【AI】AIサポートを事業へ適用するときに、クリアしたい5つのこと


ページの意図

AI専門家でなくても、事業を考えるとき 早い段階で 考慮すべき判断できるよう、基本的な判断材料を提供したいという目的でページを作っています。

著者のIT分野

私はAIも10数年前からチェックしていますが、どちらかというとUIや情報ハンドリングのほうをメインに興味を持って日々学習しているものです。また、IT分野については広く、電子レベルの振る舞いから、CPU、OS、コンパイラ等の基礎、NW、サーバの基礎は十分把握できていると思っていますので、大きくは外れていないかと思います。

AI・機械学習・ディープラーニング

ここでいうAIとは 、状況に応じて適切な回答パターンを検索するという意味で話そうと思います。

機械学習は脳のシナプスをシミュレートして、エッジとノードであらわしたグラフの重みづけにより、 行列で 結果を評価すること。
(ここでいういわゆる エッジとノードは、点と線、拠点とルートのシンプルな組合せのイメージ。神経信号の伝わる先をノードで、強さを重みづけであらわし、すべてのノード(起点のシナプス)からもう一つのシナプスへの信号の関係性を行列で表すイメージ。)

1回の評価あたり、行列の計算は複数行う畳み込みが一般的な手法。 (遺伝的変化をシミュレートする、行列の組み換えは横に置いておく。1回の学習ごとに重みづけの評価をどうシフトするかは未習)

ディープラーニングはその行列計算をサイズ・回数ともに拡大した学習という位置づけで、今のところ認識しています。

AIが発展した理由

1970年ごろや 1990年ごろも流行っていたが、最近流行りだしたのは次の理由だと考えられる。

・ストレージ、CPU、PC、NWの安価化、高速化
・データのデジタル化と共有の広がり

AIサポートを事業に活用するときに、クリアすべき5つのこと

AI事業の基本項目チェックリストにも活用できれば、いいなと思います。

次のように、課題(・ボッチ)と対策(→)というように、交互に記載する。

1.
・学習に時間がかかる

2.
・柔軟に学習内容、学習方向を変更することができない
→ある程度、整理した自分たちが得意な事業領域にのみ適用する。

移り変わりの激しい業務やまだ未熟な業務に適応はふさわしくない
(計算量を少なくしたり、途中で計算状態を保存できたり、CPUやマルチ計算、量子コンピュータが成長すれば、、、というのはあるかもしれない。)

3.
学習に大量のINPUTデータが必要
0からやるには、果物の画像認識でも数百万枚の多様な画像が必要。
→自動的に集められるようにするか、ある程度学習に対してロジックを入れることで、学習量を削減する。
→十分なITリソース(ストレージ、CPUパワー)の確保が必要。

囲碁で Googleがうまくできたのは、圧倒的な計算量と、棋譜データが溜まっていたからという理由が大きいと思う

AlphaGo - Wikipedia

https://ja.wikipedia.org/wiki/AlphaGo

また猫の画像(1000万枚のうち97%! )を0から認識したといっても、猫の概念を認識したのではなく、物体Xというものは、それぞれの切り口(視点)で見ても、物体Xと似ていることを通じて、画像的に認識していることができるようなっただけであり、新規の概念を認識できるようになったかはまた別(概念をデジタル化できるかがポイントになりそう)
http://static.googleusercontent.com/media/research.google.com/en//archive/unsupervised_icml2012.pdf

Googleの猫認識 (Deep Learning) - 大人になってからの再学習

http://zellij.hatenablog.com/entry/20130608/p1



4.
・どう判断して、そうなったかがわからない。
→評価結果は、因果関係がわかるものではない前提で進める。分割や分析はできない。全体として評価するのみ。

間違っていると学習過程や因果関係などは何をどう評価したのかわからないため、やり直しになる。(部分的なやり直しは可能かもしれない。)

INPUTデータ、評価の質が学習の効果に大きく影響を及ぼす。そのため評価方法、INPUTデータに細心の注意とこだわりをもって準備する。

評価しにくい事業や 定量的にとらえきれないバックエンド業務は適応が意外と難しい。 スピードやアンケートによる心情評価などが一つの指標となるかもしれない。

ディープラーニングでは、良さを強引に1つのものさしで計ろうとするので、まあ当たり前だが、"多様な良さ"を見出すというのも、一つの学習の成果としては成し遂げられない。

5.
・学習の評価をきっちりしないといけないが、
思ってもいない盲点などで、間違うと違う方向に行ってしまう。
→一つ前と合わせ、結果を評価できるものだけに当てはめる。またはなんらかの世代ごとの進歩チェックが必要。

結果に対して、適切な評価(または評価関数)が必要。評価とはつまり判断結果が良かったかを数値化することが求められる。人間が判断してもよいが、その時は膨大な量である程度の一貫性が求められるので注意。このようにデータと評価の質がディープラーニングの質の大きく影響する。

また、学習するからと言ってレベルアップするとは限らず、人から見たら何週間たっても全く進歩しないということはあり得る。

youtubeにテトリスや魔界村の動画など参考に、どうぞ。

あまり短絡的に成功・失敗を評価すると、中長期的に見た場合、実はよくない方向に行っているかもしれないので、評価をもとに本当にその判断通り進むべきかは、マクロ視点や全体的な調和の視点が欠かせない。

最後に

これらのことは、基本的な事項なので、AIを活用するとき、まずこのような基本的な対策や回避を考えておくべきだと思う。

これらをクリアできていれば、成功する可能性は高まるが、クリアできていないと中長期的に生かすことは難しい。

すでにいくつかのサポート業務において、成功した事例と失敗した事例が出始めている。

おそらく、世に出てくるベンチャーなどは、ツールは使えるがよくわかっていない事業者、業務や事業など社会の仕組みが良くわかっていない事業者・経営者が多いかと思う。欲にかられず社会的貢献や生産の観点で、できることにこだわり、できたこと(実績)を見れば色々判断の助けになるはず。

AIであれば、なんでも興奮するのではなく冷静に見極められ、悪いものよりも良いものが世の中に出回ってくれば幸いです。

過去のメモ

ビットコインのブロックチェーン技術の本当のところ、合わないところ

人工知能で見落としがちな3つの重要なポイント


関連リンク

ブロックチェーンを事業に活用するときに、クリアすべき5つのこと

【AI】自動運転を事業に活用するときに、一番気になる一つ

Delicious にシェア
Digg にシェア
reddit にシェア
LinkedIn にシェア
LINEで送る
email this
Pocket

20 views.



コメントを残す

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です