FC2ブログ

人工知能の先にあるもの【後編】

arasuji_2018062501492530f.png

私は、
人工知能学会への入会と、
日本ディープラーニング協会(JDLA)
G検定の受験を決めました。





少し説明が必要かもしれません。




最近、AI、AIと騒がれ
新聞でも人工知能関連のニュースを
見ない日はありません。

ところが、これだけ話題に上っているのに、
自分は「AI」の実体を
全く知らない
ことに気付きました。


今、「AI」という言葉が使われるとき、
それがどういう形で存在しているものなのか、
たとえば、プログラムなのか、
何らかのデータの集合の形なのか、
アルゴリズムなのか、あるいは
データ処理のデバイスを指しているのか、
それすらも全く
イメージできていなかったのです。


実体がわからないので、
なにやらたくさんのデータを使って
何かに学習させるのだということは
想像がつくものの、
当然、どうやって作られるのかも
わかりませんでした。


わからないから、
知りたくなるのです。


しかもこれから、AI関連技術は
どんどん我々の業界にも
取り入れられていくことに
なるのでしょう。






amazon01.png







そういうわけで
私は人工知能学会への入会申込を決めました。









さて、

人工知能学会は、
人工知能を扱う学会
です。

カニやトマトは扱いません。









入会することで、
人工知能の産業利用状況や
国内外の学会の動向、
最新の研究開発の情報が得られるほか、
隔月で発行している
(普通に買うとそこそこする)学会誌が
送られてきます。





人工知能学会の学会誌は、
どれも表紙が
普通の雑誌ばりにポップですが、
内容はかなり高度です。
どのくらい高度かというと、
私がほとんど理解できないくらいに
高度です。


ですが、たくさんの情報に晒されることで
人工知能に対する苦手意識が
少~しだけ薄まってきたように思います。






また、
日本ディープラーニング協会(JDLA)
深層学習(ディープラーニング)技術を
日本の産業競争力につなげていくことを意図して、
2017年6月に設立された一般社団法人で
東京大学大学院工学系研究科の
松尾豊特任准教授が理事長を務めています。




ここから、少しだけ
ディープラーニングって何?って話。
(細かい話も多いので、
興味ない方は
読み飛ばしてください。)




◆◆◆◆◆◆ディープラーニングとは(はじまり)◆◆◆◆◆◆

ディープラーニング(深層学習)は、
最近、メディアでも耳にすることが多くなりましたが、
ディープニューラルネットワーク、
つまり多階層のニューラルネットワークを用いた
機械学習の手法です。

ニューラルネットワークは、
端的に言うと、
コンピュータの中に
人間の脳神経細胞(ニューロン)を模した
ネットワークを構築する数学モデル
です。


「脳を模した」というだけあって、
学習を進めることでニューロンを模したノード間の
つながり(シナプスに相当)の結合強度が変わり、
実際に脳神経細胞に似た変化を見せます。


あと、機械学習っていうのは、
これも平たく言うと、
AIのプログラム自身が
学習する仕組み
ですね。



ディープラーニングが
大きく注目されるようになるまで、つまり、
大体2012年よりも前の機械学習では、
学習に用いる特徴量は
人間が頭をひねって考え出し、
コンピュータに入れてやらなければ
なりませんでした。

機械学習は
今よりももっと人間の手による部分が
大きかったといえるかと思います。




yaino.png




また、試行錯誤しながら、
特徴量や学習アルゴリズムをいじって
AIの推論のエラー率を
少しずつ下げていく
という方法が一般的でした。



ここで、
特徴量というのは、
あるデータがあるときに、
「そのデータのどういった部分に着目するか」
という変数のことです。



たとえば、私の売上データがここにあったとします。



驚くほど少ないなと二度見したくなりますが、
とにかく、私の売上データがあるとします。


たとえば、この売上データに含まれる
「事件の種類」や「依頼者の年齢・職業・性別・居住地」、
「依頼者の毛量」、
これらは全て特徴量だと言えます。

※私が依頼人の毛量を
データ化しているという話ではありません。
例え話です。


ところが、今期の売上げや収益性を
AIに予測させようとしたとき、
おそらく「依頼者の毛量」という特徴量は
幾らそれに着目したとしても、
私の売上や
収益性予測の精度には
ほとんど寄与しない
でしょう。




このように、
どのような特徴量を用いるかというのは
AIの推論の精度に大きく影響するのですが、
それをDLが注目されるようになるまでの
機械学習では、エンジニアが試行錯誤しながら
考案して組み込まなければならなかったのです。














ところが、DLに
自己符号化器(オートエンコーダ)という
アルゴリズムが加わり、
また、入力側から順に階層ごとに
学習していく方法をとることによって
コンピュータ自体が
データから高次の特徴量を選び出す(作り出す)
ことができるようになりました。


その結果、
手書き文字認識や画像認識の
精度が飛躍的に進歩し、
今到来しているような第3次AIブームの
大きな原動力となったのです。

(※正確には、
多層ニューラルネットワーク、DLの研究が開始された時期と、
DLが画像認識等の分野で大きな成果を出し
大きく注目されるようになった時期や事象にはズレがあります。)




◆◆◆◆◆◆ディープラーニングとは(おわり)◆◆◆◆◆◆






私自身は、
もともとDLというものを
ほとんど知りませんでした。

ただ、
「人工知能の知識をつけるために
勉強するには何か目標があった方がいい」、
「文系でも太刀打ち可能で
そこそこ実践的な資格みたいなのはないか」
と探していたところ、
日本ディープラーニング協会の
G検定(ジェネラリスト検定)というものがあるのを
知りました。



G検定は
「ディープラーニングの基礎知識を有し、
適切な活用方針を決定して
事業応用する能力を持つ人材」

のための検定です。



じゃあその具体的内容は?
果たして何が試される試験なの?




G検定のシラバスは以下の通りです。
G検定(ジェネラリスト)

【応用数学】
  線形代数
  確率・統計
【機械学習】
  機械学習の基礎
  実用的な方法論
【深層学習】
  順伝播型ネットワーク
  深層モデルのための正則化
  深層モデルのための最適化
  畳み込みネットワーク
  回帰結合型ニューラルネットワークと再帰的ネットワーク
  自己符号器
  生成モデル
  強化学習



何やらよくわからない単語が並んでいますが、
これに合格できるということは
DLについてある程度の理解が
できていると言えそうな感じ
がします。


これを読んで一旦やる気になったものの、
まだ昨年12月に第1回の検定があったばかりで
過去問も情報もほとんどありません。



ただ、協会は、
G検定受検のための
推薦図書を3冊挙げており、
これらは一通り
読んでおこうと思いました。



これから受けようと
思っている人のために、
推薦図書と試験の雑感を
以下に載せときます。





推薦図書①
『AI白書』





推薦図書の1冊目は
独立行政法人情報処理推進機構の編集による
AI白書(通称『白書』)です。







書籍版は、
白書と名の付く物の例に漏れず
腹に入れておくと
小さい銃弾なら
防げんじゃないかってくらい
分厚く、そして重いです。


内容は、AIの「技術動向」、「利用動向」、
「制度的課題への対応動向」、そして
「政策動向」に分けられています。


「わかりやすく解説します。」(Amazon商品説明)
というだけあって、
内容は、常識的な読解力があれば
数学の素養のない文系でも
一応理解は可能です。

ただ、全部で360頁もあり
情報量も非常に多いので、
途中何度か心が折れそうになります。


私は、全部読むのに
17時間16分掛かりました。


特に政策動向や、
そこで言及されている
知的財産法上の取扱い、
諸問題なんかは
検定でも出題割合多いので重要です。



持ち歩くのは重いので、
あとからKindle版を買い直しました。

書籍版の方はしばらく
鍋敷きになっていました。





推薦図書②
『人工知能は人間を超えるか
~ディープラーニングの先にあるもの~』


推薦図書の2冊目は
協会の理事長である松尾豊先生の
『人工知能は人間を超えるか
~ディープラーニングの先にあるもの~』
です。






面白いです。




内容が非常に分かりやすく面白いので、
推薦図書3冊中、もっとも読みやすいです。
G検定の勉強には、まずこの本から
という人が多いようです。


第1次、第2次AIブームの内容や終焉、
第3次AIブーム到来の契機となった
2000年代の大幅な技術革新など、
AI研究の歴史が詳しく説明されています。

また、クラスタリングの代表的手法や
機械学習の種類、
フレーム問題、シンボルグラウンディング問題など
機械学習を困難にさせてきた難問、
学習アルゴリズムの説明など、
技術的な部分にも言及しています。

特に、ディープラーニングの
機能が飛躍的に向上し、
注目されるきっかけとなった
自己符号化器(オートエンコーダ)の仕組みや、
多層の自己符号化器で
高次の特徴量を抽出する方法は
豊富な図表と分かりやすい例え話を交えて
詳しく、丁寧に解説されています。


これらの歴史や技術の部分は
検定でもよく問われます。


用語数だけで言うと
検定で出てくる用語の
だいたい4割くらいは
この本で取り上げられています。



この『人工知能は人間を超えるか
~ディープラーニングの先にあるもの~』も
Kindle版がありまして、
こちらの方が安く、しかも
表紙が『イブの時間』の
帯つきバージョンなので

全くオススメです。



















推薦図書③
『深層学習』岡谷貴之




推薦図書の3冊目は
これも協会の理事である
東北大学大学院情報科学研究科の
岡谷貴之先生の著作、
『深層学習』です。



これが私のような
根っからの文系人間には
かなりの障壁です。











頁数は180頁弱とそれほどではありません。

ただ、内容が難しい。



多層パーセプトロン、
活性化関数、誤差関数、
確率的勾配降下法(SGD)、
自己符号化器(オートエンコーダ)、
畳込みニューラルネットワーク(CNN)、
再帰型ニューラルネットワーク(RNN)、
制約ボルツマンマシン(RBD)などが
数式やモデル図、
違いのよくわからない散布図の羅列などを用いて
詳しく解説されています。



書いてある意味が分からないので
正確にいうと
「詳しく解説されているんだろうな」という
イメージです。


用語や概念は
一見難しそうに見えても
理解は可能です。
ところが、具体的な処理、たとえば、
ニューラルネットワークの
調整の仕方なんかは手が付けられません。


高校の数学の記憶を呼び起こしながら
必死に理解に努めましたが、
数式については10頁目くらいで
諦めました。

後ろの方の頁には、
見たことない変な記号が入った
数式が載っています。



この本を読み始めたときには
もう検定の受講料を支払ってしまっていたので
少し後悔しました。




g-benkyou.png




ところが、数式については、
G検定ではそれほど深い理解は求められていない

ということも知ってはいたので、
とりあえず、概念を押さえておけば
いいかなと割り切りました。


データサイエンティストや
エンジニアになるわけじゃないからね。
ほら、ジェネラリストだから!



★なお、6/16の検定では、
数式を用いた出題は
①学習済みパーセプトロンの定式とサンプルをもとに
クラス分け(0か1か)をさせるもの
②簡単な偏微分をさせるもの
の2題くらいです。



この『深層学習』には
検定を受ける上で必要な用語や
処理の仕方の説明
(学習済みモデルで誤差が生じたときに
どういう方法でそれを減らしていくのか、とか)が
かなり多く出てくるので、
数式は読み飛ばしつつも、
一度は一通り目を通しておく
必要がある
と思います。


そんなわけで、推薦図書3冊に
なんとか一通り目を通したあたりで
検定当日がやってきました。


G検定は自宅のパソコンで受けられる
CBT試験です。
自宅だったら推薦図書も見られるし、
分からない用語はネットで調べられるじゃん、
と思うかもしれません。

ですが、120分で228問を解こうと思うと
1問当たりに掛けられる時間は
30秒ほどなので
いちいち問題を前に調べる余裕はありません。

CBT試験であるために
わざと問題数を多くして
タイトにしているのかなとも思います。


結局、
ある程度の知識は、
頭の引き出しに入っている状態にして、
それを問題を前に
リズミカルに出していけるように
できなければ難しいかなと思いました。


あと、JDLAのウェブサイトに出ていた
例題のなかから、ほぼそのままの形で
1問出題がありました。

例題のチェックは必須です。








kekka8.png









自己採点はしていませんが
多分正答率は7割くらいでしょうか。

第2回の総受験者数は1,988名で
そのうち合格者は1,136名
だったということでした。








受かったからこそ
偉そうに書けることって
あるよね?







それと同時に、
少し知ったからこそ
分かることというものも
あります。



我々の業界では、
「弁護士業やコンサルタント業務は
AIに取って代わられることはない」
という
見方が今は優勢のようです。

その根拠として言われることは
色々ありますが、よく聞かれるのは
「人を相手にする仕事である以上、
人の悩みを聞き、アドバイスをして
安心感を与え、信頼を得るには
マシンではなく人である必要がある」
というものです。






…本当にそうか?





安心感や信頼というものは、
結果や具体的な成果に
裏打ちされて、
初めて生まれるものだと思うのよ。


ときどき、相談してる側が
不安になるくらい
頼りない専門家っているでしょ。
そんな人を「人」であるからといって
信頼する依頼者はいないのよ。

そこに、
相談者が思いつきそうな問いには
瞬時に答えられ、
具体的な勝率まではじき出せる
AI弁護士がいたとしたら?
そういった経験が
当たり前のものになったとしたら?



そうなると、
「人」がマシンより
優位に立てる根拠が
いよいよ乏しくなってくるよね。
正確な情報や推論を弾き出す能力は
そのうちAIに大きく水をあけられそうだしね。


そういう意味で、
弁護士やその他の専門職といえども、
「AIに代替されることはなさそうだ」
なんて言ってられない時代が
もうすぐそこまで来ていると思いますのよ。







kiroro.png





shutdown01.png









幸い(?)
音声認識は近時精度が上がったとはいえ、
まだまだ改善の余地があると思いますね。









あと、
「今後は『AI対ヒト』ではなく
『AIを使いこなせる人対使いこなせない人』
という図式になっていく」
っていう
研究者の方は多いです。

今後10年くらいは確かに
そうなるんじゃないかなと思うんだけど、
それより先になると、AI技術が
競争優位になり得ないくらい普及して、
結局そこからはやっぱり
「AI対ヒト」の図式になっていくんじゃないのかなと、
結局、当初の不安は残ったままです。



そんなわけで、
私は今まで通り、
街でPepperを見かけたときには
挨拶を続けようと思います。




pepper.png






最後に、AI関連で
最近面白いと思ったものを
二つほど。







『イブの時間 劇場版』は
今、Amazonプライムでも
無料で見られます。

AIを積んだ
人間そっくりのアンドロイドが
普及した世の中が舞台で、
ロボットとヒトとの交流が
登場人物の生活を通して
色々な形で描かれます。

勉強に疲れたときに見ると
良い気分転換にもなります。








こちらはPS4のゲームですが、
これもアンドロイドが普及した
未来のデトロイトが舞台です。
3人(体)のアンドロイドを主人公に、
雇用問題や人間へ反旗を翻す
アンドロイドといった
AI関連でよく話題となる未来の問題が
描かれています。

チューリングテストや
「トロッコ問題」など
G検定でも若干関わりのある話題が出てきますが
それ以上に、グラフィックや舞台設定、
プレイヤーの選択で
どんどんと分岐していくストーリーの秀逸さ
に引き込まれます。





にほんブログ村 士業ブログ 弁護士へ
にほんブログ村
人気ブログランキングへ

スポンサーサイト



人工知能の先にあるもの【前編】

審判の日は近い。
こんばんは、
ジョン・コナーです。



仕事の関係でしばらく
ニューヨークにいたので、
前回の更新から
随分と間が空いてしまいました。


自分の趣味のブログなので
こういう嘘を挟むのに
さほど抵抗はありません。



さて今回は、大切な
人工知能のお話です。




101ki-kai01.png





人工知能


このとき、人工知能について
書こうと思ったのは、
オックスフォード大の
マイケル・A・オズボーン准教授の発表した
『The Future of Employment(雇用の未来)』
というセンセーショナルな論文が
騒がれていたからであります。

自分自身何か人工知能に対して
思うところがあったというわけでは
ありませんでした。


ところが、このブログの記事を見た
中央経済社さんから、去年の夏前、
「こんど『ビジネス法務』で
リーガルテックの特集を組むので、
ブログのノリで
人工知能と法務スタッフの未来について
何か書いてもらえませんか」

というありがたいお話を頂きました。







04kensyou-kai01.png






それが載ったのが
『ビジネス法務』の2017年7月号です。









いつもギリギリで腰をあげる私も
あまり知識のない分野に
関わる原稿の依頼だったので、
このときばかりは、
締め切りの3日前から
余裕を持って執筆に取りかかりました。








内容は今読み返すと、
機械学習のアルゴリズムと
実際に産業利用される学習モデルを
きっちり区別できていないなど、
本一冊の3分の1を二日で読んだだけの
付け焼き刃的知識なだけあって、

概念整理にやや不正確な部分があります。


が、法曹界の将来予測という点は
1年たった今でもそれなりの
リアリティがあると感じています。


また、イラストからわかるように
私の中では
人工知能は常に
ロボティクスと融合した
ある種ステレオタイプな形

でイメージされるのですが、
これは十代の多感な時期
『ターミネーター』のT-800や、
『エイリアン』のアンドロイドを
見て過ごしたという
世代的なバックグラウンドによるものです。


あと、中央経済社さんという会社は
私のイラストには一切ダメ出しするなという
行政指導でも入っているのか、
このとき描いたヤバめのネタや絵も
一切修正なし、袋とじ処理なしで
そのまま載せてもらえました。





06beit-kai.png





ちなみに、
『ビジネス法務』のこの号の特集、
「リーガルテックの最前線」は
当時の先進情報を詰め込んだ
意欲的かつ
非常に興味深い内容
でした。



その分私の渾身のコラムだけが
浮きまくる結果になりましたが(いい意味で)、
今読む内容としてもオススメです。




さて、このとき、
原稿を書く上で得た知識がもとで、
自分の中での
人工知能に対する警戒感が
拭いがたいものとなりました。


早い話が、
マシンにヒトの仕事がとられてしまう
のではないか
という漠然としたイメージです。





Shinimizu.png




私以外の人の仕事がとられるのは
どちらかというと
どうでもいいことなのですが、
こと自分に関わる話となると
冷静でいられません。
それがヒトという生き物です。



こういうときにこそ、ヒトは
自分の心の声を聞くのです。




tetsurou.png




な?





sauza.png




な?





ともかく、ある時期の私は、
イーロン・マスクやビル・ゲイツ、
スティーブン・ホーキングと同様、
人工知能について
手放しで喜んで迎える気持ちに
なれなかった
のです。









ところが、その逆に、
「AIに代替されにくい職業」
なんかの話が世に出るたび、
「職種」というざっくりした
括りの話だけで
一喜一憂する捉え方にも
違和感を感じるようになりました。



そうなると、
自分の中にいろいろな
疑問が湧いてきます。



社会には人工知能の普及で
むしろ消えていかなければならない
タスクというのも
あるんじゃないか?



人は人に代わる存在を
自ら作り出そうと
しているのではないか?



pepperは
実は「胡椒」と「故障」を
掛けてるんじゃあないか?
(町中に、うなだれているpepper
多くないか?)






こういった
(忙しいときはあまり考えなくてよい)
問いの答えを見つけるために、
ヒトはいずれ人工知能と
真正面から向き合う必要があります。




mukiau.png









kyoufu.png





漠然とした不安を取り除くためには、
問題の根源が何か、
その具体を見極めることが
大切です。


AIというものを
もう少し知る必要がありました。






sonshi.png




そこで私は、
人工知能学会への入会と、
日本ディープラーニング協会
G検定の受検を決めました。





※「人工知能の先にあるもの【後編】」に続く。


にほんブログ村 士業ブログ 弁護士へ
にほんブログ村
人気ブログランキングへ

プロフィール

弁護士中村真

Author:弁護士中村真
神戸の弁護士・中村真(なかむら・まこと)のBLOGです。
かつては複雑な法律問題などをわかりやすい絵で親切に解説しているつもりでしたが、最近はそうでもないです。当職が出資したクラウドファンディングはたいてい頓挫します。

最新記事
最新コメント
最新トラックバック
月別アーカイブ
カテゴリ
検索フォーム
RSSリンクの表示
リンク
ブロとも申請フォーム

この人とブロともになる

QRコード
QR