こんにちは！
２０２０年１月もあっという間に終わってしまいましたね(^^;)
まさに光陰矢の如しって感じです。
さて、今回はこれからのAI時代に必要なツールの１つであるexploratoryについてご紹介します。
そもそも、AIとか機械学習って何？
皆さんご存知の通り、AIは人工知能(Artificial Intelligence)の略です。
平成の終わりから令和にかけてAI、AIと叫ばれてからずいぶん経ちましたが、そもそもAIって何でしょうか？ちょっと図解してみました。
上手は、AIの分野を技術単位で要素ごとに分解し、守備範囲（カバーできる機能）で細かく分けていったものです。
AIの技術要素は 、主に次の3つに分けることができます。
１． AI（人工知能）
２．機械学習
３．ディープラーニング
では、１つずつ解説していきます。
AI（人工知能）
実は、AI（人工知能）は、科学界の中で明確な定義がありません。
一般的には、
「言語の理解や推論、問題解決などの知的行動を人間に代わってコンピューターに行わせる技術」（Wikipedia）
と定義されています。
実際のAIは、主に２つに分類することができます。
AIの種類
特化型AI
特定の決まった作業を行うために作られたAIです。
よく「AIで仕事がなくなる！」という話で出てくるAIは、この特化型AIのことを指します。将棋や囲碁のプロ棋士と対戦するAIも特化型AIです。
汎用型AI
特定の作業やタスクに限定せず、人間と同等以上の作業遂行能力を持ち合わせているAIです。
後述の汎用人工知能（AGI）と異なり、感情制御などが組み込まれておりませんので、単調な作業または感情に左右されない複雑なルーティンワークを人間に替わって行うことに向いているのが特徴です。
汎用人工知能（AGI）
心理学でいうところの自我、超自我を持っているのが汎用人工知能です。
つまり、人の「感情」を持っている人工知能です。
その感情や人格も、人間の生い立ちと同じく、様々な経験を人工知能が行うことで形成されていきます。
汎用人工知能は、未だに研究が続いており実用化までには至っていないのが現状です。
そして、そのAI技術の中で最も重要な要素を占めるのが、次に解説する機械学習とディープラーニングになります。
機械学習
機械学習とは、
「人が明示的に挙動を指示することなしにコンピューターに学習能力を与えること」（機械学習のパイオニアの１人であるアーサー・サミュエル）
と定義することができます。
但し、学習の仕方によってもいくつか種類があります。
・教師なし学習
・教師あり学習
・強化学習
機械学習の方法
教師なし学習
教師なし学習とは、データをひたすら蓄積し、自動的に算出した特徴から、処理しないアルゴリズムの構造や傾向、法則等を導き出して機械に学習させる方法です。
学習時に正解を学習しないため、教師なし学習と呼ばれています。
教師あり学習
教師あり学習とは、データの学習時に同時に正解も学習させる方法です。学習のさせ方は大きく分けて2通りあります。
・回帰：データを入力すると、出力結果に数値を返す方法。数値で表現可能な予測、特に株価予測等に用いられます。
・分類：データを入力すると、出力結果にデータの属性や種類を返す方法。いわゆるデータのラベリングが最も近いイメージです。迷惑メールフィルタ（スパムフィルタ）の学習等に用いられます。
強化学習
いわゆるトライアンドエラーです。
ただし、目標を設定しその目的を達成したときに報酬やゴール認識をさせることで、徐々に判断を上達させる方法です。
ディープラーニング
ディープラーニングは、和訳すると深層学習になります。
具体的な定義は、
「 十分なデータ量があれば、人間の力なしに機械が自動的にデータから特徴を抽出してくれるディープニューラルネットワーク（DNN）を用いた学習 」
となります。
上述の機械学習は、データを機械自身が分析・解析してデータの規則や法則を導き出しますが、ディープラーニングは、判断するために必要な識別要素も学習します。
そういった意味では、ディープラーニングは、機械学習の学習機能をさらに発展させた技術と言えます。
具体的にどのような仕組みなのか？というと、データをたくさん蓄積して、その中からデータの傾向や特徴を洗い出して定義します。
実際のディープラーニングのアルゴリズム
実際のディープラーニングは、学習するアルゴリズムに種類があり、それぞれ得意分野が異なります。
DNN（Deep Neural Network，ディープニューラルネットワーク）
人間や動物の脳神経回路をモデルとしたアルゴリズムを多層構造化したものです。
脳神経回路をつかさどるニューラルネットワーク（NN）というパターン認識をするように設計されています。
CNN（Convolutional Neural Network，畳み込みニューラルネットワーク）
画像認識に最適なアルゴリズム。
局所的な情報の抽象化及び位置普遍性をもたせた順伝播型ニューラルネットワークを利用したアルゴリズムになっています。
RNN（Recurrent Neural Network，再帰型ニューラルネットワーク）
音声認識や動画認識に最適なアルゴリズム。
音声、動画データのような可変長のデータを扱えるようにするためにニューラルネットワークを応用したアルゴリズムになっています。実際は、あまり長時間のデータ解析には向いていません。
最近では、Google Translateなど自然言語処理にも使われています。
ディープラーニングでできること
では、具体的にディープラーニングでどのようなことができるのか？を解説します。
入力するデータの種類ごとに分類すると、以下の４つに分けられます。
画像認識
画像や動画を入力して、顔や文字の特徴を認識・検出します。
・自動運転（障害物検知）
・顔検出
音声認識
音声を入力し、音紋解析（音声の特徴から個人を特定すること）したりテキストとして出力します。
・Amazon Transcribe
・iPhoneのSiri
言語認識（自然言語処理）
自然言語（話し言葉、書き言葉）を入力し、コンピューターに理解、処理させます。
・文書要約
・機械翻訳（Google翻訳）
エラー検知
過去データから異常を検出して、通知します。
・工場内の監視センサー（故障や異常動作の検知）
・データセンターの温度管理
生産性向上のためには、特化型AIの導入が第一歩
ここまで、AI（人工知能）、機械学習、ディープラーニングについて、それぞれどのような技術なのか？を簡単に解説しました。
将来的に、 今後AIを活用して更なる生産性向上のためには、
１．企業やビジネスで得られたデータの蓄積（ビックデータ）
２．蓄積されたデータの機械学習、ディープラーニング
３． 機械学習、ディープラーニング で得られた特徴や法則を元にした自動化
といったステップを経ることが必要になります。
もし、AI技術の導入をご検討されている方は、お気軽にご相談くださいませ。
