＃01
第一次AIブームは”探索や推論”で問題を解く時代
しかし、これらの手法では迷路やパズルといった”トイ・プロブレム”しか解くことができず、適用範囲が狭いという課題があり終焉を迎える。
第二次AIブームでは”エキスパートシステム”が登場した。これにより適用範囲は広がったが、専門家の知識を明示的に記述することが難しく、このブームも終焉した。
＃02
画像内の物体認識の精度を競う国際大会ILSVRCにおいて、2012年”AlexNet”を用いたトロント大学のSuperVisionが、従来の制度を大幅に改善し優勝。これをきっかけにディープラーニングが注目を集めることとなる。さらに2015年にはMicrosoft社が開発したスキップコネクションを特徴とするモデル”ResNet”が人間に勝るとも劣らない認識率を示して大きな話題となった。
2012年 AlexNet （14層）
2014年 VGGNet （19層）
GoogLeNet （22層）
2015年 ResNet （152層）
＃03
第三次AIブームは”深層学習”の時代といえる。第一次ブーム、第二次ブームのころから研究が続けられている技術もあれば、”統計的自然言語処理”のようにインターネットの発展とともにここ20年で大きく活用が進んだものもある。
＃04
”自然言語処理”
人間が日常的に使う言葉をコンピュータに処理させる技術
”セマンティック・ウェブ”
情報リソースに意味を付与することで、コンピュータにより高度な意味処理を実現させようとする技術
＃05
深層学習の手法自体は第三次AIブーム以前から提案されていたが、以下のような理由によ近年急速に盛り上がりを見せるようになった。
- コンピュータの技術進化により大規模な並列計算処理が可能となり、現実的な時間でモデルの学習が実現できるようになった。
- インターネットの発達により大規模なデータがWeb上に公開されるようになり、データの収集が比較的容易になったから。
- プログラミングを支援するフレームワークが広く普及したから。
＃06
古くからチェスや将棋などのゲームを実行するAIの研究が進められている。
ディープブルーでは独自の評価関数に基づいて盤面を探索するプログラムで、組み合わせが膨大となる探索手法であったが、その性能は、世界チャンピオンに勝利するまでに達していた。
| 名称 | ゲーム | 開発者 |
| ディープブルー | チェス | IBM |
| AlphaGo | 囲碁 | DeepMind |
＃07
”モラベックのパラドクス”
コンピュータにとって、知能テストやチェッカーをプレイさせたりするよりも、1歳児レベルの知恵と運動のスキルを与える方がはるかに難しいというもの。
＃08
従来の機械学習の手法では、特徴量の設計は難しかったが、ディープラーニングは特徴量そのものを学習によって得ることができ、入力の良い”内部表現”を獲得できるようになった。また”自己符号化器”のような手法は、従来の主成分分析ではできなかった非線形性を持つ特徴抽出・次元削減などの表現学習が可能である。
＃09
第二次AIブームではい、いかに機械に知識を与えるかが大きなテーマであった。支援言語処理の研究においては言葉同士の意味関係を定義する”意味ネットワーク”などが提案されたが、これには多大な労力が必要とされた。
ダグラス・レナートによって提唱された現代版バベルの塔と呼ばれる”Cycプロジェクト”は現在も継続している。また仮に言葉同士の意味関係を理解できたとしても、現実の概念と結び付けられるの非常に難しい”シンボルグラウンディング問題”が依然として課題となる。
＃10
エキスパートシステムにおいて知識獲得のボトルネックとして、”人間から体系だった知識を引き出して、コンピュータに載せることが困難であること”があげられる。
コメント