機械学習とは何ですか？

2017年12月、2014年にGoogleが買収した研究所であるDeepMindは、複数のボードゲームで世界チャンピオンを倒す可能性のある人工知能プログラムAlphaZeroを導入しました。

興味深いことに、AlphaZeroはゲームのプレイ方法に関する人間からの指示をまったく受けませんでした（名前の由来）。 代わりに、明示的なコマンドの代わりに経験を通じて動作を開発するAIのブランチである機械学習を使用しました。

24時間以内に、AlphaZeroはチェスで超人的なパフォーマンスを達成し、以前の世界チャンピオンのチェスプログラムを破りました。 その後すぐに、AlphaZeroの機械学習アルゴリズムは、将（（日本のチェス）と中国のボードゲームGoも習得し、前身のAlphaGoを100対0で破りました。

機械学習は近年人気が高まっており、以前は人間の知性の排他的領域であると考えられていた問題をコンピューターが解決するのを支援しています。 そして、人工知能の当初のビジョンからはまだ遠いものの、機械学習は、思考マシンを作成するという究極の目標にはるかに近づいています。

人工知能と機械学習の違いは何ですか？

人工知能を開発するための従来のアプローチでは、AIエージェントの動作を定義するすべてのルールと知識を綿密にコーディングします。 ルールベースのAIを作成する場合、開発者は、可能なあらゆる状況に応じてAIがどのように動作するかを指定する指示を作成する必要があります。 このルールベースのアプローチは、古き良きAI（GOFAI）またはシンボリックAIとも呼ばれ、人間の心の推論および知識表現機能を模倣しようとします。

象徴的なAIの完璧な例は、ストックフィッシュです。これは、10年以上にわたってトップレベルのオープンソースのチェスエンジンです。 何百人ものプログラマーとチェスプレーヤーがStockfishに貢献し、ルールをコーディングすることでロジックの開発を支援しました。たとえば、対戦相手がB1からC3にナイトを移動したときのAIの動作です。

しかし、ルールが複雑すぎて暗黙的である状況に対処する場合、ルールベースのAIはしばしば壊れます。 たとえば、画像内の音声とオブジェクトの認識は、論理的なルールでは表現できない高度な操作です。

シンボリックAIとは対照的に、機械学習AIモデルは、ルールを記述するのではなく、例を収集することによって開発されます。 たとえば、機械学習ベースのチェスエンジンを作成するには、開発者がベースアルゴリズムを作成し、以前にプレイした何千ものチェスゲームのデータで「トレーニング」します。 データを分析することにより、AIは勝利戦略を定義する一般的なパターンを見つけ、それを使用して実際の敵を打ち負かすことができます。

AIがレビューするゲームが多いほど、プレイ中の勝ちの動きを予測するのに優れています。 これが、機械学習が経験によってパフォーマンスが向上するプログラムとして定義される理由です。

機械学習は、画像分類、音声認識、コンテンツの推奨、不正検出、自然言語処理など、多くの現実世界のタスクに適用できます。

教師あり学習と教師なし学習

開発者は、解決したい問題に応じて、関連データを準備して、機械学習モデルを構築します。 たとえば、機械学習を使用して不正な銀行取引を検出する場合、開発者は既存の取引のリストを編集し、結果（不正または有効）をラベル付けします。 データをアルゴリズムに渡すと、不正なトランザクションと有効なトランザクションが分離され、2つのクラスのそれぞれに共通する特徴が見つかります。 注釈付きデータを使用してモデルをトレーニングするプロセスは「教師あり学習」と呼ばれ、現在、機械学習の主要な形式です。

さまざまなタスクのラベル付きデータの多くのオンラインリポジトリが既に存在します。 人気のある例には、1400万を超えるラベル付き画像のオープンソースデータセットであるImageNetや、60, 000のラベル付き手書き数字のデータセットであるMNISTがあります。 機械学習の開発者は、画像や音声サンプルのラベリングなどの認知タスクを実行するためのオンラインのオンデマンドの雇用ハブであるAmazon Mechanical Turkなどのプラットフォームも使用します。 また、成長している新興企業のセクターは、データ注釈に特化しています。

ただし、すべての問題にラベル付きデータが必要なわけではありません。 一部の機械学習の問題は、「教師なし学習」によって解決できます。このモデルでは、AIモデルに生データを提供し、関連するパターンを自分自身で把握します。

教師なし学習の一般的な使用法は、異常検出です。 たとえば、機械学習アルゴリズムは、インターネットに接続されたデバイス（スマート冷蔵庫など）の未加工のネットワークトラフィックデータでトレーニングできます。 トレーニング後、AIはデバイスのベースラインを確立し、外れ値の動作にフラグを立てることができます。 デバイスがマルウェアに感染し、悪意のあるサーバーとの通信を開始すると、ネットワークトラフィックがトレーニング中に観察される通常の動作とは異なるため、機械学習モデルはそれを検出できます。

強化学習

これまでに、質の高いトレーニングデータが機械学習モデルの効率に大きな役割を果たすことをご存知でしょう。 しかし、 強化学習 は、AIが以前のデータを使用せずに動作を開発する特殊なタイプの機械学習です。

強化学習モデルは、白紙の状態から始まります。 環境の基本的なルールと手元のタスクについてのみ指示されます。 試行錯誤を通して、目標に合わせて行動を最適化することを学びます。

DeepMindのAlphaZeroは強化学習の興味深い例です。 人間がチェスをどのようにチェスをプレイし、そこから学ぶのかを見なければならない他の機械学習モデルとは対照的に、AlphaZeroはピースの動きとゲームの勝利条件のみを知り始めました。 その後、ランダムなアクションから始まり、徐々に行動パターンを発展させながら、数百万もの対戦を行いました。

強化学習は研究のホットな領域です。 Dota 2やStarCraft 2などの複雑なゲームをマスターできるAIモデルの開発に使用される主なテクノロジーであり、データセンターリソースの管理や、人間のような器用さでオブジェクトを処理できるロボットハンドの作成など、現実の問題の解決にも使用されます。

深層学習

ディープラーニング は、機械学習のもう1つの一般的なサブセットです。 それは、人間の脳の生物​​学的構造に大まかに触発された 人工ニューラルネットワーク、 ソフトウェア構成を使用し ます 。

ニューラルネットワークは、画像、ビデオ、音声などの非構造化データ、および記事や研究論文などのテキストの長い抜粋の処理に優れています。 ディープラーニングの前に、機械学習の専門家は画像やビデオから機能を抽出することに多大な努力を払わなければならず、その上でアルゴリズムを実行していました。 ニューラルネットワークは、人間のエンジニアの多大な労力を必要とせずに、これらの機能を自動的に検出します。

ディープラーニングは、自動運転車、高度な翻訳システム、iPhone Xの顔認識技術など、多くの最新のAIテクノロジーの背後にあります。

機械学習の限界

人々は機械学習を人間レベルの人工知能と混同することがよくあり、一部の企業のマーケティング部門はこの用語を意図的に交換可能に使用しています。 しかし、機械学習は複雑な問題の解決に向けて大きな進歩を遂げましたが、AIの先駆者が想定した思考機械の作成にはまだ程遠いです。

真のインテリジェンスには、経験から学習することに加えて、推論、常識、および抽象的な思考、つまり機械学習モデルのパフォーマンスが非常に低い領域が必要です。

たとえば、機械学習は5年前に乳がんを予測するなどの複雑なパターン認識タスクには適していますが、単純なロジックと、高校の数学の問題を解決するなどの推論タスクに苦労しています。

機械学習には推論力がないため、知識を一般化するのが難しくなります。 たとえば、スーパーマリオ3をプロのようにプレイできる機械学習エージェントは、メガマンやスーパーマリオの別のバージョンなど、別のプラットフォームゲームを支配しません。 最初からトレーニングする必要があります。

経験から概念的知識を引き出す力がなければ、機械学習モデルを実行するには大量のトレーニングデータが必要です。 残念ながら、多くのドメインでは十分なトレーニングデータが不足しているか、さらに多くを獲得するための資金がありません。 現在普及している機械学習の形式であるディープラーニングには、説明可能性の問題もあります。ニューラルネットワークは複雑に機能し、作成者でさえ意思決定プロセスに従うのに苦労しています。 これにより、AIの決定を説明する法的要件がある環境でニューラルネットワークのパワーを使用することが難しくなります。

幸いなことに、機械学習の限界を克服する努力がなされています。 注目すべき例の1つは、国防総省の研究部門であるDARPAによる、説明可能なAIモデルを作成するための広範なイニシアチブです。

• 人工知能（AI）とは何ですか？ 人工知能（AI）とは何ですか？
• ほとんどのAIドルは機械学習に行くほとんどのAIドルは機械学習に行く
• AIの使用状況をどのように確認しますか？ AIの使用状況をどのように確認しますか？

他のプロジェクトは、注釈付きデータへの機械学習の過度の依存を減らし、限られたトレーニングデータでドメインにアクセスできるようにすることを目的としています。 IBMとMITの研究者は最近、シンボリックAIとニューラルネットワークを組み合わせることで、この分野に進出しました。 ハイブリッドAIモデルは、トレーニングに必要なデータが少なく、意思決定の段階的な説明を提供できます。

機械学習の進化が最終的に人間レベルのAIを作成するというかつてないほどの目標を達成するのに役立つかどうかは、まだわかりません。 しかし、私たちが確実に知っていることは、機械学習の進歩のおかげで、机の上に座ってポケットに置かれているデバイスは日々賢くなっているということです。