ゆたにゃんぶろぐ

慶應義塾大学経済学部卒のメンヘラニートの魔法少女

サルでも分かるか!?人工知能 その1 「人工知能は人間を超えるか」を読んでみた

こんばんわ。サルです

タイトルのとおり、人工知能には興味はあるけど、知識はおサルさんな小生が人工知能について勉強していきたいと思っています。

一応記事のシリーズ化を狙ってますが、いろいろと調べるのが面倒くさくなって途中で投げちゃうかもです。

 

元々人工知能には興味はあったのですが、もうちょっと調べてみようと考えるようになったきっかけはこちらの記事ですね。

d.hatena.ne.jp

カリスマプログラマーであり、カリスマブロガーであり、カリスマ社長であられるところのカリスマの3乗カリスマの3冠王、もはやカリカリカリスマスマスマであられるところの清水亮様の記事です。

 

上記記事によれば、現在人工知能を使いこなせる人材が圧倒的に足りないとのこと。

人工知能人材を大きく3つのヒエラルキーに分けると

ニューラルネットを自分で構築できる人材(最上位)

人工知能をプログラミングできる人材(2番目)

人工知能を活用するアイディアを出せる人材(3番目)

ということらしいです。

①になると東大卒ぐらいの地頭が必要らしいのですが、②レベルだとPythonという言語が使えればなんか行けるらしいです。Pythonってなんだ?ウッキー)

おサルの小生のイメージだと、一般のIT企業で並以上のコーディングができるぐらいでしょうか?

③だと言語すら使えなくても、人工知能についてのおおよの知識があれば行けそうです。

なんというか、人工知能狙い目?これから?先行者利益取れるかも?みたいな感じがします。矮小です。すいません。

とはいえ、プログラミングといえばエクセルVBAをかじったぐらいのおサルな小生ですから、狙いは俄然③になります。エヘン。

 

さて、人工知能ってすげー・・・・・らしい? ぐらいしか知らなかったおサルな小生ですが、以下の記事を読んで、自分が本当に人工知能についてなんにも知らないことを思い知らされました。

kazoo04.hatenablog.com

強いAI弱いAIですって。

知らなかった、そんなこと。

そんなわけで、自分の無知を本当に痛感した小生は、清水亮様ご推薦の下記の本にまずあたってみました。

 

人工知能は人間を超えるか (角川EPUB選書)
 

 kindleで500円というのもありがたいですね。

 

さて、今回はお猿解釈で上記書籍をサマってみたいと思います。

 

本書は人工知能開発の歴史から、今人工知能が耳目を集めるきっかけとなったdeep lerangの仕組みについてご説明いただいております。

具体的には

人工知能開発は期待された成果を発揮できなかったため、2度の冬の時代があった

ボトルネックになっていたのは表現学習の自動アルゴリズムを実装する理論がなかったこと

ニューラルネットワークを多層化すれば人工知能は飛躍的進化を遂げる事は古くから予見されていたが、表現学習の自動アルゴリズムが存在しなかったため、多層化したニューラルネットワークを組んでも精度の高い人工知能は作れなかった

deep learnigの開発により、表現学習の自動アルゴリズムの理論が実装化された

deep learningは今までの人工知能をはるかに凌駕する性能を発揮した

 

おそらく(おサルらく)最も大事なキーワードは2つで、表現学習(本書内ではより理解しやすいように特徴表現学習という言葉を使われていますが、人口知能界隈では表現学習という表現が一般的だそうです)とニューラルネットワークだと思われます。

 

表現学習とは、つまり猫という概念を人工知能に教えるにあたって、(本当にざっくり言うと)耳が2つ立っていて、ニャーと鳴いて、もふもふで、気まぐれで、飼い主を下僕と思っていて云々、その概念の特徴を学習することです。

deep learnigの登場以前は、そのパラメーターを(本当にざっくり言うと)、人間が人力で人工知能に与えていました。

パラメーターの微妙なチューニングが成果の良し悪しに影響して、その誤差は精度を0.1%向上させるのに時間と心血そそいでいたそうです。

ところが、deep learnigの登場によって、表現学習のアルゴリズムを自動化させることに成功しました。

この画はヨットか、花か?などの画像判断のコンペで、長年エラー率25%周辺で競っていたものが、いきなりエラー率16%と、文字通り桁外れの精度の差をつけたそうです。

 

ニュラールネットワークとはある情報を下層から上層へ受渡しながら、その精度を確認していくシステムです。

f:id:chocolate0521:20151020210214j:plain

 

①層がある種の条件でこれは猫だと判断し、②層へ受け渡します。②層が確かにこれは猫だと判断したら①の判断条件にウェイトを与えます。②層も同様に③層へこれは猫ですと受け渡します。③も同様にこれは猫だと判断したら、①の判断条件にさらにウェイトを与えます。逆にこれは猫ではないと判断したら、①の判断条件のウェイトを落とします

この受け渡しとフィードバックを無数に繰り返すことによって、より強固な、複数の判断条件を獲得していくわけですね。

 

さて、最初の話に戻りますが、この理屈だと確かにニューラルネットワークを多層化することによって、より精度の高い人工知能が出来そうです。

しかし、実際には精度は上がりませんでした。これが冬の時代の理由です

 

そこに大きなブレイクスルーをもたらしたのがdeep learningです。

そのキモはわざとエラー値を与えることでした。

わざとエラー値を与えたり、わざと一部のニューロンネットワークを遮断することにより、その判断条件本当にに正しいの?、と試練を与えてしごいたのですね

その試練としごきに耐えぬいた判断条件を生むことによって、表現学習の自動化に成功したわけです。

(本当におサルなサマリーで申し訳ございませんw これ採用担当者が見たら俺絶対に採用されないだろうなぁwwwwww)

 

 

さて、界隈で話題のgoogleさんが猫を認識したというニュースですが、deep learningシステムに1,000万枚ほどの画像を読ませたそうです。

そうすると、ニューラルネットワークのある階層に猫が判別分離して現れてきた、ということのようです。

今のところ人工知能は画像診断を自動でできるようになった、という段階で、まだいわゆる弱いAIと考えて良いのかもしれません。

ただ表現学習が自動化されたことが大きなブレイクスルーで、今後多方面での発展が期待できるそうです。例えば画像だけではなくて、圧力とか音とか、その組み合わせとか。

 

小生人工知能については素人目線でまだまだ知りたいことが沢山あるので、出来る限りこのシリーズを続けていけたらと思います。(今回の記事を書いてて、自分の無知さにかなり心が折れていますがw)