ちょっとだけ学会がわかるAIの基礎　3ポイント

ポイント1 AIとは

まずAIを知るにはAとは何かについて知る必要があります。

端的に言うと、AIとは「与えた知識以上の判断をする、または既知の事実から未知を推測する存在」と言えるでしょう。

かなりわかりづらいですよね。大丈夫です、具体例を出して行きます。

AIとは、情報を与えて何かを判断する存在というのは理解ができると思います。昨今では、これをAmazonの「あなたへのオススメ欄」などに利用されています。ここでは、あなたは「過去の購入履歴を元におすすめのお菓子を紹介するAI」を作って行きたいと考えているとします。

AIを作るにあたって必要なのが基礎データです。このデータは今回であれば、「Amazonでお菓子を購入した履歴」でしょう。それに対して、出す判断とは購入履歴の合ったお菓子のチョイスだとします。この購入履歴は、AIが適切な判断を下す為の基礎データとなってきます。

下に、あるAmazon利用客AからC3の3人の購入したお菓子の組み合わせを載せます。

ここに、新たにお菓子の購入されているDさんが現れます。Dさんはすでに、「スルメ」を購入してました。この後AIには、Dさんが買ってくれそうなお菓子を宣伝させたいです。

あなた的には、Dさんにポテトチップスか、羊羹どっちかを購入してほしいです。この時に、どうしたらいいでしょうか。ただし、なにも情報がない状態では、AIは動きません。

そこで、AIに教育をしていきます。今回は、AさんからCさんの購入履歴から、三人の好みについてAIに学習させます。教育という事は、人がAIに教え込む行為であり、人の手が掛かっています。

ここでは、詳しくは述べませんが実は教師が不要の学習形態もありますが、ここで話すと長くなってしまうので別の機会にお話しします。

こうした、AIにデータを落とし込んでいく際のデータの事を教師データといいます。

AIはこのデータを元にして、再びさっきの購入履歴を分析します。

こうすると、AI的にはAさんとCさんは甘い食べ物の購入歴が多い事から甘党だろう、Bさんは塩気の強いものを好む購入者だろうと、人を分類します。この分析データから、Dさんを見ると、スルメを一度購入されているので、塩気の強いものを好むだろうという事でDさんに、次に購入させるのは羊羹ではなくポテトチップスであるとAIは判断して購入を促します。

ところで、先ほどからAIとして紹介していた存在は実はAIではないとお気づきでしょうか？

先ほどAIとは「与えた知識以上の判断をする、または既知の事実から未知を推測する存在」と説明しました。しかし、私が紹介した存在は私が甘い、しょっぱいの区別をした食べ物の区別しかできておらず、例えばDさんがスルメでなく、煮干しを買っていたらという事まではできません。

つまり、私がAIとして紹介していた存在は、電卓やエクセルのシートの様に与えた情報をただ単に処理していた機械に過ぎず、未知を予測してない為AIというには程遠いからです。

学会等を覗くとここらへんがごちゃ混ぜになっている発表をラドピーは見た事があります。詳細を語ると長くなってしまうのでまた別の機会に紹介して行きたいと思います。

話が逸れてしまいました、ではもしDさんが煮干しを買っていたらという事を考えてみます。ここでは、Dさんの購入歴に煮干しとポテチがあったとします。

まず、AIの思考回路としては、今までの購入履歴から煮干しがしょっぱいのか甘いのかを推測する必要があります。Dさんは過去に、しょっぱいもの好きの人がよく買うポテチを購入してます。このことから、煮干しもきっとしょっぱいだろうと推測します。この推測を元に4番目の紹介する商品は、羊羹ではなくポテチやスルメをAIは私たちに推薦するでしょう。

もちろん、AIだって本当に煮干しがしょっぱいのか分かってません。（第一、煮干しがお菓子であるのかすらあやしい）でも、与えた情報以上の仕事をしてくれました。ここまできて、初めて機械がAIとして認められると思ってます。

ポイント2 学習について

先ほどAIには、教師データを与えて教育をすると解説しました。

この教育法には3つあります。

1. 教師あり学習
2. 教師なし学習
3. 強化学習

です。それぞれについて簡単に説明します。

教師あり学習とは、ポイント1で述べた様にあるデータを人間が機械に教え込む方法です。ポイント1では、煮干しが甘いのかしょっぱいのかを機械に教え込んでいましたが、この際に人間が分類の答えを知っているというのが教師付き学習の大きな特徴です。

教師なし学習とは、人間の指示無くしてばらばらのデータをAIがなんとなくグループ化していく、グループ化に特化した学習法です。人間が教育する必要がなく簡単な学習法と思うかもしれませんが、どういった理屈でグループ化するのかはグループ化した後の結果をみて人間が判断する必要があります。

最後に、強化学習とはある目的にたいして報酬があり、この報酬が最も多くなる様な選択肢を模索する事に特化した教育法です。

例えば下の図の様に、あなたが大道芸人だとして投げ銭が最も多くもらえる大道芸をする場所をAIに学習させるなどがそれにあたります。この手法の特徴としては、最終的におおくもらえる手法が最適な手法だと教育する事です。例えば、最初にビル街でパフォーマンスをした方が、公園よりも多く投げ銭をもらえますが、公園→遊園地のルートの方が報酬が最も高いのでAIはこのルートを選択する事が挙げられます。

詳細を説明すると長くなってしまうので、また別の機会に説明します。ここでは、AIの学習法には3つの方法があるという事だけご紹介しました。

ポイント3 AIの得意な事不得意な事

万能に思えるかもしれないAIですが、AIにも得意不得意があります。

まずAIが得意な事としては「分類する」事です。

教師付き学習の様に、人間が作ったルールをベースに物事を分類して行き、不都合があればルールを改変してしていきながら分類をして行きます。

• スパムメールか、そうでないかの分類
• Fx等の相場が過去のどのパターンに属しているのかの分類

等が考えられます。もちろんAIだって神ではないので、正常メールをスパムメールだと勘違いして捨ててしまう事や、過去の相場と今の相場を読み違えてトレーダーが損をする方向に投資してしまう事もありますが、できるだけ正確だと思った方に判断をしているのが現状です。

AIに不得意な事は「何もない所から何かを作り出す事」、または「規則性のない物事の処理」です。

一般的にAIを動かそうと思った時には、基礎データが1万件以上のデータが必要とされています。また、AIは、神様ではないので間違った出力をしたら人間がその都度修正を加えたりも必要だったりします。

もう一つの不得意な事の一つに「規則性のない物事の処理」が考えられます。規則性がない物事の処理の代表例には自由会話があるでしょう。自由会話とは、目的がない会話を指しており、専門用語では非タスク指向型の会話とも言われます。タスク指向型と、非タスク思考型の例を以下に示します。

タスク指向型会話

こういった会話は、応対が決まっており知識さえインプットしておけば返答の選択肢を絞る事が容易です。一方自由会話では

非タスク指向型の会話

非タスク指向型の会話では、返答が無数あり自然な会話をする事が難しいです。非タスク指向型の会話を自然にできるようになったら、私たちの生活は大きく変化するでしょう。

おわりに

今回は、AIについての序章をかいつまんで記事にしました。今回紹介しきれなかった事の中で

といった事も、今後の記事で考えていけたらと思っています。

なお、この記事を作成するにあたってこちらの書籍を参考にさせていただきました。

簡単なレビューとしては

という感じでした。

こんな感じの記事を2023年は書いて行きたいと思います。

今年もどうぞよろしくお願いいたします。