機械学習

AIを実現するための技術の一つ

「人工知能である」ことと「人みたいである」は本来違うことであるのに、混同されがち

鳥のように飛びたい⇒（試行錯誤）⇒飛行機

目標（飛ぶ）は達成⇔「鳥のように」は飛んでいない

→教師あり学習、教師なし学習、強化学習などにまたがっている

学習＝入力に対して適切な出力が得られるように、情報を処理するときの重みを調整すること

―――――――――――――――――――――――――――――――――――――――――――――――――――――――――

AIの出力データと画像と紐づけられた、用意しておいた教師データ（正解データ）の誤差を最小化する

「適切な出力」の「適切」は用途によって決まる

table:

入力 出力 学習目標 補足

画像認識 画像データ 被写体の分類 分類と実際の高確率な一致

人材評価 履歴書、面接の音声・映像データ 入社後の貢献度の予測 予測と実際の貢献度の近似

文章生成 プロンプト、以前出力した単語列 次にある単語が出力される確率 出力結果と自然な文の近似 学習データが自然な文

出力を次の入力に使う

→単語レベルで学習・

文として破綻せず

通販サイトで買い物をすると、自分に合わせた（パーソナライズされた）お勧め商品が表示される

自分の購買行動が学習されたのでなく、実際には入力（ユーザーの購買履歴）が変わったから出力が変わっただけ

入力を変えているだけで重みづけを変更している（学習する）わけではない

入力データのみを与える学習

事前に用意した正解ではなく、データ自体が持つパターンを抽出

共通項を持つデータをグループ化（クラスタリング）

Ex.1 スーパーの顧客が、1回あたりの購買額が高い層と低い層に分かれる

Ex.2 多数の画像の中から、ネコが映ったものを抜き出す

データ内の項目間の相関関係の抽出

Ex. おむつとビールが一緒に買われることが多い

出力に対して、その結果だけを考慮して「報酬」を与える

学習の目標は「正解」（＝人間と同じ手を指すこと）ではなく「成功」

正解データを与えることが難しい場合に有効

Ex. 将棋、囲碁などのゲーム、ロボットの制御