人工知能の得手／不得手

Transcription

1 人工知能 (AI) を知る AI を使う 平成 30 年 8 月 28 日 金沢工業大学工学部情報工学科教授松井くにお 1

2 人工知能技術の活用の問題点 AI を使って業務改善をしなさい ウチにはたくさんデータがあるだろ と言われても 第 3 次 AI ブームの到来で ビジネスに対する AI の期待が高まっているが 何から手をつけて良いか戸惑ってしまうのが現状 Ai 活用を目的としたオープンイノベーションを産み出す新たな産学連携のあり方提案 2

3 産学連携の新しいスキームの提案 人工知能技術の現状 深層学習や自然言語処理などの ツール としてフリーで利用可能なものが Web 上に存在 IBM Watson Learn with Google AI amazon Alexa Skills Kit Neural Network Toolbox 産学連携の 学 の役割 これらのツールの利用に関しては アジャイル的な側面が強く 大学を実証フィールドとする新たな産学連携のスキームが必要 3

4 AI を知る - AI の歴史 AI でできること - 4

5 人工知能の歴史 プロジェクト AI 命名 56 ( ダートマス会議 ) AI 失敗報告 巨大 AI PJ 設立 ( ライトヒル ) 73 ( 日 ICOT 82, 米 MCC 83, 英 Alvey 84) 脳科学 PJ 設立 (BRAIN Initiative, Human Brain) システム チューリングテスト提唱 50 対話 ELIZA 診断 Mycin 開発 66 開発 73 DEC 社 R1 82 チェス DeepBlue 勝利 97 将棋勝利 12 パラダイム パーセプトロン開発 62 逆伝搬学習法 86 Lisp 開発 58 Prolog 開発 72 ベイズネット開発 88 Deep Learning 脚光 12 探索 演繹推論の時代 第 1 次 AI 知識獲得の時代 第 2 次 AI 機械学習の時代 第 3 次 AI 簡単な問題は解けても実用上の問題はできず 専門家の知識を機械に教えこむことが困難 5

6 第 1 次 AI( 簡単な指令で動くロボット ) 言葉で指示してロボットアームが動く (SHRDLE) 人 : 大きな赤いブロックを持ち上げて コンピュータ : 了解 人 : 三角錐をつかんで コンピュータ : どの三角錐かわかりません 人 : 一番背の高いブロックをつかんで 箱の中に入れて 人工知能研究へ過剰な期待 出典 : UFO キャッチャー 6

7 第 1 次 AI( 単純な対話システム ) ELIZA 出典 :ITPro 7

8 第 2 次 AI( 専門家の知識 ) 医療診断システム MYCIN 質問応答による診断と治療の支援 質問例 ( 抜粋 ) 患者名 ** Jack Jones 性別 ** male 年齢 ** 19 培養検体はどの部位で採取しましたか? ** 血液です この血液培養は何日前に採取しましたか? ** 2 日前です この血液病原体から検出された第 1 病原体の種類 ( 属 ) は? ** 不明です この血液病原体から検出された第 1 病原体のグラム染色特性は? ** 不明です この血液病原体から検出された第 1 病原体は桿菌ですか? 球菌ですか? ** 桿菌です 結果 使われなかった 医局員程度の確度 ( 正解率は 65% 程度名医は 80% 程度 ) 判断を間違えたときの責任の所在が不明 出典 : 8

9 第 3 次 AI ゲームの世界でヒトに勝つ 出典 : Wikipedia 出典 : ニコニコ 出典 : Google 1997 年チェスで勝つ 2012 年将棋で勝つ 2016 年囲碁で勝つ 特定分野で大活躍 出典 : IBM 出典 : Cylance 出典 : Nature クイズチャンピオンに勝利マルウェアを高精度で検出皮膚ガンの判定 9

10 将棋ソフトの発展 これまでの将棋ソフト (1980 年代 ~) 将棋をよく知っている人 将棋の強い人 プロ 開発者の固定観念 先入観 主観などにより パラメータ設定 約 500 パラメータ アマチュア有段者レベル 機械学習を用いた将棋ソフト (2005 年 * Bonanza~) プロの棋譜 6 万局各駒の価値 例 歩角 87 点 569 点 局面評価関数 の最適なパラメータを自動学習 プロレベルの棋力を実現 駒と駒の位置関係 約 1 億パラメータ 王 出典 : 富士通研究所 Bonanza は 保木邦仁先生 ( 現電気通信大学特任助教 ) が開発したコンピュータ将棋ソフトです 10

11 IBM Watson クイズチャンピオンに勝利 IBM Jeopardy Challenge 2011 年 2 月 14 日 -16 日 Hawthorn ( ニューヨーク州 ) の IBM 研究所内にセットを作成 回答者 Watson Ken Jennings( 連続優勝記録保持者 ) Brad Rutter( 最多賞金獲得者 ) クイズに勝つための方策 幅広いトピックスの質問文を解析し DB 検索を行なう 回答には確信度を付与し クイズに勝つ戦略を考案 質問は読み上げられるが Watson にはテキストデータを転送 ( 音声認識はなし ) 出典 : IBM 11

12 Cylance マルウェア検出の新方式 正常なファイル マルウェアを含むファイル 差分を考慮した機械学習 数億個を用意 検出率 99.7% 誤検出率 0.002% Cf) McAfee, Symantic の検出率 50-70% マルウェアのパターン (DNA) を検出 アンマッチ : 正常に活用 インターネット マッチ : 水際で排除 エンドポイントにマッチングソフトをインストール 12

13 AI を知る - AI の技術 - 13

14 人工知能の技術 自然言語処理自然言語処理自然言語処理 14

15 機械学習とその課題 機械学習とは 与えられたデータからコンピュータが自動的に知識やルールを抽出し 学習 成長していく技術 現状は特徴の抽出が 分析の専門家のノウハウに依存しているため 精度や開発効率に課題 データ 特徴抽出 機械学習 機器の故障予測 特徴の候補 ジャムやアラームやエラー 稼働期間 製品カテゴリ 気温 など 解約の予測 特徴の候補 年齢 住所 問合せ履歴 契約年数 契約状況 など 15

16 深層学習の特徴 機械学習 データ特徴抽出機械学習 特徴抽出は人手が必要 SVM 決定木 人 深層学習 データ 特徴抽出を含めて自動的に学習 Deep Neural Network 人 人手が必要だった特徴抽出も含めて学習を自動化できる可能性 これまで人間が見つけられなかった知見や知識を発見できる可能性 16

17 深層学習の規模 神経細胞 ( ニューロン ) ニューラルネットワーク モデル化 シナプス ニューロン 移動ロボット サトルくん (1988 年 3 層 NN) 画像中の物体認識 (2015 年 7 層 NN) ニューロン数 29 38,000 倍 110 万 シナプス数 232 3,150,000 倍 7 億 3000 万 参考 : コンピュータ性能 ( ムーアの法則 ):260,000 倍 出典 : 富士通研究所 17

18 深層学習の有効な領域と条件 必要な条件 規則が明確 限定された範囲 正解データの大量の蓄積 領域事例規則範囲正解データ ゲーム将棋駒ごとに明確 9 9 の盤面 勝ち負けの棋譜 セキュリティマルウェア抽出 振る舞いはパターン化 OS 内 感染ファイル 知的活動クイズ 5W1H の質問 6 つのジャンル Wikipedia から構造化 18

19 AI を使う - AI の応用事例 ( 共同研究など ) - 19

20 CM 好感度調査の分析 (CM 総合研究所との共同研究 ) 分析対象 20

21 AI による分析への期待 自然言語処理 関係分析 機械学習を利用 CM の何が好感度に影響を与えるか 登場人物 シナリオ セリフ コピー 音楽 ねらいに合った CM 戦略 流す時間帯 番組 タイムリーな話題 話題作り コンバージョンとの関係 21

22 オープンメタデータ活用 ( 金沢市との実証実験 ) カメレオンアドレスから様々なサービスが生まれる カメレオンアドレスを介して様々な情報にアクセスできる サービスサービスサービスサービス カメレオンアドレスの認識 (AI 活用 ) 視覚障がい者向け情報提供観光客向け情報提供道案内外国人向け情報提供宝探しゲーム AI との対話 API カメレオンアドレス API オープンメタデータ カメレオンアドレス 情報提供情報提供サービス情報提供サービス情報ベースサービス カメレオンアドレスと情報の対応付け 施設案内情報観光情報道路情報外国語情報お宝 広告 宣伝 ( ビジネスも ) 22

23 カメレオンアドレスとは? 情報の提供に適した細やかな場所を特定できる ID ID と緯度経度 高さの位置情報を対応付けたもの 例 ) 既存の道路インフラにコードを付加 コードを付加した点字ブロック ( 黑点のパターンがコード ) コードを付加した電柱 ( 点字ブロックと同型 ) 23

24 AI との対話の作成例 観光サービスを AI で置き換えたい 市販のスマートスピーカーでやってみる 秘書的業務のみなので無理 マニュアルを読ませればすべてわかるのではないか AI に文章理解能力はない AI: 対話 ( 質問応答 ) システムの仕組み 回答 質問 あいまい検索エンジン 質問 1 回答 1 質問 2 シナリオ1 質問 3 回答 2 質問 4 回答 3 質問 5 シナリオ2 質問 6 天気予報検索 : : AI に教え込むことが必要 QA データベース AI( 人工知能 ) 24

25 企業への期待 大学を実証フィールドとして活用する新たな産学連携のスキームを構築しませんか? 以下の用途に使えます 保有するデータの有効利用 人件費を削減するための対話処理システム テキストマイニングやテキスト分類などの文書データの活用 25

26 Intelligence の CBA(ABC ではなく ) CI (Corporate Intelligence) 企業が蓄積する膨大なデータや知恵 ノウハウを利用する BI (Business Intelligence) データを整理 可視化して人間が推論 判断を行なう AI (Artificial Intelligence) データを機械学習させ コンピュータが推論 判断を行なう 26

27 データからソリューションを導くプロセス CI ビッグデータノウハウ等 ソリューション BI LOD 等 AI モデル データ収集 クレンジング 検索 統合 学習実行 可視化 ログデータ 整形データ 実行用データ 結果データ フィードバック 27

28 企業での研究経歴 ( 数多くの大学との共同研究を実施 ) 1980: 富士通研究所入社 : 機械翻訳システムの研究開発 : 大規模電子化辞書の作成 (EDR) : オンライン辞書システムの研究開発 : 次世代ワープロの企画 ( 開発事業部 ) : 超高速情報検索エンジンの研究開発 : 富士通中国研究開発中心兼務 : ナレッジマネジメントシステムの研究開発 :Fujitsu Labs. of America 駐在 : サービスビジネスの推進 ( ニフティ株式会社 ) : 金沢工業大学工学部情報工学科 28

29 お問い合わせ先 金沢工業大学 産学連携局産学連携東京分室 新川実 高田理尋 TEL FAX iuctky@mlist.kanazawa-it.ac.jp 29