人工知能（AI）：概要と種類
エブリン・クラーク
⚡ スマートサマリー
人工知能（AI）は、機械が人間のように知覚、学習、推論、問題解決といった認知機能を実行できるようにする技術です。このチュートリアルでは、AIの定義、歴史、目標、分野、種類について解説し、機械学習との違いや、なぜ今日AIが急速に発展しているのかを説明します。
人工知能（AI）とは何ですか？
AI（人工知能） AIとは、人間と同じように、知覚、学習、推論、問題解決といった認知機能を実行する機械の能力のことである。AIのベンチマークは、推論、音声認識、視覚といった面で人間と同等のレベルにある。
この人工知能チュートリアルでは、以下のセクションで説明するAIの基礎を学びます。
AIがビジネス価値を生み出す方法
今日、AIはほぼすべての業界で活用されており、大規模に導入する企業は技術的な優位性を獲得しています。マッキンゼーによると、AIは小売業界で600億ドルの価値を生み出す可能性があり、銀行業界では他の分析手法と比較して50%高い付加価値をもたらす可能性があります。運輸・物流業界では、収益が最大89%増加する可能性があります。
例えば、組織がマーケティングチームにAIを導入すれば、単調で反復的な作業を自動化できるため、営業担当者は顧客との関係構築やリード育成に集中できるようになります。Gongという会社は会話インテリジェンスサービスを提供しており、営業担当者が電話をかけるたびに、機械が会話を録音、文字起こし、分析します。そして、マネージャーはAIの分析結果と推奨事項を活用して、成功戦略を策定します。
つまり、AIは人間が単独では処理できない複雑なデータを扱うための最先端技術を提供する。AIは重複作業を自動化することで、従業員が高付加価値の業務に集中できるようにし、大規模に導入すればコスト削減と収益増加につながる。
人工知能の歴史
人工知能は今日では流行語だが、この用語自体は新しいものではない。1956年、さまざまな分野の専門家がAIに関する夏季研究プロジェクトを組織した。4人の優秀な頭脳がそれを主導した。ジョン・マッカーシー（ダートマス大学）、マービン・ミンスキー（ハーバード大学）、ナサニエル・ロチェスター（IBM）、そしてクロード・シャノン（ベル電話研究所）。以下に、AIの簡単な歴史を紹介します。
| 年 | マイルストーン/イノベーション |
|---|---|
| 1923 | カレル・チャペックの戯曲『ロッサムの万能ロボット』は、「ロボット」という言葉を英語に導入した。 |
| 1943 | Foundationニューラルネットワークのための基盤が構築された。 |
| 1945 | コロンビア大学の卒業生であるアイザック・アシモフは、「ロボット工学」という言葉を使った。 |
| 1956 | ジョン・マッカーシーが初めて「人工知能」という言葉を用い、最初のAIプログラムが実演された。 |
| 1964 | ダニー・ボブロウのMITでの博士論文は、コンピュータが自然言語を理解できる方法を示した。 |
| 1969 | スタンフォード研究所は、移動能力と問題解決能力を備えたロボット「シェイキー」を開発した。 |
| 1979 | 世界初のコンピューター制御による自律走行車であるスタンフォード・カートが製造された。 |
| 1990 | 機械学習における重要な実証例。 |
| 1997 | チェスプログラム「ディープ・ブルー」が世界チャンピオンのガルリ・カスパロフを破った。 |
| 2000 | インタラクティブなロボットペットが市販されるようになった。MITが展示 Kismet感情を表現するロボット。 |
| 2006 | AI はビジネスの世界に入り込み、Facebook のような企業は、 NetflixそしてTwitterもそれを利用し始めた。 |
| 2012 | Google 「Google 今」 Android 予測機能を提供する。 |
| 2018 | IBMの「プロジェクト・ディベーター」は、熟練したディベーターたちと複雑なテーマについて議論し、非常に優れた成績を収めた。 |
人工知能の目標
AIの主な目標は以下のとおりです。
- 特定の作業に必要な時間を短縮する。
- 人間が機械とより簡単にやり取りできるようにする。
- より自然で効率的な人間とコンピュータのインタラクションを促進する。
- 医療診断の精度と速度を向上させる。
- 人々が新しい情報をより早く習得できるよう支援する。
- 人間と機械間のコミュニケーションを強化する。
人工知能の下位分野
人工知能の重要な下位分野は以下のとおりです。
機械学習: 事例や経験から学習するアルゴリズムを研究する技術。データ内のパターンを特定し、それを用いて将来の予測を行うことに基づいている。ハードコーディングされたルールとは異なり、機械が自らルールを学習する。
深層学習: 機械学習のサブ分野で、複数の層を使用してデータから学習します。モデルの深さは、モデルに含まれる層の数です。たとえば、 Google画像認識のためのLeNetモデルは22層で構成されています。
自然言語処理（NLP）: 人工知能（AI）の一分野であり、機械が人間の言語を読み、理解し、生成することを可能にする技術です。チャットボット、翻訳、感情分析、音声認識などのアプリケーションに活用されています。
エキスパートシステム: 事実とヒューリスティックを用いて特定の領域における複雑な問題を解決する、対話型で信頼性の高いコンピュータベースの意思決定システム。その領域における最も困難な問題の解決を目指す。
ファジィ論理: 真理値が0から1までの任意の実数となる多値論理。完全に真でも完全に偽でもない命題に対して、部分的な真理という概念を扱う。
人工知能の種類
AIは、能力と技術という2つの方法で分類できる。
機能別：
- 狭い AI: 画像タグ付けや音声アシスタントなど、単一の専用タスクをインテリジェントに実行します。
- 一般的なAI: 人間と同等の効率で、あらゆる知的作業を遂行できる（あくまで理論上の話）。
- スーパーAI： 機械が人間の知能を凌駕する、仮説上のレベル。
手法別：
- ルールベースAI： 入力データセットにあらかじめ定められた一連のルールを適用し、対応する出力を生成します。
- 決定木AI： ルールベースAIに似ているが、分岐とルックアップが可能ping さまざまな選択肢を比較検討する。
- ニューラルネットワーク: 人間の脳にヒントを得た階層型モデルは、データから複雑なパターンを学習し、ロボット工学に推論、計画、学習能力をもたらす。
AIと機械学習
AIと機械学習はしばしば混同されますが、両者は同じものではありません。AIは、機械に人間の作業を実行させるための科学であり、この用語は1950年代に造られました。機械学習はAIの一分野であり、機械が明示的にプログラムされるのではなく、データからパターンを学習するものです。
| 側面 | Artificial Intelligence | 機械学習 |
|---|---|---|
| 対象領域 | 人間の知能を模倣する幅広い科学 | データからの学習に焦点を当てたAIのサブセット |
| 目標 | 人間の推論と意思決定をシミュレートする | パターンを見つけて予測する |
| アプローチ | ルール、論理、学習の組み合わせ | データ駆動型トレーニング（事例付き） |
| 例: | 自動運転車システム | 内部の画像認識モデル |
また、以下の違いも読むことができます。 ディープラーニング、機械学習、AI.
AIはどこで使われているのか？例
AIは様々な産業分野で幅広く応用されている。
- 反復作業をなくす： AIは疲労することなくタスクを連続して繰り返すことができ、実行する作業内容にも無関心である。
- 既存製品の改良： 企業は、ゼロから開発するのではなく、製品の機能を強化するためにAIを導入する。例えば、かつてFacebookでは写真のタグ付けは手動で行う必要があったが、現在ではAIが友人を自動的に提案してタグ付けするようになっている。
AIは、マーケティングやサプライチェーンから金融、食品加工まで、あらゆる業界で活用されている。マッキンゼーの調査によると、金融サービスとハイテク通信がAI導入を牽引している。
なぜ今、AIが急成長しているのか？
ニューラルネットワークは、ヤン・ルカンによる画期的な論文以来、1990年代から存在していましたが、2012年頃から広く知られるようになりました。今日のAIブームを牽引する重要な要因は3つあります。
Hardware
過去20年間でCPUの処理能力は飛躍的に向上し、ユーザーはノートパソコンで小規模な深層学習モデルを学習できるようになりました。しかし、コンピュータビジョンや大規模な深層学習モデルには、より高い処理能力が必要です。NVIDIAとAMDの投資により、新世代のGPU（グラフィックス処理ユニット）が登場し、並列計算が可能になりました。複数のGPUに処理を分散させることで、計算速度が向上します。例えば、NVIDIA TITAN XはImageNetモデルの学習を2日で完了できますが、従来のCPUでは数週間かかっています。また、大手企業はNVIDIA Tesla K80などのGPUクラスタを利用して、データセンターのコスト削減とパフォーマンス向上を図っています。
Rescale データ
ディープラーニングはモデルの構造であり、データはそれを活性化させる流体です。データがなければ何もできません。最新のストレージ技術によって、膨大な量のデータをデータセンターに容易に保存できるようになり、インターネットによって機械学習アルゴリズムに供給するためのデータ収集と配信が可能になりました。
アプリが好き Flickr (NAIST) と Instagram 数百万枚のタグ付けされた画像を保持することで、手動でラベル付けすることなく物体を認識するようにニューラルネットワークを訓練できます。AIとデータの組み合わせは新たな金であり、最も多くのデータを持つ企業が競争上の優位性を得ます。世界では毎日約2.2エクサバイト（2.2億ギガバイト）のデータが生成されており、多様なデータソースはモデルがパターンを見つけ、大規模に学習するのに役立ちます。
アルゴリズム
ハードウェアの性能はかつてないほど向上し、データへのアクセスも容易になったが、ニューラルネットワークの信頼性を高めるには、より精度の高いアルゴリズムが不可欠だ。初期のニューラルネットワークは、深い統計的特性を持たない単純な行列乗算に過ぎなかったが、2010年以降、目覚ましい発見によって改良されてきた。AIは、データにプログラミングを行わせる漸進的な学習アルゴリズムを採用しており、コンピュータは異常検知やチャットボットとしての動作といったタスクを自ら学習することができる。
