2019年にAI分野で何が起こったのでしょうか?

2019年は確かに忙しい年でした。人工知能に関する進歩やニュースが頻繁に報道されるにつれ、私たちの生活は畏敬の念と誇りに満ちた瞬間で満たされる一方で、この技術によって私たちの社会が人工知能の広範な使用にまだ備えができていないことに気づかされたという、頭から離れない思いで満たされる瞬間もあります。

[[286473]]

2019 年は人工知能にとって進歩の年だったでしょうか、それとも幻滅の年だったでしょうか。研究者たちが新たな境地を切り開き、これまで達成できなかった基準を急速に克服する中、この分野は着実に進歩の道を歩んでいると言えるのでしょうか。

ADSP (Applied Data Science Partners) の Web サイトでは、2019 年に人工知能の世界で何が起こったかを振り返り、一般の人々が新鮮な視点を持てるように整理したいと考えました。注目を浴びる場合、作品が最初に引き付ける関心と、その作品の実際の重要性や分野に与えた影響とを区別することが重要です。この目的のために、この記事では、AI ストーリーの並行するスレッドを展開し、その重要性を明らかにしようとします。これらのストーリーをとても上手に伝えてくれた素晴らしいコンテンツライターの Elena Nisioti に感謝します。

2019 年の人工知能分野のあらゆる側面をじっくりと振り返ってみましょう。

ルネサンスの分野

2019 年の人工知能の状況を一文で説明するように言われたら、おそらく「強化学習が復活し、今後も定着しそうだ」となるでしょう。

今では、ほとんどの人が教師あり学習についてよくご存知でしょう。教師あり学習とは、誰かが大量のトレーニングデータを収集し、それを機械学習アルゴリズムに入力して、予測と分類を行うモデルを作成する学習方法です。人工知能は教師あり学習と同義語だという印象を持っている人もいるかもしれません。しかし、教師あり学習は、現在存在する多くの種類の機械学習のうちの 1 つにすぎません。

強化学習 (RL) では、エージェントは自分の行動に対して報酬を提供する環境と対話することで試行錯誤しながら学習します。複数のエージェントが関与する場合、それらはマルチエージェント強化学習システムと呼ばれます。

この分野は何十年も前から存在しており、概念的には教師あり学習よりも知能を生み出すためのもっともらしい学習メカニズムのように思われます。しかし、DeepMind が注目を集めたのは、古典的な強化学習アルゴリズムとディープ ニューラル ネットワークを組み合わせたアルゴリズムである Deep Q 学習を使用して Atari ゲームをプレイするエージェントを作成した 2015 年になってからでした。 2018年、OpenAIは、特に難しいとされるAtariのゲーム「Montezuma's Revenge」を解くことで、この分野での地位を確立しました。

過去数か月にわたって、事態は悪化しています。

これらの研究により、強化学習に対する学術的な信頼が再燃しました。強化学習はかつては非効率的で、単純すぎて、ゲームのプレイに関わる複雑な問題さえも解決できないと考えられていました。

今年人気のもう一つのアプリケーションは、自然言語処理 (NLP) です。この分野での何十年にもわたる研究にもかかわらず、最近の自然言語処理システムは、十分に自然に聞こえないテキストを生成しています。 2018 年後半以降、注目は単語埋め込みから、自然言語処理のためのコンピューター ビジョンから借用した技術である事前トレーニング済み言語モデルに移っています。これらのモデルのトレーニングは教師なしで行われるため、最新のシステムはインターネット上で利用可能な膨大な量のテキストから学習することができます。その結果、これらのモデルは「十分な情報」を持ち、コンテキストを理解する能力を発達させます。その後、教師あり学習を通じて特定のタスクにおけるパフォーマンスをさらに向上させることができます。さまざまなタスクで機械学習モデルをトレーニングすることで改善するこの方法は、転移学習のカテゴリに分類され、大きな可能性を秘めていると考えられています。

自然言語処理は、2018年後半にGoogle BERT、ELMo、ulmfitなどのシステムが発表されて以来、脚光を浴びてきましたが、今年はOpenAIのGPT-2にスポットライトを「奪われ」、そのパフォーマンスは自然言語処理システムの倫理的使用に関する白熱した議論を巻き起こしました。

実践が成熟する

今年は、最近のディープラーニング技術が成熟した年でもありました。教師あり学習、特にコンピューター ビジョン テクノロジーの応用により、実生活で成功した製品やシステムが生まれました。

生成的敵対的ネットワーク (GAN) は、生成ネットワークがトレーニング データを模倣した画像を生成することを学習することで識別ネットワークを騙そうとする一対のニューラル ネットワークであり、現在ではほぼ完璧に到達しています。人物や物体の偽物でありながらリアルな画像を作成することは、もはや人工知能の最先端分野ではなくなりました。 2014 年に導入された生成的敵対ネットワークから、2019 年に NVIDIA によってオープンソース化された StyleGAN まで、一枚の写真は千の言葉に値します。次の図を使用して説明しますが、これはこの分野の進歩を理解するのに最適な方法かもしれません。

2019年、AIが作成したアート作品は、過去数年間の仮説的な議論を超えて、今日では美術館の展示やオークションの一部となっています。

コンピューター ビジョンは、自律走行車や医療など、商業的および社会的に非常に重要ないくつかの分野でも使用されています。しかし、これらの分野における AI アルゴリズムの応用は、人間の生活に直接関わるため、当然ながら時間がかかります。少なくとも今のところ、これらのシステムは完全に自律的ではなく、人間のオペレーターの能力をサポートし、強化することを目的としています。

研究チームは病院と緊密に協力して、病気の早期予測のための AI システムの開発や、健康データの大規模なアーカイブの照合に取り組んでいます。注目すべき例としては、DeepMind Health と UCLH の継続的なコラボレーションが挙げられます。しかし、この研究の多くはまだ実験段階にあり、これまでに FDA の承認を受けた唯一の AI システムは、ディープラーニングを使用して医療画像を強化するソフトウェアである SubtlePet です。

眠れる巨人

AutoML は、1990 年代から存在し、2016 年に多くの関心を集めた機械学習のサブフィールドの 1 つですが、少なくとも他の AI トレンドのようには、何らかの理由で注目を集めることはありませんでした。おそらく、AutoML はそれほど凝ったものではないためでしょう。AutoML は、データ サイエンティストが現在手動による力ずくの調整で行っている決定を自動化することで、機械学習の実践をより効率的にすることを目指しています。

この分野に対する私たちの理解は過去 3 年間で進化しており、現在では、Google Cloud AutoML、Microsoft Azure、Amazon Web Service、DataRobot など、ほとんどの大企業が AutoML ツールを提供しています。今年、学習進化型AIフレームワーク（LEAF）が最先端のAI技術となったことで、人々の関心は「進化型」手法へと移りました。ただし、AutoML はまだ、完全に自動化された AI システムが AI 専門家のチームよりも優れたパフォーマンスを発揮できるほどの成熟レベルには達していません。

人工知能に関する懸念

圧倒的な成功にもかかわらず、人工知能の分野は今年、私たちにいくつかの落胆させるようなニュースをもたらしました。主な問題の一つは機械学習モデルの偏りである。この問題は、アマゾンが自社の自動採用システムに性別による偏りがあることを発見した2018年に初めて明らかになった。また、米国の裁判所で広く使用されている量刑ツールCOMPASにも性別と人種による偏りがあることが判明した。

今年は事例数が増加しており、これは意思決定を自動化するために使用される既存の AI システムに対して一般の人々や機関が懐疑的になっていることを示しているのかもしれない。以下は写真の一部です:

• 今年10月、ある病院のアルゴリズムが黒人患者に対して偏見を持っていることが判明した。
• 昨年10月、人権団体は英国のビザ発行に使用されている人工知能システムが人種差別的であると非難した。
• 11月、アップルの信用スコアリングシステムは性別による偏見があると顧客から非難された。

バイアスは、教師ありディープラーニングの核心にあるため、特に懸念されます。バイアスのあるデータがトレーニングに使用され、予測モデルが解釈できない場合、バイアスが存在するかどうかを実際に判断することはできません。これまでの学術的対応は、ディープラーニングモデルの決定の背後にある理由を理解するための技術の開発に重点を置いてきましたが、専門家は、適切な実践を採用すればこれらの問題の多くは解決できる可能性があると警告しています。 Google Cloud モデル カードは、オープンソース モデルの性質と制限を明確に説明しながら、組織コミュニティをオープンソース モデルへと向かわせようとする最近の試みです。

今年のもう一つの憂慮すべき発見は、技術が複雑になるほど、悪用される可能性が高くなるということだ。ディープフェイクは生成的敵対ネットワークのダークサイドであり、ディープラーニング アルゴリズムを使用して、完全に架空のシナリオで実在の人物を登場させた写真やビデオを作成します。この技術が政治宣伝からいじめまであらゆる目的でフェイクニュースを広めるのに利用される可能性があることは容易に想像できる。この問題は科学者だけでは解決できません。科学者は、発見が現実の生活に与える影響を予測するのはおろか、制御するのも得意ではないことは歴史が証明しています。この問題には、社会のあらゆるセクター間での広範な対話が必要です。

今日の人工知能はどれほど強力でしょうか?

今日、人工知能の価値を定量化することは非常に困難です。しかし、一つ確かなことは、AI は SF や最先端の​​コンピュータ サイエンスの領域を超え、今や社会に不可欠な要素となり、多額の投資が行われているということです。

今年初め、ディープラーニングの第一人者3人が、人工知能をコンピューターサイエンスの一分野として認める待望の賞であるチューリング賞を受賞した。