Navigation

ラベル AI の投稿を表示しています。 すべての投稿を表示
ラベル AI の投稿を表示しています。 すべての投稿を表示

2018年5月6日日曜日

人口知能によるフェイクニュース

人口知能のためのフェイクデータに続いて、Wiredの記事から。

「創造性豊かなAI」が、次のフェイクニュース戦争の主役になる
https://wired.jp/2018/04/30/artificial-intelligence-fake-news/



画質もあらいこともあって、まったく違和感がないですね。

記事内で紹介されているNatureの論文。読み応えがあります。
Four ethical priorities for neurotechnologies and AI
https://www.nature.com/news/four-ethical-priorities-for-neurotechnologies-and-ai-1.22960

人口知能のためのフェイクデータ

なるほど。

「フェイクデータ」が、人工知能をもっと賢くする
https://wired.jp/2018/04/29/use-fakedata-to-train-ai/

ディープラーニングによってある画像がなんなのか特定できるようになれば、そこからその画像を作り出すことも確かにできると考えるのは自然かなと。GAN: Generative Adversarial Network(敵対的生成ネットワーク)という技術を使用するとのこと。

人工知能の注目トレンド「GAN:敵対的生成ネットワーク」とは
https://roboteer-tokyo.com/archives/8066

Wiredの記事でもとりあげられているフェイクデータ作成会社neuromationのウェブサイトはこちらです。
https://neuromation.io/ja/

紹介されているDensePoseというソフトウェアの動画がこちら。

作成するデータが静的な"オブジェクト"だけであればいいのですが、記事内で紹介されているにように、下記のような環境(仮想道路)までもフェイクデータで作成するのは、どうなんでしょうか。
アルファベット傘下のウェイモ(Waymo)は、自律走行車で何百万マイルにもおよぶ公道実験を行ったとしている。しかし、その制御ソフトウェアは、シミュレーションされた仮想道路を何十億マイルも走行しているのだ。機械のデジタルダブル[編註:デジタル上の代役]をつくることで、ロボットは工場や家で物をより上手に扱えるようになるだろう。
仮想道路と現実世界のギャップはあるでしょうし、そのギャップから生まれる問題に対しては、誰がどのように責任を負っていくんでしょうかね。

ですが、フェイクデータ、generative data生成データとでも名付けられていくんでしょうが、ますます利用されていくんでしょうね、いきつく先は鈴木光司の『ループ』のような世界でしょうか。



2018年4月22日日曜日

FinTechにおける音声コントロール

FinTech分野における音声コントロールの勃興についての記事です。

The Rise of the Voice Payments Ecosystem
https://gomedici.com/rise-of-voice-payments-ecosystem/


2021年までに年平均成長率30%弱でユーザ数が伸びると予想されています。2021年には18億人が使用しているという見通しです。下記で説明されているように、音声は「リッチ」なデータですので、顧客の行動やニーズに関するより多くの洞察が得られることになると思います。

The biggest promise of voice FinTech comes around personalization. Voice is a tremendously rich, raw, and unstructured source of customer data, harnessing which can present valuable insights around customer behavior and needs. Also, most of these tech giants active in the voice-space already have deep roots in customer data. Thus, voice-FinTech can potentially be a game changer in terms of context-aware engagement and concierge services. Also, in conversational banking, each interaction can be adapted to reflect the bank’s brand identity and the customer’s individual profile, delivering enhanced customer experience as well as brand loyalty. From a reactive-listening tool to an intelligent concierge and recommendation engine, voice-enabled digital assistants have evolved to enable banks, FIs, and retailers to deliver next-gen smart payments. 

AIアシスタントが我々の意思決定プロセスにどのように影響を及ぼすかを説明している書籍を見つけましたので、読み終わりましたらレビューを投稿します。

2017年3月14日火曜日

人工知能 + 認知科学 + 神経科学 異分野交流会

下記のイベント、メールマガジンで本日知り、申し込しましたが、既に申込者多数でキャンセル待ちという状況でした。内容が面白そうなので、是非とも参加したいところです。

人工知能 + 認知科学 + 神経科学 異分野交流会
https://wbawakate.connpass.com/event/53050/

2017年2月8日水曜日

米国と中国のAI特許

数の米国、攻める中国 AI特許6万件を解剖
https://vdata.nikkei.com/newsgraphics/ai-patent/

上記記事で取り上げられているように、特許出願の件数では米国が1位であるものの、伸び率では中国が1番となっています。一方、日本は出願件数では減少となっています。

驚いたのは、米国のAI関連論文のうち12.7%が中国の機関や個人との共著とのこと。2位の英国の5.1%との二倍強のパーセンテージですね。

一方日本は1.8%のみ。

AI特許出願及び論文の競争では日本は完全に出遅れている、ということでしょうか。

2017年1月24日火曜日

ガートナー、人工知能 (AI) に関する10の「よくある誤解」を発表

ガートナー、人工知能 (AI) に関する10の「よくある誤解」を発表
https://www.gartner.co.jp/press/html/pr20161222-01.html

この記事を読んでAIに関するよくある誤解というか前提として考えなくてはいけないこと今回は取り上げてみたいと思います。

1. アウトカムを明確にする
どんなにAI(のなかの機械学習)を駆使したとしても、分析結果がトップラインなりボトムラインに影響を与えないのならば、分析のための分析になってしまい、意味がないのではないでしょうか。

データが豊富にある場合「まずはなにができるかをも考えるために分析してみよう」というのはきっかけとしてはいいのかもしれませんが、その際も売上向上、コスト削減といった明確なゴールを設定した上で分析を開始するべきでしょう。

2. Garbage in, Garbage out
正しくないデータでどんな分析を行っても、出てくる分析結果は正しくなりえません。

データ分析について語るとき、分析のソースとなる「データの正しさ」や「正しさを保つための業務フロー」について議論されることが少ないかなと思います。例として、下記のようなことを考えなくはいけないかと。

1. データが取得/入力されるアプリケーションはそもそも正しくデータを保存しているか。郵便番号入力が頭0が桁落ちしてしまう等の問題が発生していないか。

2. 「正しくないデータ」が入力されてしまった場合に、それを検知するシステム/業務は構築されているか。正当性チェックのプログラムを組んだり、それをしかるべき人間(データオーナー等)が確認できるようになっているか。

3. マスターデータの整合性は保たれているか(グループ企業間でも商品とのマスターデータの持ち方が異なる場合がある)

4. データやその分析結果のオーナーシップやアカウンタビリティをもつ部署を明確にする

金融企業でデータ分析を専門に行う部署ができておりますが、分析がビジネスにおいて価値を発揮し続けるためには上記のようなことを考えておかないと、Garbage in, Gabage outになってしまうかと思います。

下記でもAIを活用したいと考える前に、解決しなければならない課題が説明されています。
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」
http://itpro.nikkeibp.co.jp/atcl/column/16/122700311/011700003/

2017年1月18日水曜日

edXで学ぶArtificial Intelligence

edX(エデックス)で受講申し込みをしていた、コロンビア大学のArtificial intelligence (AI)が開講しました。

別途ポストしようと思っているんですが、英語が苦手でなければ、もしくは勉強したいと思っている方で、これからプログラミングを学ぼうとしている方であれば、edXの各種コースを受講/修了するのが、ベストな方法の一つと考えています。オンラインとはいえ、MITやHarvardのComputer Scienceの授業を受けるのは知的好奇心も満たされますし、あとかなりの量のcodingも行いますので、学びの効率もいいです。

さて、Artificial intelligenceですが、証明書を得るには300ドルを支払って受講しなくてはいけません。40~60ドルであれば、モチベーション維持のために支払うことも考えていたんですが、個人で300ドルは高いです。。。

MicroMasters Credentialというコースの一部のようで、Artificial intelligenceを含め他3コースを修了すると、AIの分野でマスターレベルの修了の証明になるようですが、計1,200ドルですと、途中でドロップアウトする可能性を考慮すると、支払うのはためらってしまいます。

無料でも以前あったhonor codeのように証明書が出ればいいのですが、どうなんでしょうか。まずは300ドルの証明書コースつきに切り替える期限まで受講してみて、レベル感をみつつ、支払うかどうか考えてみます。

AIのコースは全12週で下記が各回で学ぶ内容です。プログラミングではPythonを使用するとのことです。学びを深めるためにも、このブログで角回で学んだ内容のまとめていきたいと思います。

Week 1: Introduction to AI, history of AI, course logistics, and roadmap
Week 2: Intelligent agents, uninformed search
Week 3: Heuristic search, greedy search, A* algorithm, stochastic search
Week 4: Adversarial search, game playing
Week 5: Machine Learning: basic concepts, linear models, K nearest neighbors, overfitting
Week 6: Machine Learning: perceptrons, neural networks, naive Bayes, decision trees, ensemble, logistic regression, and unsupervised learning
Week 7: Constraint satisfaction problems
Week 8: Markov decision processes, reinforcement learning.
Week 9: Logical agents, propositional logic and first order logic
Week 10: AI applications to natural language processing (NLP)
Week 11: AI applications to vision/robotics
Week 12: Review and conclusion

人工知能技術戦略会議とWe Robot

下記のニュースをよみ、NEDOのウェブサイトで、資料等がアップされていないか確認してみましたが、残念ながらまだでした。

AIの産業化イメージを3フェーズで提示、人工知能技術戦略会議が開催

資料がアップされ次第、どのような内容だったか確認してみたいと思います。

続いてアメリケやヨーロッパの主要国がAIにどのように取り組んでいるか資料を探し、総務省のウェブサイトにある欧米における AI ネットワーク化に関連する 政策・市場動向を見つけました。その中で、気になったのは下記のWe Robotです。
米国では、ロボットの利用拡大(警察・軍事、病院、介護等)が見込まれるなか、マイ アミ大学法学部のマイケル・フルームキン(Michael Froomkin)教授が先導役となり2012 年から、ロボットの社会・経済的な影響について幅広い分野からの参加を募って議論する「We Robot」カンファレンスが開催されている。
過去のカンファレンスのタイトルは上記の総務省の資料の30ページ以降にまとめられています。We Robotのウェブサイトはhttp://robots.law.miami.edu/です。

2017年1月16日月曜日

AIと倫理 AI開発ガイドライン

総務省が、人工知能(AI)の開発ガイドラインの策定に乗り出したと、ITProのウェブサイトで取り上げられています。

総務省がAI開発ガイドライン作成へ、透明性や制御可能性など求める

昨年末よりパブリックコメントが実施されており、下記に論点の要旨がまとめられています。
「AI開発ガイドライン」(仮称)の策定に向けた国際的議論の用に供する素案の作成に関する論点(要旨)

倫理と関わる論点を抜き出しますと、下記のようになっています。
(6) 倫理の原則 AIネットワークシステムの研究開発において、人間の尊厳と個人の自律を尊重すること。
1. 倫理の原則においては、人間性(humanity)の価値を中心に据えつつ、人間の尊厳と個人の自律を尊重すべき旨を掲げることとして はどうか。
2. 国際人権法・国際人道法等を参照し、AIネットワークシステムが人間性の価値を毀損してはならないとしてはどうか。
3. 人間の脳・身体と融合又は連携するAIを研究開発する際には、人間の尊厳と個人の自律の尊重について、生命倫理等の議論も 参照しつつ、特に慎重に配慮すべきとしてはどうか。
4. AIの開発において、個人を公平に尊重する観点から、技術的に可能な範囲で、AIの学習するデータに含まれる偏見等に起因 する差別(人種、性、宗教等による差別)を防止するための措置を講ずべきとしてはどうか。
4の偏見等に起因する差別についてですが、人種、性、宗教等すでに差別すべきものでないと認識されているものは当然として、人の性格/嗜好/生活に関する様々なデータが取得できるようになっている以上、"人間性(humanity)"を中心にすえ、人間性の価値を棄損しないように、という原則がガイドラインとして掲げられるのは必要不可欠かと思います。

2017年1月15日日曜日

荒屋真二『人工知能 概論(第2版)』

AIについて学ぶために、2014年に購入し飛ばし飛ばして読んでいた本書を本日読了いたしました。



Amazonのレビューでも指摘されていますが、まさに「概論」というタイトルにふさわしく、広く浅く人工知能に関する概念の説明が行われています。決して「入門書」ではないので、何かしらバックボーンとなる知識をもっていないと、本書に書かれている内容を「知る」ことはできても、「理解」するのは難しいかと思われます。

本書の内容をざっくりまとめると、「人口知能で問題を解決するにあたって、宣言的知識 declarative Knowledgeと手続的知識 procedural knowledgeをどのように実装するか(プログラミングするか)」になります。宣言的知識 declarative Knowledgeは、命題、知識、ルール、事実と言い換えてもいいでしょうし、手続的知識 procedural knowledgeは簡単に言うとアルゴリズムです。

宣言的知識 declarative Knowledgeに関しては、Prolog/Javaの知識が理解に役立ちます。

特に第4章でとりあげられている「意味ネットワーク semantic network」と「フレーム frame」ですが、is-a関係や、継承 inheritanceといったオブジェクト志向プログラミングの言葉が登場します。フレームframeに関しては、データ(field)だけでなく手続き(method) も持つことができると説明されており、オブジェクト志向のクラス概念そのものだと思います。時系列的に考えても、これらの人工知能の知識表現に関する研究の蓄積がオブジェクト志向に受け継がれていったんでしょうね。

立命館大学 稲葉教授のウェブサイトでも下記のように簡単に言及されていますが、オブジェクト指向が成り立つにあたって、知識表現の研究がどのように参照されたかを説明する本などあったら読んでみたいです。
人工知能における知識表現や問題解決の手法は、組織的活動を効率化するコンピュータシステムの開発やデータベース設計の前提となる「オブジェクト指向」と呼ばれる技術に受け継がれている。 
説明されているアルゴリズムに関しては、Prologに関連するパターンマッチングについては実感をもって理解できますが、その他についてはPythonで実際にコーディングしてみて、理解を深めたいと考えています。

2017年1月13日金曜日

IBM Watson: The Science Behind an Answer

IBM Watsonで質問が入力されてから、答えを返すまでの処理の流れを説明している映像です。映像自体がかっこいいですね。

2017年1月12日木曜日

TensorFlowでディープラーニングを学びたい

AI(人工知能)について学ぶにあたり、TensorFlowでコード書きながら深層学習(ディープラーニング)を学ぼうとし、『TenrsoFlowで学ぶディープラーニング』を読みながら環境構築しようとしているのですが、苦戦しています。
TensorFlow(テンソルフロー、テンソーフロー)とはGoogleによって提供されている、機械学習/ディープラーニング/多層ニューラルネットワークライブラリです。オープンソースとして提供されています。


こちらの書籍では環境構築をシンプルに行うために、Docker用のコンテナイメージが用意されているのですが、DockerをインストールできるのはMac OS X Yosemite以降。

Mac OS Xの名前はやはりネコ科の動物の名前に限る!というこだわりと、インストール済みのアプリケーションが正しく動作するか不安で私が使用しているMac BookのOSは10.8 Mountain Lionのままのため、Dockerが使用できません。

Jupyterのインストールもうまくいかず、既にインストール済みCanopyを使用し、コードを書いていくしかないかなと決めたのですが、TensorFlowが正しくimportできません。Q&Aサイトをみても、簡単そうな解決方法が見つかりません。

Mountain Lionで動いている各アプリケーションがどこまで動作するかはわかりませんが、私にとって一番重要なOpenOfficeについてはYosemiteでサポートされているようなので、今夜あたり、しぶしぶアップグレードするしかないのかなと考えています。。。

久しぶりにMacのTerminalを立ち上げ、小一時間程、色々と設定を試しましたが、やっぱりすんなりいかないですね。

わがままかもしれませんが、こういった新しいテクノロジーを学ぶ際、何も考えず、何もインストールせずにブラウザで使用開始できるように、Webアプリケーションとして、提供してもらいたいですね。

2017年1月6日金曜日

AIのインパクト

「AIは人の仕事を奪うのか」、「人間の知性、知能はAIにとってかわられるのか」といった議論があります。

ここでは「仕事」、というよりは、それよりも小さい単位である「業務 (=あるタスクの実行)」という観点からAIのインパクトを自分の言葉で考えていこうと思います。

人間が行う仕事というのは、少し乱暴ですが、どんなに複雑なものであっても、下記のように分解できてしまうと思います。

input -> 計算( =inputをもとに適切なoutputをみつける) -> output

計算にあたる部分が人間の知性、知能の根幹かと思いますが、計算を過去の事象(input)に基づき最適解を求めることとすると、テクノロジーの進化により様々なinput、及びそれに対応する最適解をデジタルに収集・保存できるようになり、保存されたデータをもとにAIが人間にかわりinputに対し最適解を提示できるようになってきている(なるように期待されている)のだと思います。

そして、input -> 計算( =inputをもとに適切なoutputをみつける) -> outputの組み合わせのシンプルさの度合い、及びコンピュータに置き換えた際のコスト/ベネフィットが考慮された上で、人間が行っている業務がどんどんAIに置き換わっていくのだと思われます。

これは良い、悪いの問題ではなく事実として人類がずっと経験してきたことと思いますし、議論はあるでしょうが、私としては「input -> 計算( =inputをもとに適切なoutputをみつける) -> output」に簡単に分解できてしまうものは、そもそも人間が行うべき仕事ではないとも思います。

Artificial intelligenceとProlog

VCフレッド・ウィルソンのブログで2017年のテクノロジー業界予測が述べられています。
What Is Going To Happen In 2017

この中で取り上げたいのが、下記のAIに言及した箇所です。

AI will be the new mobile. Investors will ask management what their “AI strategy” is before investing and will be wary of companies that don’t have one.

「AIは新しいモバイルになるだろう」モバイルがビジネスに与えたのと同じくらいのインパクトをAIが与えるという意味かと思います。

そして、投資家達は投資に際し、経営陣にAIに関する戦略について質問し、戦略を有しない会社に対しては投資に慎重になるだろうとのことです。

私がAIに興味を持ったきっかけは、仕事で携わっているPrologという言語がIBM WatsonやSoftbank Pepperのコアで使用されているのを知ったことです。

仕事で使っていたのはProlog自体ではなく、Prologをベースにした言語で、あまりオープンな言語ではないので、名前をxとしておきます。便宜的に、この記事では x = Prologとして読んでください。

xは、Prologをベースにオブジェクト指向の特徴を取り入れた言語で、言うならばx = Java + Prologのような感じです。詳細については、wikipediaや「Prolog 入門」と検索して頂ければ見つかると思うので、そちらを参照ください。

xでは、Prologの特徴であるPredicate (述語)という形式でプログラムを書くことができます。
私がPrologで面白いなと思ったのは、このPredicateのおかげで条件分岐をコーディングする際に、if 文を書く必要がないということです。

保険会社で働いていたので、保険商品に関しコーディングすることが多かったのですが、皆さんご存知のように保険は複雑な商品ですので、コーディングも複雑になります。保険自体や付帯している特約、及び保障金額ごとに、異なった処理を行う必要があるため、結果、条件分岐が複雑になってしまいます。

従来の言語ですと、if then elseを入れ子にしたり、case文などで、コーディングを行う際のビジネスルールをもとに「静的(あとから変更が不可能、もしくは極めて難しい)」に実装を行うことになるのかと思います。が、xではPredicateを用いることにより、各ルールを「読みやすく」かつ「動的(あとから変更がしやすい)」に記述することができます。

「動的」に条件分岐がコーディング可能というのが、PrologがAI実装に利用される理由の一つかと思います。if then elseとPredicateの例に説明しようと思ったのですが、時間がかかるため今回は割愛し、後日追加致します。