a3ec7b1e9e
|
||
|---|---|---|
| .. | ||
| README.md | ||
| assignment.md | ||
README.md
AIの概要
スケッチノート: Tomomi Imura
講義前のクイズ
**人工知能（AI）**は、コンピュータが知的な振る舞いを示す方法、つまり人間が得意とすることを行う方法を研究する科学分野です。
もともとコンピュータは、チャールズ・バベッジによって、アルゴリズムと呼ばれる明確な手順に従って数値を操作するために発明されました。現代のコンピュータは、19世紀に提案された元のモデルよりもはるかに高度ですが、依然として制御された計算という同じアイデアに基づいています。そのため、目標を達成するために必要な手順を正確に知っていれば、コンピュータをプログラムして何かを実行させることが可能です。
✅ 写真から人物の年齢を定義することは、明確にプログラムすることができないタスクです。なぜなら、私たちが頭の中で数字を思い浮かべる方法を正確に説明することができないからです。
しかし、明確に解決方法がわからないタスクも存在します。例えば、写真から人物の年齢を判断することを考えてみてください。私たちは、さまざまな年齢の人々の例をたくさん見てきたため、これを学習することができますが、どのようにしてそれを行うのかを明確に説明することはできませんし、コンピュータにそれをプログラムすることもできません。このようなタスクこそが、**人工知能（AI）**の関心の対象となるものです。
✅ コンピュータに任せることでAIの恩恵を受けられるタスクをいくつか考えてみましょう。金融、医療、芸術の分野を考慮して、これらの分野が今日どのようにAIの恩恵を受けているかを考えてみてください。
弱いAIと強いAI
| 弱いAI | 強いAI |
|---|---|
| 弱いAIは、特定のタスクや限定されたタスクのために設計・訓練されたAIシステムを指します。 | 強いAI、または人工汎用知能（AGI）は、人間レベルの知性と理解を持つAIシステムを指します。 |
| これらのAIシステムは一般的な知性を持っているわけではなく、事前に定義されたタスクを実行することに優れていますが、真の理解や意識は欠けています。 | これらのAIシステムは、人間が行うあらゆる知的タスクを実行し、異なる領域に適応し、意識や自己認識の形を持つ能力を持っています。 |
| 弱いAIの例には、SiriやAlexaのような仮想アシスタント、ストリーミングサービスで使用される推薦アルゴリズム、特定のカスタマーサービスタスクのために設計されたチャットボットなどがあります。 | 強いAIの実現はAI研究の長期的な目標であり、幅広いタスクやコンテキストにわたって推論、学習、理解、適応するAIシステムの開発が必要です。 |
| 弱いAIは非常に専門的であり、その狭い領域を超えた人間のような認知能力や一般的な問題解決能力を持っていません。 | 強いAIは現在理論的な概念であり、このレベルの汎用知能に到達したAIシステムは存在していません。 |
詳細については 人工汎用知能 (AGI) を参照してください。
知能の定義とチューリングテスト
知能という用語を扱う際の問題の1つは、この用語に明確な定義がないことです。知能が抽象的思考や自己認識に関連していると主張することはできますが、適切に定義することはできません。
写真 by Amber Kipp from Unsplash
知能という用語の曖昧さを理解するために、「猫は知能を持っているか？」という質問に答えてみてください。この質問に対する答えは人によって異なる傾向があり、この主張が真実かどうかを証明する普遍的に受け入れられるテストはありません。そして、もしあると思うなら、あなたの猫にIQテストを受けさせてみてください...
✅ 知能をどのように定義するかについて少し考えてみてください。迷路を解いて食べ物にたどり着くことができるカラスは知能を持っているでしょうか？子供は知能を持っているでしょうか？
AGIについて話す際には、真に知能を持つシステムを作成したかどうかを判断する方法が必要です。アラン・チューリングは、**チューリングテスト**と呼ばれる方法を提案しました。これは知能の定義としても機能します。このテストでは、与えられたシステムを本質的に知能を持つもの、つまり実際の人間と比較します。自動比較はコンピュータプログラムによって回避される可能性があるため、人間の尋問者を使用します。したがって、人間がテキストベースの対話で実際の人間とコンピュータシステムを区別できない場合、そのシステムは知能を持つと見なされます。
サンクトペテルブルクで開発されたチャットボット Eugene Goostman は、2014年に巧妙な性格トリックを使用してチューリングテストに近づきました。このボットは、13歳のウクライナ人少年であると事前に宣言し、知識の欠如やテキストの矛盾を説明しました。このボットは、5分間の対話後に審査員の30％を人間だと信じ込ませました。これは、チューリングが2000年までに機械が達成できると信じていた指標です。しかし、これが知能を持つシステムを作成したことを示しているわけでも、人間の尋問者を欺いたことを示しているわけでもありません。このシステムが人間を欺いたのではなく、ボットの作成者が人間を欺いたのです！
✅ チャットボットに人間と話していると思い込まされたことはありますか？それはどのようにしてあなたを納得させましたか？
AIの異なるアプローチ
コンピュータを人間のように振る舞わせたい場合、コンピュータ内で私たちの思考方法を何らかの形でモデル化する必要があります。そのため、人間が知能を持つ理由を理解しようとする必要があります。
機械に知能をプログラムするためには、私たち自身の意思決定プロセスがどのように機能しているかを理解する必要があります。少し自己内省をしてみると、無意識に行われるプロセス（例: 猫と犬を区別すること）と、推論を伴うプロセスがあることに気付くでしょう。
この問題には2つのアプローチがあります：
| トップダウンアプローチ（記号的推論） | ボトムアップアプローチ（ニューラルネットワーク） |
|---|---|
| トップダウンアプローチは、人が問題を解決するために推論する方法をモデル化します。これには、人間から知識を抽出し、それをコンピュータが読み取れる形式で表現することが含まれます。また、コンピュータ内で推論をモデル化する方法を開発する必要があります。 | ボトムアップアプローチは、人間の脳の構造をモデル化します。脳はニューロンと呼ばれる多数の単純なユニットで構成されています。各ニューロンは入力の加重平均のように機能し、トレーニングデータを提供することで、ニューロンのネットワークを訓練して有用な問題を解決できるようにします。 |
他にもいくつかのアプローチがあります：
-
創発的、シナジェティック、またはマルチエージェントアプローチは、多数の単純なエージェントの相互作用によって複雑な知的行動が得られるという事実に基づいています。進化的サイバネティクスによれば、知能はより単純で反応的な行動から、メタシステム移行の過程で創発することができます。
-
進化的アプローチ、または遺伝的アルゴリズムは、進化の原則に基づいた最適化プロセスです。
これらのアプローチについては後の講義で検討しますが、今は主にトップダウンとボトムアップの2つの方向に焦点を当てます。
トップダウンアプローチ
トップダウンアプローチでは、私たちの推論をモデル化しようとします。推論する際に自分の思考を追うことができるため、このプロセスを形式化してコンピュータ内にプログラムすることができます。これを記号的推論と呼びます。
人々は意思決定プロセスを導くいくつかのルールを頭の中に持っている傾向があります。例えば、医師が患者を診断する際、患者が発熱していることに気付き、それによって体内で炎症が起きている可能性があると判断するかもしれません。医師は特定の問題に対して多数のルールを適用することで最終的な診断を導き出すことができます。
このアプローチは知識表現と推論に大きく依存しています。人間の専門家から知識を抽出することは最も難しい部分かもしれません。なぜなら、医師は多くの場合、特定の診断を導き出す理由を正確に知らないことがあるからです。時には、明確な思考なしに解決策が頭に浮かぶこともあります。写真から人物の年齢を判断するようなタスクは、知識を操作することに全く還元できない場合もあります。
ボトムアップアプローチ
一方で、私たちの脳内の最も単純な要素であるニューロンをモデル化しようとすることもできます。コンピュータ内に人工ニューラルネットワークを構築し、例を与えることで問題を解決する方法を教えることができます。このプロセスは、新生児が観察を通じて周囲について学ぶ方法に似ています。
✅ 赤ちゃんが学ぶ方法について少し調べてみてください。赤ちゃんの脳の基本的な要素は何ですか？
機械学習については？ データに基づいて問題を解決する方法をコンピュータが学習する人工知能の一部を機械学習と呼びます。この講義では古典的な機械学習を扱いません。別の初心者向け機械学習カリキュラムを参照してください。
AIの簡単な歴史
人工知能は20世紀半ばに分野として始まりました。当初は記号的推論が主流のアプローチであり、限定された問題領域で専門家として行動できるエキスパートシステムなど、いくつかの重要な成功を収めました。しかし、このアプローチがうまくスケールしないことがすぐに明らかになりました。専門家から知識を抽出し、それをコンピュータに表現し、その知識ベースを正確に保つことは非常に複雑で、多くの場合実用的ではないほど高価であることが判明しました。この結果、1970年代にいわゆるAIの冬が訪れました。
画像: Dmitry Soshnikov
時が経つにつれて、コンピューティングリソースが安価になり、より多くのデータが利用可能になったため、ニューラルネットワークアプローチが多くの分野で人間と競争する上で優れた性能を示し始めました。例えば、コンピュータビジョンや音声理解などです。過去10年間で、人工知能という用語は主にニューラルネットワークの同義語として使用されてきました。なぜなら、私たちが耳にするAIの成功のほとんどがそれに基づいているからです。
チェスをプレイするコンピュータプログラムの作成におけるアプローチの変化を観察することができます：
- 初期のチェスプログラムは探索に基づいていました。プログラムは、次の数手の間に相手の可能な手を明示的に推定し、数手で達成できる最適な位置に基づいて最適な手を選択しました。これにより、いわゆるアルファベータ刈り込み探索アルゴリズムが開発されました。
- 探索戦略は、探索空間が少数の可能な手によって制限されるゲームの終盤ではうまく機能します。しかし、ゲームの序盤では探索空間が非常に広く、アルゴリズムは人間プレイヤー間の既存の試合から学ぶことで改善される可能性があります。その後の実験では、いわゆるケースベース推論が採用され、プログラムはゲームの現在の位置に非常に似たケースを知識ベースで探しました。
- 人間プレイヤーに勝つ現代のプログラムは、ニューラルネットワークと強化学習に基づいており、プログラムは自分自身と長時間プレイし、自分のミスから学ぶことでプレイする方法を学びます。これは、人間がチェスを学ぶ方法に非常に似ています。ただし、コンピュータプログラムははるかに短い時間で多くのゲームをプレイできるため、はるかに速く学習できます。
✅ AIがプレイした他のゲームについて少し調べてみてください。
同様に、「話すプログラム」（チューリングテストに合格する可能性がある）の作成に対するアプローチの変化を見ることができます：
- Elizaのような初期のプログラムは、非常に単純な文法規則と入力文を質問に再構成することに基づいていました。
- Cortana、Siri、Google Assistantなどの現代のアシスタントは、音声をテキストに変換し、意図を認識するためにニューラルネットワークを使用し、必要なアクションを実行するために推論や明示的なアルゴリズムを使用するハイブリッドシステムです。
- 将来的には、完全なニューラルベースモデルが対話を自ら処理することを期待できます。最近のGPTや[Turing-NLG
Dmitry Soshnikovによる画像、写真はMarina Abrosimovaによるもの、Unsplashより
最近のAI研究
ニューラルネットワーク研究の急速な成長は2010年頃から始まりました。この頃、大規模な公開データセットが利用可能になり始めました。約1400万枚の注釈付き画像を含む膨大な画像コレクションであるImageNetは、ImageNet Large Scale Visual Recognition Challengeの誕生を促しました。
Dmitry Soshnikovによる画像
2012年には、畳み込みニューラルネットワークが初めて画像分類に使用され、分類エラー率が大幅に低下しました（約30%から16.4%へ）。2015年には、Microsoft ResearchのResNetアーキテクチャが人間レベルの精度を達成しました。
それ以来、ニューラルネットワークは多くのタスクで非常に成功を収めています。
| 年 | 人間と同等の精度が達成された分野 |
|---|---|
| 2015 | 画像分類 |
| 2016 | 会話型音声認識 |
| 2018 | 自動機械翻訳（中国語から英語） |
| 2020 | 画像キャプション生成 |
ここ数年で、BERTやGPT-3のような大規模言語モデルの大きな成功を目の当たりにしました。これが可能になった主な理由は、一般的なテキストデータが豊富に存在し、それを利用してモデルがテキストの構造や意味を捉えることができるからです。これにより、一般的なテキストコレクションでモデルを事前学習し、その後特定のタスクに特化させることが可能になりました。このコースの後半で自然言語処理についてさらに学びます。
🚀 チャレンジ
インターネットを巡り、AIが最も効果的に活用されていると思う分野を調べてください。それは地図アプリでしょうか、音声認識サービスでしょうか、それともビデオゲームでしょうか？そのシステムがどのように構築されたかを調査してください。
講義後のクイズ
復習と自己学習
このレッスンを読んで、AIとMLの歴史を復習してください。このレッスンやスケッチノートの中から1つの要素を選び、それをより深く調査して、その進化を支えた文化的背景を理解してください。
課題: ゲームジャム
免責事項:
この文書は、AI翻訳サービスCo-op Translatorを使用して翻訳されています。正確性を追求しておりますが、自動翻訳には誤りや不正確な部分が含まれる可能性があります。元の言語で記載された文書を正式な情報源としてお考えください。重要な情報については、専門の人間による翻訳を推奨します。この翻訳の使用に起因する誤解や誤解釈について、当方は一切の責任を負いません。