今日の人工知能:誇大広告とは何ですか?本当は何ですか?

雑誌を手に取ったり、技術ブログをスクロールしたり、業界の会議で仲間とチャットしたりできます。テクノロジーの世界から出てくるほとんどすべてのものが、人工知能や機械学習の要素を持っているように見えることにすぐに気付くでしょう。人工知能が議論される方法では、それはほとんど宣伝のように聞こえ始めています。これがあなたのすべてのニーズを解決できる真のテクノロジーです!AIは私たち全員を救うためにここにあります!

AIベースの技術で驚くべきことができるのは事実ですが、一般的に「インテリジェンス」という用語の完全な意味を具体化するわけではありません。インテリジェンスとは、人間が創造的な会話をすることができるシステム、つまりアイデアを持ち、新しいアイデアを開発できるシステムを意味します。問題となっているのは用語です。今日の「人工知能」は、オブジェクトや音声認識など、人間の能力のいくつかの側面の実装を一般的に説明していますが、人間の知能の可能性全体ではありません。

したがって、「人工知能」は、今日使用している「新しい」機械学習テクノロジーを説明するための最良の方法ではないかもしれませんが、その列車は駅を出ました。いずれにせよ、機械学習はまだ機械知能と同義ではありませんが、確かに、より強力で、より機能的で、使いやすくなっています。AI(ニューラルネットワークまたはディープラーニング、および「古典的な」機械学習を意味します)は、ついに分析ツールキットの標準部分になりつつあります。

AI革命(またはむしろ進化)に十分に取り組んでいる今、人工知能の概念がどのように採用されているか、その理由、そしてそれが将来何を意味するかを調べることが重要です。人工知能が、少し誤解されたバージョンであっても、なぜ現在のレベルの注目を集めているのかを詳しく調べてみましょう。

AIの約束:なぜ今なのか?

現在の誇大宣伝サイクルでは、人工知能や機械学習は、突然成熟した比較的新しいテクノロジーとして描かれることが多く、最近になってようやくコンセプト段階からアプリケーションへの統合に移行しました。スタンドアロンの機械学習製品の作成は、過去数年間にのみ行われたという一般的な信念があります。実際には、人工知能の重要な開発は新しいものではありません。今日のAIは、過去数十年にわたって達成された進歩の継続です。人工知能が非常に多くの場所に現れる理由である変化は、AIテクノロジー自体ではなく、AIテクノロジーを取り巻くテクノロジー、つまりデータの生成と処理能力に関するものです。

すぐに保存するデータのゼタバイト数(ゼタバイトにはゼロがいくつありますか?)を引用するのは退屈しません。データを生成および収集する能力が驚異的に成長していることは誰もが知っています。同時に、利用可能なコンピューティング能力の驚異的な増加が見られました。シングルコアプロセッサからマルチコアへの移行、および汎用グラフィックスプロセッシングユニット(GPGPU)の開発と採用により、ディープラーニングに十分なパワーが提供されます。コンピューティングを社内で処理する必要さえなくなりました。クラウドのどこかで処理能力を借りることができます。

非常に多くのデータと十分な計算リソースを備えたデータサイエンティストは、過去数十年に開発された方法をまったく異なる規模で使用できるようになりました。 1990年代には、手書きの数字を使用して数万の例の数字を認識するようにニューラルネットワークをトレーニングするのに数日かかりました。今日では、動物、顔、その他の複雑なオブジェクトを認識するために、数千万の画像ではるかに複雑な(つまり「ディープ」)ニューラルネットワークをトレーニングできます。また、ディープラーニングモデルをデプロイして、農産物の熟度の検出と予測、着信コールのルーティングなど、主流のビジネスアプリケーションでのタスクと意思決定を自動化できます。

これは実際のインテリジェンスを構築するように疑わしいように聞こえるかもしれませんが、これらのシステムの下では、かなり複雑なものではありますが、数学的な依存関係のパラメーターを調整しているだけであることに注意してください。人工知能の手法は、「新しい」知識を獲得するのが得意ではありません。彼らは彼らに提示されたものから学ぶだけです。言い換えれば、人工知能は「なぜ」の質問をしません。システムは、周囲の世界を理解しようとするときに親にしつこく質問する子供たちのようには機能しません。システムは、何が供給されたかしか知りません。以前に認識されていなかったものは認識されません。

他の「古典的な」機械学習シナリオでは、データを知り、そのシステムでパターンを見つける方法についてのアイデアを持っていることが重要です。たとえば、この数値を顧客の年齢に変換しない限り、誕生年は顧客にとって有用な事実ではないことがわかっています。季節性の影響についても知っています。季節に関係なくファッションの購買パターンを学習するシステムを期待するべきではありません。さらに、システムに他のいくつかのことを注入して、システムがすでに知っていることに加えて学習したい場合があります。ディープラーニングとは異なり、企業が数十年にわたって使用しているこのタイプの機械学習は、着実なペースでさらに進歩しています。

人工知能の最近の進歩は、主に、データサイエンティストが画像内のオブジェクトや音響信号内の単語の認識など、人間の認識能力を模倣できる分野で行われています。オーディオストリームや画像などの複雑な信号のパターンを認識することを学ぶことは非常に強力です。多くの人が、なぜどこでもディープラーニング技術を使用していないのか疑問に思うほど強力です。 

AIの約束:今何?

組織のリーダーシップは、人工知能をいつ使用すべきかを尋ねているかもしれません。ええと、AIベースの研究は、人間の得意なことを模倣することに関連する問題を解決するニューラルネットワークに関して大きな進歩を遂げました(オブジェクト認識と音声認識が2つの最も顕著な例です)。 「良いオブジェクト表現とは何ですか?」と尋ねるときはいつでも。答えを思い付くことができない場合は、ディープラーニングモデルを試す価値があるかもしれません。ただし、データサイエンティストが意味的に豊富なオブジェクト表現を構築できる場合は、古典的な機械学習方法がおそらくより良い選択です(もちろん、適切なオブジェクト表現を見つけるために少し真剣に考える価値があります)。

結局のところ、同じプラットフォーム内でさまざまな手法を試してみたいだけであり、一部のソフトウェアベンダーが選択した方法や、この分野の現在の進歩に追いつくことができないことに制限されることはありません。これが、オープンソースプラットフォームがこの市場のリーダーである理由です。これらにより、開業医は現在の最先端技術と最新の最先端技術を組み合わせることができます。

今後、チームが機械学習を使用して目標を達成するための目標と方法が一致するようになると、ディープラーニングはすべてのデータサイエンティストのツールボックスの一部になります。多くのタスクで、ディープラーニング手法をミックスに追加することで大きな価値が得られます。考えてみてください。事前に訓練された人工知能システムを利用して、システムに物体認識を含めることができるようになります。他の誰かが十分なデータを収集して注釈を付けるという問題を経験したため、既存の音声または音声認識コンポーネントを組み込むことができます。しかし、最終的には、ディープラーニングは、それ以前の従来の機械学習と同様に、意味のあるときに使用するもう1つのツールにすぎないことがわかります。

AIの約束:次は?

20年前と同じように、表面化する障害の1つは、人工知能システムが何を学習し、どのように予測を行うかを理解しようとするときに遭遇する非常に困難なことです。これは、顧客が特定の製品を好むかどうかを予測する場合には重要ではない場合があります。しかし、人間と相互作用するシステムが予期しない方法で動作した理由を説明することになると、問題が発生します。人間は「ヒューマンエラー」を喜んで受け入れます。人間が完璧であるとは期待していません。しかし、人工知能システムからの失敗は受け入れません。特に、失敗した理由を説明できない(そして修正できない場合)場合はそうです。

ディープラーニングに慣れてくると、20年前の機械学習と同じように、システムの複雑さとトレーニング対象のデータ量にもかかわらず、ドメインの知識がなければパターンを理解することは不可能であることがわかります。人間の音声認識は、現在の会話のコンテキストを知ることで穴を埋めることができるため、同じように機能します。

今日の人工知能システムには、それほど深い理解がありません。私たちが今目にしているのは、浅い知性、孤立した人間の認識能力を模倣する能力であり、時にはそれらの孤立したタスクで人間よりも優れています。何十億もの例でシステムをトレーニングすることは、データを取得し、十分なコンピューティングリソースにアクセスすることだけであり、もはや取引を妨げるものではありません。

人工知能の有用性は、最終的には「世界を救う」宣伝には及ばない可能性があります。おそらく、私たちが手に入れるのは、開業医が仕事をより速く、より良くするために使用できる素晴らしいツールだけです。

Michael Bertholdは、オープンソースのデータ分析会社であるKNIMEのCEO兼共同創設者です。彼はデータサイエンスで25年以上の経験があり、学界で働いています。最近ではコンスタンツ大学(ドイツ)で教授を務め、以前はカリフォルニア大学バークレー校とカーネギーメロン校で教授を務めました。 Utopy、およびTripos。Michaelは、データ分析、機械学習、人工知能について幅広く出版しています。Twitter LinkedIn KNIMEブログでMichaelをフォローしてください    

New Tech Forumは、前例のない深さと幅で新しいエンタープライズテクノロジーを探索して議論する場を提供します。選択は主観的であり、読者にとって重要で最も興味深いと思われるテクノロジーの選択に基づいています。出版用のマーケティング資料を受け入れず、寄稿されたすべてのコンテンツを編集する権利を留保します。すべてのお問い合わせは[email protected]まで お送りください