テリロジー 「半公式」エンジニアブログ(仮)

株式会社テリロジー コンサルティング&ソリューション技術統括部

AI(人工知能)について箱屋がエラソに語る

エンジニア部隊へのお問い合わせはこちらまで


SI企業は現代の蟹工船!!

そんな風にはしたくないと思いマッスル。

 

f:id:terilogy-tech:20180926013153p:plain

 

これをカスタマイズすると!!

f:id:terilogy-tech:20180926013224p:plain

 

どうですか、お客さん!!(涙)

 

最近、AIの活用をせよ、と騒がしいですが、ビジネスを進めていく上で、AIとどう付き合っていくか、テクノロジファーストではなくビジネスの側面からみたAI(人工知能)活用について書いてみたいと思います。とりあえず生!みたいな感覚でとりあえずAIって言う経営者の方もいるそうですから・・・。

 

AI(人工知能)が騒がしくなったのは、深層学習(Deep Learning)の大きな成果と実用化にあります。深層学習はAI(人工知能)の一領域で、ニューラルネットを何層にも重ねる深層ニューラルネットワーク(DNN: Deep Neural Net)という考えは二十年前からあった「夢」です。

 

基本的な適用分野は主に:

  • 見ることができる
  • 喋ることができる
  • 文章を理解する

こんなところで、

機械を賢くさせる、使えば使うほど賢くさせるということでしょう。

 

基礎研究はコツコツと進み、一方で過度の期待もあると。我々はこの成果を享受する側で、いやらしい言い方をすれば、これらを利用してビジネスをしていく立場にありますが、見極める眼の重要性というのはどんな技術や製品を採用するときも必要です。新事業のリスクテイクというものは無定見な挑戦とは違うはずです。だから、最低限の勉強をしないといけません。

 

この間、塩コショウの話をしましたが、技術的な塩コショウ営業的な塩コショウっていうのは違うと思います。ま、ここだけの話ですが(って、多くの人に読んで頂いていると思いますが・・・)、塩コショウのしすぎで何が何だかわからなくなって、頭がクラクラするときもあります。

 

深層学習が飛躍的に実用的な成果をあげた領域には2つあります。

  • 画像の識別と分類
  • 時系列的なデータ(ストリーム)からの予測
   例:株価、人口、GDP、作曲、音声→文脈→コンテクスト

 

学習には大規模のデータが必要で、統計的に特徴抽出をして、それを核にするという従来手法との大きな違いは分布や検定がないということだと思います。

ここで、ビッグデータとの親和性やGPUを利用した高速化の話がでてきます。バッチ処理を一昼夜回し続けることができない場面も多いですから。

 

多くの企業が人工知能的なものの価値を理解しようとするだけでなく、自ら試行しようとしていると思われますが、市場は相当混乱していると思います。真贋わからないところもありますから(フェイクの存在)。リアリティを捉え、実践に備えるべきだと言われても、ねぇ・・・。ブームにあやかって、深層学習ではない伝統的なAI手法、ベイズ理論、エキスパートシステム、ヒューリスティクスを利用したものもありますし。

 

結局、コツコツと研究者の皆さんが積み上げてきた人工知能手法の適用で済む場合も多いでしょうし、ある程度、うまく行った人のモデルを多くが使っている(だけ)というのが実情でないかと思います。

 

例えば、

CNNとRNN、LSTM(代表的手法)
 CNN : コンボリューション・ニューラルネット(畳み込み)
   画像認識やシーン画像の識別など
 RNN : リカレント・ニューラルネット(時系列)
   旧世代のGoogle翻訳(RNN→PBMT→GNMT)
 LSTM : ロング・ショートターム・メモリ
   自然言語処理や予測

※まあ、あまり調子に乗って語っているとボロがでますからね 汗。

 

深層学習が新たなビジネスをバッタバッタと切り開くわけではないので、うまく「売れそうな」深層学習の「適用先」を見つけられると勝負になるのかもしれないな、ぼんやりと思います。正直、私なんかも、みんな「話題になっているから深層学習を勉強した」と、上っ面を撫でただけであって、昔から人工知能をやってきた人たちのノウハウや技術をまったくもっていないので、我々含め、日本の企業の多くは「海外で作られた製品」を持ってくるだけに留まるんじゃないかと思います。

 

こんなのどうなんでしょうかね?

news.yahoo.co.jp

 

アルゴリズム・トレーディングの世界で統計的定量化(既知の情報をできるだけ沢山集めてから判断)して、それに深層学習で定性的・感情情報を加える、どうなんでしょうかね。もう個人(!)でやってらっしゃる方もいるかもしれませんが・・・。

 

金融機関がスコアレンディングで融資額を決めたり、マーケティングツールとの組み合わせなんていうのももう実用化されていますよね。私たちの取り扱い製品で深層学習を利用したものはまだないかと。機械学習であるならば、Nozomi Networksがそうでしょうし、Infobloxの製品にもあるとかないとか。

 

深層学習を目玉にするパッケージを利用したとき、多くの場合、実施する学習には膨大な時間がかかるので、ある程度、前もって共通的なデータを仕掛けておいて、その状態のデータベースを供給し、そこから学習が始まることになるでしょう。つまり、前もって使いそうな領域のデータでトレーニングをしておいて、販売。最後に対象領域のデータをちょっと与えて使えるようにする転移学習を使ったものになるかな、と。

 

我々は職業エンジニアであり、かつ、ビジネスパーソンですから、そこで問われるのは判断力と企画力でしょう。画期的に見えるが怪しい商材もあれば、 画期的で素晴らしい、その両方が持ち込まれたりします。チーフサイエンティストなる人物の自信たっぷりなプレゼンを聞いて、よし!と思って、実機を動かしたら、まるで駄目だったという苦い経験もあります。これは本当に難しい。

 

ビジネスサイドの本領は現場を知っていること。新しい適用の可能性とか、気づきとかその辺の感覚を研ぎ澄ませなければいけないでしょう。赤汁程度で思考停止になってはいけませぬ。でも、夢を語り、企画へと繋げるだけではエンジニアは許されません。もう一歩踏み込まないといけない、このツラさ。そもそも、深層学習はアウトプットされた結果を説明することはできません。まあ、翻訳とか読唇術とか、結果が出ればよい世界もあるでしょう。

 

ま、逃げられないとは思うので勉強ですね。

 

お問い合わせはこちらまで
エンジニア部隊に直接つながります
コンタクト