読了「人工知能は人間を超えるか/松尾豊」(その2)

人工知能は人間を超えるか/松尾豊

人工知能の入門書とも言われている本書。感想まとめ第2弾です。

第1弾はコチラ
http://r2d.info/2017/10/30/matsuo1/

第3弾はコチラ
http://r2d.info/2017/10/31/matsuo3/


第3章: 第2次 AIブーム(1980~1995)

エキスパートシステム:
専門分野の知識を大量に取り込み、推論を行う。

MYCIN(マイシン):
1970年代にスタンフォード大学が開発した人工知能。伝染病の血液疾患の患者を診断して抗生物質を処方する。膨大に蓄積された知識を基に、患者の症状に対してIF文を繰り返すことで症状を判定する。

エキスパートシステムの課題:
・専門家の知識ヒアリングに膨大な労力がかかる。
・ルールに一貫性が保たれない。
・曖昧な状態を表現でき無し。
・人間にとって常識的な知識を導入しにくい。

オントロジー研究:
「概念化の明示的な仕様」と定義され、知識を記述するときの仕様を定義しようとする研究。このように、エキスパートシステムの課題を受けて知識をどう定義するかの研究が盛んになった。

ヘビーウェイト・オントロジー:
人間によって概念間の関係を正確に定義して、知識を記述する。

ライトウェイト・オントロジー :
効率性を重視して、正確性に少々かけても大量のデータを読み込ませて自動で概念間の関係性を見つける。Webマイニングなどと相性が良い。

Watson:
IBMが開発した人工知能。ライトウェイトオントロジーの究極系とも称され、2011年にクイズ選手権で優勝。

フレーム問題:
あるタスクを実行するうえで関係ある知識だけを取り出して使うという作業が、ロボットや人工知能にとっては難しいという問題。バッテリーをとってくることを指示されたロボットが、バッテリーに付与された時限爆弾をどう処理するか、というダニエル・デネット氏の話が有名。

シンボルグラウンディング問題:
記号(文字列・言葉)と、それが意味するものとを結び付けられていないという問題。フレーム問題と並んで人工知能の難題とされる。

 





第4章: 第3次 AIブーム①(2010~2015)機械学習

機械学習:
「学習することとは分けること」と本書には記載されている。蓄積されたデータについて、それらのデータをどうすれば目的に沿って分類できるのかというイエス・ノー問題の解き方を人工知能が自ら学習する。

代表的な分類手法①:最近傍法
1番近いデータと同じカテゴリーだと認識する。

代表的な分類手法②:ナイーブベイズ法
データの特徴ごとに、どのカテゴリに当てはまるのかを算出して加算していく。

代表的な分類手法③:決定木
ある属性の値で線引きをして、その二分割を繰り返す。空間を斜めに切ることができない点が弱点。

代表的な分類手法④:サポートベクターマシン
マージンを最大にするようにいい感じに境界線を引く。

代表的な分類手法⑤:ニューラルネットワーク
人間の脳構造をヒントに開発された技術。後にディープラーニングへとつながる。

機械学習における難題:
フィーチャーエンジニアリング(識別のための特徴量設計)を人手でしなくてはならない。深層学習の搭乗前は、いい特徴量を作るのが一番大変で、人間がやるしかないとされてた。

なぜ今まで人工知能が実現しなかったのか:
知識の記述が出来ない。フレーム問題。シンボルグラウンディング問題。特徴量設計が難しい。総じて「世界からどの特徴に注目して情報を取り出すべきか」について人の手を借りざる得なかった。(これの解決の兆しを後に深層学習がみせるわけである。)

 


第5章: 第3次 AIブーム②(2010~2015)ディープラーニング

2012年のILSVRCでトロント大学がディープラーニングにより圧倒的な勝利を収めて世界に衝撃をもたらしたこと。そこから、ディープラーニング技術の詳細が記載されている。技術的なことについてはここでは省略します。(ググればSlideShareなど山ほど資料があるので)

ディープラーニングは今まで人工知能が実現できなかった概念を自ら作り出すということを可能にしうる。最難題である「世界からどの特徴に注目して情報を取り出すべきか」を学習により解決できる可能性を秘めている。と語られている。

 

つづく、(かも

“読了「人工知能は人間を超えるか/松尾豊」(その2)” への2件の返信

コメントを残す

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です