1人1人にパーソナライズされたデザインを提供でき、広告効果に関 する数値も格段に良い(人間に換算すると何十年もかかる工数) AI時代のデザイナー やプログラマの形を 示唆しています
- 10. 10
- 11. 11 人工知能(AI)の現在 - 例2 ? 中国では今、モバイル決済が爆発的に普及。その中で8割以上 のシェアを持つのが、モバイル決済サービス「アリペイ」 アリペイは、アリババの金融部門が独立したもので、70以上の 国と地域、8万社以上の加盟店に導入されている。 ユーザー数は を突破し、 1日の平均取扱件数は 以上。 決済を入り口とした巨大なプラットフォームを形成 売上向上 コストダウン 品質向上 リスク低減 ? 関連サービスとして、AIで貸付可能かどうか自動で判断する少額 ローン「アント?クレジット」 「ジーマ信用700点以上の人しか集めないで！」 など、合コンの人集めの基準にもなっているとか ? アリババが持つ信用情報やディープラーニングを活用して個人の社 会信用度を数値化する「ジーマ信用」 4億5000万人 1億件
- 12. 12 人工知能(AI)の現在 - 例3 ? 映像配信サービス?Netflix ではキャスティング、スタッフの選定の AIからのレコメンド情報を参考にしています。中の人が開発したアル ゴリズム「AVA」 ? また、サムネイル画像(=つまり、その映画やドラマの見どころを表す 画像)を抽出する作業は人手を介さずに人工知能が担っています。 ? 通常1時間のドラマは8万6000枚という膨大なコマ 売上向上 コストダウン 品質向上 リスク低減
- 13. 13 人工知能(AI)の現在 - 例4 ? 配達の2割は再配達。再配達コストは年間2600億円 売上向上 コストダウン 品質向上 リスク低減 ? 2020年までに東京電力の電気メータは、全てスマートメータ化され ます。 ? スマートメータで電気使用率のパターンをAIが学習することで、住人 が家にいるか高い精度で分かります。 ?もっとも効率的な経路をレコメンド配達員の無駄足が減り、再配 達コストの削減に繋がります。
- 17. 17 人工知能(AI)の現在 - 例6 試してみました??? AIは万能でない。 お膳立てしたインプットが大事（詳細後述)
- 18. 18 人工知能(AI)の現在 - 例7 ? リアル「ほんやくこんにゃく」。お互いが装着をして異なる言語で会話をします。自 分が話した言語は、相手のイヤホンを通して翻訳され、翻訳されたテキストが相 手のイヤホンから再生される仕組み。LINEのNAVER社が開発。今年、まずは 韓国にて発売予定
- 21. 21 第2次産業革命 情報革命 ネット革命 産業における革命の歴史 AI革命? 産業革命 規 模 時間 機械化、自動化 電動化 電子情報化 オンライン 化 知能化 1750 1860 1960 2000 2010 徳川吉宗 死去 桜田門外の変 明治維新へ??? 安保闘争 池田勇人「所得倍増計 画」 慎吾ママ 「IT革命」
- 22. 22 産業における革命の歴史 – コンピュータの進歩 わず か 5MB IBM 350 ??? 月額35万円でリースされていまし た 1960年代
- 25. 25 Agenda 前 篇 ? はじめに ? 人工知能(AI)60年の歴史から学ぶ ? 現在のAIブームから考える 人工知能(AI)の未来予想図 人工知能?機械学習とは？
- 27. 人工知能(AI)60年の歴史 27 第1次 AI ブーム 「人工知能」構想 第2次 AI ブーム エキスパートシステム の実用化 第3次 AI ブーム 機械学習アルゴリズム の発展 ディープラーニング ニューラルネットワーク(パーセプト ロン)の登場 確率論的AIの推論ロジック の発展 1970年代 1990年代 1960年代 1980年代 2010年代
- 30. 30 過度な期待 失望
- 31. 人工知能(AI)60年の歴史から学ぶ 31 1 第1次 AI ブーム – 壮大な夢を抱く 1956 年にアメリカのダートマス大学に集まった4人の科学者(全員チューリッヒ 賞受賞者でノーベル賞受賞者含む)による楽観的な構想からスタートしました。 1960年代 マービン?ミンスキー (1927-2016) 今(1956年)から 3~8年の間に、平 均的人間の一般的 知識を備えた機械 が登場する コンピュータは情報をデジタルに記号化できる → 言葉も記号化できる → 知識も記号化できる！ (思考の算術化)
- 32. 人工知能(AI)60年の歴史から学ぶ 32 1 第1次 AI ブーム – 壮大な夢を抱く 「フレーム問題」 に直面する 乳児すら超えることができなかった しかし、実際の知識習得において??? わんわん だ??? ?猫でない ?ワンワンなく ?トラでない ?噛み付く ?四本足 ?耳が2つ ?目がある ?尻尾をふる ? ? ? 1960年代 生得的に 知識を獲得す る 物理的常識 (学校でわざわざ教えないこ と) 人間の行動の 95％は無意識下
- 33. 33
- 36. 36 過度な期待 現実の成果 1 第1次ブームの到達点 マービン?ミンスキー (1927-2016) 今(1956年)から3~8年の 間に、平均的人間の一般 的知識を備えた機械が登 場する ? チェスをさせるプログラム ? 迷路をゴールできるプログラム ? 「あるルールの中での最適解を見つ ける」「決まった制約の中で、素早く問 題を解く」???「高度な計算機」どまり
- 37. 冬の時代へ… 37
- 38. 60’s ? 80’s 38
- 39. 人工知能(AI)60年の歴史から学ぶ 39 2 ルール?ベースの限界 …失望から AI 冬の時代(研究費削減)へ… 1980年代 第2次 AI ブーム – エキスパートシステム 夢は捨てて、 地に足付けよう フレーム問題を回避して、 専門分野に特化しよう 彼が唱えたコンセプトをもとに、全世界でエキスパートシステムを開発するベンチャー 企業が誕生し、何千ものシステムが開発されました。しかし成功は限定的でした。 エドワード?ファイゲンバウム (1936- ) 専門領域に 関するデータ ベース 推論 システム インター フェース 質問 回答 例外の情報にきわめて弱い。? 実際のところ人間の思考は無数の例外の集積 Why???? 大量のルール（if~thenのかたまり)とそれに紐づく大量の答えを用意する必要 があった。専門家へのインタビューが必要 ? 膨大な手間
- 40. 40 2
- 41. 41 2
- 43. 43
- 45. 第2次ブームの到達点 45 過度な期待 現実の成果 2 ?「フレーム問題」を回避して、特定の分 野に特化すれば、優秀な仕事をしてくれ るはず ?通産省が570億円の予算を支出。 国家プロジェクト。
- 46. 46 第2次ブームの到達点2
- 47. 冬の時代へ… 47
- 48. 80’s ? 10’s 48
- 49. 人工知能(AI)60年の歴史から学ぶ 49 3 2010年代 第3次 AI ブーム – ディープラーニング 脳の神経細胞とニューロン の仕組みや視覚野を 多層パーセプトロンで 真似しよう！ ジェフリー?ヒントン (1947- )
- 50. 人工知能(AI)60年の歴史から学ぶ 50 3 y = h(x1w1 + w2x2) h(a) = 0 (a <= θ) h(a) = 1 (a > θ) 2010年代
- 59. 59 画像認識の一例:d-hash (中級者向け)3 2010年代 78 22 55 34 45 78 22 44 12 98 78 67 34 34 87 55 78 22 55 34 45 78 22 44 12 98 78 67 34 34 87 55 78 22 55 34 45 78 22 44 78 22 55 34 45 78 22 44 12 98 78 67 34 34 87 55 「01110110011100 0001111001010110 1100110011000100 1101011010001110 00」 ベロを出している際の口元の画像、そのビット値のパターンが キャンディの特徴の一つとなる 64次元ベクトル (8*8色に圧縮)に 圧縮?隣接画素の 輝度差の符号をビッ ト化(自分の一つ右 隣のピクセルと輝度値 を比較し、右隣より輝 度が小さければ「0」 同じか大きければ 「1」)
- 63. 人工知能(AI)70年の歴史から学ぶ 63 3 第3次 AI ブーム – ディープラーニング 人間がどこに注目して「３」を認識しているかはわからない。 「どこに注目すべきか」という特徴を人間が与えても精度は あまり上がらないし、膨大な手間が掛かる。 * 前述したルールベースの限界 正解と不正解の情報をあたえ、どこに注目して判断するかも 含め、AIに特徴を抽出してもらう ＊ルールベースからの脱却 2010年代
- 65. 【まとめ】人工知能(AI)70年の歴史 65 第1次 AI ブーム 「人工知能」構想 第2次 AI ブーム エキスパートシステム の実用化 第3次 AI ブーム 機械学習アルゴリズム の発展 ディープラーニング ニューラルネットワーク(パーセプト ロン)の登場 確率論的AIの推論ロジック の発展 1950年代 1970年代 1980年代 1990年代 2010年代 1960年代 1980年代 2010年代 計算が早いAI ものしりなAI 経験から賢くなるAI
- 66. 度目の正直なるか???!? 66
- 67. 10’s ? 20’s-30’s 67 ?2020年 プログラミング必修化 ?2029年 1台のPCが1人の人間と 同じ能力になる ?202x年 空飛ぶ自動車実用化 ?2020年 東京オリンピック ?2019年 改元(平成?????)
- 69. 69 Agenda 前 篇 ? はじめに ? 人工知能(AI)70年の歴史から学ぶ ? 現在のAIブームから考える 人工知能(AI)の未来予想図 人工知能?機械学習とは？
- 70. 70 一旦、整理します
- 73. 73 外部環境 の多元的 認識 行動の 因果律の 理解 視覚の 獲得 自分の 行動の 認知 言葉から 知識獲得 今ココ 認識 → 作業の上達 → 言語の意味理解 → 知識の理解 言語理解 自動翻訳 第3次ブームを経て、そして強いAI へ?! 第３次ブームは、強いAIへ向けた助走の時期…?
- 74. 74 整いました
- 78. 78 第3次AIブームの3つのポイント ビッグデータ?IoT時代の到来 IoTセンサーやクラウドコンピューティングが発達したことで、これまでよりも多種のデー タを集められ、豊富な学習データを集められるようになりました。 2 （出典）IDC’s Digital Universe, 「The Digital Universe of Opportunities:Rich Data and the Increasing Value of the Internet of Things」Sponsored by EMC （2014年4月）等により作成 2020年のデジタルデータ量は、 2011年と比べただけでも、40倍 2016年と比べた場合でも、その5倍ほど 2020年のデジタルデータ量予測
- 79. 79 第3次AIブームの3つのポイント ビッグデータ?IoT時代の到来 2 2017年 : 約 6,000PB 2020年 : 約 12,000PB 出典 :IDC, Worldwide Quarterly Enterprise Storage Systems Tracker Forecast 2016Q3 x2 企業活動におけるデータ量予測
- 81. アルゴリズムの種類 回帰 分 類 向いているケース 向いていないケース ディープラーニング ○ ○ ?精度が重要なとき ?データが大量なとき ?画像データや自然言語データのとき ?予測の理由を人が理解したいとき ?データが少ないとき 決定木 ○ ?判別の理由をシンプルに解釈したい ?対象をグループ化して施策を考える 多数の要因が複雑に絡み合っていると想定さ れるとき ランダムフォレスト ○ ?精度が重要なとき ?判別理由を解釈したいとき 対象をグループ化して施策を考えたいとき 線形分類器 ○ 説明変数が少なく、単純なルールで判別が できそうなとき 精度が重要なとき Support Vector Machine(SVM) ○ 精度が重要なとき 判別の理由を人が解釈したいとき 線形回帰分析 ○ 精度が重要なとき 予測の理由を人が理解したいとき ロジスティック回帰分析 ○ 判別の理由を重要度と共に理解したいとき ?精度が重要なとき ?説明変数の加工を行う手間やスキルがない 81 第3次AIブームの3つのポイント3 枯れてきた。 適材適所のノウハウが蓄積
- 82. ?第 次AIブームの つのポイント 機械が賢くなるための と 賢くなるための （ 、 ）を手に入れる 82 データ 手段 ハードウェア アルゴリズム
- 84. 84 過度な期待 失望
- 88. 88 第3次AIブーム詳解 –多元的認識?マルチモーダルとは？- マルチ?モーダルが実現していない世界では、以下の情報が全て孤立した、 無関係な状態で存在しています 文字での「タモリ」 音声での「たもり」 感覚と感覚の掛け合わせが、マルチモーダル 視覚 X 聴覚 記憶 X 視覚
- 90. 90 第2次産業革命 情報革命 ネット革命 産業における革命の歴史 AI革命? 産業革命 規 模 時間 機械化、自動化 電動化 電子情報化 オンライン化 知能化 1750 1860 1960 2000 2010 徳川吉宗 死去 桜田門外の変 明治維新へ??? 安保闘争 池田勇人「所得倍増計画」 慎吾ママ 「IT革命」 再掲載
- 91. 91 人類が経験してきた革新的進歩について 現在までの年数 次のパラダイムまでの年数 パラダイム 300,000 200,000 ホモ?サピエンス 100,000 75,000 ホモ?サピエンス?サピエンス 25,000 15,000 絵画、初期の都市 10,000 5,000 農業 5,000 2,490 文字?車輪 2,510 1,960 都市国家 550 325 印刷?実験的手法 225 95 産業革命 130 65 電話?電気?ラジオ 65 38 コンピュータ 27 14 パーソナル?コンピュータ 18 10 インターネット 8 ???????? スマートフォン
- 92. 収穫加速の法則 –そして???シンギュラリティへ??- 92 新しい技術は、それまで の技術によって効率的に 開発が開発されると考え られています。技術は蓄 積され、蓄積がさらに技 術の進化を速くするため、 技術は加速度的に進化 するという考え方。 出典:Timeの2011年2月の「2045: The Year Man Becomes Immortal」より 【予測】 2029年頃 1台のPCが1人の人 間と同じ能力になる。 2045年頃 1台のPCが全人類と 同じ能力になる。
- 95. シンギュラリティ と 脳の研究 – 電脳化による永遠の 命? 95 コネクトームが十分に解析され、コンピューターの中で人間の意識を再現できるように なった未来に備えて、Nectome社は脳の微細な構造を安定化させた上で冷凍保 存するサービスを提供する予定(約100万円)。???ただし処置を施すと100％死に 至る
- 96. 人工知能(AI)のこれから 96 外部環境 の多元的 認識 行動の 因果律の 理解自分の 行動の 認知 言葉から 知識獲得 今ココ 認識 → 作業の上達 → 言語の意味理解 → 知識の理解 そして、強いAIへ？ 言語理解 自動翻訳 視覚の 獲得 再掲載
- 101. 第3次AIブーム詳解 –機械学習の分類- 教師あり学習 入力(説明変数)と正解(目的変数)が対 になったデータを入力し、その関係性を再 現するようなモデルを生成する学習。 入力 正解 イヌ 教師なし学習 正解のないデータを入力し(説明変数とし)、 抽出した特徴のパターンを基に類似したグ ループを見付け、それぞれのモデルを生成し たり、隠れたパターンを発見します。クレジッ トカードの不正利用などはクラスタリングから の異常値で検知したりします。 回帰 分類 クラスタリング 次元分類 入力 プログラマが記述することが難しい分岐 あるいは 気づかない特徴を学習 101
- 102. 102 第3次AIブーム詳解 –回帰？分類？- 回帰 回帰は、様々な要因から推測される数値を 予測するものになります。…例えば、web広 告, テレビCMなどに出した数とその月の売 り上げについて過去の売り上げ実績を元に 各広告の出稿数を変化させた時に売り上げ がどのように変わるかなどを分析します。 分類 分類は、数値ではなくいくつかの項目のうちど れに当てはまるかを予測するようなものになり ます。 例えば、webアクセス者の年齢, 性 別, 居住地域などから広告がクリックされる か否かのどちらかを当てるといった2つのうちど ちらかとなるものはニ値分類、3つ以上のどれ かのうちどれに当てはまるかは多値分類等が 存在します。 売り上げが 伸びそうです このお客さんは 優良顧客です。
- 103. アルゴリズムの種類 回 帰 分 類 向いているケース 向いていないケース ディープラーニング ○ ○ ?精度が重要なとき ?データが大量なとき ?画像データや自然言語データのとき ?予測の理由を人が理解したいとき ?データが少ないとき 決定木 ○ ?判別の理由をシンプルに解釈したい ?対象をグループ化して施策を考える 多数の要因が複雑に絡み合っていると 想定されるとき ランダムフォレスト ○ ?精度が重要なとき ?判別理由を解釈したいとき 対象をグループ化して施策を考えたいと き 線形分類器 ○ 説明変数が少なく、単純なルールで判 別ができそうなとき 精度が重要なとき Support Vector Machine(SVM) ○ 精度が重要なとき 判別の理由を人が解釈したいとき 線形回帰分析 ○ 精度が重要なとき 予測の理由を人が理解したいとき ロジスティック回帰 分析 ○ 判別の理由を重要度と共に理解した いとき ?精度が重要なとき ?説明変数の加工を行う手間やスキル がない 103 第3次AIブーム詳解 –機械学習のアルゴリズム(回帰と分類)-
- 104. 104 Screen Only
- 105. 105 Screen Only
- 106. 106 Screen Only
- 107. 107 Screen Only
- 108. 108 Screen Only
- 109. 109 Screen Only
- 110. 110 Screen Only
- 111. 111 Screen Only
- 112. Demo??? 112
- 113. Thank You! uchutantei@gmail.com https://medium.com/@yatsunami H I R O K A Z U Y A T S U N A M I