この記事は人工知能を始める上で強力な助けとなるでしょう

[[269504]]

人工知能はまるでまだ遠い未来の話であるかのように語られていますが、実際にはすでに私たちの生活の中に浸透しつつあります。私たちが子供のために買う最新のおもちゃのロボットペットから、予定通りに手術を行うロボット外科医、音楽、映画、広告に対する私たちの好みを詳細に把握している推奨システムまで、私たちはすでに AI の中にいて、AI と共に生きています。

「AI」がより賢くなり、より普及するにつれて、私たちの中には当然恐怖が生まれます。社会に AI を正しく導入しないとディストピアが生まれるのではないかと心配する人もいます。AI が私たちの仕事をすべて置き換えるのではないかと心配する人もいます。私たちがこれらのテクノロジーに夢中になりすぎるのではないかと心配する人もいます。あるいは、実際にすべてを理解し、一歩下がって職場に AI を導入することのコストとメリットを真に評価し、誰もが AI を通じて自分の未来を本当に形作ることができるようにすることもできます。

人工知能とは何ですか?

歴史的には、アラン・チューリングの「考える機械」とジョン・マッカーシーの「自分で考えることができる機械」が AI の定義として使われてきました。 AI システムが進化するにつれ、現在では AI は「従来の人間の反応と一致する刺激に反応し、人間のような思考、判断、意図の能力を持つ機械」と呼ばれるようになりました。

人工知能は、その言葉が示す通り、知能は人工的であり、人間の活動を実行するために人間によってプログラムされています。この人工知能はコンピュータ システムに組み込まれ、最終的には「考える機械」ユニットとして機能する AI システムを作成します。

• 一般的に、AI システムは問題をインテリジェントに解決できます。 （例：人工知能株式取引システム）
• 限定的な AI システムは特定のタスクを非常にうまく実行します。 （例：AIを活用した製造部門）

ブルッキングス研究所のダレル・M・ウェストによる報告書によると、これらのシステムには意図性、知性、適応性の 3 つの特性があります。

• 意図性 - 人間は、履歴データやリアルタイムデータ、またはその両方に基づいて意思決定を行う AI システムを設計します。これらの AI システムには、事前に決定された応答が含まれています。
• インテリジェンス - AI システムは通常、機械学習、ディープラーニング、データ分析を人工知能と組み合わせて、インテリジェントな意思決定を可能にします。この種の知性は人間の知恵ではなく、人間の知性に非常に近いものであるとしか言えません。
• 適応性 - AI システムには、情報を収集して意思決定を行う際に学習し、適応する能力があります。 AI システムはリアルタイム データから学習するため、意思決定能力を改良して成果を向上させることができます。

人工知能、機械学習、ディープラーニング

AI システムは通常、人工知能、機械学習、ディープラーニングを採用して、特定の人間の機能を非常にうまく実行できる複雑なインテリジェント マシンを作成します。これら 3 つのユニットは、AI システム全体の知的パズルの独立したピースになりつつあります。

機械学習 − 人工知能のアプリケーションであり、AI システムに環境から自動的に学習し、その学習を適用してより適切な意思決定を行う機能を提供します。機械学習では、さまざまなアルゴリズムを使用して、データを繰り返し学習、記述、改善し、より良い結果を予測します。これらのアルゴリズムは統計的手法を使用してパターンを検出し、そのパターンに基づいてアクションを実行します。

ディープラーニング − 次世代の機械学習です。これは機械学習のサブセットであり、ディープラーニング モデルは人間から完全に独立して独自の予測を行うことができます。多くの場合、過去の機械学習モデルでは最良の結果を得るために依然として人間の介入が必要でしたが、ディープラーニング モデルでは人工ニューラル ネットワークが使用されます。ネットワークの設計は人間の脳の生物​​学的ニューラル ネットワークにヒントを得たもので、人間が結論を導き出す方法と同様にデータの論理構造を分析します。

教師あり機械学習 vs 教師なし機械学習 vs 強化学習

機械学習の基礎には、環境から学習し、その学習を適用して意思決定を行うことが含まれます。これを効果的に行うために、それを可能にする機械学習アルゴリズムがあります。

教師あり機械学習 - 教師あり学習では、入力データ (x) を最もよく表して出力データ (y) を生成するマッピング関数 (f) を作成することが目標です。 x と Y はわかっていますが、特定のレベルのパフォーマンスを実現するマッピング関数 (f) を見つける必要があります。次に、マッピング関数 (f) を新しいデータに適用して、関数 f を見つけるためにトレーニング データを使用した場合と同様の結果を得ることができます。

 Y = f(X)

教師あり機械学習の問題には、出力変数の種類に応じて分類と回帰の 2 種類があります。出力変数がカテゴリである場合、それは分類問題です。 (例: 色は赤、青、紫などになります) 出力変数が実数値の場合、それは回帰問題です。 (例: 高さは 0 フィートから 10 フィートまで)

教師あり機械学習アルゴリズムのリストには以下が含まれます。

• 線形回帰
• サポートベクターマシン
• ロジスティック回帰
• ナイーブベイズ
• 線形判別分析
• 決定木
• K近傍法アルゴリズム

教師なし機械学習 - 教師あり機械学習とは異なり、教師なし機械学習では正しい出力セット「Y」を想定しません。出力はありません。ここでの目標は、入力データを最もよく表す最も興味深い構造を明らかにすることです。

教師なし機械学習の問題には、クラスタリングと関連付けの 2 種類があります。クラスタリングの問題は、入力データ内にグループ化が見つかったときに発生します。 (例: 投票行動を性別別にグループ化) 相関関係は、入力データに規則性を発見することです。 （例：女性有権者は女性候補者に投票する傾向がある）

教師なし機械学習アルゴリズムのリストには以下が含まれます。

• 階層的クラスタリング
• K平均法クラスタリング
• ハイブリッドモデル
• DBスキャン
• 局所的異常因子
• ニューラルネットワーク
• 期待最大化アルゴリズム
• 主成分分析
• 非負行列分解

強化学習 - 教師あり ML や教師なし ML とは異なり、強化学習は特定の状況で報酬を最大化するための最適なパスを見つけることに重点を置いています。決定は順次行われました。各ステップで、アルゴリズムは総報酬のパスを取り、正または負の報酬のいずれかになります。総報酬は、パスに沿ったすべての正の報酬と負の報酬の合計です。目標は、報酬を最大化する最善の方法を見つけることです。 (良い例としては、AI を利用した株式取引システムがあります。)

• Q学習
• ポリシーの反復
• 状態-行動-報酬-状態-行動 (SARSA)
• ディープQネットワーク
• 深い決定論的ポリシー勾配

ディープラーニングは次世代の機械学習です

ディープラーニングは、複数のレイヤーを使用して生の入力から段階的に高レベルの特徴 (または理解) を抽出する次世代の機械学習アルゴリズムです。たとえば、画像認識アプリケーションでは、ディープラーニング アルゴリズムはマトリックス ピクセルを認識するだけでなく、あるレベルでエッジを認識し、別のレベルで鼻を認識し、別のレベルで顔を認識します。ディープラーニング アルゴリズムは、データを上から下まで理解できるため、時間の経過とともにパフォーマンスを向上させ、いつでも決定を下すことができます。

ディープラーニング アルゴリズムの強みは、教師あり学習タスクだけでなく教師なし学習タスクも実行できることにあります。これは、人間の脳の発達に関する多くの理論にも近似しています。

ディープラーニング アルゴリズムは現在、コンピューター ビジョン システム、音声認識システム、自然言語処理システム、オーディオ認識システム、バイオインフォマティクス システム、医療画像分析システムで使用されています。

ディープラーニング アルゴリズムの基礎について詳しく学びましょう。

• 畳み込みニューラルネットワーク
• 人工ニューラルネットワーク
• フィードフォワードニューラルネットワーク
• 多重線形回帰
• 勾配降下法
• ロジスティック回帰

実際のアプリケーション

現実の世界では、問題が単純になることはめったにありません。 AIは特定の問題を解決するのに最適です。多くの場合、AI は問題解決の特定のステップを実行し、残りを人間に任せるのに最適です。たとえば、AI 対応のチャットボットは従業員のプロジェクトをフォローアップし、ステータスの更新を取得できるかもしれませんが、マネージャーは依然としてチームを構築し、動機付け、正しい方向に導く必要があります。

AIに適した問題:

• 反復タスク - 結論に至るまで論理的な手順に従う手動タスク。 （例：商品の梱包、倉庫での配送準備）
• データ集約型タスク − 大量のデータを分析してパターンや異常を見つけるタスク。 (例: 財務記録における不正の検出)
• 超人的なタスク - 超人的な能力を必要とし、人間の感覚と微細運動能力の限界を示すタスク。 (例: ロボット外科医は、最も正確な動きを使用して非侵襲的な手術を行うことができます。細かく調整されたコンピュータービジョンは、人間の目では見つけられない MRI 上の腫瘍を見つけることができます。)

AI システムが発展するにつれ、私たちは人間自身の限界に立ち向かう必要に迫られています。 AIは私たちの生活にさらなる効率をもたらしましたが、AIを私たちの生活に取り入れることでもたらされる新たな問題にも直面しています。 理解を深め、恐怖心を減らすことでのみ、私たちは AI の時代に前進することができます。