AI-Pass 第1章 AI（人工知能）

AI（人工知能）の定義

AIとは

• 定義：人間の知能に近い人工的な知識を持ったコンピュータ
  ※明確には定められていない

AIとロボットの区別

AI	・人間で言えば「脳」 ・人間の知能を再現する能力を持ったソフトウェア、アプリケーション
ロボット	・人間で言えば「体」 ・AI技術を搭載して自動的に動く物理的な機械

AIの研究

• 「AI」と言う用語は、1956年「ダートマス会議」と呼ばれる研究会議で、アメリカの「ジョン・マッカーシー」らによって始めて使用された。
• AI研究が始まった背景は、第二次世界大戦や計算機の発展がある

AIに知能をもたらす仕組み

知能をもたらす２つの仕組み

1. ルールベース
2. 機械学習

ルールベース

• 人間が事前に作成したルールや知識をプログラムに組み込むことで、予測や判断を行う技術。
• 複雑な問題に対処するために大量のルールが必要であるため管理が困難になる。

機械学習

• 機械(コンピュータ）が統計的手法やアルゴリズムを用いて入力した大量のデータからパターンを見出し、予測や判断を行う技術（自ら学習する）
• 現在の主流

機械学習の手法

1. 教師あり学習
2. 教師なし学習
3. 半教師あり学習
4. 強化学習

教師あり学習

• 入力したデータに対して正解データ(教師データ)のペアを与えて、モデルを訓練する手法
  （「ラベル付きデータ」：すでに正解が示されている問題）
• 「入力データ」と「正解データ」を反復的に学習(特徴を学習)することで、新しいデータに対しても正しい答えを予測できるようになる。

教師なし学習

• 入力したデータに対して正解データを与えず、データ自体のパターンや構造を自ら見つけ出す手法
  （「ラベルなしデータ」：正解が示されていない問題）
• 教師なし学習の代表的な手法
  • クラスタリング(分類）
    • 与えられたデータを類似した特徴やパターンを持つグループ(クラススター)に分類する。
    • データの理解や分析、異常検知に役に立つ。
  • 次元削減（特徴の圧縮)
    • データの次元(変数)を減らし、詳細を省いて必要な情報だけを残して、よりシンプルな形で情報(特徴)を認識する。
    • データの可視化や解析が容易になる。

半教師あり学習

• 一部を「教師あり学習」で、残りを「教師なし学習」と組み合わせて行う手法
• メリット
  • 少量のラベル付きデータを用意すればよいので、学習コストを抑えることができる。
• デメリット
  • 教師あり学習と比較すると学習精度が低くなることが多い
  • 正解ラベル付ける際に偏りが生じる
  • 予測されたラベルが正確でない可能性がある

強化学習

• コンピュータに対して目標を設定し、その目標の達成に近づくたびに報酬(褒美)を与える。
• 目標を達成するための最適な行動を自ら学習させる手法
  どのような行動をすれば報酬が最大化されるかを学んでいき、徐々に最適な行動を学習していく。

機械学習の手法

ノーフリーランチ定理

• ノーフリーランチ定理とは、「どの問題にも万能で汎用的なモデルは存在しない」
• AIを利用する目的や処理データの種類などを考慮して、最適な手法を選択することが重要。

人間の脳とニューラルネットワーク

人間の脳の仕組み

• 人間の脳には、高度な働きを支えている神経細胞があり、その個々の神経細胞のことは「ニューロン」という
• ニューロンは、多くの突起を持つ複雑な形状が特徴で、この突起には情報をやり取りする「シナプス」がある

人工ニューロンとニューラルネットワーク

• 人間の脳と神経細胞の仕組みをプログラミングによって再現(模倣)したものを「人口ニューロン(ノード)」という
• 人工ニューロンによる複層的な情報伝達の仕組みを「ニューラルネットワーク」という
• ニューラルネットワークをさらに何層にも重ねて作ったシステム用いた学習手法を「ディープラーニング(深層学習)」という

AI学習における「重み」と「重み付け」

• ニューラルネットワークが情報を処理する際は、すべての情報を均一に扱うのではなく、どの情報が重要で、どの情報がそれほど重要でないかを区別している
• 情報や事象の重要性そのものを「重み」という
• ニューラルネットワークを構成する人工ニューロン(ノード)が情報の重要性を調整すること（重要性に差異を設けること）を「重み付け」という

過学習(オーバーフィッティング)

過学習とは

• 過学習とは、機械学習のモデルが訓練データ(学習データ)をあまりにも正確に学習しすぎて、その訓練データのみに過剰に適合し、未知のデータに対して柔軟に予測できなること
• 過学習の状態になると訓練データに対して高い精度になる反面、未知のデータに対して予測精度が著しく低下する

過学習を避ける手法

1. アーリーストッピング
2. 正則化
3. ドロップアウト

アーリーストッピング

• 学習中に検証データの性能を定期的に確認し、過学習が始まる前に学習を終了させる手法である
• 停止後に同じ学習を再開することはしない。
• 多くの場合、検証性能が最も良かった時点のモデルを採用する
• 一時停止や再開を目的とした手法ではない

正則化

• モデルが訓練データに過度に適合（過学習）するのを防ぐための手法である
• モデルのパラメータ（重み）が過度に大きくならないよう制限・調整する

ドロップアウト

• 学習時にランダムに一部の人工ニューロンを無効化することで、過学習を防ぐ手法である
• 特定のニューロンや構造への依存を防ぎ、汎化性能を向上させる
• 推論時には、すべてのニューロンを使用する

転移学習

転移学習とは

• AIが１つのタスクから学んだ知識を別のタスクへと活用する学習手法
• 既に得た知識を活用できるため、より効果的に学習できる
• 学習済みモデルを利用

学習済みモデル

• あらかじめ大量のデータで学習を完了したモデル
• 転移学習やファインチューニングで再利用される

AIの種類

AIの4つのレベル

• AIにはレベル1～4の4つがある

レベル	利用	内容	特徴
レベル1	AI家電 ・冷蔵庫 ・エアコンなど	制御プログラム	条件による分岐で構成された単純な制御プログラ ム
レベル2	・チャットボット ・音声認識システム	ルールベースシステム	データを解析して、単純な予測や決定を行う
レベル3	・検索エンジン	機械学習	特徴量の設定(人間)により多様な出力ができる
レベル4	・自動運転技術	ディープラーニング	特徴量をモデル自ら調整し、大量データ処理ができる

特徴量とは

• AI（機械学習）がデータを判断・予測するために利用する「入力情報」

ANIとAGI

ANI(Artificial Narrow Intelligence)

• Narrow:狭い(限定された)
• 特定のタスクに限定して能力を発揮する人工知能
• 現在実用化されているAIの多くがANIに該当する
• 特定タスク以外の問題には対応できない（汎用的な知能は持たない）

AGI(Artificial General Intelligence)

• General:すべての
• 人間と同等の汎用的な知能を持つ人工知能
• 特定のタスクに限定されず、幅広い問題に対応できる
• 現時点では実現していない

AIの歴史

第一次AIブーム

• 1956年にダートマス会議をきっかけに始まり、約20年間にわたりAI研究が進展した
• 探索や推論を中心とした、ルールベースのAIが主流であった
• 1970年代後半に限界(ルールベースが複雑な問題に対して不適切である)が指摘され、ブームが終息し、AIの冬に入った

第二次AIブーム

• 1980年代に、コンピュータの性能向上を背景として、専門家の知識を取り込んだエキスパートシステムが注目を集めた
• 知識ベースの肥大化や保守・管理の困難さが問題となり、ブームが終息し、AIの冬に入った

第三次AIブーム

• 2010年代に入ってから現在まで続いている
• ビッグデータの活用とディープラーニング技術の発展が特徴
• 計算資源の向上により、高精度な学習が可能になった

シンギュラリティ（技術的特異点）

シンギュラリティ（技術的特異点）とは

• AIが人間の知能を超え、自己進化を続けるとされる状態
• この概念は、ウァーナー・ウィンジが提唱した

2045年問題

• レイ・カーツワイルが提起した問題
• 2045年頃にシンギュラリティが到来すると予測されている
• AIの急速な進化により、人間社会が大きな影響を受ける可能性がある

AI効果

• AI技術が日常に浸透することで、その革新性や価値が「当たり前」と感じられるようになり、AIによる成果であると認識されなくなる現象