ディープラーニングの仕組みと応用
詳説 人工知能 - ディープラーニングの仕組みと応用：ITpro
このうち、最も進んでいるのは音声認識の分野である。
短時間区間の音声から音素（語と語の意味を区別する機能を持つ音声の最小単位）を推定する音響モデルの部分で活用が進んでいる。ただし、外部のノイズが大きい、残響があるなど、学習環境と利用環境に大きな違いがある場合は、ディープラーニングでも認識精度は低い。
最近は言語モデルを利用することによって、単語や文中の単語のつながりの情報を活用し、音声認識の精度向上を図る取り組みも進んでいる。言語モデルには、自然言語処理の分野で近年活用が拡大している再帰型ニューラルネットワークが利用されている。
続く画像認識は、ディープラーニングで現在、最も注目を集める適用領域だ。PoC（Proof of Concept：概念実証）が盛んで、実用化も進みつつある。
静止画像の画像分類のような単純タスクでは、ディープラーニングは既に人間より高い認識率を実現したと言えよう。最近では、こうした簡単なタスクではなく、物体の領域を画素レベルで分離するセグメンテーションや動画像処理の分野の研究開発が進められている。
このように音声認識や画像認識が成果を上げる一方、自然言語処理の分野での成果は今のところ限られる。
ディープラーニングの適用分野は、ニュースの要約や欧米言語間の翻訳などに限られる。
興味深い成果もいくつか出てきた。その代表例は、単語や文章の意味などを数百次元ほどの固定長ベクトルで表現する「分散表現」である。
この状況を変えたのはGoogleだ。同社はニューラルネットワークを使用することによって、高速に分散表現を構築する手法を2013年に考案。
しかもGoogleがこの手法を「word2vec」というオープンソースソフトとして公開した。これによって多くの自然言語研究者が分散表現を活用するようになっている。
word2vecのように演算で単語の意味を類推できる仕組みがあれば、辞書作成の手間の省力化が期待できる。
人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp 
ありそうでなかった！日本のAI関連の大学研究室をまとめた「AI Lab Map」
2016年は、産学連携プロジェクトが盛んになり、AIを研究している研究室の名前を目にすることが増えたと感じた方も多いはず。そこで、AINOWでは、日本のAI関連の研究をされている研究室をまとめてみました。
人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp
グーグルにも分からない機械学習やディープラーニングの使い道
活用見込みが高いこれらの技術には、共通していることがある。実行していることがほぼ情報の1次処理に過ぎないということである。つまり、入力方法から音声や画像などに変わった点を除けば、既存のシステムと同様な機能を提供しているだけなのだ。
AIを活用する価値とは、何かの機能を実行することそのものではなく、何かを実行する「判断」を代替することであり、その判断の精度、スピード向上による高価値化や効率化を効果と捉える必要がある。
効率化という効果は、旧来のシステムと同様にコスト削減額でしか計れない。
一方、高価値化という効果は、AIが既知の業務を代替することではなく、新たな業務を担うことでもたらされる。未知の業務に対して価値を見いだすことから始める必要があるため、そのコスト課題に加えて、効果面での課題も山積している
１つめの課題は「AIに判断を求める領域が非常に限定的」ということだ。現在の社会では、何事についても評価基準は全て人間が決めており、その多くは明文化されている。
従って、評価基準が明文化されていない領域でのAI活用が、高価値化への有用なアプローチと言えるが、明文化されていないものほど高度な判断が必要となる。しかも、高度な判断が必要なものほど、現状では取れるデータが少ないのが現状だ。
2つめの課題は、「効果が出るかどうかはやってみないとわからない」ということである。
機械学習は「人間は評価基準だけを決めて、あとは機械に何度も試行させ、評価基準の高い対応策が見つかるたびに対応策を自動更新する」技術であり、ディープラーニングは「大量のデータを読み込ませることで、評価基準自体を考えさせる」技術である。どちらも人間の判断を代替する技術だが、「なぜそうなるのか」という因果関係の解明は行わず、「（なぜかはわからないが）AをするとBとなる傾向がある」という相関関係を抽出するのみだ。
3つめの課題は、AIそのものではなく、それを活用する人間側の問題。「AIに判断を委ねることを生理的に受け付けられない」ということだ。
「なぜかはわかりませんが、統計的に大丈夫です」と言われて、安心できる人がいるだろうか。
最後の課題は、効果に対する直接的な課題ではなく、効果を出すための手段における課題である。
具体的には「先進ITベンダーの技術もまだ十分に成熟していない」ということである。その先進ITベンダーでさえ現時点ではプラットフォームの提供にとどまり、いまだ使い道や価値を明確に示せてはおらず、協業したとしても実証実験を目的とした導入にならざるを得ないのが実情だ。
コストと効果の視点から、AIにおけるビジネス課題を述べてきたが、現時点でのAI導入は、喧伝されているほどのバラ色の世界が待っているわけではない、ということを理解してもらえただろうか。機械学習は導入する効果が少しは見えてきた。だが、本格的なサービスとして利用する場合、法制度や規制をクリアし、顧客の期待を満たすような商用化に足る品質を備えなければならない。業務利用を含めエンタープライズ向けに利用する場合も、導入コスト以上の業務効率化を図れないのなら、投資対効果に見合わない。ディープラーニングに至っては、「そもそも何を効果と定めるべきか」から考えなければならない。
人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp
Apple、GoogleらのAI（人工知能）普及団体に参加
人工知能（AI）普及を目指す非営利団体Partnership on Artificial Intelligence to Benefit People and Society（略称：Partnership on AI）は1月27日（現地時間）、米Appleが創立メンバーとして参加したと発表した。
この団体の目的は2つ。1つはAIがいかに人類に貢献し、安全であるかを世に知らしめること。もう1つは、AIのベストプラクティスを共有し、この分野の研究機関（Advancement of Artificial IntelligenceやAllen Institute for Artificial Intelligenceなど)や専門家からのアドバイスを団体として受けることだ。
Appleは、GoogleやFacebookのようにAIへの取り組みについてあまり発表していないが、2016年12月にAI関連の論文「Learning from Simulated and Unsupervised Images through Adversarial Training」を発表して注目を集めた。
人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp
金食い虫の「機械学習」と実用に堪えない「ディープラーニング」
統計アプローチではない新たな手法の発見など、機械学習やディープラーニングの根幹技術の飛躍的な発展でもない限り、ビジネスでの活用を通じて世界を変えるには、多くの課題を抱えている。
実は、そのデータの量と質は、統計学に縁の無い人の想像を超える水準が求められる。技術や実現性を検証する段階でも、高い水準が要求される。AIを取り入れた新サービスや業務改革の検討を進めている企業では、たとえデータ量が多くても、属性項目が少ないうえに空欄や形式不備があり機械学習に使える属性項目に乏しいか、あるいは使える属性項目はあるがデータ量が足りないかなど、既存のデータ自体の問題に起因して検証が進まない。検証しても精度が低くて、導入のメドが立たないという状況を引き起こしている。
その問題解決のためには、2つのアプローチがある。1つは、既存データを検証可能な状態にメンテナンスすること。もう1つは、検証に必要な条件をそろえデータを新たに取り直すことだ。だが、いずれにしても大量の工数や多額のコストが発生してしまう。
読者の中には、次のように考える人もいるかもしれない。「標準化はされていなくても、必要なデータをデジタル形式で保存している企業もあるんじゃないか」。だが、少なくとも民間企業においては、それはあり得ないと断言できる。現時点の業務に不要なデータを多額のコストを投じて管理しておくなど、合理的な経営判断の下では選択されないからである。
しかも事態をさらに複雑化している点は、データの量と質を確保するための業務は、情報システム部門の範疇外の可能性が高いことだ。そのため、システムだからといって情報システム部門に丸投げしてはいけない。業務部門や経営層こそがAIの原理を理解し、適切なコスト感覚を持った上でのビジネス判断が求められる。
人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp
PFNの深層学習フレームワーク「Chainer」が大幅な高速化へ、分散処理に対応
PFNは分散バージョンのChainerが他の深層学習フレームワークと比べて、スケーラビリティ（拡張性）の面で優れているとした。PFNが他の深層学習フレームワークを、同じサーバー環境、同じデータセットで評価したところ、分散バージョンのChainerでは4.4時間だった学習時間が、米Googleが開発する「TensorFlow」では24.1時間、米Microsoftが開発する「Computational Network Toolkit（CNTK）」では9.1時間、主要開発者が米Amazon Web Servicesに移籍した「MXNet」では7.7時間かかったという
現行のChainerは性能よりも柔軟性を重視していた面があった。それに対して分散バージョンのChainerは、柔軟性を維持しながら拡張性の高さも実現することになる。
人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp
脳とAIが融合する？ イーロン・マスクが詳細を来月発表か
人間の脳に"デジタルレイヤー（digital layer）"を加えるビジョンをイーロン・マスク（Elon Musk）氏はまだ諦めていない。
TeslaとSpaceXのCEOイーロン・マスク氏は、去年6月のVox Media's Code Conferenceで初めて提唱した概念「ニューラル・レース（neural lace）」についての発表を来月行うかもしれないと25日水曜日の午前中にツイートした。
2015年、マスク氏とY Combinatorのサム・アルトマン（Sam Altman）氏は、NPO「OpenAI」を設立した。人類にもっとも利益をもたらす方法で、AIを推進することがその目的だ。
人気ホテルが最大78%OFF
200社の予約サイトから料金を一括比較
最安値の宿泊プランをご案内
www.trivago.jp
