情報化社会の進展と次世代情報システム 【2017年4月6日】

Add by mskn55 | Apr 14, 2017 01:16  118 |  4
情報化社会の進展と次世代情報システム 【2017年4月6日】
Download

Map Outline

情報化社会の進展と次世代情報システム 【2017年4月6日】
1 【2016年新規項目】今後5~10年後の情報化社会の進展
1.1 情報化社会の予測
1.1.1 平成28年度情報通信白書【総務省】
1.1.1.1 特集「IoT・ビッグデータ・AI ~ネットワークとデータが創造する新たな価値」
1.1.1.1.1
1.1.1.1.2
1.1.1.1.3 ICT投資の現状
1.1.1.1.3.1 ○我が国の大きな課題の一つである少子高齢化による労働力不足に対処するためには、積極的なICT投資を行い生産性向上等を図っていくことが重要。
1.1.1.1.3.2 ○これまでの日本企業の主なICT投資は、業務効率化及びコスト削減の実現を目的とした「守りのICT投資」。一方米国企業は、「ICTによる製品/サービス開発強化」、「ICTを活用したビジネスモデル変革」などを目的とした「攻めのICT投資」により、ICT製品、サービスで先行。
1.1.1.1.3.3 ○今後の日本企業のICT投資は、ハードからソフトやサービスへとシフトする見通しであり、クラウドなど生産性向上に寄与するICTの導入が進む可能性がある。
1.1.1.1.4 ICTがもたらす非貨幣的価値
1.1.1.1.4.1 ○ICTの価値は企業側と消費者側それぞれにもたらされるが、企業側は最終的にGDPの増加等として既存統計でとらえられるのに対し、消費者側は既存統計でとらえられていない部分(非貨幣的価値)がある。
1.1.1.1.4.2 ○消費者側にもたらされるICTの非貨幣的価値として、①消費者余剰、②時間の節約、③情報資産(レビュー等)に着目して分析し、以下の結果を得た。
1.1.1.1.4.3 ①消費者余剰(消費者が支払っても良いと考える価格と、実際に支払われている価格との差)について、音楽・動画視聴サービスを事例に分析すると、
1.1.1.1.4.4 利用者は1ヶ月あたり150円~200円程度の余剰を得ている。
1.1.1.1.4.5 ②時間の節約について、ネットショッピングを事例に分析すると、1回あたり40分~1時間程度の節約になった。
1.1.1.1.4.6 ③情報資産(レビュー)について、ネットショッピングを事例に分析すると、8割以上の利用者がレビューによって購入する商品を決定した経験がある。
1.1.1.1.5 IoT/ビッグデータ時代に向けた新たな情報通信政策
1.1.1.1.5.1 IoT/ビッグデータ/AI等の発展による世界的な産業構造の変革にあたって、IoT時代に対応した新たな生産プロセスの開発やサプライチェーン全体の最適化を目指し、官民を挙げた取組が各国で本格化する中、我が国においても、産学官の連携によるIoT推進体制として、平成27年10月に「IoT推進コンソーシアム」が設立された。
1.1.1.1.6 人工知能(AI)と雇用への影響
1.1.1.1.6.1
1.1.1.1.6.2 タスクの変化
1.1.1.1.6.2.1 AIの業務効率・生産性の向上効果により、機械化可能性が高い職種のタスク量が減少
1.1.1.1.6.2.2 AIの新規事業創出効果により、新しく創出される職種のタスク量が増加
1.1.1.1.6.2.3 新しく創出される職種
1.1.1.1.6.2.3.1 『AIを導入・普及させるために必要な仕事』と『AIを活用した新しい仕事』の2種類の仕事により、タスク量が増加
1.1.1.1.6.3 雇用の一部代替
1.1.1.1.6.3.1 仕事のすべて、つまりは雇用が奪われるのではなく、仕事のうちAI活用と比べて同じ生産性でコストが割高となる一部のタスクのみが、AIに取って代わられる
1.1.1.1.6.4 雇用の補完
1.1.1.1.6.4.1 少子高齢化の進展に伴い、不足する労働力供給が、 AIやAIと一緒に働く人間、AIによりタスク量が減少した人間によって補完される
1.1.1.1.6.5 産業競争力への直結による雇用の維持・拡大
1.1.1.1.6.5.1 AIの利活用にいち早く取り組んだ企業が、産業競争力を向上させることにより、雇用が維持・拡大される
1.1.1.1.6.5.2 (但し、日本企業にとって、 デジタル化や業務プロセス最適化への対応の遅れが、 AIの導入・利活用の足かせになりやすい)
1.1.1.1.6.6 女性・高齢者等の就労環境の改善
1.1.1.1.6.6.1 AIを効率的に使った生産性の高い仕事に転換することにより、長時間労働を前提としないフレキシブルな働き方が可能となり、女性や高齢者等の活躍の場が拡がる
1.1.1.1.7 人工知能(AI)への対応
1.1.1.1.7.1 人工知能(AI)の普及に向けた今後の対応・準備
1.1.1.1.7.1.1 日本では、「対応・準備については、特に何も行わない」とする者が多くみられる。他方、米国では、「人工知能(AI)の知識・スキルを習得するなど、人工知能(AI)を使う側に立って、今の仕事・業務を続けようと対応・準備する」とする者が多くみられる。
1.1.1.1.7.2 今後、自分自身が取得したい人工知能(AI)活用スキル
1.1.1.1.7.2.1 習得したいスキルを日米で比較した場合、日本は、いずれにおいても、米国よりも各種人工知能(AI)活用スキルの習得意欲が低い。
1.1.1.1.7.2.2 列挙する
1.1.1.1.8 学習環境や支援制度に対するニーズ
1.1.1.1.8.1 AI(人工知能)活用スキルを取得するための学習環境や支援制度について、日米双方で、「大学等高等教育機関における教育・研究の充実」が必要とする者が多くみられる。加えて、米国では、「企業における自己啓発に関する支援制度」を必要とする者も多い。
1.1.1.1.9 総括
1.1.1.1.9.1 ○ ICTの積極的な利活用により、経済成長は加速する。その中核となるのは、AIを活用したIoTであり、データ(ビッグデータ)の収集・活用がキーとなる。
1.1.1.1.9.2 ○これらのIoT、ビッグデータ、AIなどの新たなICTは、企業の生産性向上や新たな需要の創出などを通じて、経済成長への大きな貢献が期待できる。
1.1.1.1.9.3 ○しかし、企業アンケートや消費者アンケートによると、米英等と比較して、日本の企業は新たなICT投資の意向が相対的に十分でなく、また、日本の消費者はICTを活用した新たな商品・サービスの認知度等が相対的に低いことが浮き彫りになった。
1.1.1.1.9.4 ○さらに、日本の就労者は、今後職場に浸透するであろうAIに対して、米国よりも、対応・準備の遅れが目立つ結果となった。
1.1.1.1.9.5 ○来るIoT時代に向け、経済成長の中核となるIoT活用に我が国が乗り遅れることのないよう、企業や就労者がそれぞれ人材育成等の課題にしっかり対応することが重要である。
1.1.1.2 特集部詳細
1.1.1.2.1 【第1章第1節】 少子高齢化等我が国が抱える課題の解決とICT
1.1.1.2.1.1 少子高齢化やそれに伴う人口減少は、我が国経済の供給面と需要面の双方にマイナスの影響を与え、我が国の中長期的な経済成長を阻害する可能性がある。
1.1.1.2.1.2 様々なデータを収集し(IoT)、蓄積し(ビッグデータ)、人工知能(AI)にて処理・分析することで、現状把握、予測、機器・サービスの制御を行い、新たな価値の創造や課題解決に貢献することが期待される。
1.1.1.2.2 【第1章第2節】 ICTによる経済貢献経路
1.1.1.2.2.1
1.1.1.2.3 【第4章第1節】 ICTの進化と雇用、働き方
1.1.1.2.3.1 我が国就労者は、テレワークやシェアリングエコノミー型ワーク、デジタルファブリケーションなどの新しい働き方で実現が見込まれる多様な働き方に対して、米国就労者に比べて魅力を感じる人が少ない傾向がある。
1.1.1.2.3.2
1.1.1.2.4 【第4章第2節】 人工知能(AI)の現状と未来
1.1.1.2.4.1
1.1.1.2.4.2 人工知能のイメージ
1.1.1.2.4.2.1 コンピューターに自我(感情)をもたせる技術
1.1.1.2.4.2.2 コンピューターが人間のように見たり、聞いたり、話したりする技術
1.1.1.2.4.2.3 人間の脳の仕組みと同じ仕組みを実現する技術
1.1.1.2.4.2.4 人間の脳の認知・判断などの機能を、人間の脳の仕組みとは異なる仕組みで実現する技術
1.1.1.2.4.2.5 ゲームやクイズなどの特定の分野において、人間と同等もしくは人間以上の能力を実現する技術
1.1.1.2.4.2.6 画像や自然言語(話し言葉や書き言葉)、様々なデータなどを分析して、その意味合いを抽出する技術
1.1.1.2.4.2.7 学習や推論、判断などにより、新たな知識を得る技術
1.1.1.2.4.2.8 人間を超える知能を実現する技術
1.1.1.2.4.3 人工知能(AI)の利活用が望ましい分野
1.1.1.2.4.3.1 生体情報や生活習慣、病歴、遺伝等と連動した、健康状態や病気発症の予兆の高度な診断
1.1.1.2.4.3.2 路線バスやタクシー等の高度な自動運転
1.1.1.2.4.3.3 渋滞情報や患者受入可能な診療科情報等と連動した、緊急車両の最適搬送ルートの高度な設定
1.1.1.2.4.3.4 道路や鉄道などの混雑状況等と連動した、交通手段間での高度な利用者融通や増発対応
1.1.1.2.4.3.5 監視カメラ映像や不審者目撃情報等と連動した、犯罪発生の予兆の高度な分析
1.1.1.2.4.3.6 高度かつリアルタイムの需要予測や製造管理等によるサプライチェーンの最適化
1.1.1.2.4.3.7 未知のサイバー攻撃や内部犯行等による不正アクセスや、不正送金などの金融犯罪の高度な検知
1.1.1.2.4.3.8 高度な意味理解や感情認識等によるコンピュータと人間の対話の高度化
1.1.1.2.4.3.9 利用者の嗜好やメールの履歴、発信元等と連動した、迷惑メールの高度かつ自動的な削除
1.1.1.2.4.3.10 市場の値動き等と連動した、金融資産の高度かつ自動的な運用による利回りの最大化
1.1.1.2.4.3.11 信用供与先の財務状況等と連動した、最適な融資額の算定による貸倒れ損失の回避
1.1.1.2.4.3.12 優良顧客の優遇や感動体験の付与、需給に見合う価格設定等による、顧客の囲い込みや満足度向上
1.1.1.2.4.3.13 その他
1.1.1.2.5 【第4章第3節】人工知能(AI)の進化が雇用等に与える影響①
1.1.1.2.5.1
1.1.1.2.5.2 日米就労者の職場への人工知能(AI)の導入は、現時点ではあまり進んでいない。
1.1.1.2.5.3 自分の職場への人工知能(AI)の導入や、仕事のパートナーとしての人工知能(AI)に対する抵抗感は、米国就労者に比べて我が国就労者の方が全体的に小さい傾向がある。
1.1.1.2.5.4 人工知能(AI)が果たす役割・機能
1.1.1.2.5.4.1 不足している労働力を補完する
1.1.1.2.5.4.2 既存の労働力を省力化する
1.1.1.2.5.4.3 既存の業務効率・生産性を高める
1.1.1.2.5.4.4 既存の業務の提供する価値(品質や顧客満足度など)を高める
1.1.1.2.5.4.5 これまでに存在しなかった新しい価値をもった業務を創出する
1.1.1.2.5.4.6 既存の業務に取組む意欲や満足度を高める
1.1.1.2.5.4.7 新しい業務に取組む意欲や満足度を高める
1.1.1.2.5.4.8 その他
1.1.1.2.6 【第4章第3節】 人工知能(AI)の進化が雇用等に与える影響②
1.1.1.2.6.1 人工知能(AI)の導入により、「AIを導入・普及させるために必要な仕事」と「AIを活用した新しい仕事」の2種類の仕事によりタスク量の増加が見込まれる。
1.1.1.2.6.2 我が国有識者は、人工知能(AI)導入・普及により、労働力供給の減少を補完できると考えている人が多い。
1.1.1.2.7 【第4章第4節】 必要とされるスキルの変化と求められる教育・人材育成のあり方
1.1.1.2.7.1
1.1.1.2.7.2 人工知能(AI)普及に向けた今後と対応・準備について、我が国就労者は特に何も行わないが過半数を超える。
1.1.1.2.7.3 人工知能(AI)普及において政府に期待される役割として、日米ともに就労者については「政策は中立であるべき」という回答が多数派を占めるが、国内の有識者については「実用化および導入を促進する政策をとるべき」との回答が多数派を占める。
1.1.2 情報セキュリティ白書2016【IPA】
1.1.3 国の施策
1.1.3.1 知的財産政策ビジョン(2013年6月7日知的財産戦略本部(知財本部))
2 人工知能に関する基礎知識(まとめ)【校正中】
2.1 脳の神経細胞
2.1.1 構成単位であるニューロン
2.2 従来までの人工知能
2.2.1 機械学習とは
2.2.1.1 サブトピック 1
2.3 実用化レベルに達した人工知能
2.3.1 ニューラルネットワーク
2.3.2 ディープラーニング
2.3.2.1 ディープラーニングは、「適切な特徴抽出能力をもつ教師なしニューラルネットワークを多層にして構築したもの」で、
2.3.2.2 特徴抽出能力とは、
2.3.2.2.1 特徴抽出能力とは、何が関連して何が関連していないかを理解できる能力
2.3.2.3 画期的なこと
2.3.2.3.1 非常に画期的だったことは、ニューラルネットワークの情報同士のつながりをある意味「自動設定」できるようにしたこと
2.3.2.3.2 人間が教えなくても自ら特徴を抽出して理解することができる
2.4 人工知能に活用に適した業務
2.5 人工知能の活用方法
2.5.1 オープンソース機械学習パッケージ
2.5.1.1
2.6 参考文献
2.6.1 ビジネスマンのためのビッグデータ解析:知の集合体・最先端人工知能の活用
2.6.1.1 人工知能技術をデータ分析に積極的に取り入れ、与えられるデータからデータ間のルールを自動的に発見する手法を使う
3 人工知能に関する文献のポイント(列挙)
3.1 人工知能「超入門」ディープラーニングの可能性と脅威(Impress QuickBooks)
3.1.1 特徴抽出能力を得た人工知能
3.1.1.1 人間が教えなくても自ら特徴を抽出して理解することができる
3.1.2 ディープラーニングとニューラルネットワーク
3.1.2.1 ディープラーニングは、「適切な特徴抽出能力をもつ教師なしニューラルネットワークを多層にして構築したもの」
3.1.2.2 よく使われる情報や関連性の高い情報を扱う細胞同士のつながりは強化される一方で、使われないものや関連性の低いものはつながりが弱くなる
3.1.2.3 重要な情報は強く、重要でない情報は細く。大切なのは情報と情報の関連性
3.1.3 多層に重なるニューラルネットワーク
3.1.3.1 情報に対して「関連性」や「重要性」を踏まえて、情報を扱っていく
3.1.3.2 入力層、出力層、その中間で実質的な思考を行う部分が「隠れ層」
3.1.4 教師あり学習から教師なし学習へ
3.1.4.1 人間が人工知能に正解を教え、設定を変更する形で正解を教える「教師あり学習」
3.1.4.2 設定の変更が技術者のスキルに依存する
3.1.4.3 学習に使える情報はインターネットを通して無数に手に入るようになり、高性能な演算装置を使えば短時間で学習が終わる
3.1.4.4 ビッグデータと高性能な演算装置を使って何万回と学習させる
3.1.5 人間に近い学習過程を辿れるようになった人工知能
3.1.5.1 人間は教師に教わって学習することもあれば、自分で気づいて学ぶこともある。これは人工知能も同じ
3.1.6 ディープラーニングはどうやってモノを理解するのか
3.1.6.1 ニューラルネットワークを持った回路で多数の班を作り、班ごとにシンプルな役割を与え、各班に順番にタスクをこなさせる思考方法がディープラーニング
3.1.7 ディープラーニングは囲碁やチェスをどう指すのか
3.1.7.1 たくさんの棋譜を見ていけば、勝った時に共通する状況というのが多かれ少なかれ必ず存在する
3.1.7.2 特徴抽出力を用いて、「勝ちやすい戦い方」の特徴を抽出する
3.1.7.3 今までの棋譜や模擬戦から抽出した「勝てる局面」や「勝てる形」を作るために働く
3.1.7.4 人工知能が、「なんとなく」とか「感じる」ことはないが、少なくとも「勝利と関連性の高い手」を抽出していることは間違いない
3.1.8 ディープラーニングの未来
3.1.8.1 情報の関連性を理解して特徴を見出すというのは非常に人間らしい「理解」の方法
3.1.8.2 次第に人間が知らない特徴に人工知能が気づくようになり、人間の代わりに名前を付けるようになるかも知れない
3.1.8.3 ディープラーニングを超える人工知能の技術が生まれてくる可能性もありますし、画像や文章を認識できるようになるだけでも、画像や文書の分別などを仕事とする人はいらなくなる。簡単なタスクを人工知能がこなせるようになるだけでも、人間の仕事が減ることは間違いない
3.1.9 人工知能で変わる社会、人工知能の脅威
3.1.9.1 人工知能がより賢い人工知能を生み出し続ける「シンギュラリティ(技術的特異点)」が起こるかも知れない
3.1.9.2 今まででは考えられなかったような知的労働の世界までロボットが進出してくることになる
3.1.10 大きく分けて4分野の仕事が消える
3.1.10.1 創造的活動や学問分野は人工知能で代替することは難しいし、人工知能が代替してもどこかに人間の手が入るモノ。
3.1.10.2 まずは「マニュアル化がしやすい業務」や「同一ルーチンの仕事を繰り返す業務」
3.1.10.3 人工知能にはできない立ち位置を確保することが大切
3.1.11 仕事の補佐がメインとなる仕事は奪われる
3.1.11.1 「指示された業務を忠実にこなす」タイプの仕事
3.1.11.2 ディープラーニングは「普通と違う何か」を見つけ出すことが得意なので、書類上の不備を見つけるのは簡単
3.1.11.3 手間のいる仕事は人工知能にやってもらい、人既往知能とスタッフの間に立つような事務員を目指すとよい
3.1.11.4 サービス業に関しては人間であることが重要
3.1.11.5 人工知能にはまねのできない貴重な立場を得る
3.1.11.6 「言われたことをするだけの仕事」で終わらせない
3.1.11.7 「言われる前にできる」ようになれば人工知能に代替できないユニークなスキルとなる。模範的なサポートを提供することで、人工知能に「教える」「管理する」立場になるというのも一つの手。
3.1.12 現状を維持するための仕事は消える
3.1.12.1 コミュニケーションスキルを磨きつつ、いざという時に正しい対応が取れるように鍛錬を怠らないようにしたい
3.1.12.2 ネットで少し検索すればわかることは人工知能にもわかる。高い「理解力」を必要とする技術があるとよい
3.1.12.3 オペレータ系の職種も場合によっては人工知能に代替される
3.1.12.4 ロボットを管理する仕事が増えてくる
3.1.13 何かを運ぶだけの仕事は消える
3.1.13.1 扱いの難しい荷物を運ぶ仕事
3.1.14 モノをただ作るだけの仕事は奪われる
3.1.14.1 マニュアル通りにモノを作る仕事は、真っ先に人工知能とロボットに代替される
3.1.14.2 パワードスーツのような「人間を補助する機械」も増えており、人間自身のパフォーマンスが向上する方向性も見えている
3.1.14.3 新しく登場する技術を巧みに用いるためのスキルを磨くのが良い
3.1.14.4 やはり人工知能や機械を管理する立場の人間は残るし、経営や営業など「作ったモノをどうするか」という立場の人間が人工知能に置き換わるのは難しい
3.1.14.5 人工知能や機械を管理する立場の人は残る。経営や営業などの「作ったモノをどうするか」という立場の「人間が人工知能に置き換わるのは難しい
3.1.14.6 「何を作るか」「どう作るか」など、考える立場を目指すのが良い
3.1.14.7 モノの設計や企画という部分はしばらく人間の仕事になる
3.1.15 マニュアルとルーティンの囚われない仕事をする
3.1.15.1 マニュアルがなかったとしても、ルーティンワーク化してしまった仕事は人工知能が学習してマニュアルがなくても模倣することができるようになる
3.1.15.2 進歩した人工知能は教えられなくても自ら学習し判断し成長することができるため、最初はできなかったことでもすぐにできるようになる
3.1.15.3 故障して個体が変わっても経験を引き継げる
3.1.15.4 マニュアルやルーティンに拘りすぎない働き方を模索していくことが必要
3.1.15.5 マニュアルやルーティンそのものを進化させることができれば、人工知能を超えることができるはず
3.1.16 人間だからこそできる仕事ってなに?
3.1.16.1 人工知能の得手不得手、人工知能の弱点
3.1.16.1.1 一定のコミュニケーション能力が必要な仕事、責任を取る必要がある仕事
3.1.16.1.2 指示された理由や仕事が生まれる理由について考える力がないため、「意図を汲む仕事」や「人間の考えを読み取る力」を必要とする仕事は苦手
3.1.16.1.3 新しいものを生み出せる仕事をするか、人間らしい温かみのある仕事ができなければ仕事を失うことになる
3.1.16.2 創造的な仕事は生き残る
3.1.16.2.1 人々が今までに経験したことのない何かを提供する
3.1.16.2.2 顧客の考えや要望を理解したうえで、それを超えるモノを提案できなければデザイナーとして生き残っていくのは難しい
3.1.16.2.3 執筆関係の仕事では企画やデザインの部分が含まれることもあり創造的な、仕事の代表格と言えるかもしれない
3.1.16.2.4 「よい企画を真似る」だけの企画は人工知能の仕事。
3.1.16.2.5 人間の求めるモノや修正を正しく理解できていないと「良い企画」は出せない
3.1.16.3 芸術や芸能関係の仕事は生き残る
3.1.16.3.1 人間の感性や感覚に訴えるモノが多く、人間の特性や文化を正しく理解していなければこの仕事はできない
3.1.16.3.2 Pepperのように人とのコミュニケーションを売りにした機械も現れている。テレビに出るのは人間の仕事だと言えなくなるかもしれない
3.1.16.3.3 人気のある作品や変わった作品を見つけて、そこから新しい映像作品やアイデアを提供するような人工知能がでてくると、映像作品作りに人工知能が深く関わってくる可能性がある
3.1.16.3.4 ぼーかロイドのような存在が話題になった。ロボットを使って作曲家と作詞家以外はいらない音楽も作れているのは一つの事実
3.1.16.3.5 人間の芸術とは全く違うアプローチで、人間には作れない作品を作ってしまう可能性もある。人間の芸術が「古臭い」といわれないように、新しい道を模索していきたい
3.1.16.3.6 美容師の感性に任せるのではなく、決まった形に向けて仕上げるのであれば人工知能にも可能
3.1.16.4 進化と発展を生み出す仕事は生き残る
3.1.16.4.1 「人類・社会・自然を理解し、変化を生み出す仕事」は人工知能に代替できない部分が多い
3.1.16.4.2 試行錯誤という点は人工知能とロボットのスピードがものをいう
3.1.16.4.3 助手の仕事がなくなって下手な雑務に追われなくなる分、自分の仕事に専念できるのは大きなメリット
3.1.16.4.4 経営者が人工知能というのは、最終的な責任の所在もわからなくなるために難しい
3.1.16.4.5 情報提供やアドバイスを行うツールとして人工知能が活躍する場面は大いにある。現場から上がってくる膨大なレポート全てに目を通して、要約として使えそうな案をピックアップするなどは人工知能の仕事
3.1.16.4.6 国民の言葉をダイレクトに反映させるツールとして人工知能が使われる可能性はある
3.1.16.4.7 政治家や裁判官の決断に関する評価を、ネットワークと人工知能を介する形で国民に委ね、実質的hな政治は決断を国民が直接絡むシステムを作り出すことも可能
3.1.16.5 医療や福祉関係の仕事は生き残る
3.1.16.5.1 人の生活を豊かに健やかにする仕事は生き残る
3.1.16.5.2 薬剤師や検査技師のような患者と関わりの薄い業種に関しては、ある程度人工知能やロボットによる代替が進む可能性がある
3.1.16.5.3 介護士や補遺ⓚ儒y歳の仕事を人工知能が奪うのではなく、仕事の質を高めるために人工知能とロボットが一翼を担っていくはず
3.1.16.5.4 質の低い仕事をする人間は淘汰される
3.1.16.6 教育に携わる仕事は生き残る
3.1.16.6.1 「人に何かを教える仕事」は生き残る
3.1.16.6.2 基礎的な教育分野は人工知能が教師になることができるかも知れない
3.1.16.6.3 「なぜできないのか」を想像して教えることは人間でも難しい。まして人工知能だとさらに難しい
3.1.16.6.4 ただ「覚えるだけ」のようなタスクは人工知能にもできる
3.1.16.6.5 「授業は人工知能」で「質問は教員」のようにタスクを分ける塾や学校が現れる可能性は大いにある
3.1.16.6.6 訓練系は「動物のトレーナー」や「スポーツや特殊技能のインストラクター」など、人間の訓練はもちろん、動物を訓練するのも人間でなければできないことも多い
3.1.16.6.7 タスクがマニュアル化されても限界がある。コーチングの質を高めさえすれば、まだまだ人間の仕事になるはず
3.1.16.6.8 特に精神的に未発達な子供の教育に関しては人間でなければ教えられないことも多く、人間性やモラルの教育を人工知能でいっても説得力がない
3.1.16.7 人が人工知能やロボットに勝つためには
3.1.16.7.1 与えられた仕事をこなすだけではなく、相手が必要としているモノを理解し、要求以上のモノを提供することで人工知能との差別化が図れる
3.1.16.7.2 人工知能に勝てなくなったと感じたら、早めに人工知能にはできない分野に飛び出す勇気が必要かも知れません
3.1.16.8 あとがき
3.1.16.8.1 全く別の特性を持つ存在が同じ目的に向かって競い合えば、その目的により最適化されたほうが勝つのは当然
3.1.16.8.2 人工知能を互いに高め合っていけるらライバルだと認め、それでもなお彼らに勝てる分野を見つけられるかどうかが、これからの人間に大切なことなのかも知れない
3.2 よくわかるディープラーニングの仕組み【谷田部卓】
3.2.1 過学習と対策
3.2.1.1 過度に教師データに依存した(汎化できていない)状態
3.2.1.2 原因として、教師データが足りなくてデータに偏りがあるため
3.2.2 ニューラルネットワークの歴史
3.2.2.1 ディープラーニング
3.2.2.1.1 2011年音声認識コンテスト
3.2.2.1.2 2012年画像認識コンテスト
3.2.3 ディープラーニングのビジネス(実用化)
3.2.3.1 2種類
3.2.3.1.1 CNN(畳み込みニューラルネットワーク)系
3.2.3.1.2 RNN(LSTM)系
3.2.3.2 CNNが得意とする
3.2.3.2.1 パターン認識系
3.2.3.2.1.1 精度で既に人間を凌駕
3.2.3.2.2 自然言語処理系
3.2.3.2.3 操作系
3.2.3.3 ヘルプデスク業務は、数年でディープラーニングもよる自動応答に置き換わっていく
3.2.3.4 文章の自動要約や意味抽出まで進んでいくと、事務職の大半はディープラーニングで置き換えが可能と考えられる
3.2.3.5 自動運転は数年で実用化が始まり、普及も急速に進んでいくはず
3.2.4 ディープラーニングにおける日本の役割
3.2.4.1 技術を自社だけで囲い込もうとする意識が強すぎるため、研究成果を公開したり、アイデアを募るような研究ができない体質
3.2.4.2 2016年9月末、Facebook, Amazon, Google, IBM, Microsoftの5社が、AIに関して歴史的な提携を発表
3.2.4.2.1 http://gigazine.net/news/20160929-partnership-ai-facebook-amazon-google-ibm-microsoft/
3.2.4.3 エンジニアを囲い込んだりせず、基礎研究の段階から幅広い英知を求めていくべき
3.2.5 AIの学習方法と幼児教育のアナロジー
3.2.5.1 偏りのないあらゆるパターンで、かつ大量の訓練データを与えることにより改善できる
3.2.5.2 ディープラーニングは、その原理を生物の脳に求めており、ニューロンとシナプスを模したものがその原型
3.2.5.3 過学習が生じる前の幼児の段階で、出来る限り様々な体験をさせるべき
3.2.5.4 実体験が無理なら、色々な絵本を読み聞かせることで、たとえ仮想でも体験の幅が格段に広がり、過学習を生じさせない柔軟な頭脳になるかもしれない
3.2.5.5 視覚や聴覚から入力されてくる空間的・時系列的な情報をパターン化・抽出化することで大幅に情報圧縮し、有限の脳に大量の情報を詰め込めることができるようになった。
3.2.5.6 「言語」は、その抽象化された情報、すなわち記録を外部化・表出したもの。さらに「文字」の発明が、記憶を外部に長期間記録することを可能とし、より大量の情報を人類が共有できるようになった
3.2.5.7 人間は、言語機能はまだDNAに組み込まれていないか、言語機能をハードウェアとしてDNAに取り込むことにより、柔軟に変更可能なソフトウェアとして、後から学習できるように機能分離されているのかもしれない。
3.2.5.8 「水を得た魚のように」などとアナロジーを好んで使う。「ディテールをそぎ落として抽象化した言葉」。パターンのほうがイメージしやすく、情報量が少ないほうがマッチングが容易「
3.2.5.9 大人になると抽象的概念を使って複雑な事象も考えることができるようになる。
3.2.5.10 知識や経験を積むことで、ニューラルネットワークの階層が深くなっていくかのようです。人間も過学習におちいらないように、すなわち「偏見」をもたないように、幅広く見識を積むべきなのでしょう
3.3 ビジネスで使う機械学習【谷田部卓】
3.3.1 機械学習の実例
3.3.1.1 例えばEメールのスパム判定は機械学習で迷惑メールを自動判別
3.3.1.2 入力単語を予測して変換。これも機械学習
3.3.1.3
3.3.1.3.1
3.3.1.4 予測:最も実用化が進んでいる領域
3.3.1.5 識別:ディープラーニングの登場により、一気に精度が高まり、実用化が急速に始まったばかりの領域
3.3.1.6 実行:自動車の自動運転技術がAI技術の応用
3.3.1.7 日本語のAI会話が急速に発達したので、事前言語分野では一気に実用化が始まる
3.3.1.8
3.3.1.8.1
3.3.2 機械学習の種類と手法
3.3.2.1 教師あり学習:まず様々な種類の大量にある正解付きのデータを分析し、予測モデルを作成する
3.3.2.2 教師なし学習:未知のデータのため、どの観点から分析すべきか不明な場合の方法
3.3.2.3 強化学習:試行錯誤を繰り返しながら、目的に遭った結果を得られると「報酬」が得られ、最も「報酬」が得られるように学習していく方法
3.3.2.4
3.3.2.4.1
3.3.2.5 回帰:売上予測などのような、過去の実績ある数値から、未知の数値を予測する際に用いられる
3.3.2.6 クラス分類:迷惑メールの判定などのように、データを適切なクラスに割り当てる手法で教師ありの機会学習
3.3.2.7 クラスタリング:値やデータの類似性をもとに、データを自動的にグループ分けする手法。クラス分類と似ているが教師なし学習
3.3.2.8 情報圧縮・次元圧縮:かつて顔認証で用いられてきた手法で、データの特徴的傾向をできる限り残しながら、データ総量を減らす
3.3.2.9 レコメンデーション:購入履歴から興味がありそうな商品を推測します
3.3.2.10 アルゴリズムの種類は、長い研究の中から多数の種類が考え出されてきた。全ての課題に汎用的に利用されるアルゴリズムは、現時点で存在しない。このため利用目的に適したアルゴリズムを見つけるためには、試行錯誤しながら決定する必要がある
3.3.3 機械学習の原理
3.3.3.1 機械学習の基本は統計学にあり、その出力データはすべて確率で表現される
3.3.3.2
3.3.3.2.1
3.3.3.3 機械学習では、アルゴリズムとは数式のことで、教師データとは実績値のこと
3.3.3.4
3.3.3.4.1
3.3.3.5 クラス分類は、学習速度は早いが、一般的には精度があまり良くない
3.3.3.6 ロジスティック回帰は、過去のデータをもとに、あるクラスに該当する確率を予測。この確率に対して閾値を設定し、クラスを割り当てる手法
3.3.3.6.1 迷惑メールの判定閾値を上げると誤判定は減るが判定漏れが増えるトレードオフの関係
3.3.3.6.2 ロジスティック回帰の判定式をクラスごとに用意すると、多クラス分類が可能となる
3.3.3.7
3.3.3.7.1
3.3.3.8 クラスタリングとは、正解付データの不要な教師なし学習
3.3.3.9
3.3.3.9.1
3.3.3.10 レコメンデーションは、利用者が投稿したレビュー点数、行動履歴、商品購入の有無かどから、その利用者に「評点」を付ける。その評点から利用者の嗜好を分析して、おすすめ商品を推測するのが「協調フィルタリング」
3.3.3.10.1 利用者が高い評点を与えた商品と、類似した商品をお勧めるのが「アイテムベースレコメンド」
3.3.3.10.2 対象者と似た嗜好の利用者を複数選びだし、その利用者の多くが高得点の商品の中で、対象者がまだ購入していない商品をお勧めするのが「ユーザベースレコメンド」
3.3.3.11
3.3.3.11.1
3.3.3.12 回帰やクラス分類などの「教師あり学習」の場合は、この教師データをもとに数式の変数(パラメータ)をコンピュータが自動的に決定する
3.3.3.13 教師データに合わせすぎた状態を「過学習」という。これを避けるために、教師データとは別に評価用のデータも用意して、検証する必要がある
3.3.3.14 ただし、教師データの件数が膨大であれば、このような過学習は解消する
3.3.3.15
3.3.3.15.1
3.3.3.16 自然言語は、人間の長い歴史の中で自然に発展してきたため、プログラミング言語と比べると、曖昧性が非常に高く、自然言語処理という特別な処理が必要になる
3.3.3.17 単語や文章の特徴量。特徴量を数値化することで文章を数値で扱えるようになり、文章のデータ量を大幅に圧縮することができた
3.3.3.18 単語や文章の特徴量は、N-gram処理やTF-IDF処理が一般的。対象文章内では高頻度の単語が特徴的である
3.3.3.19
3.3.3.19.1
3.3.3.20 文章を単語に分割してクリーニングした後、その文章の特徴量を抽出することでベクトル化
3.3.3.21
3.3.3.21.1
3.3.3.22 まず国語辞書や文法の知識、一般常識等をデータベース化しておく必要がある
3.3.3.23 多数の解釈の中から最も「妥当な」解釈を判断することをコンピュータに実装するのは難しいこと
3.3.3.24 自然言語処理の難しさの根本原因は、自然言語が本質的に持ち、多様な解釈を可能とする「曖昧さ」jにある
3.3.3.25 自然言語処理の最も身近な例は「かな漢字変換」
3.3.3.26 検索エンジンは、自然言語処理のおかげで利用することができ、「機械翻訳」の研究成果で自然言語処理は発達してきたと言える
3.3.3.27 文章から単語を切り出す処理を「形態素解析」
3.3.3.28 「意味解析」、「文脈解析」と進むが、いまだに研究段階にあり制度の良い確立した手法はまだない
3.3.3.29
3.3.3.29.1
3.3.3.30 単語分析に加えて「品詞付与」などの処理も行う
3.3.3.31 「形態素解析ソフトウェア」として有名なのがMeCabというオープンソース
3.3.4 機械学習のビジネスでの利用
3.3.4.1
3.3.4.1.1
3.3.4.2 ①研究段階:機械学習は人工知能における研究課題として1960年頃から研究されてきた
3.3.4.3 ②実用化段階:近年、成績がよく実績あるMLアルゴリズムは、コンピュータパワーの進化と伴って、大学などの研究機関がOSS化
3.3.4.4 OSSのフレームワークが火付け役となって、機会学習は一気に実用化段階に入ってきた
3.3.4.5 ③クラウドMLの登場:2014年にIBM WatsonがMLのAPIを公開。2015年から主たるパブリッククラウドで、続々と実用的なMLアルゴリズムがライブラリとしてサポートされる。こうして機械学習は、本格的な実用化段階に突入した
3.3.4.6 AIや機械学習の応用先は「予測」、「識別」、「実行」になる。現時点では予測が最も実用化が進んで、応用しやすい分野と言える。識別は比較的専門性が高く、実行は現時点で実用化はあまり進んでいない
3.3.4.7 現状ではアナリストが過去の実績データをもとに、BIツールを用いて経験と勘で行う場合が多い
3.3.4.8 機械学習の利点は、最初に適切な予測モデルを作成すると、その後は専門家の常駐が不要になるところ
3.3.4.9 ただし、「教師あり機械学習」の場合は、どの分野でも、その出力精度は教師データの質・量・種類に大きく依存する
3.3.4.10 活用例
3.3.4.10.1 予測
3.3.4.10.1.1 ①店舗への来客数の予測
3.3.4.10.1.1.1 最初は、入手可能なあらゆる種類のデータを集めること
3.3.4.10.1.2 ②売り上げの予測
3.3.4.10.1.2.1 売上データや顧客の平均購入単価、来客数(予測数)、購買率のデータがあれば精度のよい売上予測が可能
3.3.4.10.1.3 ③顧客の店舗内動線分析
3.3.4.10.1.3.1 品ぞろえや陳列棚の改善により売上アップ
3.3.4.10.1.3.2 店舗内にビデオカメラ、赤外線センサー、レーザーセンサーなどを一定期間設置して、データを収集
3.3.4.10.1.4 ④工場での作業員動線分析
3.3.4.10.1.4.1 作業工程を効率化、危険エリアに立ち入らないように通路確保
3.3.4.10.1.4.2 作業員にタグをつけたり、スマホを持ってもらい、作業員の位置データを収集
3.3.4.10.1.4.3 作業員全員の総移動量を計測・分析できるので大きな改善効果が見込める
3.3.4.10.1.5 ⑤ECサイトでの商品レコメンデーション
3.3.4.10.1.5.1 来訪者の行動ログを分析しサイトデザインを改良
3.3.4.10.1.5.2 来訪者特性に合わせたレコメンデーションやバナー広告などきめ細かな制御ができる
3.3.4.10.1.5.3 もともとリアル店舗での接客術、つまり優秀な店員のお客様対応を自動化しようとしたもの
3.3.4.10.1.6 ⑥フライトデータと気象データから飛行機の遅延時間予測
3.3.4.10.1.7 ⑦路線バスの遅延時間予測
3.3.4.10.1.7.1 曜日と時間帯別交通量データ、これに停車時間の実績データにより予測モデルを構築
3.3.4.10.2 識別
3.3.4.10.2.1 大量にあるデータを複数に分類すること
3.3.4.10.2.2 ①機器異常や故障の事前検知
3.3.4.10.2.2.1 機器の挙動データを長時間にわたり詳細に収集
3.3.4.10.2.3 ②SNSでの評判分析
3.3.4.10.2.3.1 非構造化データであるテキストデータを自然言語処理。一般にテキストマイニング用のツールを用いて、アナリストが分析
3.3.4.10.2.3.2 テキストを形態素解析し、あらかじめベクトル化してある良い言葉と悪い言葉との類似度を計算
3.3.4.10.2.3.3 十分な数の教師データと「感情辞書」を用意し、再起型ニューラルネットワークなどのアルゴリズムを用いての実験が必要
3.3.4.10.2.4 ③ソフトウェアの品質判定
3.3.4.10.2.4.1 「可読性」を解析する静的解析ツールから出力されるメトリクスデータで数値化が可能
3.3.4.10.2.4.2 このメトリクスデータに、既に品質判定した結果を組み合わせて教師データとする
3.3.4.10.2.4.3 それによりソースコードの品質判定を自動で行えるようになる。すでに有効性を確認済
3.3.4.11
3.3.4.11.1
3.3.4.12 機械学習を実際に利用する場合、「情報科学」、「計算環境」、「ビッグデータ」が必須
3.3.4.13 2015年になり、IBM、MSがクラウドML(クラウドAI)をサービスを開始
3.3.4.14 アルゴリズムと計算環境がパッケージで提供されたので、データさえあれば誰でも容易に機械学習が利用できるようになった
3.3.4.15
3.3.4.15.1
3.3.4.16 適切なアルゴリズムを見つけるには、試行錯誤が必要。このアルゴリズムを利用するにはプログラミングする必要があり、この試行錯誤に非常に時間がかかっていた
3.3.4.17 ①対象データの収集
3.3.4.18 クラウドMLには、このデータクレンジングを自動的に行えるライブラリも準備されている
3.3.4.19 ③アルゴリズムの選定
3.3.4.20 最も出力結果が良かったアルゴリズムを選定することになる。したがってアルゴリズムの種類ができるだけ多いクラウドMLを選ぶべき
3.3.4.21 ④実験
3.3.4.22 ⑤実験結果の評価
3.3.4.23 正解付の教師データを7対3などに分割し、70%で学習させ残り30%で評価するホールドアウト法などを用いる方法が一般的
3.3.4.24 精度の評価に使う指標として、正解率、真陽性率、偽陽性率、ROC曲線、適合率などがある
3.3.4.25 ⑥パラメータ調整
3.3.5 クラウドMLでの実践
3.3.5.1 専門家が不要:従来はAIや機械学習の専門家がいない限り、機械学習をビジネスに利用することは考えられなかった
3.3.5.2 深い知識は不要で、試行錯誤をある程度繰り返して経験を積めば、様々なビジネスシーンに応用することができるようになる。
3.3.5.3 手軽に始められる:クラウドMLはインターネットに接続されたPCさえあれば、だれでも手軽に始められる
3.3.5.4 ・費用が最小限で済む:ユーザ登録料は無料、テストだけなら利用料金も無料
3.3.5.5 ・ビジネスでの利用が容易になる:実際のビジネス環境で既に多数利用されている
3.3.5.6
3.3.5.6.1
3.3.5.7
3.3.5.7.1
3.3.5.8
3.3.5.8.1
3.3.5.9
3.3.5.9.1
3.3.6 拡大する機械学習ビジネス
3.3.6.1
3.3.6.1.1
3.3.6.2 ユーザ接点はすべてデジタル化されており、ユーザに関する大量のデータが取得できる
3.3.6.3 2015年からはWeb接客ツールという従来のECサイトにはなかった接客を行うシステムが登場している
3.3.6.4 集客から再来訪までの一連のマーケティングフローを、システム化しようとするのが、マーケティングオートメーション
3.3.6.5 ある程度の自動回答なら今のチャットボットでも可能です
3.3.6.6 高度化:人の能力では発見困難な知見や規則性を見つけ出す
3.3.6.7 高速化:処理に要する時間の劇的な短縮
3.3.6.8 ・効率化(自動化):人がいなくても業務が進むようになる
3.3.6.9 機械学習を応用することにより「判断の進化」が可能
3.3.7 機械学習ビジネスの課題
3.3.7.1 先行して市場を押さえることができれば、その分野におけるトップランナーになることも可能
3.3.7.2
3.3.7.2.1
3.3.7.3 「No Free Lunch定理」どんな問題やどんなデータに対しても最高の制度を出せる万能なアルゴリズムは存在しないという定理
3.3.7.4 機械学習で解決可能かは、事前に詳細剣豪が必要。顧客が保有する現場のデータを用いて、様々なアルゴリズムで試行錯誤しjながら技術検証をする必要がある。しかも技術検証をした結果、機械学習では顧客課題をかいけつできないという結論になる場合もある
3.3.7.5 日本ではいまだに、ERPのような基幹系ソフトで企業独自の商習慣に対応してカスタマイズされたものが主流となっている。この独自ソフトウェアの開発方法は、仕様を明確なら昔ながらのウォーターフォール型、不明確ならアジャイル型と、ある程度確立している
3.3.7.6 一般的に普及している多種多様なソフトウェアの中にも、様々なアルゴリズムが使われているがユーザーからは隠蔽され意識されていない
3.3.7.7 長い間にアルゴリズムjの利用方法が確立し、ソフトウェアのライブラリに組み込まれて、プログラマーも使い方を熟知している。しかし機械学習の場合、アルゴリズムそのものはある程度確立してきたが、ビジネスでの利用方法は手探りの状況である
3.3.7.8 このため、ユーザに「裸のアルゴリズム」そのものを提示し、ビジネス用途に利用可能かを検証してもらうしかない
3.3.7.9 日本の企業、特に大企業は、実績や安全性を重視するために、ファーストユーザーになることを嫌います
3.3.7.10 もしそのソフトウェアが同業他社より優位に立てるほど画期的なら先行導入した企業がその分野での先行者利益を独占して享受できる。しかし様子見して実績が出てからの導入だと、他社との競争優位に立てないため機会損失が生じてしまう
3.3.7.11 機械学習ビジネスにおける初期費用問題は、ハイリスクハイリターンを狙うか、ローリスクローリターンにするかの判断とも言える
3.3.7.12 機械学習のようなAI関連サービスは、最新技術が論文などで公開されてからわずか数か月ほどでクラウドMLサービスとして利用できることが多くなっている
3.3.7.13 PythonやRjなどのプログラミング言語を知らなくても機械学習を活用できる時代jになった
3.3.7.14 この厳しい競争社会において情報を制する者が常に勝者になる。機械学習などのAI関連の知識は今後必ずビジネス社会で求められていくに違いない
3.3.7.15 社会現象の予測は統計学を応用すればある程度可能で、その技術の延長線上に画像解析や顔認証、さらに音声認識、機械翻訳などがあると考えると理解しやすくなる
3.3.7.16 教師あり機械学習の場合は、教師データとして入力されたデータを統計処理をしてモデル化し、対象データが統計的にみてどの教師データに「統計的jに近いか」を計算して判断をしている
3.4 非エンジニア、文系、ビジネスマンのための人工知能入門:数式が苦手なあなたにおすすめ
3.4.1 はじめに
3.4.1.1 出来ること、出来ないことを理解することが大切
3.4.2 人工知能とはなにか
3.4.2.1 あるタスクに特化して人間より秀でた性能を示すことができる
3.4.2.2 強いAI
3.4.2.2.1 人間が普段こなすようなタスク(話す、移動する、見る等々)を難なく行うことを目的とする
3.4.2.3 シンギュラリティ(技術特異点)
3.4.2.3.1 機械が人間の知能を超える段階
3.4.2.4 人間の知能
3.4.2.4.1 問題の解き方をモジュール化して、問題に応じてモジュールを再活用し、また複数のモジュールを組み合わせて活用することができる
3.4.2.5 トップダウンアプローチ
3.4.2.5.1 音声認識、自然言語処理、画像認識のモジュール
3.4.2.6 ボトムアップアプローチ
3.4.2.6.1 脳の構造そのものを生理学的に解明し、その構造を工学的に再現しようというアプローチ
3.4.2.7 フレーム問題
3.4.2.7.1 弱いAI
3.4.2.7.1.1 あらかじめフレームを特定してそのフレーム内における特定条件下で動作する人工知能
3.4.2.8 脳とニューラルネットワーク
3.4.2.8.1 脳の構成単位であるニューロンを簡易的に模倣して工学的に再現する試み
3.4.2.9 ニューロン
3.4.2.9.1 周囲の他のニューロンからの信号を受け取る樹状突起と、周囲のニューロンに信号を送る軸策による
3.4.2.10 ニューロン間の情報伝達
3.4.2.10.1 「りんご」を学習するとき、果実、赤、丸の3つの特徴を持つニューロンだけが発火する
3.4.2.11 情報とニューロン
3.4.2.11.1 脳は複数のニューロンにまたがって分散的に情報を保持し、また、新しい情報が入ってきたときは脳全体で学習し、全体で保管しているのではないかと言われている
3.4.2.11.2 自分の存在は周りとの関係性で定義づけられている
3.4.3 機械学習
3.4.3.1 近年なにかと話題に上がる人工知能、いわゆる弱いAI
3.4.3.2 機械学習とはなにか
3.4.3.2.1 コンピュータへの命令としてプログラムを書くときに人の手ですべてをやるには大変な部分を自動で機械に学習してもらおう
3.4.3.2.2 「認識」と「認知」があることを理解する必要がある
3.4.3.2.3 認知
3.4.3.2.3.1 より効率的に多くの概念を学習できることと、それぞれの概念に対する汎用性が求められる
3.4.3.2.3.2 認知能力が汎用性を持つほど、認識側でもどのような情報を取り出せば効率的日認知できるかがわかるようになり、認識の能力が向上する
3.4.3.3 最適解と局所解
3.4.3.3.1 最適解を目標、局所解を現状と置き換えて考える
3.4.3.3.2 現状ある程度いいところまで学習できるようになった状態を局所解
3.4.3.3.3 100すべてを学習できた段階を最適解という
3.4.3.4 教師あり学習
3.4.3.4.1 ラベル付け
3.4.3.4.1.1 データにつけられた情報。データを学習器に入力したときに、その答えが与えられたラベルと一致するように。弱いAI
3.4.3.5 教師なし学習
3.4.3.5.1 ラベルの付いていないデータを用いて、そのデータのラベルや境界を推測していく
3.4.3.5.2 データをなんとなくその特徴から分類し、クラスターというデータの塊をつくる
3.4.3.6 強化学習
3.4.3.6.1 あるエージェント(行動主体)が、自らの置かれた環境の状況に応じて、特定の行動を行ったときにのみ報酬を与える
3.4.3.6.2 コンピュータプログラム上で、この報酬を設計することでプログラムが自動的にその報酬を満たすような振る舞いを体得していく
3.4.3.6.3 報酬を最大化するには、安定したスロットマシーンだけでなく、確率の低いスロットマシーンにもその潜在的なポテンシャルが潜んでいることを考慮
3.4.3.6.4 探索とはリスクをとって新たなチャレンジを起こすこと
3.4.3.6.5 活用は、探索を含めた過去の経験から最もローリスクハイリターンな行動をとること
3.4.3.7 ニューラルネットワーク
3.4.3.7.1 脳の神経回路網を工学的に再現することで、高度な情報処理を実現しようという試み
3.4.3.8 形式ニューロン
3.4.3.8.1 1943年脳のニューロンの工学的模倣として、形式ニューロンが提案された
3.4.3.9 機械処理とデータセットによる復活
3.4.3.9.1 線形分離可能な問題しか解けなかったパーセプトロンが、バックプロパゲーショんの提案によって、非線形分離可能な問題を解く力を獲得
3.4.3.9.2 当時のコンピュータの処理能力では、計算コストが非常に高く、実験による有用性の証明が困難だった。そのためにまた冬の時代を迎えることになる
3.4.3.9.3 パーセプトロンは教師あり学習であり。この学習にはラベル付きの大量のデータが必要になる
3.4.3.9.4 ネット上にはたくさんのデジタルデータが生み出され、あふれるデータとコンピュータ処理能力の発展は新たなブームを呼び起こした
3.4.3.9.5 この火付け役になったのが2012年開催の画像認識コンテスト(ILSVRC)におけるGeoffrey Everest Hinton教授をはじめとする研究グループのニューラルネットワークによるディープラーニング手法を用いた圧倒的な画像認識精度の実現による勝利
3.4.3.10 ディープラーニングとは
3.4.3.10.1 まず、1つ目の理由は、ネットワーク構造をよりディープに深くするということ
3.4.3.10.2 もう一つの理由は、ディープラーニングによって、特徴抽出が機会にやらせることができるようになったこと
3.4.3.10.3 従来は特徴量抽出手法を、場合に応じて使い分けを人の手で意図的に行う必要があった。しかし、ディープラーニングでは、特徴量抽出の部分自体も学習による自動で獲得することができるようになった
3.4.3.10.4 医療分野の場合、あらかじめ大量の集めやすい事前画像によるディープラーニングの学習によって獲得された小さい概念が、医療系画像における認識においても使いまわすことができた
3.4.3.10.5 過学習
3.4.3.10.5.1 例えば、教科書に書かれている例題をいくら正確に説くことができたとしても、ちょっとひねったテストの問題では歯が立たないといった勉強の仕方では意味がない
3.4.3.11 現状のディープラーニングの手法に関する課題
3.4.3.11.1 伝言ゲームで最後の人に伝言が使ったときに、初めの伝言と違った意味になっていく現象
3.4.3.11.2 学習における重みづけ更新の手法を改善する必要がある
3.4.3.12 学習させるデータの課題
3.4.3.12.1 ただ大量であるだけでなく、質が求められる
3.4.3.12.2 実際には、学習において教師ありのラベル付きデータが必要となるため、データに対してラベル付を人の手で行うことになる。データ量が増えるほど学習精度はあがる一方、ラベル付する量や時間的コストも大きくなる
3.4.3.13 ディープラーニングの計算・実装における課題
3.4.3.13.1 並列高速計算処理ができるGPUが必要となる
3.4.3.14 根本的なディープラーニングの手法の見直し
3.4.3.14.1 手法自体の発展が目覚ましいわけでなく、コンピュータ計算処理能力がやっと理論に追いついた状況
3.4.3.14.2 実際の脳のニューロンの構造的には、横に広く浅いことが知られているが、現在のディープラーニングは縦に層を深くするほど精度が改善しているのが現状
3.4.3.14.3 今後はデータを見て、ディープラーニング自体が自からのネットワーク構造を最適化して決定していくような仕組みも必要となる
3.4.4 ディープラーニングと画像認識
3.4.4.1 学習データの用意
3.4.4.2 学習の繰り返しと評価
3.4.5 進化計算
3.4.5.1 巡回セールスマン問題
3.4.5.2 進化型ニューラルネットワーク
3.4.5.3 NEAT
3.4.6 まとめ
3.4.6.1 現在の弱いAIをさらに高度化できるのではないかと期待される進化計算とそれに関連する遺伝子アルゴリズムや進化型ニューラルネットワーク。そのポテンシャルと実際にNEATにおけるニューラルネットワークの学習プロセスについて学ぶ
3.5 人工知能(AI)活用時代に必要とされる能力とは?ビジネスで差がつく「データサイエンス力」
3.5.1 https://www.salesforce.com/jp/blog/2017/02/Artificial-Intelligence.html
3.5.2 人工知能(AI)の活用が一般化する時代における重要な能力(総務省「ICTの進化が雇用と働き方に及ぼす影響に関する調査研究」)
3.5.2.1 情報収集能力や課題解決能力、論理的思考などの業務遂行能力
3.5.2.2 チャレンジ精神や主体性、行動力、洞察力などの人間的資質
3.5.2.3 企画発想力や創造性
3.5.2.4 語学力や理解力、表現力などの基礎的素養
3.5.2.5 コミュニケーション能力やコーチングなどの対人関係能力
3.5.2.6
3.5.3 考察
3.5.3.1 人工知能(AI)を設計・開発するような時には、
3.5.3.1.1 企画や創造力を、
3.5.3.2 アルゴリズムを設計・開発するような場合には
3.5.3.2.1 論理的思考能力が、
3.5.3.3 人工知能(AI)を運用する場合には、
3.5.3.3.1 関係各所との調整力といった能力が
3.5.4 日米間での情報リテラシーのギャップや、情報収集能力の格差
3.5.5 組織としてデータ分析・活用ができているか?
3.5.5.1 収集された大量のデータが分析されずに“宝の持ち腐れ”状態に陥っている可能性があります。社内の誰もが簡単にアクセス・活用できない
3.5.5.2 社内の誰もが簡単にアクセス・活用できない、リアルタイムで意思決定に活用できないという状況は、経営判断を誤らせたり、鈍らせたりすることにもつながりかねません。
3.5.6 ビジネスリーダーの2人に1人が課題を認識
3.5.7 ビジネスにおけるデータサイエンスは、どうあるべきか?
3.5.7.1 従来の“勘”や“経験”のような曖昧な裏づけではなく、確かなデータサイエンスに基づいて、ビジネス上の意思決定を行えるようになることが必要
3.5.8 ポイントは「顧客の時代」と「スピード経営」
3.5.8.1 顧客がマーケットの主導権を握る「顧客の時代」に対応すること。
3.5.8.2 もうひとつは、めまぐるしい市場変化に対して迅速な意思決定を行う「スピード経営」を実現すること。
3.6 グーグルに学ぶディープラーニング(日経ビッグデータ)
3.6.1 序章
3.6.1.1 ディープラーニングがすべてのビジネスを変える
3.6.1.2 ビッグデータでディープラ一二ングが実力発揮
3.6.1.2.1 あらゆる機器をインターネットに接続して稼働データなどを収集するIoTの浸透によって、実社会のデータ化、デジタル化が進む
3.6.1.3 トヨタは日米の全乗用車を通信対応に
3.6.1.3.1 企業の競争力はデータを収集し、価値に変える能力
3.6.1.4 人工知能でイノベーションを生む時代に
3.6.1.4.1 イノベ-ションとは、お客さんに聞いても答えられないような問題を解決したときにのみ生まれる
3.6.1.4.2 デジタル化された実世界の可視化、最適化が進められるようになっている
3.6.1.4.3 さまざまな業界にビッグデータ×人工知能による変革が生まれる
3.6.1.4.4
3.6.1.4.5 データ取得
3.6.1.4.5.1 センサー
3.6.1.4.5.2 ウェラブルデバイス
3.6.1.4.5.3 ポイントカード
3.6.1.4.5.4 スマホアプリ
3.6.1.4.5.5 API
3.6.1.4.6 デジタルトランスフォーメーションによる業界構造の変革
3.6.1.4.6.1 製造
3.6.1.4.6.1.1 インダストリアル・インターネット/インタストリ- 4.0
3.6.1.4.6.2 流通
3.6.1.4.6.2.1 EC・オム二チャネル
3.6.1.4.6.3 運輸・輸送
3.6.1.4.6.3.1 自動運転・シェアリングエコノミ-
3.6.1.4.6.4 医療
3.6.1.4.6.4.1 創薬・個別化医療・医療費削減(データヘルス計画)
3.6.1.4.6.5 金融
3.6.1.4.6.5.1 FinTech (融資査定や保険料の個別化)
3.6.1.4.6.6 エネルギー/住宅
3.6.1.4.6.6.1 スマートハウス/HEMS
3.6.1.4.6.7 教育
3.6.1.4.6.7.1 EduTech(アダプティブラ一二ングなど)
3.6.1.4.6.8 人材
3.6.1.4.6.8.1 HRTech
3.6.1.4.6.9 建設
3.6.1.4.6.9.1 スマートコンストラクション i-Construction
3.6.1.4.6.10 公共
3.6.1.4.6.10.1 ビ、ッグデータによる新経済・消費指標
3.6.1.5 中小企業にも人工知能の恩恵
3.6.1.5.1 最近、クラウドサービスを提供する大手IT企業などが、独自データであらかじめ学習をさせた人工知能APl (アプリケ-ション・プログラミング・インタ-フ工-ス)の提供種類を増やしている
3.6.1.5.2 人工知能を業務改善に活用するなら、誰でも今すぐ利用できる時代
3.6.2 1章 超入門
3.6.2.1 人工知能と機械学習とディープラ一二ングはどう違う?
3.6.2.1.1 ディープラ一二ングは機械学習の一部
3.6.2.1.1.1 人工知能=知的な情報処理をするもの、またはその技術
3.6.2.1.1.2 大きな概念として知的な処理をする「人工知能j
3.6.2.1.1.3 機械学習もディ-プラ一二ングも、人工知能を実現するための手法
3.6.2.1.1.4 機械学習のlつの分野が、ディ-プラ一二ング
3.6.2.1.1.5
3.6.2.1.2 機械学習は人聞がプログラムを作らない
3.6.2.1.2.1 機械学習は、プログラムを人聞が作りません。どう判断するかを人間が教えることなく、機械が自分で学ぶことから、『機械学習』と呼ぶ
3.6.2.1.2.2 入力の答えとなる出力のセットの例を、たくさん機械に与える
3.6.2.1.2.3 機械が答えを出すための手法を、人聞がプログラムとして与えるのではなく、機械が自動的に膨大なデータから学習してモデルを作るのが、機械学習
3.6.2.1.2.4 機械の中で、入力に対して正しい答えが導き出されるような「モデル」が作られるだけ
3.6.2.1.2.5 膨大な入力と答えのセットから知識を獲得していく
3.6.2.1.2.6
3.6.2.1.3 コンビューターの発達がディープラ一二ングを可能に
3.6.2.1.3.1 複数の層の処理を重ねて複雑な判断をできるようにする技術として、深層学習、すなわちディ-プラ一二ングと呼ばれる
3.6.2.1.3.2 コンビューターの計算力の大幅な向上と、インターネットなどを介して大量なデータを収集することができるようになったことによって、この数年で実用レベルに達してきた
3.6.2.1.4 「リサーチの洪水Jのごとき人工知能の広がり
3.6.2.1.4.1 ネットワークインフラや大規模データ処理、機械学習を含むコアテクノ口ジーを外部に提供するためのプロジェクト
3.6.2.1.5 「モバイルファーストjから「AIファースト」ヘ
3.6.2.1.5.1 機械学習で可能となる価値をさまざまなかたちで具現化していく
3.6.2.1.5.2 グーグルでは、ライフラリをオープンソース化するなど、GCPを通じて、AIファーストの成果を外部に提供するプロジェクトを進めている
3.6.2.1.5.3 安価で誰もが画像認識や音声認識、翻訳などの人工知能を利用できるように
3.6.3 2章 ディープラーニングの仕組み
3.6.3.1 機械学習「以外jの人工知能とは
3.6.3.1.1 その代表的な方式が、世の中の出来事を論理式で書き出すというもの
3.6.3.1.2 人聞が『AならばB』という関係をコンビュータ-に教えるので、機械学習ではない
3.6.3.1.3 ゴールを定めておいて、ゴールを達成するには「その前に何をする必要があるか?J
3.6.3.1.4 人工知能はすべての知的なことを解釈しようと考える
3.6.3.1.5 分野を限って人工知能の力を最大限に発揮しようと考えたのが工キスパートシステム
3.6.3.1.6 機械学習以外の人工知能では、コンビューターが考えるための条件式を必ず人間が教えなければならない
3.6.3.1.7 ルールを決めることから、「ルールベースの人工知能Jという
3.6.3.2 機械学習の基本
3.6.3.2.1 学習するための材料と、学習するための考え方を与える必要がある
3.6.3.2.2 入力と出力のセットを大量に用意し、コンビューターに学習させていくことを機械学習と呼ぶ
3.6.3.2.3
3.6.3.2.4 モデルは、入力から出力を得るための計算のプロセスを表現したもの
3.6.3.2.5 大量に与えられた信号を機械が計算することで、入力と出力の聞を関係づけるモデルが出来上がる
3.6.3.3 機械学習といってもいろいろな手法がある
3.6.3.3.1 どのようなモデルで機械学習をするかは、人間が設定しなければいけない
3.6.3.3.2 機械学習で扱われるモデルには、多くの種類がある。
3.6.3.3.3 「決定木」「帰納推論」 「二ユ-ラルネットワーク」 「デ イ-プラ一二ング」などが代表的なもの
3.6.3.3.4 ここでようやく「ディープラーニングJが出てきました。
3.6.3.3.5 機械学習のlつの手法が、ディープラーニング
3.6.3.4 ニューラルネットワークは脳の神経構造
3.6.3.4.1 脳の神経の構造を論理的にまねすることで、知的な処理をコンビューターにさせようというもの
3.6.3.4.2 シナプスは、隣接するシナプスからの信号の入力が一定の値を超えると、次のシナプスに対して信号を送り出す一方通行の神経伝達
3.6.3.4.3 人工的に作ったニューロンがニューラルネットワークの「ノード」と呼ばれる
3.6.3.4.4
3.6.3.4.5
3.6.3.4.6
3.6.3.4.7 ディ-プラ一二ングが、ルールベースの人工知能や他の機械学習と異なるのは、とても単純であること
3.6.3.5 分類の仕方はコンビューターが自分で学んでいく
3.6.3.5.1 一般的なプログラム言語では、グラフの中の境界線を人聞が設定することで関係を判断する
3.6.3.5.2
3.6.3.5.3
3.6.3.5.4
3.6.3.6 ネット上の「遊び場jで、ニューラルネットを理解する
3.6.3.6.1 Playgroundでニューラルネットワークを体感。単純な分類ならば、1層でもOK
3.6.3.6.1.1
3.6.3.6.2 らせんが入り組んだようなパターンの場合、多層化と二ユーロン数の増加によって対応で、きることが体験できます
3.6.3.6.2.1
3.6.3.6.3 ニューラルネットとディ-プラ一二ングを理解する際のポイント
3.6.3.6.3.1 ニューラルネットでは、お手本データをたくさん読み込むことで、間違いが少なくなるように二ユーロン聞の関係を示す値を調整しながら学習する
3.6.3.6.3.2 データが複雑になるほど、多くの層の二ユ-ラルネットが必要になる
3.6.3.6.3.3 最大のポイントは人聞がプログラムして動くのではなく、コンビューターが自ら特徴を見つけだす
3.6.3.6.4 ディ-プラ一二ングが注目されていることのlつの理由は、人聞を超える可能性にある
3.6.3.7 教師あり学習と強化学習
3.6.3.7.1 サッカーの試合に勝つために、繰り返し繰り返しゲームのスタイルでパスやシユ-トをしながら勝ちパターンを学んでいくといった学習の仕方は、強化学習に近い
3.6.3.7.2 たくさんのデータを入力して、データ自体の構造を発見するといった場合に用いられるクラスタリング分析などで用いられる手法
3.6.3.8 「アルファ碁Jは強化学習をフル活用
3.6.3.8.1 アルファ碁は、架空の対局を自分で繰り返し、勝利という目的に向かつて調整を続けた
3.6.4 3章 グーグルのディープラーニング活用事例
3.6.4.1 ■未来へ向けて、広がるディープラーニングの活用
3.6.4.1.1 話しかけて使う家庭のAIコンシェルジュ
3.6.4.1.1.1 Google Home
3.6.4.1.2 人間相手のように話が通じる!?
3.6.4.1.2.1 Amazon Echo
3.6.4.2 ■自動運転を支えるディープラ一二ング
3.6.4.2.1 ディープラ一二ングでデータセンターを劇的に省エネ化
3.6.4.3 ■人閣の目を超える、ものを見分ける画像認識
3.6.4.3.1 写真を自動で分類する「Googleフォトj
3.6.4.3.1.1 「Googleフォトjでは写真をあらかじめ分類しなくても、例えば「ChristmasJと検索すれば関連する画像を一覧にできます
3.6.4.3.1.2
3.6.4.3.2 お絵描きを人工知能が評価する「Quick Draw」
3.6.4.3.2.1 Quick, Draw!は人工知能が出すお題(Umbrella(傘))に人が手書きでイラストを箔いて、人工知能に正しく当ててもらうゲームです
3.6.4.3.2.2
3.6.4.3.3 コンピュータも夢を見られるのか?「ディープドリーム」の実験
3.6.4.3.4 優れたアートや音楽を生み出す「マジェンタj
3.6.4.3.5 動画像の認識も!「読唇術で人間の専門家に勝つ」
3.6.4.4 ■文章を理解するテキスト分析
3.6.4.4.1 自動で返信メールの候補文を作る「Inbox」
3.6.4.4.2 迷惑メールフィルタの精度も格段に向上
3.6.4.4.3 企業の情報検索をスムーズにする「グーグルスプリングボードJ
3.6.4.4.3.1 情報を探すための時聞を短縮できる検索インタ-フエースを提供するほか、実用的な情報やお薦めの情報をプッシユ型で提供し、企業で働く人たちの時間を有効に活用できるように支援する
3.6.4.5 ■話しかけるだけでコンビューターと意思疎通をする「音声認識」
3.6.4.5.1 会話しながら人聞をサポートする「GoogleアシスタントJ
3.6.4.5.2 合成音声もピアノの曲も作成できる「WaveNet」
3.6.4.6 ■言語の壁を越える可能性が見えてきた「機械翻訳」
3.6.4.6.1 ニューラルネットでGoogle翻訳が進化
3.6.4.6.1.1 グーグルでは20 l 6年、Google翻訊にディ-プラ一二ンク、の手法を使ったニューラルネットワークを適用し、翻訳の品質をぐんと高めることに成功
3.6.4.6.1.2 グーグルニューラル機械翻訊: GNMT)では、そうした区切りはありません。文章の全体を見て、どう訳すか決めていく
3.6.4.6.1.3 Google翻訳の精度向上前後の翻訳結果
3.6.4.6.1.3.1
3.6.4.7 ■ディープラ一二ングの成果を手軽に使える「機械学習API 」
3.6.4.7.1 lつが機械学習の訓練済みモデルを、APl として提供するかたち
3.6.4.7.2 もうlつが、機械学習ライブラリの「テンソルフ口- (TeosorFlow)の提供
3.6.4.7.3 クークルが提供する4種類の機械学習AP
3.6.4.7.3.1
3.6.4.7.3.2 Natural Language APIのテモ画面で例文を入れて、解ができるか確認できます
3.6.4.7.3.2.1
3.6.4.7.3.3 • Google Cloud Vision API
3.6.4.7.3.4 • Google Cloud Speech API
3.6.4.7.3.5 • Google Natural Language API
3.6.4.7.3.6 • Google Cloud Translate API
3.6.4.7.4 カスタマイズしたディープラ一二ングを活用できる「テンソルフロー」
3.6.4.7.4.1 テンソルフローを利用することの最大のメリットは、パイソン(Python)という言語で簡単なコードを書くだけで、ディ-プラ一二ングを利用できること
3.6.4.7.4.2 APIの利用が「既製服Jだとすれば、テンソルフローの利用は「イージ-オーダーjぐらいのイメージ
3.6.4.7.5 ディープラ一二ングが向く領域、向かない領域
3.6.4.7.5.1 これからは機械学習やディ-プラ一二ンク、が必ずさまざまな領域で、広がってきます。工ンジ二アだけが知識を持っていればいいのではなく、ビジネスサイドの人もある程度は正確に把握していないといけない
3.6.4.7.5.2 得意なところは、大量にデータがあるような非常に複雑な問題
3.6.4.7.5.3 複雑な問題になればなるほど、ディ-プラ一二ングは力を発揮
3.6.4.7.5.4 ディ-プラ一二ングは「企業のサービスの作り方を根底から変える可能性がある
3.6.4.7.5.5 機械学習やディ-プラ一二ングをビジネスのどこに適用したらいいか、その発想ができることが重要
3.6.4.7.5.6 プログラムを書いたり、計算機を買ったりするところまで自前で行う必要はない
3.6.5 4章 企業事例編 ディープラ一二ングで業務効率化、園内で続々始まる
3.6.5.1 安藤ハザマ、トンネル工事の岩盤の硬さを判定
3.6.5.1.1 トンネル切羽AI自動評価システムの概念図
3.6.5.1.1.1
3.6.5.1.2 掘削工事の自動的な最適化まで視野に
3.6.5.2 クルマの写真から型式まで特定、オークネットIBS
3.6.5.3 工アロセンス、ドローン空撮データヘ活用
3.6.5.3.1 少ない教師データで自動車の台数検出システムを構築
3.6.5.3.2 測量の効率を高めるマーカーを開発
3.6.5.4 Peach、音声認識APlで運航案内を24時間化
3.6.5.4.1 人と人工知能の役割分担
3.6.5.4.1.1 運航情報の案内のような人工知能のシステムでできることは、システムに任せればいいでしょう。一方で、複雑な対応は人手でする必要があります
3.6.5.4.2 PeachのCEO (最高経営責任者)である井上慎ーさんは常に、「何かおもろいことをやれ」
3.6.5.5 三井住友FG、カード不正検知精度が劇的に向上
3.6.5.5.1 ディープラーニングでクレジットカードの不正検知精度を向上
3.6.5.5.1.1
3.6.5.5.2 コールセンターへは全席に導入
3.6.5.5.2.1 lつは安心・安全なサービス提供、2つ目は、顧客サービスの向上や行員の生産性の向上、3つ目はチヤツトボット(自動会話プログラム)のような新たな顧客体験の実現
3.6.5.5.2.2 外部の膨大な情報を人工知能で自然言語処理して、役立つセキュリティー対策情報を自動で、導きだすことができる
3.6.5.5.2.3 まずは行員向けの照会回答業務から利用を開始して精度の向上を進めており、顧客向けサービスへの利用の可能性を探っていきます。
3.6.5.5.3 データから答えは出てこない
3.6.5.5.3.1 人工知能活用ステップのフレームワーク化を進め、各部署に共有し、人工知能活用をさらに加速しようとしている
3.6.5.5.3.2 人工知能などで業務改善や顧客体験を向上させるために必要なデータを使える状態に整備している
3.6.5.6 先行する画像データの活用
3.6.5.7 音声データはコールセンター中心
3.6.5.7.1 Watsonは自然言語処理と機械学習の技術を使用して、マニュアル、FA Q、判例、診断記録テキストのような大量の非構造化データから洞察を得ることを得意とする
3.6.5.7.2 センサーでは、機器の異常検知や稼働状況の可視化などが主な用途
3.6.5.8 まずはコスト削減から入るのが現実的
3.6.5.8.1 l .コスト削減2. 付加価値を高めて新たなビジネス機会を創出3. クリ工イティフ性の向上
3.6.5.8.2 クリ工イティブ性の向上はディ-プラ一二ングならではの期待
3.6.5.8.3 人の労働には「品質!こぶれJがあり「長時間は働けないJ点、も理解すべき
3.6.5.8.4 最低限、こうしてシステム開発費用と人件費だけでなく、作業品質と稼働時間などの総合的な要素を含めて投資対効果を考えることも必要になる
3.6.5.8.5 大切なのは、ディ-プラ一二ングなど機械学習によるシステム開発は、従来のシステム開発とは異なるという認識を持つこと
3.6.6 5章 活用フレームワーク編 データ×目的で、整理し、活用の展開図を描こう
3.6.6.1 お客さまのデータ活用にかかわる悩みを解決する
3.6.6.2 まず小規模なPoC(ブルーフ・オフ・コンセプト:概念実証)を実施し
3.6.6.3 ■データ×目的による整理法
3.6.6.3.1 ディ-プラ一二ング活用の目的は、「1 コスト削減」「2. 付加価値を高めて新たなビジネス機会を創出」「3. クリ工イティブ性の向上jです。一方で使われるデータは「l.画像」 「2. テキスト」 「3. 音声」「4.センサ-」となる
3.6.6.3.2 目的×データからディープラ一二ンクの活用方法を整理する
3.6.6.3.2.1
3.6.6.3.3 先行する画像データの活用
3.6.6.3.4 音声データはコールセンター中心
3.6.6.3.4.1 Watsonは事前言語処理と機械学習の技術を使用して、マニュアル、FAQ、判例、診断記録テキストのような大量の非構造化データから洞察を得ることを得意としている
3.6.6.3.4.2 センサーでは、機器の異常検知や稼働状況の可視化などが主な用途
3.6.6.3.5 まずはコスト削減から入るのが現実的
3.6.6.3.5.1 1.コスト削減
3.6.6.3.5.2 2.付加価値を高めて新たなビジネス機会を創出
3.6.6.3.5.3 3.クリエイティブ性の向上
3.6.6.3.5.3.1 ディープラーニングならではの期待
3.6.6.3.5.4 人の労働には、「品質にぶれ」があり「長時間は働けない」点も理解すべきだ
3.6.6.3.5.5 最低限、システム開発費用と人件費だけでなく、作業品質と稼働時間などの総合的な要素も含めて投資対効果を考えることも必要
3.6.6.3.5.5.1
3.6.6.3.5.6 大切なのは、ディープラーニングなど機械学習によるシステム開発は、従来のシステム開発とは異なるという認識を持つこと
3.6.6.4 ■成功に必要な常識と人材の転換
3.6.6.4.1 活用の展開図を描けるか
3.6.6.4.1.1 業務効率化から始まり、新たな顧客体験の創造、他事業への展開を構想できるのが好例
3.6.6.4.1.2 (1) ビジネス現場で適用可能かどうか、 (2 )それに関連したデータを保有しているか、(3)データがディ-プラ一二ング向きかどうかの判断
3.6.6.4.2 必要な人材像は?
3.6.6.4.2.1 【グーグルに学ぶディープラーニング(日経ビッグデータ)】
3.6.6.4.2.2 l .ビジネスの旗振り役2 ディ-プラ一二ングの技術者、データサイ工ンテイスト3. モデルを組み込んだシステムを作る工ンジ二ア4. ビジネスと工ンジ二ア、データサイ工ンテイストの橋渡し役
3.6.6.4.2.3 4の橋渡し役が既存の組織にはない、一方で重要な役割を果たす人です。「工ンジ二アと人工知能の技術を理解しながらビジネスとつないでいく人
3.6.6.4.2.4 人工知能の技術側はテンソルフローのようなライブラリが整備されたり、多種多様なAPlが提供されたりしてハードルが下がってきた
3.6.6.4.2.5 どうビジネスに生かすかを描き、人工知能プロジェクトをマネジメントできる人材が求められる段階になってきた
3.6.6.4.3 機械学習はコモディティー化、次の特別な存在は
3.6.6.4.3.1 自社のビジネスに適切に使うことが差異化のポイント
3.6.6.4.3.2 人工知能力、特別でなくなった次に特別な価値を持つのは、データ
3.6.6.4.3.3 ディ-プラ一二ングに可能な限り早く取り組み、知見を積み、自社に必要になるデータを理解し、1日でも早くそのデータをため始めることが大事
3.6.7 6章 将来展望編 ディープラーニングが課題を解決する未来ヘ
3.6.7.1 技術革新の牽引役はディープラ一二ング
3.6.7.1.1 先進的なアルゴリズムであるディ-プラ一二ングがこれらのファクターを統合して、画像認識を高精度に行えるようにした
3.6.7.2 人間は優秀、アルゴリズムの研究はまだまだ途上
3.6.7.2.1 人聞は、膨大な知識を使って、文脈(コンテキスト)を把握した上で画像を認識できます。ひと目で状況を判断する「百聞は一見にしかずjといった部分
3.6.7.2.2 コンビューターや自然言語処理、画像処理などそれぞれの分野の研究成果の集大成という側面があります。
3.6.7.3 ディープラ一二ングは「データハングリーJ
3.6.7.4 現実世界の課題を解決することがAl研究の目標
3.6.7.4.1 Alや機械学習の研究者の専門知識を統合することで、お客さまの課題を解決できる
3.6.7.4.2 コンピュ-ターがもっと知的になって高度化して、人間がその取り巻く世界を認知、認識するのと同じレベルで認知、認識ができるようになれば、コンビューターによる世界の解釈の仕方が高度化し、人間とコンビューターのインタラクションもより高度化していきます。
3.6.7.4.3 今は人聞がやっている退屈な反復作業、リスクのある作業、高い精度を必要とする作業は、Alを活用することでコンピュータに任せられる
3.6.8 おわりに
3.7 2020年を見据えたグローバル企業のIT戦略 IoT編
3.7.1 第1章 IoT時代のシステム構築はイベントドリブン型になる
3.7.1.1 モビリティ
3.7.1.1.1 SMBC
3.7.1.1.1.1 Social, Mobile, Bigdata, Cloud
3.7.1.1.2 SMACS
3.7.1.1.2.1 Social, Mobile, Bigdata, Cloud, Security
3.7.1.2 デマンドドリブン型システムの限界
3.7.1.2.1
3.7.1.3 イベントドリブン型システムの登場
3.7.1.3.1
3.7.1.3.2 完璧な要件定義が不可能であるならば、あいまいな要件を前提に、運用しながらシステムが成長できるように開発しなければならない
3.7.1.4 モノづくりが根本から変わっていく
3.7.1.4.1 Industry 4.0
3.7.1.4.1.1 インターネットやビッグデータ分析、人工知能などを製造業に適用する
3.7.1.4.1.2 ネットと製造を結びつけるのがIoT
3.7.1.4.1.3 モノから得られるデータに大きな価値を見出すようになる
3.7.1.4.2
3.7.2 第2章 IoT活用で問われているのは発想力、ブレインライティングが有効
3.7.2.1 IoT+イベントドリブン型の取り組みは始まっている
3.7.2.1.1 事例1:歩行者に合わせて切り替え時間が変わる信号機
3.7.2.1.2 事例2:サイズjにあった衣類の提案
3.7.2.1.3 事例3:犯罪が起こる前に到着する警察
3.7.2.1.4 事例4:注文前に発送するという特許
3.7.2.2 イノベーションを支えるのはアイデア/発想である
3.7.2.3 ブレインライティングで他者のアイデアを膨らませる
3.7.2.4 既存IoT事例からイベントドリブン型システムを発想
3.7.3 第3章 IoTが導く第3のドリブンは"エモーション(感情)"
3.7.3.1
3.7.4 IoTでデータを再集中させるセンサーの課題が未解決
3.7.4.1
3.7.4.2
3.7.5 第5章 IoTで活性化するロボットと人工知能(AI)
3.7.5.1
3.7.6 第6章 IoTが実現する社会に向けた戦略を確立せよ
3.7.6.1 SMBC
3.7.6.1.1 ドローン
3.7.6.1.2 ウェラブル
3.7.6.1.3 センサー
3.7.6.1.4 Mobileコマース
3.7.6.1.5 交通情報
3.7.6.1.6 フォグコンピューティング
3.7.6.1.6.1 データの発生地点に近いところにある小さなクラウド(フォグ)で集約
3.7.6.1.6.2 蓄積が必要なデータは選別してクラウドに送る
3.7.6.2 デマンドドリブンとイベントドリブンが融合
3.7.6.2.1 従来のITは、デマンドドリブン型
3.7.6.2.2 IoTによって実現されるのは、デマンドドリブンとイベントドリブンの融合
3.7.6.2.3 人々、M2Mで、より最適なモノやプロセスなどを提案する究極の 1 on 1
3.7.6.2.4
3.7.6.2.5 これからのプロセスは、OODA(Observe, Orient, Decide, Act)の流れで柔軟に対処しなけばならない
3.7.6.2.6 OODAでは、常に動向を監視(Observe)しておき、ここぞという時に標的を定め(Orient)し、決定(Decide)し、アクション(Act)を取る
3.7.6.3 ビジネスを含めて科学的アプローチが主流
3.7.6.3.1 OODAの考え方により、まずは最小ロットで始め、商品の売れ行きをモニターして、売れ行きに合わせて修正し、商品の改良版を迅速に出そうとしている⇒イベントドリブン型
3.7.6.3.2 科学的なアプローチ・アルゴリズム
3.7.6.3.2.1 ヘイズ理論
3.7.6.3.2.2 フェルミ推定
3.7.6.4 ICTの発展が、これからの社会を切り拓く
3.7.6.4.1 IoTによるエモーションドリブン型システムは、将来的には「Brain Computing」へのつながる日も近い
3.7.6.4.2
4 人工知能と図書館サービス
5 今後の情報システム
6 【ステップ4】【持続的発展のため】組織の発展を目指した戦略的なIT活用とサイバーセキュリティ対策
7 セキュリティ対策のポイント

More Maps From User