「自動運転のレベル４の解禁に向けて、自動運転の走行経路の設計や遠隔監視の運行業務などを、
ＡＩで完全無人化する実証実験を開始」とか、将棋の世界もＡＩが席巻し、
「プロ棋士を破る」などというニュースも珍しくなく、ＡＩは非常に身近な存在になりましたが、
その本質的な意味や仕組みを知らずに「なんとなく理解している」という方もまだまだ多いのではないでしょうか？
そこで、今回はＡＩを取り上げ、概念から活用事例、課題に至るまで、詳しく見ていきましょう。
「ＡＩ」とは何か？
ＡＩ（人工知能） (AI: Artificial Intellignece) という言葉が初めて用いられたのは１９５６年。
アメリカのダートマス大学で開催されたダートマス会議で、
計算機科学者・認知科学者のジョン・マッカーシー教授によって提案されました。
一般社団法人人工知能学会では、「ＡＩ」という言葉の生みの親である
ジョン・マッカーシー教授の言葉を「知的な機械、特に知的なコンピュータプログラムを作る科学と技術」
と翻訳して紹介しています。
しかしながら、多様性がありすぎるのか、様々な意見があり、まだ明確な定義はありませんが、
「人間の脳が行っている認識、思考、学習といった能力・活動を、コンピューターなどを使って模倣し再現するシステム」、
「人間のような知能を持ったコンピューター」と考えても概ね間違いではないでしょう。
「特化型ＡＩ」と「汎用型ＡＩ」
このように、何でも人間の代わりができそうなＡＩですが、
もう少し細かく見ると、「特化型ＡＩ」と「汎用型ＡＩ」という２つに分けられます。
「特化型ＡＩ」
個別の領域に特化して能力を発揮するもので、自動運転システム、画像認識、
将棋・チェス・囲碁、音声や文章の言葉を認識するＡＩなど、現在、存在している一般的なＡＩはどれも特化型です。
「汎用型ＡＩ」
一方、ドラマや映画で出てくるように、
人間と同じように1つのシステムで自律的にさまざまな知的作業をこなすことができるものを「汎用型ＡＩ」と呼びますが、
そのようなＡＩが登場するまでにはまだ多くの課題が残されています。
ＡＩの活用事例
ここからはＡＩの活用事例にはどのようなものがあるのかを見ていきます。
自動運転システム
冒頭に「自動運転のレベル４の解禁に向けて」と挙げましたが、
この自動運転システムには課題も残っていますが、実現に向けて各社が精力的に組んでいます。
画像認識
「画像認識（Image Recognition）」とは、画像に映る人やモノを認識する技術です。
「画像に何が写っているのか」を解析します。
画像認識はパターン認識の一種で、近年は深層学習（ディープラーニング）
という手法によってさらに精度が向上してきており、多様な分野での導入が進んでいます。
人間の場合であれば、過去の経験をもとに「画像に写っている人（物）が誰（何）なのか」
を判別することが可能です。
しかし、コンピューターには人間のように「蓄積された経験」が存在しないため、
経験を活かして画像に写っている人（物）を認識するという作業はできませんでした。
ただし、ＡＩを活用すれば、コンピューターも数多くの画像データから人（物）の特徴などを
学習することができるようになります。
そのため、学習データをもとにして「画像に写っている人（物）の識別」を行うことができるようになるのです。
チェス・将棋・囲碁
チェス・将棋・囲碁という代表的なボードゲームで、
人工知能と対戦できるゲームが開発されています。
こうしたゲームでコンピュータが人間に勝つという結果を残しているのは印象的ですね。
翻訳
Google翻訳はルールベースの翻訳に加え、人工知能による翻訳が加わり、近年さらに精度が向上しています。
今までは本当に機械的な判断しか出来なかったものが、
少しずつ文章のＴＰＯや感情から上手く翻訳を判断する機能が増えていっています。
今後ますます人工知能のおかげでスムーズなネット翻訳ができるようになるので期待されている分野でもあります。
これら代表的なものを紹介しましたが、カテゴリー別にまとめる以下の通りとなります。
| カテゴリー | 活用領域の例 |
|---|---|
| コンピュータービジョン | 画像分類／画像生成／オブジェクト検出 |
| 自然言語処理 | 機械翻訳／言語モデリング／質問への回答 |
| 医療 | 医療用画像セグメンテーション |
| 方法論 | 分散表現（単語の埋め込み）／表現学習 |
| ゲーム | ビデオゲーム／ボードゲーム |
| グラフ | リンク予測／ノード分類 |
| スピーチ | 音声認識／音声合成 |
| 時系列 | 時系列分類／代入 |
| オーディオ | 音楽生成／オーディオ分類 |
| ロボット | キャリブレーション／自己位置認識 |
| 音楽 | 音楽情報検索／音楽モデリング |
| コンピューターコード | 次元削減／プログラム合成 |
| 推論 | 意思決定／常識的推論 |
| 知識ベース | ナレッジグラフ／因果発見 |
| 敵対性 | 攻撃／防御／敵対テキスト |
| その他 | レコメンデーション／トピックモデル |
ＡＩが抱える問題
しかしながら、便利なものであっても、新しいものには課題がつきものです。ＡＩも例外ではありません。
データの収集、蓄積にかかるコスト
一般的に、ＡＩが様々な知的活動を行うためには、膨大な量の学習データが必須です。
その学習データは、ＡＩが理解できるように作成しなければならない上、
ＡＩが知的活動を行う状況・領域に合わせて、処理パターンを細分化させる必要があります。
そのため今後、柔軟に問題解決ができるＡＩを開発していく場合、
データの収集・蓄積にかかるコストや、開発者の負担がさらに増加してしまいます。
そのため、どれだけＡＩ開発の際の学習データを軽量化し、コストや負担を削減できるかどうかが課題といえるでしょう。
問題解決までのプロセスのブラックボックス化
一般的なプログラムの場合、バグやエラーが発生した際には、
問題解決までの過程や処理のミスやソースコードを介してチェックできます。
しかし、ＡＩの場合、膨大な数のデータを機械的に学習したうえで結果を出します。
そのため「どのデータをどのように参照したのか」というような、
問題解決までのプロセスや方法が人間に分かりにくくなってしまう、いわゆるブラックボックス化に陥りやすいという点も課題です。
ＡＩのミスに関する責任問題
これが一番大きな問題かも知れません。
膨大な知識・データを活用して知的活動を行うＡＩは、人間よりもミスが少ないとされているものの、
トラブルが起こらないわけではありません。
しかし、ＡＩによるトラブルに関する法律やルールはまだ追いついておらず、
明確な法的責任については不明瞭な状態です。
そのため「ＡＩが犯したミスについて誰が・どの程度の責任を負うのか」
という定義を明確にしていくことも、ＡＩを開発・搭載するうえでの課題といえます。
まとめ
日常生活の質の向上から、ありとあらゆる業種・職種のサポートまで、
様々な可能性をＡＩ技術は持っています。
そのため、ＡＩの種類やシステムを知っておくことで、
今後の技術の発展過程をより深く理解できるようになるでしょう。
ぜひ今回ご紹介した情報も参考にしながら、ＡＩへの知識を深めてみてください。