科学者会について

名称

一般社団法人中日人工知能科学者会

目的

日本と中国及びその近隣諸国における人工知能(AI)に関する研究の進展と知識の普及を図り,
もって学術・技術ならびに産業・社会の発展に寄与することを目的とする。

所在地

メール

1500467240@qq.com

主な事業

、人工知能AI産業に関する以下の活動を行っています。
(1)学術集会,学術講演会,講習会等の開催
(2)IT人材の育成及び地域の振興
(3)関係機関等との情報交流・連携
(4)活動成果の普及及び刊行物の発行
(5)取引の高度化及び知的財産の保護
(6)日本と中国の間の交流・連携及びグローバル化対応
(7)その他,当法人の目的を達成するために必要な事業
(8)前項の事業は,本邦及び海外において行うものとする

歴史

創業 2007年11月

社団法人設立 2017年12月

 

サービス

 

 イベント・セミナー

 

 

AI技術情報

 

 

AIニュース

 

 

 

DEEP LEARNING

ディープラーニング(Deep Learning)概要

POSTED WPMASTER

Deep Learningとは、十分なデータ量があれば、人間の力なしに機械が自動的にデータから特徴を抽出してくれるディープニューラルネットワーク(DNN)を用いた学習のことです。

 

今までの話で、人工知能と機械学習、Deep Learningと3つのキーワードが出てきて、すでに混同している方も多いとは思いますが、そこまで難しく考えることはありません。

3つのキーワードの関係は、大まかにいうと「人工知能>機械学習>Deep Learning」という構造になっています。

どれも違う技術ということではなく、図解すると以下のようなベン図になります。

良くある誤解ですが、Deep Learning自体がAIというわけではなく、人工知能の要素技術の1つという位置付けです。

 

 

 

 

 

“AI“、最近よく聞くワードになりつつあると思いますが、巷では何にでもAIと使われがちで、学者の中でも定義は人それぞれで統一的見解はありません。

今回は「大量の知識データに対して、高度な推論を的確に行うことを目指したもの 」(一般社団法人 人工知能学会設立趣意書からの抜粋)という立場を取りたいと思います。

AIは、大まかに2つに分類することができます。

■弱いAI:人間の知能の一部を代替する、一見知的な限られた問題解決を行えるもの

∟特化型AI:特定の決まった作業を遂行するためのもの(囲碁AIなど)

∟汎用型AI:特定の作業やタスクに限定せず人間と同様の、あるいは人間以上の汎化能力を持ち合わせているもの

■強いAI:脳科学などを取り入れながら人間の知能や心の原理を解明し、人間の脳機能と同等の汎用的な知的処理が実現可能なもの。人間のように自意識や感情を持ち合わせているもの。

機械学習とは、機械学習のパイオニアの1人であるアーサー・サミュエルによると、

” The field of study that gives computers the ability to learn without being explicitly programmed.”

と定義されており、日本語に訳すと「人が明示的に挙動を指示することなしにコンピューターに学習能力を与えること」 ということになります。

具体的に機械学習にも以下のような学習の仕方に種類があります。

■教師あり学習:正解(正しい出力)付きのデータを機械に学習させる方法

∟回帰:データを入力すると、出力として数値を返す方法(予測)

用途:株価予測など

∟分類:データを入力すると、出力としてデータの属性や種類を返す方法(ラベリング)
用途:メールのスパム検知など

■教師なし学習:正解を必要とせず、膨大なデータから自動的に算出した特徴量から構造や傾向、法則などを導くことで機械に学習させる方法

∟クラスタリング:データを入力するとそのデータのグルーピング結果を返す方法

■強化学習:自ら試行錯誤して最適な行動を見つける学習で、直近の目標を達成し、報酬を与えることで上達していく方法。

■DNN(Deep Neural Network,ディープニューラルネットワーク)

ニューラルネットワーク(NN)というパターン認識をするように設計された、人間や動物の脳神経回路をモデルとしたアルゴリズムを多層構造化したもの。

■CNN(Convolutional Neural Network,畳み込みニューラルネットワーク)

局所的な情報の抽象化及び位置普遍性をもたせた順伝播型ニューラルネットワークを利用したアルゴリズム。DNNを2次元データに対応させたもので、画像に対して高いパターン認識能力を示します。

主な用途:画像認識

■RNN(Recurrent Neural Network,再帰型ニューラルネットワーク)

音声、動画データのような可変長のデータを扱えるようにするために中間層に再帰的な構造をもたせた双方向に信号が伝播するニューラルネットワークを利用したアルゴリズム。

DNNを横に繋いで時間変化する、連続的なデータに対応させたものですが、あまり長時間のデータには向きません。

また最近では、Google Translateなど自然言語処理にも使われています。

主な用途:音声認識、動画認識、自然言語処理

そもそもビジネスに導入したい際には、Deep Learningのアルゴリズム等を検討する前に、それが機械学習の方が適切なのか、DeepLearningの方が適切なのかでも変わってきます。

Salesforce Einstein の基礎

POSTED WPMASTER

 

Salesforce Einstein についての噂を聞き、興味を引かれたのですね。しかし、Salesforce Einstein とは一体何なのでしょうか?

Salesforce Einstein は CRM 用の人工知能 (AI) です。

みなさんは生まれながらのインテリジェントタイプのようなので、すでに「人工知能の基礎」のバッチは獲得し、AI についてかなりご存じのことと思います。しかし、Salesforce Einstein の詳細に進む前に、そのモジュールで学んだことを簡単に復習しましょう。

  • AI は、カスタマイズされた推奨事項、インテリジェントな検索結果、自動化されたアシスタントによって、私たちの生活を楽にしてくれます (ただし、殺人ロボットではありません)。

  • データ、計算機能、アルゴリズムの収束により、AI は進化の転換点にあります。

  • AI はアプリケーションに埋め込まれて消費者の生活ですでに使用されており、UI 環境をとおして表面化しています。

Salesforce のコンテキストでは、この最後の一文が鍵になります。Salesforce Einstein でもほとんど同じように考えることができます。コンシューマアプリケーションと同じように、AI がすべての Salesforce アプリケーションに注入されて、顧客とのやり取りがスマートになります。つまり、Salesforce Einstein により、ワークフローからプロセスビルダー、分析まで、Salesforce プラットフォームのすべての主要機能に AI がシームレスに埋め込まれるのです。これにより、データサイエンティストだけでなく、すべての Salesforce ユーザが、ビジネスのコンテキストで直接的に予想できるようになります。

CRM 用の AI である Salesforce Einstein は、システム管理者やユーザがすでに使用している Salesforce アプリケーションに埋め込まれています。つまり、AI がすべての人にもたらされるのです。

すべての Salesforce クラウドがスマートになります。高度な機械学習、深層学習、予測分析、自然言語処理、スマートデータ検出といった機能を備えた Salesforce Einstein により、会社のすべての顧客処理、ワークフロー、インタラクションがすぐにスマートに、より予測的になります。

Salesforce ユーザが各クラウドでできる内容を、次に示します。

Sales Cloud Einstein

営業担当を最適なリードと商談にガイドして、最適な案件の成立に集中できるようにする。

Service Cloud Einstein

顧客が自分で回答を見つけられるようにサポートし、適切なコンテンツを推奨することで、先を見越したサービスが実現し、サービスエージェントはケースを速く解決できる。

Marketing Cloud Einstein

顧客が次に何をするかを予測し、利用者の好みとチャネルに基づいてコンテンツや商品を推奨することで、マーケティング担当者はよりカスタマイズされたマーケティングキャンペーンを作成できる。

Community Cloud Einstein

顧客の質問に対してコンテンツやエキスパートなどを推奨することで、コミュニティ環境をカスタマイズする。

Analytics Cloud Einstein

把握する必要がある次のインサイトを自動化して優先順位を設定する。

Commerce Cloud Einstein

適切な商品やサービスを適時に推奨して買い物客の環境をカスタマイズし、エンゲージメントの促進、変換の最大化、注文価格の増加を図る。

Salesforce Platform Einstein

インテリジェンスを至る所に埋め込み、IT およびアプリケーション開発者が、AI を装備したアプリケーションをどのような使用事例に対しても構築できるようにする。

Salesforce IoT Einstein

行動の自動化と予測を行い、エンドユーザが最重要インサイトに基づいて行動できるようにする。

 

SALESFORCE EINSTEIN

人工知能(AI)概要

POSTED WPMASTER

人工知能(AI)とは、人間の知的ふるまいの一部をソフトウェアを用いて人工的に再現したものです。経験から学び、新たな入力に順応することで、人間が行うように柔軟にタスクを実行します。チェスをプレイするコンピューターから自動運転車まで、最近耳にするAIの事例のほとんどは、ディープ・ラーニングと自然言語処理に大きく依存しています。これらのテクノロジーを利用すると、大量のデータからパターンを認識させることで、難しいタスクでもこなせるようにコンピューターをトレーニングすることができます。

 

 

 

 

 

人工知能の歴史

人工知能(artificial intelligence: AI)という用語が造られたのは1956年のことですが、データ量の増大、アルゴリズムの高度化、コンピューティング性能やストレージ技術の発展といった近年の動向により、近年AIという略語はいっそう広く知られるようになっています。

1950年代の初期のAI研究では、問題解決や記号処理といったトピックが探究されました。1960年代になると、米国の国防総省がこの領域に関心を示し、人間の基本的な論理的思考(推論)を模倣できるようにコンピューターをトレーニングする研究を開始しました。例えば、国防高等研究計画局(DARPA)は1970年代にコロラド州アスペンのストリート・マッピング・プロジェクトを完遂しています。また、DARPAは2003年にインテリジェントなパーソナル・アシスタントを開発しましたが、これはSiri、Alexa、Cortanaが家庭に浸透するよりも遥かに前のことです。

こうした初期の研究によって、今日のコンピューターに見られる自動化や形式推論への道が開かれ、人間の能力を補完・強化することを目的とした意思決定支援システムやスマート検索システムなどの実現につながりました。

ハリウッド映画やSF小説では人間型のロボットが世界を征服するストーリーも描かれますが、現在のAIテクノロジーの進化段階はそうした不気味さや、そこまでのスマートさには達していません。とはいえ、AIはあらゆる業種に数多くの具体的なメリットをもたらすまでには進化を遂げています。以下では医療や小売をはじめ、幅広い業種における最先端のAI活用例を紹介していますので、ぜひ最後までお読みください。

 

1950年代~1970年代

ニューラル・ネットワーク

初期のニューラル・ネットワーク研究が、「思考する機械(thinking machines)」に対する人々の興奮を喚起

 

1980年代~2010年代

機械学習

機械学習の研究が活発化

 

現在

ディープ・ラーニング

ディープ・ラーニングのブレイクスルーがAIブームを牽引

あらゆる業種でAI機能のニーズが高まっています。なかでも法務支援、特許検索、リスク通知、医学研究などに利用できるQ&Aシステムには、特に大きな需要があります。それ以外にも、AIには以下のような用途があります。

医療

AIを組み込んだアプリケーションは、治療や投薬、レントゲン画像診断などのパーソナライズに効果を発揮します。また、パーソナル医療アシスタントは「ライフコーチ」として、薬を飲む、運動する、健康的な食事をする、といった活動の励行を促してくれます。

小売

AIで実現する仮想ショッピング機能は、パーソナライズされたレコメンドを提供するだけでなく、購入オプションに関する消費者の相談にも乗ってくれます。在庫管理や店内レイアウトに関するテクノロジーも、AIによって改善・強化されるでしょう。

製造

AIは「ファクトリーIoT」にも効果的です。ネットに接続された設備機器から流れ込むデータを分析し、再帰型ネットワーク(シーケンス・データに対して使われる特殊なディープ・ラーニング・ネットワークの一種)を用いて負荷や需要を予測することができます。

スポーツ

試合の画像や映像を分析し、選手のポジションやゲーム戦略の最適化など、より優れた試合運びに関するレポートを首脳陣(監督やコーチ)に提供するために、AIが活用されています。

AIは、大量のデータを高速な反復処理やインテリジェントなアルゴリズムと組み合わせ、ソフトウェアがデータ内のパターンや特徴から自動的に学習できるように、大枠の動作をプログラミングすることで機能します。AIは幅広い研究分野であり、数多くの理論、手法、テクノロジー、さらには以下のような主要な下位分野が含まれます。

  • 機械学習:分析モデルの作成を自動化します。機械学習では、人間が調査範囲や結論を明示的にプログラミングしなくても、ニューラル・ネットワーク、統計、オペレーションズ・リサーチ、物理学などの手法を活用することで、データ内に埋もれている洞察を発見することができます。

  • ニューラル・ネットワーク:機械学習の一種であり、脳のニューロン(神経細胞)のような相互接続された処理単位で構成されます。これらの単位が外部入力に応答し、互いに情報を受け渡すことによって情報を処理します。このプロセスでは、未定義のデータから関係を発見して意味を導き出すために、データを複数の処理パスに通す必要があります。

  • ディープ・ラーニング:処理単位が多階層化された大規模なニューラル・ネットワークを活用する手法であり、コンピューティング性能の進歩とトレーニング手法の向上による利点を活かして大量のデータから複雑なパターンを学習します。一般的な用途としては、画像認識や音声認識(=スピーチ認識/発話認識)があります。

  • コグニティブ・コンピューティング:AIの下位分野の1つであり、機械と人間の間で人間同士のように自然な対話を実現することを目指します。AIやコグニティブ・コンピューティングを利用する場合、その最終的な目標は、機械が画像・音声解釈機能で人間のプロセスをシミュレートし、人間と理路整然と会話できるようにすることです。

  • コンピューター・ビジョン:パターン認識とディープ・ラーニングにより、写真やビデオに何が写っているかを認識します。機械が画像を処理・分析・理解できるということは、画像やビデオをリアルタイムで取り込み、撮影場所の周囲の状況を解釈することも可能、ということです。

  • 自然言語処理(NLP):コンピューターが人間の音声(スピーチ/発話)も含め、人間の言語を分析・理解・生成できるようにすることを目指します。NLPの次の発展段階は「自然言語による対話」であり、これが実現すれば、人間は普通の日常的な言葉でコンピューターとコミュニケーションを図り、タスクの実行を指示できるようになります。

また、いくつものテクノロジーがAIの実現と活用を支えています。

  • GPU (Graphical Processing Unit):GPUは大量の反復処理に必要な高度なコンピューティング性能を提供できることから、AIのカギを握る領域の1つとして注目されています。ニューラル・ネットワークのトレーニングには、ビッグデータに加え、高度なコンピューティング性能が欠かせません。

  • モノのインターネット(IoT):IoTでは相互接続デバイスから膨大なデータが生成されますが、そのほとんどは分析されずに放置されています。AIでモデルの作成と適用を自動化すれば、データを最大限に活用できるようになります。

  • 高度なアルゴリズム:より多くのデータを、より高速に、複数のレベルで分析するために、高度なアルゴリズムの開発や、新たな方法で組み合わせる手法の考案が進められています。希少事象の特定と予測、複雑なシステムの理解、独自のシナリオの最適化などに取り組む際は、こうしたインテリジェントな処理が重要な役割を果たします。

  • API(アプリケーション・プログラミング・インターフェイス):APIは特定のプログラム機能の利用を簡素化する仕組みであり、これを利用することで、既存の製品やソフトウェアにAI機能を容易に追加できるようになります。例えば、ホーム・セキュリティ・システムやQ&Aシステムに画像認識機能を追加すると、画像データの属性記述や、キャプション/タイトルの作成を自動化できるほか、画像データ内にある興味深いパターンや洞察を呼び出すことも可能になります。

まとめ:AIの目標は、入力を論理的に解釈でき、出力を人間に説明できるソフトウェアを実現することです。AIは、人間とソフトウェアの間に人間同士のような対話をもたらし、特定のタスクに関する意思決定を支援しますが、人間に取って代わるものではなく、近い将来にそうなる可能性もありません。

  • Facebook
  • Twitter
  • Linkedin