駒澤大学経済学部経済統計a「人工知能とは？」/What is AI

はじめに注記をお読みください。

Transcript

1. 経済統計a 第12回目 人工知能とは？ 矢野浩一 （駒澤大学経済学部） 1
2. 最初にお読みください（１） • この資料は駒澤大学経済学部で開講中の科目「経 済統計」のために作成しました 1. 毎年、当該科目では、平均・分散・標準偏差・相関 係数・回帰分析・最小二乗法・因果推論・経済統計 などを講義しています • 元々、統計学（経済統計）の授業であって人工知能（機械 学習）の授業ではありません 2. しかし、近年、人工知能（AI）・機械学習が話題の ため、授業1回分（90分）を使って解説することに しました • 時間が90分しかないため、扱える内容は限定せざるを得ま せん。また、数学の深い知識を有しない学生もいるため、 内容の取捨選択は非常に悩ましい問題です 3. 作成者（矢野浩一）は統計学者であり、人工知能の 研究者ではありません • 要は作成者は単なる「大学で統計の授業を担当している教 員」に過ぎません。 • ご意見をいただければ、検討の上で修正を考えます 2
3. 最初にお読みください（２） • 想定する読者について – 本資料は数学にはあまり詳しくないが、 – 人工知能・機械学習について興味がある（最近そ れらが気になっている）人たちを対象としていま す • この資料の現状について – 予備知識をほとんど要求せず「人工知能・機械学 習をどのように（大学等で）教えるか」は難しい 課題です – この資料の現状は満足できるとは言いがたい状態 ですが、より良い資料とできるようにご議論いた だくために公開いたします 3
4. 情報技術と現代社会 私たちが置かれた状況 （の大雑把な説明） 4
5. 損保ジャパン4000人削減 • 損保ジャパン4000人削減 – 損害保険ジャパン日本興亜は２０２０年度末 までに、国内損保事業の従業員数を４０００ 人減らす。１７年度に比べて人員を２割弱、 削減する。 – （中略） – 損保事業では定型業務を自動化するロボ ティック・プロセス・オートメーション（Ｒ ＰＡ）の活用を進める。 – 出典：2019/06/25 日本経済新聞 朝刊 3 ページ 5
6. ロボティック・プロセス・オートメーション • ロボティック・プロセス・オートメーション とは – ロボットによる業務自動化を意味する – 具体的には「これまで人間が行ってきた定型的な パソコン操作をソフトウエアのロボットにより自 動化するもの」（総務省の説明） • 出典： http://www.soumu.go.jp/menu_news/s- news/02tsushin02_04000043.html – 要は人間がやってきた作業をソフトウェアで作ら れた「ロボット」が代わりにやってくれる • その裏では機械学習（後述）のアルゴリズムなどが働 いている 6
7. IT/ICTがもたらすもの • 人工知能に限らずIT/ICTが人々の生活に及ぼ す影響は大きい • ITは情報技術（Information Technology）、ICTは情報 通信技術（Information and Communication Technology）の頭文字 • 特に近年 – CPU（コンピューターの頭脳） – GPU（グラフィックプロセッシングユニット） – ビッグデータ（膨大なデータ） – 等の開発により、IT/ICTが急激に発展し、人々の 生活の様々な面に影響している • まあ、今回に限らずいつの時代も技術発展は人々の生活 に影響するので、勉強しておくことは悪いことではない 7
8. 機械との競争？（１） • オックスフォード大学のオ ズボーン准教授の研究を基 に • 野村総研は今後10年から 20年の間に – 日本で働いている人の49% の仕事が人工知能（AI）や ロボットで代替可能と発表 – つまり、 AI・ロボットに仕 事を奪われる可能性がある – と試算している 8 日経新聞朝刊 2015年12月3日14ページ目 • （TBA：ここに日経 新聞記事の紹介を追 記する）
9. 機械との競争？（２） 9 • AI人材 – 「機械（AIやロボット） と競争しなきゃいけない なんてヤダな」と思うか もしれないが、 – デジタルや人工知能 （A）について実力・知 識を身につければ、みな さんにとってはチャンス かも知れない [出典] https://www.nikkei.com/article/DGXMZO45595230S9A600C1MM8000/
10. 人工知能とは何か 本日のテーマ 10
11. これなに？ 11 [画像出典] https://pixabay.com/ja/photos/%E7%8C%AB- %E5%9B%BD%E5%86%85%E3%81%AE%E7%8C%AB-%E3%82%B5%E3%83%90- %E3%83%9A%E3%83%83%E3%83%88-3523992/
12. じゃあ、これは？ 12 [画像出典] https://pixabay.com/ja/photos/%E3%82%AB%E3%83%96%E3%81%AE%E3%83%A9%E3%82%A4 %E3%82%AA%E3%83%B3-%E3%81%8B%E3%82%8F%E3%81%84%E3%81%84-%E7%9B%AE- 2886432/
13. どうやって区別するの？ • 答えは簡単！ – 最初の写真が猫、次の写真がライオンの赤 ちゃんなのは見れば（人間なら）分かる！ • でも、みんなどうやって区別してるの？ – 耳？ – 目？ – ヒゲ？ – 模様？ • 猫とライオンの赤ちゃんの違いを言葉で 説明できる？ – 私（矢野）はできないなぁ・・・ 13
14. キュウリをAIで仕分ける • AIを使うと、キュウリの仕分けができるらし い – 皆さんは「え？」と思うかもしれないが・・・ • 朝日新聞：キュウリ、「ＡＩ仕分け機」完成 改良重ね３号機 – 朝日新聞のYoutubeから • https://www.youtube.com/watch?v=kNjmBc5RpK 8 – でも、「良いキュウリ」ってどんなの？？？ – みんな言葉で説明できる？ – 私（矢野）はできないなぁ・・・ 14
15. 知能があるとは？（１） • アラン・チューリング – 1912年6月23日 - 1954年6月 7日 – イギリスの数学者であり、現在 のコンピューターの基礎を作っ た研究者の一人 • 「人工知能の父」と呼ばれること もある – ナチスドイツのエニグマという 暗号を打ち破った（解読した） 人 • 「イミテーション・ゲーム」とい う映画になった • http://imitationgame.gaga.ne.j p/ 15 アラン・チューリング 1912年6月23日 - 1954年6月7日 [画像出典] https://www.theregister.co.uk/2015/02/04/turning_docs_uncovered_in_roof/
16. 知能があるとは？（２） • チューリングは以下のようなテストを提案し た • チューリングの元々の提案ではタイプライターを使う のだが、現代版ではLINEを使うことにする • チューリング・テスト – 皆さんがLINEを使って、遠方にいる（会ったこ とがない）「ある相手（X)」とメッセージのや り取りをする – ある相手（X）が人工知能であるとき、皆さんが 「相手（X）が人工知能だ」見破れないとしたら、 – 相手（X）は人間と同等の知能を有すると判定で きる 16
17. 知能があるとは？（３） • チューリング・テストの特徴 – チューリング・テストは「知能とはなにか（知能 とはどのようなものか）」について問うものでは ない – 「相手（X）に知能がある」とみなせるかどうか のテスト • 注：チューリングは「知能とはなにか」を問うのはあ まり意味がないと思っていたようです • 余談：SNSを通じて知り合った友人がいたと する – その人はあなたにとって善人（いい人）か？ • どうやったら判別できるだろうか？ • この問題には正解は特にありません 17
18. 人工知能（AI）とは • 人工知能（Artificial Intelligence、以下 AI）とは – AIとは、人間が知能を用いて行う作業をコン ピューターに行わせること（もしくはその研 究）を意味する • 猫とライオンの赤ちゃんの例で說明する – 皆さんは知能を用いて猫とライオンの赤ちゃ んを見分けている – その皆さんが行ったことをコンピューターに 行わせる – これがAI（もしくはAI研究） 18
19. 注：人工知能（AI）2つの顔 • 人工知能に関しては２つの考え方がある • １つ目の考え方：汎用型人工知能 – 人間のようにいろいろなことを検討し判断できる 人工知能を作る • チューリング・テストはこっちの話 • ２つ目の考え方：特化型人工知能 – ある特定の知的な作業ができる人工知能を作る • たとえば、「猫とライオンの赤ちゃんを区別する」や 「良いきゅうりと悪いきゅうりを仕分ける」 • 新聞・テレビ等で人工知能が説明されるとき、 特化型人工知能を意味することが多い – 授業も特化型に限定して說明する 19
20. 人工知能・機械学習（１） • 人工知能・機械学習 – 人工知能と一緒にでてくる言葉として機械学習 （Machine Learning）がある – ２つ用語があるので別物だとか対立するものと感じるかも しれないが誤解である • 人工知能という領域があり、その中には様々な研究が ある。そのうちの１つが機械学習だと思えばよい • 機械学習を大雑把に說明すると – ある特定の知的な仕事を実行できる統計的モデル やアルゴリズムを研究・開発する分野 • ある特定の知的な仕事とは、たとえば良いキュウリと 悪いキュウリを仕分けるなど。仕分けるための具体的 な方法が統計的モデルやアルゴリズム 20
21. 人工知能・機械学習（２） • 無理やり図示すると・・・ • 個人的には機械学習（or 統計的学習）という言葉 を使います。が、世間的には人工知能が有名 • みんな、機械学習（統計的学習）という言葉も覚 えてね 21 人工知能研究 機械学習 （具体的な統計モデル・アルゴリズム等）
22. 機械学習 • 機械学習も広い分野で – その中で様々な研究がなされている – ニューラルネットワーク • 人間の脳を構成するニューロン（神経細胞）を模した 数理モデルを用いた研究 • 現在の機械学習で非常に人気の手法 – サポートベクターマシン • 深層学習（後述）が登場するまで人気があった手法 – ランダムフォレスト・ブースティング等 • 決定木という考え方に基づく手法 – 個人的には結構好き（個人の感想です） – その他にも様々な研究がなされている 22
23. 統計学と機械学習 • じゃあ、統計学と機械学習は何が違う？ – Larry Wasserman先生（アメリカの偉い統計学 者）の回答 • 回答：この２つに違いはない。「データから私たちは 何が学べるか」という同じ疑問について考えている – [出典] https://normaldeviate.wordpress.com/2012/06/12/st atistics-versus-machine-learning-5-2/ – 以下は矢野の個人的意見 » 統計学と機械学習でやっていることはほとんど同じだ と思うが、完全に同じではなく、用語が異なるなど若 干の違いがある » たとえば被説明変数のことを機械学習では出力と呼ぶ。 それ以外に違いがあるかもしれないが、言語化するの が難しいほど微細な違いだと思う。 23
24. 用語：教師あり・教師なし • 教師データ – 機械学習では、統計的モデルを推定するときに使 うデータを教師データや訓練データと呼ぶ • 教師あり学習 – 教師データが必要な場合の学習を教師あり学習と いう。ニューラルネット（後述）など • 学習は推定のことだと思ってほしい • 教師なし学習 – 教師データが必要ない場合、教師なし学習という • 「え？そんなこと可能なの？」と思うかもしれなしが、 クラスタリングなどいくつか方法がある 24
25. 用語：回帰と分類 • 機械学習における分析には回帰と分類が ある – これは被説明変数（出力）がどのようなもの かによって決まってくる – 回帰：被説明変数が連続データの場合 • たとえば、株価収益率の分析・予測なら回帰（株 価収益率が連続データのため） – 株価収益率の分析についてはシングルファクターモデル で説明済み – 分類：被説明変数が分類される対象の場合 • たとえば猫とライオンの赤ちゃんを見分けるなら 分類 25
26. 脳とニューロン（１） • 人間の脳はニューロン（神経細胞）で構 成されている – 要は以下のような細胞が集まって（つながっ て？）人間の脳はできている 26 [画像出典] 石川工業高等専門学校 電子情報工学科 金寺登先生の研究室のホームページから http://sail.i.ishikawa-nct.ac.jp/pattern/nn/nn1.html
27. 脳とニューロン（２） • ニューロン（神経細胞）の働き – 他のニューロン(A)からの電気信号がシナプ スを通じてニューロン(B)に伝わり – ある値（閾値[いきち]）を越えるとその ニューロン(B)からの電気信号がさらに別の ニューロン(C)に伝わる – 重要ポイント：ある値（閾値）を越えると • というのが実は重要（活性関数のときに再説明） 27 [参考] http://kompas.hosp.keio.ac.jp/sp/contents/medical_info/science/2014 04.html http://bsi.riken.jp/jp/youth/know/structure.html
28. 脳とニューロン（３） • 人間の脳を参考に統計的モデル（or アル ゴリズム）を作れば、知的な判断ができ るのでは？ – と思うのはとても自然なこと 28 ユニット (ニューロン)
29. ユニット（１） • ニューロンを数理的に表したものをユニット （ニューロンと呼ぶこともある）という – 2 = σ=1 2 2 1 + 2, = 1, 2, = 1, 2, 3 – 2 = 2 – = 1 1+− • を活性関数という – 活性関数は、たとえばある閾値以下では0、その 閾値を越えると1になるような関数である – ニューロンの性質を関数で表したもの 29
30. ユニット（２） • は活性関数といい、以下が有名 – シグモイド関数（tanh関数が使われることも） – ReLU（Rectified Linear Unit）関数 30 0 0.2 0.4 0.6 0.8 1 1.2 -5 -4.6 -4.2 -3.8 -3.4 -3 -2.6 -2.2 -1.8 -1.4 -1 -0.6 -0.2 0.2 0.6 1 1.4 1.8 2.2 2.6 3 3.4 3.8 4.2 4.6 5 Sigmoid関数 0 1 2 3 4 5 6 -5 -4.6 -4.2 -3.8 -3.4 -3 -2.6 -2.2 -1.8 -1.4 -1 -0.6 -0.2 0.2 0.6 1 1.4 1.8 2.2 2.6 3 3.4 3.8 4.2 4.6 5 ReLU関数
31. 活性関数（１） • 「活性関数ってなに？」と思ったかも – 耳が遠いおじいちゃんと孫の太郎君を考える – 太郎君が小声で「おじいちゃん」 • →おじいちゃん反応なし – 太郎君が大声で「おじいちゃん！」 • →「おお、たろうか、よくきたなぁ」 31 0 0.2 0.4 0.6 0.8 1 1.2 -5 -4.6 -4.2 -3.8 -3.4 -3 -2.6 -2.2 -1.8 -1.4 -1 -0.6 -0.2 0.2 0.6 1 1.4 1.8 2.2 2.6 3 3.4 3.8 4.2 4.6 5 Sigmoid関数 太郎君の声の大きさ お じ い ち ゃ ん の 反 応
32. 活性関数（２） • おじいちゃんと太郎君の話を聞いて – 「案外簡単な話だな」と思ったかもしれない – ニューラルネット（後述）の興味深い点は、 – この簡単な仕組みをうまく組み合わせると 「（ある特定の）知的な作業が（コンピュー ターで）できるようになる」点にある • そもそも人間の脳がそういう構造（脳はニューロ ンのつながりでできている）をしているので、不 思議なことではないのかも？ 32
33. ニューラルネット（１） • ニューラルネット – ニューラルネット（ニューラルネットワー ク）は機械学習のアルゴリズムの１つ。教師 あり学習であり、用途は分類と回帰どちらに も使える • ニューラルネットの構造と用語 – 入力層：入力データを受ける層 – 隠れ層：中間で情報を処理する層 – 出力層：出力データを出力する層 • え？なんのことか分からない？ – 図で見ると比較的簡単 33
34. • ニューラルネットの一例 入力層 隠れ層 出力層 1 2 1 2 2 2 2 2 3 2 3 2 1 3 2 3 1 2 1 1 1 2 入力1 入力2 出力1 出力2 1 2 ユニット1 ユニット2 ユニット1 ユニット2 ユニット1 ユニット2 ユニット3 ニューラルネット（２） 34
35. ニューラルネット（３） • ニューラルネットは（図を見ると）一見 複雑そうだが、 – を出力（被説明変数）、 を入力（説明変 数）とすると – = – と比較的簡単に表現できる。 – え？ 「 ってなんだっけ？」これは関数 35 ( ) 図提供：岡田多恵先生
36. ニューラルネットと最小二乗法 • ニューラルネットの係数推定は？ – 授業では既に単回帰の最小二乗法を勉強した – ニューラルネットの係数（パラメーター）推 定の発想はそれと（本質的には）同じ = ෍ =1 − 2 • を二乗誤差（損失関数）と呼ぶ。このを 最小化する（このやり方がよく用いられる） – 単回帰の最小二乗法と違うのは正規方程式を計算するの ではなく、 • 誤差逆伝播法という方法を用いて係数（パラメー ター）を推定する 36
37. 深層学習（１） • 深層学習とは – 層が深い（層の数が多い）ニューラルネット を深層学習（deep learning）という – たとえば後で実演で用いるResNet50（事前 学習済みの深層学習モデル）は50層もある 「深い」ニューラルネットである • 図を書くのが面倒なので、かなり簡略化して描く と・・・（次スライド参照） 37
38. 深層学習（２） • 深層学習は層が多い（深い）！ – （ユニット・矢印を書くのが面倒なので略） 38 入力層 隠れ層1 出力層 隠れ層2 隠れ層3 入力 出力
39. 畳み込みニューラルネット（１） • 深層学習の中でも特に話題になることが 多いのが – 畳み込みニューラルネットである （Convolutional Neural Network、CNN） – CNNは畳み込み層とプーリング層を有する深 層学習である • 畳み込み層は画像の濃淡のパターンを検出する機 能を有する • プーリング層は画像の位置が少しずれても問題な く機能するようにする層 • え？分からない？畳み込み層の実例を見よう 39
40. 畳み込みニューラルネット（２） • 畳み込みニューラルネットは画像をどの ように認識しているのか？ – たとえば猫は？ 40 [画像出典] https://jjallaire.github.io/deep-learning-with-r-notebooks/notebooks/5.4-visualizing-what-convnets-learn.nb.html
41. 深層学習の成果（１） • 深層学習で「猫とライオン（の赤ちゃん）」 を識別できるだろうか？ – 今からKerasという深層学習用パッケージを使っ てデモ（デモンストレーション）します • 地味なデモですが、深層学習がちゃんと機能すること を見てもらえればと思います • 今回用意した環境 – Windows 10 + Python 3.*（Anaconda） – Keras + R interface to Keras • Kerasはプログラム言語Pythonで動いているのですが、 矢野はR（とMatlab）しか使えないので – 事前学習済みのResNet50を使用 • ネットワークの深さが50層のニューラルネット 41
42. 深層学習の成果（２） • 深層学習、囲碁の達人に勝つ – 2016年、深層学習（と強化学習）に基づくソ フトウェアAlphaGOが囲碁の達人イ・セドル 氏に勝利した • この出来事は当時ニュース等で非常に大きく扱わ れた • それ以外にも（特に画像認識において）、 深層学習は人間以上の成績を収めること が少なくない 42
43. 深層学習の成果（３） • いくつかの分野で人間は負けている – 実はいくつかの特定の知的な分野では人間は すでに人工知能（深層学習）に負けている • 悲しいけれどこれが現実 – 今後、人工知能（深層学習）が発達し、人間 が負ける分野がもっと多くなることは間違い ない 43
44. 正しく恐れる（１） • 新しいもの、未知なものを「恐ろしい」と感じる ことは悪いことではない – 未知の病気が流行したら、誰でも恐ろしい – しかし、怖がりすぎること、逆に信仰することも弊 害が大きい • 多分、正しく恐れることが大切だ！ – この言葉は元々は明治の物理学者寺田寅彦の言葉 • 寺田の原文は以下の通り「ものをこわがらな過ぎたり、こわ がり過ぎたりするのはやさしいが、正当にこわがることはな かなかむつかしいことだ」 – [出典] https://www.aozora.gr.jp/cards/000042/files/2507_13840.h tml • 正しく恐れるには正確な知識を身につけること 44
45. 正しく恐れる（２） • 人工知能が（何らかの形で）皆さんの生 活を影響を与えることは間違いない – 人によっては「人工知能に仕事を奪われる ぞ」と言うかもしれない – そうなる可能性もあるが、そうならない可能 性もある • 未来に何が起こるかは不確定な部分も多い – どんなことがあったとしても、皆さんが慎重 に調べ、冷静に考えることを忘れなければ – 人工知能とうまくつきあっていけるのではな いかと思う 45
46. [参考]深層学習を勉強したい人 • 個人的なおすすめ。 – 深層学習については多くの本が出版されているので、 他にもあると思いますが・・・ • 深層学習の原理について勉強したい人 – 斎藤康毅、（2016）、『ゼロから作るDeep Learning 』、 O'Reilly Japan – 岡谷貴之、(2015)、『深層学習』、講談社 • 「とりあえず使えればいい」という人 – Francois Chollet、（2018）、『PythonとKerasに よるディープラーニング』、マイナビ出版（巣籠悠 輔監訳） 46
47. まとめ • 今、世の中で人工知能という言葉が流行って いる 1. 人工知能に限らずICTは我々の生活に影響を及 ぼしている 2. 人工知能は広い領域を指す。現在、話題になっ ているのはほとんどの場合、機械学習という分 野である 3. 機械学習の中でもニューラルネット、その中で も層の数が多いニューラルネット「深層学習」 が注目を浴びている 4. 特に畳み込みニューラルネット（CNN）は画像 認識で大きな成果をあげtている。それ以外にも いくつかの特定の分野で、人間はすでに人工知 能（深層学習）に負けている 47
48. 本日の小テスト：「経済統計a第12回小テ スト用データ」 • C-learningにアップロードされた「経済 統計a第12回小テスト用データ」を用いて 計算し、適切な選択肢を選択せよ 48
49. 参考文献 • 岡谷貴之、(2015)、『深層学習』、講談社 • 松本一教他、（2016）、『人工知能（改訂2 版）』、オーム社 • 松尾豊、（2015）、『人工知能は人間を超える か』、角川書店 • 総務省 ICTスキル総合習得プログaラム 講座3-5 – http://www.soumu.go.jp/ict_skill/pdf/ict_skill_3 _5.pdf • 井上智洋、（2016）、『人工知能と経済の未 来』、文藝春秋 • エリック・ブリニョルフソン、アンドリュー・マ カフィー、（2013）、『機械との競争』 49