AIについてまとめる！！
こんばんは！
久しぶりの更新です。最近課外活動の一環で、AIについての知識を深めています。
AIと機械学習と深層学習についての違いについて、まずは確認します。
AIとは、言うまでもなく、Artificial Intelligence（人工知能）の略です。
AIは、言語の理解や推論、問題解決などの知的行動を人間に代わってコンピューターに行わせる技術のことです。
機械学習は、既存のある推論や理論をもとに事象を判別するもので、深層学習とは、別のものとして定義されます。
深層学習は、別名をディープラーニング（以下DL）と称し、人間がごく自然に行うような当然のタスクをコンピューターに学習させる機械学習の手法の一つです。分析の対象を区別する際の、特徴量を自動的に見つけ出すところが、優れていると言えます。人間の神経を真似て作った「ニューラルネットワーク」で、コンピューターによるデータの分析と学習を強力なものに仕立て上げているそう。
図で、機械学習とDLの違いが、解説されています。
↓参考にした記事
https://www.sbbit.jp/article/cont1/32033
https://innovation.mufg.jp/detail/id=93
DLの基本的な仕組みについて
DLには、大量のデータを必要とします。コンピュータが大量のデータから、分類する対象に共通して見られる特徴量を見出し、最終的な関数を求めます。
例えば、過去の気温と任意の商品の売れ行きの膨大なデータから、傾向を割り出し、ある日の気温から、商品の売り上げがどれほどになるのか、を求めることができます。
そこで用いられるのが、最小二乗法です。
例えば、今回の例だと、変数xを気温、変数yを売り上げとし、これまでに得られた大量のデータを、xy平面のグラフに入力します。そして、中学高校の物理実験でやったように、与えられた点を出来るだけ全て通るような、ある近似的な直線を引きます。その直線の引き方は、最小二乗法で求めることができるのです。
スライドにもある通り、その近似的な直線が、y' = a + bx の式で定義できると仮定する時に、（実際のyの値）ー（y' = a + bx この時、右辺は求まっている）の残差の二乗和を取り、これが最小になるような定数a, bをとってあげればいいわけです。
先ほど、変数が１つでしたが、２つになっても同様のことが言えます。先ほどの例を引き継ぐとすると、もう一つの変数は、例えば、湿度と置けるわけです。
変数を今度は、１００００変数にします。気温や湿度に限らず、例えば、何曜日なのか、だとか、どんなニュースがあったのか、など、発生する事象に関わる可能性のあるような全ての条件をこの変数に加えるわけです。すると当然グラフはかけませんが、変数が1つや2つの時に比べ、より詳細で正確な関数を割り出すことができ、未来の予測もそれにより、的中率をあげるわけです。
この関数を直接求めるのではなく、中間的な関数を何層か挟んで、それから最終的な関数を定義します。そこで使う中間的な関数は非線形的なものです。
ここで深く何層か、中間的な関数を定義していることが、深層学習と言われる所以です。
我々の住む物理的な世界が、階層的に構成されていることも、関数の算出の際に、何層か中間的な関数を定義した方がいい理由の一つです。
ここまで、複雑な仕組みを現実化させることができた要因は、
・計算機のパワーが向上したこと
・データが大量に集まるようになったこと
です。
目の進化で可能になったこと
産業革命（や日本であれば戦後の、高度経済成長など）を経て生活に根ざした科学技術が発展し、自動車組み立てラインをほとんどすべてロボットアームがになったり、世の中のありとあらゆるドアが自動化されたり、トラクターが発明されたりと、以前は、人間や家畜の筋肉に「力」を依拠していたのが、単純作業では機械がその「力」の役割を担うようになりました。
しかし、よく考えてみると、機械化されたのは、大量生産に関わる力や莫大な回数の全く同じ動きに関わるもののみであり、料理や片付けなど、1つ1つの事例で、アプローチの仕方の異なるような動作は、これまで機械化されず、例えば、家事はまだ人間がほぼ全てやっているような状況です。
つまり、人間は、目に見えるものが何か正しく判断し、それにどのような力を加えれば、どのように動くかなどが直感的に理解できているわけです。
人体の仕組みに遡って話をするとすると、人間の眼球の中の網膜が画像としてのデータを読み取り、視床を通って、脳の後頭部にある第一次視覚野で「それが何なのか」を今までの経験から理解するわけです。それをAIに話を置き換えると、イメージセンサーで画像を取り込み、ディープラーニング（CNN: 畳み込みニューラルネットワーク）でそれが何なのか、特徴量を見ながら、計算し算出するわけです。
カメラの画素数が向上し機械がより学習しやすくなったことと、ディープラーニングの進化により認識機能が向上したことで、機械が目を持つことができたわけです。この技術が応用できると、料理をAIが作ってくれるようになる他、自分が外出中に部屋の片付けまでしてくれるAIロボの誕生も期待できます。
これは、生命の進化でも同じことが言え、５億4200万年前から５億3000万年前に突如として発生した、カンブリア爆発（今日見られる動物の「門」が全て揃ったとされる現象）も、目を持った生き物が誕生したことが原因という光スイッチ説もあります。
近年大きく、ディープラーニングを活用した技術で注目されているのが、以下の3つの例です。
・Vision AI – 画像解析 –
人工知能（AI）が画像から様々な情報を抽出し、統計的なデータを獲得できます。アルゴリズムに沿って前処理から解析までを一貫して処理できる機械学習に加えて、深層学習（ディープラーニング）を使えば人工知能（AI）に自動で特徴点の抽出を行わせることも可能です。
・Speech AI – 音声認識 –
人工知能（AI）で音声を解析し、言葉の内容だけでなく、その文脈から感情などを含む様々な情報を抽出できます。リアルタイムの音声データ、録音された音声データのいずれも解析対象とできるため、あらゆるケースで活用が可能です。
・Language AI – 自然言語処理 –
日本語をはじめ、人間が使う言語を人工知能（AI）で解析します。大量の文章の解析、自動的な要約や分類、機械翻訳やチャットボットなど、あらゆるケースで活用できます。
(出典: https://www.optim.cloud/ai-technology/)
近年、ディープラーニングの進化は、顕著なもので、例えば、Google翻訳アプリもディープラーニングを２０１６年９月から導入しており、もうすでに、人間並みの翻訳レベルまで到達しています。
その他、AIの医療診断も医者より精度が高くなるケースが増加傾向で、MRIの画像から、アルツハイマーなどの疾患がどれくらいの割合でかかりやすいかなども算出できます。
まだPythonなどのプログラミング言語を学べていないので、早く体得して試行錯誤していきたいと思います。
それでは！
