エンジニアのための勉強会 #1 『AI』
•Download as PPTX, PDF•
0 likes•117 views
社内勉強会の資料です。 IT業界に入ったものの、レガシーな技術しか使ってないシステムを担当することになり、技術を知る機会が仕事に無いという若手SEが世の中にはたくさんいます。 そんな人が何を知るきっかけになれば、という思いでやってる勉強会です。 #1はAI全般についてです。
Report
Share
エンジニアのための勉強会 #1 『AI』
- 2. • AlphaGo？ • チャットボット？ • 株式売買？ • Deep Learning？ • 機械学習？ • 自然言語処理？ • ドラ○もん？ • ○ーミネーター？ AIに対するイメージ
- 3. • 「AI」はいわゆる「バズワード」 • 単語だけが先行して広まっている • 「AIがヒトの仕事を代わりにやってくれるんでしょ？ 」 • マーケティング的な使われ方 • 「AI」という単語を商品で使いたい • 「AI」が特定の技術を意味する単語ではない • AIを構成する多くの技術がある AIという言葉の危うさ
- 4. 出典：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 松尾 豊 (著) 専門家間でもAIの定義は一致しない
- 6. • 強いAI • 心を持つAIはコンピュータで実現できるとする考え方。汎用型AIとも • ドラ〇もんや〇ーミネーターはこっち • 弱いAI • 問題解決できる便利な道具であれば良いという考え方。特化型AI • いま世の中で実現してのはこっち • 2つを混同するとAIができることを見誤る 強いAIと弱いAI
- 9. • Deep Learningの台頭 • コンピュータの処理性能の向上（GPU等）により膨大な計算が可能に • 2012年のILSVRCで圧倒的な成績 • AlphaGo • 囲碁の世界チャンピオンに勝利 • フレームワークやサービスの多様化 • 誰でも少し勉強すれば高度な設備も要らず簡単に始められる • GAFA、MSなどが多様なAPIを提供 なぜ今になってAI？
- 10. • ニューラルネットワーク（NN） • 人間の脳の構造を模したアルゴリズム。入力に対して何らかの計算をして出力 • 中間層（隠れ層）の数を増やしたNNでの学習をDeep Learningと呼ぶ Deep Learningとは https://qrunch.net/@hokekiyoo/entries/vjBGEBV0ZePYyTVu
- 11. • 教師あり学習 • 大量のデータからニューラルネットのパラメータを決める（学習/訓練） • パラメータをもとに入力に対する結果を決める（推定） • 画像分類が代表例 • 教師なし学習 • データそのものが持つ構造を学習 • 強化学習 機械学習で使われる手法 Deep Learningに限った手法ではないので、タイトルは機械学習としています。
- 12. • 特徴表現学習 • ネコと見分けるための「特徴」を機械が学習 • 従来の機械学習では、ネコと見分けるための要素を人が教える必要があった • 多層化により表現豊かに • 感覚的には、層が深いとより多くの特徴を学べる • 人の画像認識率や音声認識率は超えたとされる • 2015年2月には人間を超えた Deep Learningの何が凄いのか
- 13. • 強化学習 • 行動による報酬を最大化する仕組 • 深層強化学習 • 強化学習にDeep Learningを活用 • DQNが代表的な手法 • Deep MindのAlphaGo 強化学習 https://www.youtube.com/watch?v=V1eYniJ0Rnk&
- 14. • 分類モデルの応用 • ジェネレータとディスクリミネータ • GANが代表例 • https://qiita.com/Kohey1480/items/1d72b7f2a4ea92915734 生成タスクへの応用
- 15. • RNN • 時系列の概念を取り入れる • LSTM • Google翻訳にも使われている技術 • Attention • Attention Is All You Need • 時間の重みも加える 自然言語処理
- 16. • Tensorflow • Googleの提供するディープラーニングのフレームワーク • Jupyter Notebook • Pythonとかインストールするの面倒…でもブラウザさえあればできる • Google Colab • Jupyter NotebookのUIでブラウザからGPUを利用できる • Google Vision API • https://cloud.google.com/vision/docs/drag-and-drop 有名なフレームワークやサービス
- 17. • Fashion MNISTを利用 • お気軽に機械学習を体験できるように用意されたデモデータのようなもの • 60,000枚の画像で訓練して、10種類の衣類に分類する • 単にMNISTと言うと「手書き数字」が有名 • Jupyter Notebookでブラウザから実行 • Tensorflow • Tensorflowチュートリアルのコードを実行 ハンズオン内容
- 18. • Jupyter Notebook • https://jupyter.org/try • Tensorflow チュートリアル（日本語） • https://www.tensorflow.org/tutorials/keras/classification/?hl=ja ハンズオンURL
- 19. • 蒸留学習 • 教師あり学習で得られた結果を別の教師あり学習に適用 • 「ネコだけどイヌの推定値もちょっとある」を学べる • 少ない学習でも精度の高い学習を行える • BERT • 自然言語処理で今一番注目されているらしい • 学習済みの分散表現を利用 • ROBERTとかも提案されている（2019/7） 最近のAI研究事情
- 20. • 過学習 • 訓練データに最適化されて検証はダメダメ • データが少ないと起きやすい • 見せかけの最適解 • 適切な学習パラメータ調整が必要 • ブラックボックス Deep Learningで生じる課題
- 21. • 何を学習としているかわからない • AIが判断に使った「特徴」を人がみてもわからない • https://newtechnologylifestyle.net/vgg16networkvisual/ • 説明責任を気にする会社 • 金融だと「AIに任せてたら損が出ました」と言えないと考えている人が多い • 可視化する研究も最近は盛ん • https://qiita.com/icoxfog417/items/8689f943fd1225e24358 「AIがブラックボックス」とは
- 22. • AIを使うことがゴールになっていないか • AIを使う目的を見失わないこと • 「それロジックでよくない？」 • AIを使うことに適したケースか • データ量は十分か、データが分析可能な状態か • 結果は目的に沿った数字か • 1,000個の中に3個の不良品。全部不良品ではないと判定しても正答率は99.7%になる。 • 「不良品をどれだけ検出できたか」を目標とすべき 終わりに：AIをどう活用するか
- 23. • 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 • 松尾 豊 (著) • ゼロから作るDeep Learning • オライリージャパン • 1は基礎、2は自然言語に特化 参考書籍
- 24. • JDLA Deep Learning for GENERAL/ ENGINEER （G検定/E検 定） • G検定は座学、E検定は実装力も問われる。 さらに興味がある人は
- 25. Fin