AI
#機械学習
AI
artifical intelligence
人工知能
定義が定まっていない
学者の中でも意見が分かれている
人工とは？知能とは？
ざっくりと
人間がおこなう思考や判断を再現したコンピュータシステム
人間と同じような知的処理を行うことのできる技術や機械
実際には統計理論や情報理論の塊で出来ている
分類
強いAI
汎用型AI（分類としては異なるが、結果自体は強いAIとほぼ同じ）
人間のようにさまざまなことに対応出来るAI
まだ実現はされていない、一般人がイメージするようなSF的なやつ
ドラえもんとか鉄腕アトムとか
シンギュラリティ
弱いAI
特化型AI（分類としては異なるが、結果自体は弱いAIとほぼ同じ）
特定の領域のみで、人間と同等以上の判断を行うAI
人間の知能に基づく行動を模倣することで、人間の能力の一部を代替できる機械
人工知能自体が自己の存在について何らかの知識を持っているわけではない
実際には統計理論や情報理論の塊で出来ている
機械学習
人間のように高度な判断をするために必要な法則などをコンピュータに探させる方法
歴史
第１次
1956年のダートマス会議から始まる
1960年代ぐらい
オセロや将棋やチェスなど
論理や推論、探索によって効率的にクリアする方法
現代においてはAIとは言われない部分が主な領域だった
ディープラーニングに繋がるニューラルネットワークの原案など提示されている
記号主義とコネクショニズムに分かれていく
記号主義
人間の論理的な思考モデルを参考
与えられた課題に最適な思考モデルを構築して、モデルにそって課題をこなす
コネクショニズム
学習によってタスクに最適なネットワークを構築して、与えられた課題をこなす
ニューラルネットワーク
多層化（ディープ化）が課題となった
第２次
1970年代後半〜1990年代
エキスパートシステム
記号主義の方法
必要な情報を入力することで、最適な答えを返してくれる
薬とか
保持できるデータ量が増えても、データを集める方法が限られていた
情報を人が打ち込む必要があったり、専門家の知識を彼らの手でAIに教えてもらわないといけない
AIに精通したエンジニアが感覚的な情報を絶妙な数値で設定する必要があった
手間がかかり過ぎる
コネクショニズム
コンピューターの性能が上がり多層化が可能になったが、学習効率が落ちることが判明し、かつ学習データも足りずに十分な成果が出ないままブームの終焉を迎えた
第３次
2010年代
インターネットの普及に伴いニューラルネットワークの理論が進歩
学習効率を上げる方法が見つかる
データをインターネットから簡単に集めてこれるようになった
ビックデータやクラウドによる分散処理
機械学習の方法であるディープラーニングが登場
コネクショニズム的なアプローチ
IoTやスマホの普及で応用範囲が広がった
記号主義
常に論理的な記述が必要なため汎用性が低い
音声認識、画像認識など、機械学習が必要なタスクは、コネクショニズム的なアプローチに取って代わられた
時代遅れだと言う人も出てきた
ただし、説明性や計算速度では記号主語は立場を獲得するようになっていった
記号主義の思考回路は単純明快でわかりやすい
不具合の原因究明を改良もしやすい
タスクをこなすために最短経路で進むため、速度も早い
論理的なタスクでは、圧倒的に優位だった
現在では、記号主義とコネクショニズムの両方を効果的に使うという方向性に落ち着いている