AI（人工知能）と機械学習とは？

機械学習とは？

機械学習とは、自律的に経験 (入力データの処理) から学習し、特定の課題の遂行能力を高めるコンピューターシステムを研究、開発する、コンピューターサイエンスの 1 分野を指します。「機械学習」と「人工知能」は混同されがちですが、機械学習は AI の下位分野の 1 つです。

AI と機械学習：基本

弱い AI とは？

弱い AI は、「狭義の AI」とも呼ばれ、入力に対し、プログラミングアルゴリズムに基づいて人間のような反応をする AI です。弱い AI を組み込んだツールは、「思考」しているように見えても、実際にはしていません。Siri、Cortana、Alexa のような、音声で動くパーソナルアシスタントがその良い例です。これらのツールは、ユーザーが質問や命令をすると、その音声に含まれるキューを聞き取り、プログラムされた手順に従って適切な応答をします。ユーザーが話す言葉やその意味を本当に理解しているわけではありません。

強い AI とは？

強い AI は、「真の AI」とも呼ばれ、自律的に思考する AI です。強い AI を組み込んだシステムは、推論、学習、計画、意思疎通、判断、そしてある程度の自己認識ができます。本質的に、人間の知能の模倣ではなく、少なくとも理論上は知能そのものです。専門家は、人間の脳の構造と機能を再現できれば、真の認識能力を持つコンピューターを作れるはずだと考えています。AI の下位分野であるディープラーニングの研究者は、ニューラルネットワークを使ってコンピューターに学習させることで自律性を高めようと試みていますが、SF (サイエンスフィクション) 作品に描かれるような自己を持った AI にはまだ遠く及びません。急速に進歩していることは確かですが、現時点では、真の強い AI はまだ理論の段階で、実現はずっと先と考えられます。

ディープラーニングとは？

ディープラーニングは、「深層学習」とも呼ばれ、人間の脳をできるだけ忠実に模倣しようとする、機械学習の下位分野の 1 つです。一般的には、ディープ ニューラル ネットワークと呼ばれる、脳構造に基づくモデルを使って、人間のニューロンシステムをエミュレートします。ディープラーニングの詳細は複雑ですが、基本的に、ディープラーニングのモデルでは、データを反復的に分析することで、より人間に近い思考方法で結果を導き出します。機械学習のアルゴリズムでは、予測が間違っていた場合、人間がそれを指摘して、必要な修正ができるようにします。こうして人間が介在することで、アルゴリズムの予測精度を高めます。一方、ディープ ニューラル ネットワーク (ディープラーニングのアルゴリズム) では、ニューラルネットワークが予測精度を自ら認識します。そのため、ディープラーニングは、通常の機械学習モデルが対象とするよりも複雑な課題に適しています。

データマイニングも機械学習の一種か？

データマイニングは機械学習とは異なります。データマイニングは、大量のデータから、パターン、関係、異常値、その他の知見を抽出するプロセスです。これに対して機械学習では、データセットを学習して特定の課題の遂行能力を高めていきます。そのため、データマイニングで抽出したデータを課題遂行の材料として機械学習に与えることはできますが、この 2 つは実質的に異なるツールです。

エキスパートシステムとは？

エキスパートシステムは、人間並みの意思決定能力を模倣する、初期形態の AI であり、その開発は 1970 年代にさかのぼります。このシステムでは、問題を既存の知識ベースで検索し、一連の if-then ルールによる判断を通して専門家 (エキスパート) と同等の結論を導き出します。ただし、外部データから学習して精度を継続的に高めることができないため、真の AI とはみなされないこともあります。

AI プログラミングとは？

AI プログラミングは、開発者がアプリケーションに AI 機能を組み込むためのソフトウェアプログラミングの一種です。よりスマートな検索エンジンの開発といった基本的な用途から、車の自動運転といった複雑な用途まで幅広く使われます。

人工知能に最適なプログラミング言語

AI の開発でよく使用されるプログラミング言語は、Python、Java、C++、LISP、Prolog です。

• Python：Python は、その適応範囲の広さと構文の簡潔さから、AI 開発者の間で人気の高いプログラミング言語です。オブジェクト指向、関数型、手続き型のいずれのプログラミングスタイルにも対応します。また、移植性が非常に高く、Linux、Windows、MacOS、UNIX のいずれでも、コードを少し変えるだけで実行できます。さらに、AI 開発者向けの便利なライブラリが豊富に提供されています。代表的なライブラリには、自然言語処理用の NLTK と SpaCy、科学計算用の Numpy、機械学習用のscikit-learn、ディープ ラーニング アプリケーション用の TensorFlow、PyTorch、Apache MXNet などがあります。
• Java：Java は、一般的なソフトウェア開発で人気のある言語の 1 つであり、AI 開発にもよく使用されます。移植性が高く、アルゴリズムのコードを簡単に書くことができ (AI プログラミングには重要な点です)、デバッグも容易です。標準ライブラリとして、自然言語処理用の CoreNLP、複雑な計算用の ND4J、ディープラーニング用の DL4J などが提供されています。
• C++：C++ は、処理速度が極めて速く、最速のプログラミング言語として広く知られています。高速性は、計算量の多い AI アプリケーションにおいて非常に重要です。ほかの言語と比べて習得が難しいため、開発者が最初に選ぶ言語ではありませんが、機械学習やニューラルネットワークの構築を含むアプリケーションの開発ではよく推奨されます。
• LISP：ジョン マッカーシー氏が 1958 年に開発した LISP は、Fortran の次に長い歴史を持つ言語です。その古さにもかかわらず、優れたプロトタイピング能力や S 式の処理効率の良さから、現在でも人気があります。LISP が持つ機能の多くは、ほかの新しい言語でも利用可能なため、独自性はほとんど失われていますが、それでも機械学習開発でよく使用されています。
• Prolog：Prolog も歴史の長いプログラミング言語ですが、LISP ほどの汎用性はありません。ルールベースの宣言型言語で、さまざまな質問に答えるプログラムを簡単に作成できるため、比較的単純な問題/解法型の AI 用途に最適です。また、バックトラックがサポートされるため、アルゴリズムを簡単に管理できる利点もあります。

AI（人工知能）とML（機械学習）の活用ビジネス

AI や機械学習をビジネスでどのように活用するのか？

機械学習はすでに、日常生活のさまざまな場面で活躍しています。たとえば Facebook は、ニュースフィードのパーソナライズに機械学習を取り入れて、ユーザーが最近よく「いいね！」をした人の投稿が多く表示され、交流が減った人の投稿はあまり表示されないようにしています。GPS ナビゲーションサービスでも、交通データの分析や通勤/通学経路の混雑予測に機械学習が利用されています。さらにメールのスパムフィルターでも、迷惑メールの判定に機械学習が使用されています。

ビジネス界にも機械学習の活用例はたくさんあります。たとえば、機械学習によって大量の顧客データからインサイトを導き出して、個人のニーズに応じたパーソナライズサービスを提供したり、お勧め商品を提案したりできます。医療や金融サービスのような規制の厳しい業界では、アクティビティレコードを分析して、不審なふるまいを検出する、不正を検知する、リスク管理を強化するなど、セキュリティの向上とコンプライアンスの徹底に機械学習が役立てられています。機械学習やその他の AI 技術は概して、リアルタイムのより正確な状況把握を可能にすることで、的確な意思決定をサポートします。

ビジネス分野ごとの AI の活用例をいくつかご紹介します。

AI のリスク

AI については、知性を持った機械が人間の仕事を奪うのではないかと懸念する人がいます。また、機械が人間の指示を無視し、独自の判断で動くようになって、人間に危害を加えるのではないかと恐れる人もいます。2017 年の米国全米知事協会 (NGA) において、イーロン マスク氏は、「AI には人類文明の存在を脅かすほどの大きなリスクがある。それは、自動車事故、飛行機事故、不良薬品、ジャンクフードなどとは比べものにならない。もちろんこれらも社会の一部に悪影響を及ぼしているが、社会全体に害をもたらしているわけではない」と警告しました。また、科学者の故スティーヴン ホーキング博士は、2014 年の BBC のインタビューで、「完全な AI の開発は人類を滅ぼすかもしれない」と述べています。一方で、退屈な単純作業を自動化し、人間がより価値のある活動を行う余裕を作ることで AI が人生をより豊かにしてくれると期待する人もいます。

McKinsey 社は、2030 年までに 3 億 7,500 万人の労働者 (世界の労働人口の 14%) が、AI に仕事を奪われて職種の変更を求められると予測しています。ただし、AI は奪った数と同じだけの新しい職を生み出すという予測もあります。ガートナー社は、2020 年までに 180 万の職が AI に取って代わられると予測する一方で、その失われた 180 万の職は、同じく 2020 年までに新しく生み出される 230 万の職によって相殺され、結果的に 50 万の職が増えるとも予測しています。さらに ガートナー社は、2025 年までに 200 万の職が純増すると予測しています。

AI や機械学習を使用するべきかの判断

まずは、対象業務の複雑さを評価して、機械学習に投資する価値があるかどうかを判断することが重要です。AI は幅広い業務に適用できるため、AI の導入を検討する際は、他企業の類似業務での導入事例を調べると良いでしょう。

機械学習で一般的な用途の 1 つは、顧客データを解析して個人の好みや購買習慣など、自社との接点における顧客のふるまいを学習することです。この情報を利用すれば、メッセージ、サービス、製品を顧客ごとに詳細にパーソナライズできます。これは、多くの企業と業界に合致する AI の用途です。

金融サービス業界では、クレジットカードの不正検知率の向上に機械学習が活躍し始めています。不正の手口は急速に巧妙化しているため、どれほど警戒を強めても人手では封じきれません。機械学習を取り入れれば、リアルタイムで状況に適応して、新しい手口でも高い精度で迅速に検出できます。金融業界や医療業界などの事例を見ると、機械学習はセキュリティやリスク管理に関するさまざまな課題の解決策として適していることがわかります。

機械学習が投資に値すると判断したら、次はデータについて検討します。機械学習の効果を得るには、大量のデータが必要です。そして、量よりも重要なのが質です。「ビッグデータよりもクリーンデータ」というのが多くのデータサイエンティストの共通意見です。どれだけ大量のデータがあっても、構造化されていなかったり無秩序であったりすれば、必要なビジネスインサイトは得られません。

さらに、データの新しさも重要です。多くの業界は急速に変化しています。わずか数年前のデータでも現在の業界の動向とはかけ離れていて、適切な予測値を割り出せない可能性があります。

機械学習の導入が初めてであれば、一般的に、教師あり学習から始めることをお勧めします。教師あり学習では、トレーニングを指導付きで行い、プロセスがわかりやすいため、多くの場合は AI の試験導入でもプロジェクトを管理しやすくなります。前述のとおり、機械学習で予測を行うには、その基となる既存のラベル付きデータが必要です。たとえば、クレジットカードの不正検知であれば、「不正」のラベルが付いたデータをその他の取引データと混ぜて使用することで、将来の不正取引を予測できるようになります。ラベル付きデータによる学習を行わないと、プロセスがずっと複雑になり、結果が出るまでに時間がかかります。

導入が決まったら、まずは、2 カ月ほどの短い期間を設定し、少ないデータを使って、プロジェクトを開始します。特定の業務課題について、AI に対する質問を用意し、その答えに関するフィードバックを収集します。その結果に基づいて、対象業務で機械学習の効果がどのくらいあるかを評価するとともに、次に機械学習を試す、もう少し期間の長いプロジェクトを選びます。