【ディープラーニングG検定対策1　人工知能とは？】

　日本ディープラーニング協会「G検定」対策講座を8回に分けて進めていきます。よろしくお願いいたします。

　ディープラーニング協会は、今、AIという言葉が広まっている分、誤った使われ方をしているシーンが多いので、正しいAIの技術の理解を普及させようとして発足した協会です。ディープラーニング協会が毎年3回「G検定」「E資格」という認定試験をおこなっていて、そのなかの「G検定」ジェネラリストの対策講座となります。「G検定」の中身は、こちらに書いてあるとおりです。ディープラーニングの基礎知識を有し適切な活用方針を決定して事業応用する能力を持つ人材を育成するものです。

　さっそく内容に入っていきます。人工知能とはというセクションになります。いきなり質問ですが、そもそも人工知能という言葉を使ってきましたが、人工知能とはなんでしょうかというのを考えてみてください。実は、これは厳密な定義はありません。中身は読まなくてもいいのですが、字が小さいので、有名な国内の先生方が、人工知能とはなんでしょうと聞かれたときに回答をまとめたものになります。例えば、人工的につくった知的な振る舞いをするものと答えた方がいたり、あるいは、人工的につくる新しい知能の世界という答え方をしていらっしゃる先生もいらっしゃいます。けっこう研究分野、学術分野としても回答はバラバラになっています。これはなぜかといいますと、厳密な定義がまだ定まっていないからです。

　一方で、世の中で人工知能がどう使われているかを見ていきましょう。私が家電売場をのぞいてみたものでまとめてみたのですが、人工知能を搭載した掃除機がお部屋を自動でお掃除するとか、人工機能を搭載した電子レンジがおすすめのメニューを提案するとか、人工機能を搭載したエアコンがお部屋の温度を最適にコントロールするとか、いろんな人工知能が使われているなと感じるかと思います。

　ここでいったん、立ち止まって考えてほしいのですが、よくよく考えると人工知能がいろいろある状態は、なんかおかしいですね。なんで一つの人工知能がすべてをまかなってくれないのだろうかと考えるわけです。例えば、青いネコ型ロボットが全部悩みをかなえてくれるならば、すごい話は簡単なわけです。助けてーというと、全部かなえてくれればいいのですが、今は人工知能がいろいろある。それは、おかしいわけですね。現状では人工知能は残念ながら細分化せざるを得ない状況だからなんですね、人工知能がいろいろあるのは。というのも、ある一つのタスクに特化させないと、成果が出ないのです、現状の人工知能は。これを受けて、今の人工知能のことを、特化型人工知能といいます。それ以外に何があるかといいますと、人工知能のまとめ方として、この2種類にまとめられるのですが、下のほうが今説明した特化型人工知能、特定のタスクでのみ成果を出せる人工知能になります。

　一方、おそらく世の中が期待している人間と同等の知能を持った人工知能、なんでもできそうな人工知能をなんというかというと、汎用人工知能といいます。これらは、それぞれ別名がありまして、汎用人工知能のことを強い人工知能、特化型人工知能のことを弱い人工知能とそれぞれいいます。繰り返しになりますが、今、人工知能が非常に盛り上がっていますが、現状の技術では、まだ弱い人工知能しか実現できていません。汎用人工知能と特化型人工知能のあいだには、まだ越えられない壁があるということになります。

　（4:31）

　続いて、これまでの人工知能について話していきます。今、人工知能という言葉を使ってきましたが、そもそもこの言葉が初めて使われた、定義されたのは1956年になります。人工知能は英語でアーティフィシャルインテリジェンス（artificial intelligence）ですが、この言葉が初めて定義されたのが1956年です。それ以前にもマシンインテリジェンス（Machine Intelligence）すなわち機械の知性みたいな概念は、これ以前に存在していましたが、初めてアーティフィシャルインテリジェンスと決まって、そこから研究がスタートしたのが1956年です。

　世界初のコンピュータENIAC（エニアック）ができたのが1946年なので、わずか10年後には機械上で人間の知能を実現しようという構想があったということになります。人工知能という言葉ができてから、人間の知能を持つ機械を実現すべく、さまざまな研究がおこなわれています。一方で、先ほどもお伝えしたとおり、まだ弱い人工知能しか実現できていない。ただし、同じ弱いなかでも徐々に強くなってきて、具体的にはこれまでに3回人工知能ブームがありました。それによってパワーアップしてきています。

　それぞれのブームをタイムラインでまとめてみました。最初は推論・探索による人工知能、第1次ブーム、次が第2次ブーム、知識表現による人工知能、次が第3次ブーム、機械学習による人工知能です。現在は機械学習による人工知能の第3次ブームの最中と解釈されています。

　先ほど家電売場における人工知能例を紹介しましたが、この講座を経て、皆さんにどのようになっていただきたいかといいますと、人工知能という言葉と売場や新聞、ニュースでもなんでもいいですが、人工知能という言葉を見た際に、それがどのブームにおける手法に基づいているものなのかを想像できるようになっていただきたいのが目標になります。

　それぞれ第1次ブーム、第2次ブーム、第3次ブームの内容について説明します。

　まず第1次ブーム、思考が早い人工知能、推論・探索という物になります。人工知能を考えるにあたっては、どうやって知能を評価するかが、そもそも大きな問題としてありました。何をもって、知能を持つと言えるかは哲学的にも非常に難しい。そうですよね。あなた、知能とはなんですかと説明してくださいと言われたら、けっこう答えるのが難しいですね。知能が何かを説明するのも難しいのに、それをどう評価するかは、なおさら難しかった。

　そんななか1950年に人工知能が誕生する前からマシンインテリジェンス、機械の知能に関する研究はおこなわれていたので、その一つとして有名なテスト手法が考案されました。なにかといいますとチューリングテストというものになります。内容は、ここに書いてあるものを読み上げていきますが、審査員の前に2台のディスプレイを置きます。審査員は各ディスプレイ上でテキストベースのチャットをおこなう。今ディスプレイは2つありますが、一方のディスプレイでは人間が受け答えしていて、もう一方のディスプレイでは機械が受け答えする。どちらのディスプレイに、どちらが受け答えをしているかは審査員から見えない。審査員が機械を人間だと判断すれば、その機械は知能をもっているとしようというのがチューリングテストの中身です。

　絵で描いてみたのですが、審査員がそれぞれ2台のディスプレイとチャットをやりあうと、片方は人間が受け答え、片方は機械が受け答えしているものになります。もちろん、このチューリングテストが完璧かと言われると、いろいろ突っ込みどころはあると思いますが、ここで重要なのはチューリングテストによって機械が知能をもっているかという問いから、機械が知能をもっている存在として人間が認知できるかという問題に置き換えているのが非常に大きなポイントとなります。つまり人工知能のよさを測るには、あるタスクを与えて、それに対する達成度を見ればいいわけです。そうすると数字で評価できるようになる、それが大きなポイントになります。

　(8:59)

　そして第1次ブームがやってきました。まず推論ですが、自分がもつ知識と知識を組み合わせることで新しい知識を見つけ出すことができるかどうかを測るものになります。最低限の知識だけから、タスクをどれくらい達成することができるのかを評価するものになります。

　例えばオセロを考えてみましょう。この場合、知識は何になるかというと基本ルールを知識として人工知能に教える。例えば自分と相手と交互に一つずつコマを打ちます。自分のコマで、相手のコマをはさむと、はさんだコマは自分の色にできます。コマをすべて打ち終えたとき、コマ数が多いほうが勝ちです。相手はより多くのコマをはさめる場所にコマを置きます。こういった知識を人工知能に教えてあげるわけですね。そうすると、人工知能はどういった推論ができるようになるかといいますと、自分が多くのコマをはさめつつ相手の番では自分のコマがあまり取られない場所にコマを置こうという考え方をするわけです。

　これだけ聞くと、何がいいんだと思うかもしれませんが、ポイントとしては人間が細かい知識をすべて教えるまでもなく、機械が自分で知識を推論できるようになる、これが大きなポイントになります。いちいち、例えばこのコマの位置だったら、ここに置きなさい、このコマの位置だったらここに置きなさいみたいな逐一教えなくても機械が推論できるようになるのがポイントです。そうすると人間の作業が効率化される。今、あたかも自然に機械が推論できるような言い方をしましたが、もちろんこれはどうやったら推論できるか、考えなければいけないです。ということで、どうやったらより少ない知識で推論できるようになるかについて、いろんな方法が考えられました。

　ただ、やっていること自体は、根源にあるのは論理をどうプログラム化するかが考えられてきました。

　(10:55)

　一方、探索はどういうものかといいますと推論をどれだけ早くおこなえるか、あるいは推論により導き出せる結果を、いかに早くおこなえるかを求めた手法になります。例えばオセロの例を挙げましたが、オセロのコマを1つ置くのに何日もかかっていたらゲームが成り立たないわけですね。なので推論で導き出した複数の候補を、いかに早く、これがベストだとみつけることができるか、あるいはそもそもいくつの候補がコマを置くものとしてあり得るのか、そういう候補を素早く探索するのが探索になります。

　これは専門用語になりますが、探索の手法の例として、深さ優先探索と幅優先探索があります。オセロの例ですと、コマをどう打っていけばよい置き方になるかを探索するのを絵に描いてみたものです。

　もうちょっとイメージしやすい例でいいますと、例えばPC内のファイル検索をイメージしてもらうといいかもしれません。あるフォルダがあって、そのなかにさらにフォルダがある、あるいはそのフォルダのなかにはフォルダとファイルがある。そういったときにフォルダがあったら、そのなかをどんどん見ていくのが深さ優先探索です。

　それに対して幅優先探索は、まず1個フォルダのなかに入ったら、そのなかのフォルダファイルをざっと見て、なかったら、次のフォルダのなかを見ていくということで深さ優先探索は、とにかくフォルダの階層を深く深く優先的に探索する方法、それに対して幅優先探索は1個深く潜ったら、そのなかをざっと見て、なかったら次を潜っていくというものになります。基本的な探索手法ですが、この言葉自体は、非常に有名なので覚えておいてください。

　別の例を考えていきますが、迷路の探索を考えていきます。迷路を早く解けるロボットをつくりたいというものが課題となります。この問題、迷路を見たときに探索木で表すと解けそうだなというのは思うと思います。探索木で、これをどうやって表せるかというと、パッと見は難しそうに見えますが、こんな感じで問題を書き換えます。

　もともとの左端にある迷路のかたちを、点と線で表してみる。それを探索木に書き換える。そうすると、深さ優先探索、あるいは幅優先探索で解くことができます。この迷路の例のポイントとしては、もし問題をうまく表現することができれば、あとは効率的に解を見つけ出すことができるようになるということになります。問題をいかに表現できるかがポイントになります。オセロのようなボードゲームは問題表現がすごくしやすい、まさしく手を探索していくものなので、ボードゲームは機械がもっとも得意とするところになります。

　(13:59)

　一見すると、今推論・探索を話してきましたが、これだけで、かなり効率的な人工知能をつくることができそうに思うかもしれません。機械が勝手に考えてくれて、機械が勝手に探索してくれる。それだけで、早く求めた答えに行き着きそうですね。なんですが、実際は推論・探索で効果が得られた分野は、けっこう限られていました。なぜかを考えていく前に、この環境・状態・行動と書いてありますが、これを意識していただきたいことを話していきます。

　人工知能を考える際は環境・状態・行動の3つがどのような関係になっているかを考えると良いかと思います。逆に、この環境・状態・行動がどう書けるかを考えると、もしそれで実際に書くことができれば、そのタスクは人工知能で解くことができると言うことができます。というのも、タスクというのをよく考えて要素分解してみると、環境・状態・行動で表せます。タスクとは、与えられた環境で、ある状態にあるときに、どのような行動をとればいいかを問うているものだからです。

　例えばオセロを考えてみましょう。環境・状態・行動がオセロにおいては、どのように書けるかですが、環境はオセロのゲーム盤です。ゲーム盤上でプレイしている、オセロを見るとゲーム盤が世界のすべてです。状態は何かというと、自分のコマと相手のコマが並んでいる状態。それに対して、AIが実際にどこにコマを置いたらいいんだろうと考えてコマを置く。こんな感じで環境がまずあり、環境がどういう状態なのかをAIにフィードバックして、そのフィードバックされた状態をもとにAIがどのような行動をとったらいいかを考える。行動を実際にとったら、また環境に変化があります。そうしたら、その変化した状態をまたAIにフィードバックする。そうしたらまたAIが行動をとるということで、環境・状態・行動さえ書くことができれば、あとはこのタスクを人工知能に任せることができます。

　(16:33)

　この例は、すごいきれいに書けたのでイメージしやすいと思いますが、実際のビジネス課題を考えてみましょう。例えば簡単な例ですが、なにかしら新しい商品ができました。その新しい商品の売り上げ、利益を最大化したいから、その広告戦略を考えていきましょうというのを人工知能に考えてもらうこととします。このタスクが与えられたとき、環境・状態・行動がどうなるかと考えていきましょう。

　まず行動ですが、行動は簡単ですね。各広告、例えば新聞、テレビ、ラジオ、いろんな広告媒体があると思いますが、その各広告にどれくらい予算を投入するかを決定する。環境・状態はどう書けるかを考えてみてください。環境は難しいですが世の中とおいておきましょう。日本国内でもいいですし、世界でもいいです。広告は世の中に向けて打つものなので環境は世の中。このとき状態はどう書けるでしょうか。残念ながら、少なくとも私は状態をうまく定義することができませんでした。ということは、これは状態が書けなかったということになるので、このタスクは人工知能で解くことができないということになります。

　もし仮に、これをうまく書くことができる方がいらっしゃったら、その方は人工知能を用いて解くことができるということになりますが、少なくとも私はできなかった。実際にこれを表現するのは、かなり難しいと思います。

　推論・探索の手法は、環境・状態が知識として与えられたときに、とるべき行動（新しい知識）を推論してそこから実際どの行動をとるのが最善かを探索するという手法になります。ということで、この環境・状態・行動を、すべてきちんと機械が理解できるかたちで書き表せない限り人工知能としては成立しないのですね。

　ここから言えることは、つまり、あくまでも推論しやすいような知識を考えるのは人間の作業になる。人間が機械にインプットできるかたちで知識を書き表せない限りは、その問題を解くことができません。ということで、第1次ブームの人工知能をまとめると思考は探索によって考えるのは早くなりましたが、何を思考すればいいかがわからないという存在ということができます。思考できるのは、あらかじめ設定された環境下での問題のみです。例えばオセロや迷路はかなり成果を出しましたが、それはたまたま問題設定がしやすかっただけということになります。このように機械が解きやすい問題設定をしてやる、実際には複雑な問題に対しても機械がわかりやすいかたちで、簡単な設定にしてやる、そういった問題のことをトイプロブレムといいます。

　ということで、第1次ブームの手法は、トイプロブレムしか解くことができなかったということで、人工知能冬の時代が訪れることになりました。ただし、今、トイプロブレムしか解くことができないと言いましたが、もちろん生かされている分野はあります。そして、生かされ得る分野もあります。今も推論・探索が生かされる課題はあることに注意は必要です。

　例えば身近な例でいいますと、乗り換え案内のようなものは推論・探索が活用できると思います。例えば路線図をAIに知識として与えるわけです。例えば人は早く乗りたい、人は安く乗りたい、そういった知識を付与することで、最短のルートを提示してくれる、探索してくれる、一番安いルートを探索して提示してくれる、そういった活用方法はありえます。ということで、推論・探索の手法を使えないというわけでは、まったくないので、目の前の課題が出てきたとき、どの手法を使えばいいかは臨機応変に考える必要があります。

　ということで第1回目は推論・探索を中心に説明しました。この説明をしていくなかで、例えばチューリングテストや深さ優先探索、幅優先探索、トイプロブレムですとか、そういったキーワードがいくつか出たと思います。そういったキーワードは、ぜひ覚えておいてください。第1回目は以上です。お疲れさまでした。

＊このテキストは講演での発言を、文字起こししたものです。理解する参考情報としてご覧ください。