第1章：AI・機械学習とは

• #AI
• #AIエンジニア
• #機械学習
• #機械学習エンジニア

イントロダクション

この最近、「AI（人工知能）」「機械学習」といったキーワードは、メディアで目にしない日は無いほど頻繁に登場しています。2015年に入ってから、AIや機械学習に対する世の中の関心が加速度的に高まっているように思います。

キーワードとして広く浸透する一方、AIや機械学習がどういったもので、AIや機械学習に携わる仕事がどういったものかについては、まだまだ知られていないことでしょう。本記事は3回連載を通して、AIや機械学習について、AIや機械学習を使う仕事について、そしてAIや機械学習によって世の中がどのように変化してゆくのかについて述べて参りたいと思います。

AIとは、機械学習とは何か

AI、機械学習とはどういったものでしょうか？
厳密な解説、定義については専門書に任せて、ここでは感覚的に分かりやすい解説をしたいと思います。

AIとはすでにご存じの方も多いと思いますが、Artificial Intelligenceの頭文字をとったものであり、和訳すると人工知能となります。AI自体は昔からあり、なじみ深いものとしてはゲームのシステムとして働くAIがあります。例えば、将棋やチェスのAI、ゲーム中の敵キャラクターを動かすAI、対戦ゲームのキャラクターを動かすAIといったものです。
これらのAIは、あらかじめ設計されたとおりにふるまう、固定的なロジックで動いています。昔のハードウェアの性能を考慮すると、開発者が頭脳に汗をかきながらAIのロジックを設計して作り上げるというアプローチが現実的で、合理的でした。

その後、ハードウェアの性能がムーアの法則にしたがってどんどんレベルアップしていきました。　やがてハードウェアの進化にタイミングを合わせて、AIにも進化の波が訪れました。その進化とは、機械学習です。

機械学習がそれまでのロジック固定型のAIと決定的に違うのは、データを読み込んで、適切な振る舞いや判定方法を見つけ出すという点です。もっと踏み込んで言えば、ロジックを自ら作り出す能力を持っている点が従来のAIと大きく違うということになります。

人間が、各感覚器（目、耳、鼻、舌、皮膚）から神経を介して脳に情報をインプットするように、AIにデータをインプットします。インプットされたデータを機械学習にかけることで、AI自身が自らが置かれている状況で適切な行動パターンやルールを探し出します。
機械学習の結果として得られた振る舞いのパターンやルールは、「モデル」というデジタルデータとして構築されます。そしてAIは、構築された「モデル」で定義されたロジックにしたがって動きます。プログラミング自動化とも言えます。

データは戦略資源

後ほど触れますが、機械学習のアルゴリズムにはバリエーションがあります。アルゴリズムごとに得意・不得意があり、性能にも差がありますが、共通して言えることがあります。アルゴリズムがシンプルであっても、データ量が膨大であればアルゴリズムの差を埋めることが出来ます。逆に、データ量が不足していれば、すぐれたアルゴリズムがあったとしても宝の持ち腐れとなります。
すなわち、機械学習に使えるデータの保有量がパフォーマンスの優劣を左右する決定的要因というわけです。だからこそ、グーグルやアップル、フェイスブックを筆頭に、AIに力を入れる企業は例外なく大量のデータを入手し、蓄積することに力を入れているのです。

これからの時代において、データはまさに戦略資源です。データを持たないということは、いわば弾薬切れを起こした兵器と同じです。同時に、兵器の性能差が多少あっても、圧倒的物量差があれば押し切ることもできるわけです。企業の競争力の源泉として、データの価値は日増しに大きくなっています。

機械学習の種類

現在のAIは、機械学習を抜きにして語ることはできません。
AI＝機械学習といっても過言ではないほど、存在感が高まっています。

機械学習には大別して、「教師あり機械学習」「教師なし機械学習」「強化学習」の３つにグループ化することができます。

学習用のデータを「教師データ」と呼びますが、その教師データを使うのが「教師あり機械学習」です。手本となるデータを前もって用意する手間がかかりますが、質が良いデータを用意すれば優れた性能を発揮します。

「教師あり機械学習」で有名な例のひとつは「迷惑メールフィルタ」です。迷惑メールと、通常のメールにあらかじめ分類し、見分けるためのフラグのようなデータを付与して、学習データを用意します。そして、迷惑メールと通常のメールを見分けるルールを学習させます。世の中にある多くのメールサービスが迷惑メールフィルタを導入しています。一昔前と比べれば、迷惑メールに悩まされる場面はかなり少なくなったのではないかと思います。

教師あり機械学習に属するアルゴリズムの代表的なものは次の通りです。
（各アルゴリズムの詳細な解説は専門書にゆだねます。）

• 決定木
• サポートベクターマシン
• ナイーブベイズ
• ニューラルネットワーク
• 深層学習（⇒ニューラルネットワークの強化版）
• ロジスティック回帰
• 最大エントロピー法

「教師なし機械学習」は、未分類のデータを与え、それをルールにしたがって分類するというアルゴリズムです。人間が目を通すのが大変なデータに対して「教師なし機械学習」を施し、データの性質や概要を俯瞰的に把握するといった使い方をします。
「教師なし機械学習」の例の一つに、類似した文書をグループ化する処理があります。文書を単語単位にバラバラに分割して、内容が類似している文書同士を自動的に結び付け、グループを作っていきます。人間は、出来上がったグループに目を通して、全体的な傾向を把握することに専念することができます。

教師なし機械学習に属するアルゴリズムには、代表的なものとして以下のものがあります。

• クラスタリング（⇒K-means法が有名）
• 相関ルールマイニング（⇒amazonのおすすめ商品を作っているアルゴリズム）
• 協調フィルタリング（⇒最近よく目にする「あなたにおすすめの記事」を作ることなどに使われている）

「強化学習」とは、AIが試行錯誤を繰り返しながら、正しい行動をとったら評価を加え、より正しい行動をとるように誘導するというものです。フィードバック制御を使った機械学習です。
最近の例では、人間の世界的な囲碁の名人を破った「AlphaGo」が挙げられます。「AlphaGo」は、強化学習と深層学習を組み合わせて、人間の達人を凌駕する思考力を実現しています。

AIが活躍する場面

多くの人は自覚していないかもしれませんが、機械学習を駆使したAIが活躍する場面はどんどん広がっています。現時点においても、身近な場所では以下のような用途でAIが活躍しています。

• 検索エンジン
  検索エンジンはまさにAIそのものです。
• ウェブサービス
  おすすめ記事（レコメンデーション）
• ＥＣ
  おすすめ商品、メールマーケティング
• ソーシャルゲーム
  ユーザー行動分析＆運用プランニング
• インターネット広告
  最適なおすすめ広告の配信
• 画像認識
  自動運転では欠かせない処理です。
• 音声認識
  スマホで音声を使った検索をするときには欠かせません。
• 自動翻訳
  西洋の言語間ではかなりの精度で翻訳が出来るようになっています。
• コンピューターウィルス検知
  ウィルスパターンの認識でAIは欠かせません。

今後は、深層学習によるブレイクスルーを引き金として、日本でも製造分野へのAIの浸透が急速に進むと考えられます。設計から製造過程に至るまで、各工程に最適化されたAIの導入をするわけです。設計工程を支援するAI（例：要求された条件を入力すると、おすすめの設計案を提示してくれる）、製造過程における部品配置位置の確認や不良品の検知をするAIなどです。AIを使って工程全体を運用すればデータが新しく蓄積されていき、そのデータを使ってさらにAIが進化するというサイクルに突入しようとしています。

製造業とAIの連携では、ドイツが日本よりも先手を打っています。
AIと工場の連携を「インダストリー４．０」と呼び、今から６年前に国家を挙げたプロジェクトとして発足させました。AIを組み込むことで、工場そのものに知性を持たせるという「スマートファクトリー」を実現しようとしています。

これまでは新興国の低賃金労働者を使うことで製造コストの改善を図ってきましたが、これからは知性をもった機械にその役割を任せるというのが世界的な潮流となりそうです。AIの浸透が世界の経済構造に少なからぬインパクトを与えることは、明らかになることでしょう。

次回予告

第1章では、AI、機械学習の説明と、社会に急速に普及しつつある現状について解説しました。厳密さよりもわかりやすさを優先した内容でお届けしています。もし興味をもたれたら、まずはグーグルのニュース検索で「AI」や「機械学習」というキーワードで記事を検索すると良いでしょう。メディアの記事なので、専門家ではない人にも理解できるように適度に噛み砕かれた内容になっていると思います。（通常のウェブページ検索だと、専門的な記事がズラリと並ぶので、予備知識がないと読むのが大変かもしれません）

次章では、AI・機械学習に携わる仕事、すなわちAIエンジニア（＝機械学習エンジニア）の仕事について、私の経験した範囲内でありますが、解説をしてまいりたいと思います。