「AI(人工知能)を知る~学習モデルの考え方」

・DL(ディープラーニング)の前提は、データが大量にあることである。データを通して機械(コンピュータ)が自ら学んでいく。ディープとは階層がいくつもあることで、そこを通してデータの処理がなされていく。入力データから何らかの規則性やパターンを抽出し、そこから、判断するための学習モデルが作られていく。

・オンラインショッピングの購買者属性の特定やそのグルーピング、手書き文字や顔認証のような画像認識、自然言語による音声認識など、入力データを学習モデルに入れて、判別処理をして、何らかの妥当な出力(答え)を得る。こうしたニーズは多様にありえる。

・DLは人の脳のニューラルネットワークをイメージしたアルゴリズム(計算手順)を用いている。脳にある①神経細胞(ニューロン)とそれをつなぐ②軸索(樹状突起、アクソン)、その端の③接合部位(シナプス)に対して、DLでは①ノード(層の値)、②エッジ(重み)、③活性化関数をそれぞれ用いてモデル化する。

・入力と出力の関係がはっきりしている模範データ(教師データ、訓練データ)を用いて、学習モデルにおけるつなぎのエッジ(重み)の最適化を図っていく、これが上手くいくと、AIの判断能力が大きく上がってくる。層をいくつも通しながら、1) 入力データの局所の特徴を浮き立たせたり、2)そうでもない変化の精度を下げたり、3)ある時は層を少なくして、情報を圧縮したり、4)入力情報が固定の長さではなく、文字や音声のように可変の長さに対応できるようにしたり、といろいろ工夫する。それによって、アルゴリズムのモデルが違ってくる。

・DLでは、情報抽出の方法については人が事前に決めるが、実際のデータからどのような学習モデルが作られていくかは、データに任せる。モデルの最適化は、エッジ(重み)の決め方にあり、その方法は、入力データに対して出力データが出てきた時、模範データ(正解)との差ができるだけ小さくなるように、重みを計算していく。

・実際には、ノード(各層にある特徴を形成するファクター)の数が多すぎると、最適化は難しくなる。そこで、最初の計算の時には一定のノードを無視して、ノードの数を少なくし、次第に精度を上げていく。

・勉強をする時、教科書を1ページ目から丹念に学んでいくか。試験問題の設問と答えを見て、答えから設問を学び、その設問に相当する教科書の場所に戻って勉強する、というようなやり方ともいえよう。

・これは、ある意味で正解のある模範データがある場合である。世の中には模範データがはっきりしないことも多い。その場合でも、学習モデルをいかに構築し、判断の精度を上げていくかが問われる。

・DLが応用できる分野はどんどん広がっていこう。その判断の精度も上がってこよう。人がデータ分析を通して判断するよりも、確かなケースが増えてこよう。人が判断するよりは速くて正確なら、それはAIに任せた方がよい。それが制御機能(アクチュエータ)を持ったロボットに内蔵されるならば、ロボットに任せた方がよい。

・人はどうするのか。筆者なら、AIやロボットの研究開発をやりたい。また、人にできて、AIにはできない分野もまだまだありそうである。仕事や生活が、AIやロボットで楽になる。仕事を奪われるという心配をするよりも、よりクリエイティブな新しい仕事が生まれてくるとポジティブに考えたい。投資家としては、AIを活用して新しい付加価値を創り出す企業に大いに期待したいものである。

日本ベル投資研究所の過去レポートはこちらから

1 2

ヤフーブックマーク Googleブックマーク はてなブックマーク ツィートする シェアする  ライブドアブックマーク ディスカス

キーワード

 

連記事

 
 
 

新記事

 
 

[PR] クレジットカード比較ランキング

んかぶピックアップ
ネット証券口座比較 ネット証券口座比較
証券口座選びを完全サポート
総合ランキング1位はこちら!
FX比較ランキング FX比較ランキング
みんためスタッフが独自調査で
おすすめのFX会社を紹介!
クレジットカード比較 クレジットカード比較
おすすめのクレジットカードを
ピックアップしてご紹介!
【株式投資初心者ガイド】 ネット証券会社選びお役立ち情報!
投資家に役立つ情報が満載
【株式投資初心者ガイド】
みんかぶマガジン> 全ての記事> その他> 「AI(人工知能)を知る~学習モデルの考え方」