マイナー・マイナー

隠れた名作の発掘が生きがい。

ついに「概念」を学習しはじめた『人工知能は人間を超えるか ディープラーニングの先にあるもの』


スポンサードリンク

最近、何かと話題になっているディープラーニング。ニューラルネットワークというパターン認識の手法が関係しているということで、「ディープラーニングはニューラルネットワークの構成を拡大して認識率を上げる手法なのでは?」と勝手に想像していたのですが、そうではなかった。なんと概念(特徴量)を学ぶ手法らしい!


人工知能は人間を超えるか ディープラーニングの先にあるもの』では、そんな胸が熱くなるディープラーニングの概要を分かりやすく解説しています。また、ディープラーニングの発見に至る過程が述べられていて、その過程に人工知能探求の面白さが凝縮されていました。




これまで人工知能がさまざまな問題に直面していたのは、概念(シニフィエ)を自ら獲得することができなかったからだ。


今までの人工知能ブームの波は3度あったようです。

第一次ブーム(1950年代後半~1960年代)
推論、探索の時代。
迷路に入って出口を探すときにどのように探索して出口を見つけるか、といった問題解決手法の研究が進んだ時代です。迷路やハノイの塔といったパズルなど、限定された条件の問題を解くことはできましたが、現実的な問題を解くのは難しいことが分かりました。


第二次ブーム(1980年代~1990年代前半)
知識獲得の時代。
知識を利用した問題解決の研究が多く行われていました。代表的なのが「エキスパートシステム」です。また、オントロジーといった知識表現に関する研究も盛んに行われました。知識をたくさん入力することで賢くなりますが、知識の入力が予想以上に大変であることが分かりました。


第三次ブーム(2000年代後半~)
機械学習、ディープラーニングの時代。
データを学習し分類させる研究が行われてきました。代表的な分類手法にニューラルネットワークを用いた手法があります。その手法は、まず入力と出力の期待値を準備して、入力に対する出力が期待値通りに行われるように学習させます。そして、学習させた結果を元に、入力値より出力値を決定します。


この手法により、未知の入力値が入力されたときにも期待値へと分類することが大体できるようになりましたが、何を入力とするか(特徴量の設計)が問題となっていました。分類するための変数をどう決定するかの問題で、例えば年収を分類するための変数は、性別、年齢、出身地等と決めていきますが、この変数しだいで分類の精度が大きく変わります。


この特徴量を与えられたデータから学習する手法がディープラーニングです。適切な特徴量を学習して利用できるようになったことで、分類精度が大幅に向上しました。また、シンボルクラウディング問題*1やフレーム問題*2といった人工知能に関する難題を解決できる期待も高まりました。


ディープラーニングの概要を読んで、その目新しさに胸が熱くなりました。今後どのように進化していくか楽しみです。

*1:計算機が、記号とそれが意味するものとを容易に結び付けられない問題。

*2:問題解決のために利用する知識をどうやって決定するかといった問題。