人工知能の課題

人工知能の課題

それには、まず人工知能について少し知っておく必要があります。

 

まず、人工知能とはただのデータ分析です。

 

しかし、メディアでは、人工知能はなんでも出来る。といったような行き過ぎた風潮があると思います。

 

近年、よくメディアで取り上げられている人工知能と呼ばれている技術は、データを「ニューラルネットワーク」と呼ばれる計算方法を元として分析しています。

 

この「ニューラルネットワーク」とは、人間の神経細胞「ニューロン」の働きをコンピューター上で再現した「パーセプトロン」と呼ばれるものをいくつもつなぎ合わせてネットワークにしたものです。 この技術の利点は、「抽象的な概念を捉えられる」ことです。

また、このニューラルネットワークは、大きく分けて三層、「入力層」、「隠れ層」、「出力層」に分かれています。 「入力層」、「出力層」は結果の入力、出力だけなのですが、一番重要なのは「隠れ層(Hidden layer)」です。一般的にこの隠れ層があればあるほどより抽象的な概念を捉えることができます。

 

この隠れ層が、2層以上あるニューラルネットワークの理論を「ディープラーニング」と呼びます。

ちなみに、現在、人工知能における正確な計算方法の定義は未だ定まっておらず、正直、データを分析し人間らしいことができるように応用できればどんな計算方法でも良いのです。  

「ディープラーニング」の技術的な課題

例えば、

  • パラメーターの調整が多い

先述のニューラルネットワークを構成しているパーセプトロンというユニットは、

結果=活性化関数(データ1*重み1+データ2*重み2・・・データN*重みN)+バイアス

が基本公式です。

活性化関数とは、0か1を見分ける関数のことです。有名なものにステップ関数、シグモイド関数、ランプ関数などがあります。 重みとは、データを分類するための個性のようなもので、ニューラルネットワークは最終的に目的の出力を近ずけられるように、パーセプトロンに個性を出し、さなざまな入力でもできるだけ出力に誤差が出ないように調整するためのものです。

バイアスとは、活性化関数の0か1の幅を調整します。バイアスが小さければ、少ない数値でも1とみなしたり、大き過ぎれば、全然パーセプトロンが反応しないということもあります。

ディープラーニングでは、このパーセプトロンや隠れ層が沢山あり、Microsoft社が開発した「Deep residual networks」というネットワークは、152層あるそうです。

しかし、普通は、深くて8層ぐらいです。

ディープラーニングでは、重みやバイアスに代表されるパラメータを調整する必要があります。

もちろん最初からわかっていれば良いのですが、同じ計算方法でもデータが全く異なったりするため、膨大な計算が必要となります。

 

ところで、皆さんは、GPUという言葉を聞いたことがありますか?

通常、パソコンの計算は中央演算処理装置(CPU)というユニットを使っていますが、近年の人工知能は、Graphics Processing Unit(GPU)通称グラボで行なっています。GPUとは、リアルタイムの画像処理演算に最適化した装置で以外に普通のデスクトップパソコンに入っていたりします。CPUもGPUも結局は計算なのですが、最大の違いは「コア数」です。

 

 

コアとは、計算をするための計算機のようなものです。

もし同じ性能ならコア数が多い方が計算は高速です。

CPUは通常、2~4コアですが、GPUは、1000~4000ぐらいのコアがあります。CPUは毎回計算が違うような複雑な処理が得意で、GPUは、単純で同じような処理が得意です。すると、パラメーターの調整という単純な計算の繰り返しとなるディープラーニングの計算では、GPUの方が結果的に高速になりやすいです。

 

  • 開発者が予想できなかったような答えを出す。

「人工知能がナチス派を賛成する」といったようなニュース聞いたことありますか?

これは、Microsoft社のチャットボット「Tay」がアメリカのtwitter上で人種差別や性差別などの発言をした事件です。

原因は、twitter上のユーザーが「Tay」に不適切な発言をし「Tay」がこれを会話だと考えたため起こったようです。 人工知能は、ただ文章の法則を分析するだけです。

 

つまり、データの取得時になんの制限もかけないと人工知能は、たとえどんな不適切な発言だとしても正しいデータとして分析してしまうのです。つまり、その結果として、開発者が予想できなかったような答えを出してしまう場合があります。

 

やはり、ディープラーニングは、ただデータを分析するだけですから現実の世界に応用すると問題だらけということは多いです。  

例えば、

  1. 分析に使えるデータが少ない。
  2. 今のコンピューターの計算速度では、本物の人工知能の実現は、できない。
  3. 理論が多く難しくて普通の人には理解しがたい。
  4. 分析結果が因果関係か相関関係かの違いを導くのは難しい。
  5. 前提となる知識(潜在変数)を見つけるのは難しい。いわゆる前提知識や概念です。
  6. 結局は、近似の分析結果のため、完璧ではない。

などがあります。

 

科学技術がどのように貢献できるかということですが、

先述の通り、計算には、GPUを使うなどがあります。他にも「液浸冷却」などがあります。 ちなみに、ロボット、車、ドローンの場合、画像処理や物を掴むなどにディープラーニングが使われています。 CNNや強化学習などです。

 

ディープラーニングの応用先は、非常に幅広いです。  

報告する

コメント

  1. この記事へのコメントはありません。

コメントするためには、 ログイン してください。

関連記事一覧