人工知能や機械学習という単語からだと、いろいろな派生や解釈が永遠と増えるから、
以下にやりたいことを定めて、それは何で実現できるのか調べることにする。
数式の類は深すぎるので今回は触れない。
- たくさんの情報から価値の高い情報を抜き出す
- 問い合わせた内容と一致または課題を解決する情報を返す
言葉の理解
日常的に暮らしていても、人によって解釈が違いすぎるのはわかった。
日本に関してはほとんどが AI だと認識されているので分からなさに拍車をかけている。
以下の区分けも個人的な解釈のひとつになるだろう。
人工知能(AI)とは
人工知能にはいろいろな研究分野があるらしい。
「推論」「学習」もそのひとつ。
https://www.ai-gakkai.or.jp/whatsai/AIwhats.html
「推論」とは「知識をもとに，新しい結論を得ること」です．
「学習」は何か機械が勉強をする感じがしますが，ここでは「情報から将来使えそうな知識を見つけること」です(注 2)．
推論は「知恵」、学習は「統計学」とも言えるかな。
推論は人間が新たに知識を与えてやらずとも、自ら経験により知識を得ること。
学習は得た情報から、パターンを見出して新たな知識とすること。
https://www.ai-gakkai.or.jp/whatsai/AIresearch.html
AI は，本当に知能のある機械である強い AI と，
知能があるようにも見える機械，つまり，人間の知的な活動の一部と同じようなことをする弱い AI とがあります
強い AI はゴーストがあるかのように見える AI。現存しないけどタチコマとか。
弱い AI は人間っぽい対応ができる AI。Siri とかりんなが近いかな。
ひとまず今は上記のように考えて進める。
AI の研究分野
分野を細かく分けると以下のようなものがあるらしい。
研究内容だけを見ると AI とは関係なく見えるけど、
推論と学習という観念から見れば、AI の研究とも取れるか。
| 分野 | 説明 |
|---|---|
| 遺伝アルゴリズム | 親の特徴が子に遺伝する原理を利用した手法 |
| ex:進化の過程や人工生命のシミュレーション | |
| エキスパートシステム | 専門家の知見をルールとして蓄積して推論の手法で利用するシステム |
| ex:MYCIN、Watson(質問応答システム not 人工知能)、推論エンジン？ | |
| 音声認識 | マイクに向かって話した内容をコンピュータに理解させる研究 |
| ex:カーナビ、Siri | |
| 画像認識 | カメラなどで撮った内容をコンピュータに理解させる研究 |
| ex:Facebook やデジカメの顔認識、画像検索 | |
| 感性処理 | 認知科学や人間工学の知見を元に、感じが温かい冷たいという感覚をコンピュータ上で実現する研究 |
| ex:ロボットの表情とか口調表現とか？ | |
| ゲーム | 人間とのゲームをコンピュータにされようという研究 |
| ex:将棋とかチェス、囲碁のソフト | |
| 自然言語処理 | ふつうの文章に何が書かれているか、その意味内容をコンピュータに理解させる研究 |
| ex:検索エンジン、Siri、Gunosy、SmartNews | |
| 情報検索 | 蓄積されたデータの中から人間が必要とするものを見つけ出すための技術 |
| ex:検索エンジン | |
| 推論 | いろいろなルールを統合して矛盾のない答えを導き出すための手法 |
| ex:三段論法、帰納理論 | |
| 探索 | データの集まりから条件に合うものを見つけ出す手法 |
| ex:機械学習、DeepLeaning | |
| 知識表現 | 知識をコンピュータの中で的確に内容を表し、効率よく蓄積する方法についての研究 |
| ex:Cyc、セマンティック・ウェブ、オントロジー（情報を組織化する構造的フレームワーク）、意味ネットワーク | |
| データマイニング | データベース技術と機械学習が結びついた技術で、大量に整理されていないデータから役に立つと思われる情報を見つけ出す手法 |
| ex:トレジャーデータ DMP、Amazon Redshift、Google BigQuery | |
| ニューラルネット | 生物の脳神経を元にした手法 |
| ex:Google のデータセンター電力効率、Google の音声認識 | |
| ヒューマンインターフェース | 人間がより簡単にコンピュータなどの装置を操作できるようにするための研究 |
| ex:iOS や富士通研究所などのやつ？ | |
| プランニング | 目的のために物事をどのような順序で行えば良いか決めるための手法 |
| ex:ルービックキューブとかもこれか？ | |
| マルチエージェント | 簡単な問題を解決できるエージェントがたくさん集まって、複雑な問題を解決しようとするもの |
| ex:災害シュミレーション、市場シミュレーション | |
| ロボット | 機械工学と人工知能研究が結びついた研究 |
| ex:災害補助ロボット、メイドロボ、ルンバ |
要はこれらをすべて人工知能（AI）と呼んでしまっているから、
分野違いの話題なのに、同一視してしまってわけが分からなくなる事態が起きるのか。
補足資料
- 人工知能の未来 -‐ ディープラーニングの先にあるもの
歴史から上記の項目（一部）の説明も一緒にしてくれている、わかりやすい。
機械学習とは
機械学習とは、データから反復的に学習し、そこに潜むパターンを見つけ出すことです。
そして学習した結果を新たなデータにあてはめることで、パターンにしたがって将来を予測することができます。
研究分野でいうところの「探索」かな。
ゲームの CPU はこれに近いかも。あとはレコメンドシステムとか。
これに「推論」を足すと将棋や AlphaGo のような囲碁のソフトになるか。
https://ja.wikipedia.org/wiki/%E3%83%87%E3%82%A3%E3%83%BC%E3%83%97%E3%83%A9%E3%83%BC%E3%83%8B%E3%83%B3%E3%82%B0
ディープラーニング、深層学習（英: deep learning）とは、多層構造のニューラルネットワーク（ディープニューラルネットワーク、英: deep neural network）の機械学習の事[1]。
ディープラーニングも機械学習の一種。
情報をばかばか食わしてなんとかするよりも、脳の構造を模して作った方が精度がよかったらしい。
手軽に試すにはTensorFlow -- an Open Source Software Library for Machine Intelligenceが最適みたい。
チュートリアルもありニューラルネットワークも可視化できるようですばらしい。
ただしちゃんと使うには数学の知識は必須。
一旦まとめ
すでに長々と書いてしまったので、一旦まとめる。
初めに上げたことをやりたければ、これらの手法が適しているように思える。
- たくさんの情報から価値の高い情報を抜き出す
- 結論：データマイニングを使うのが適切
- 問い合わせた内容と一致または課題を解決する情報を返す
- 結論：エキスパートシステムを使うのが適切
次に何か書くときは DMP かエキスパートシステムについて深く掘ろうと思う。