Slide 1

Slide 1 text

Society5.0 で実現する社会 これからの科学技術とAI

Slide 2

Slide 2 text

概要 n Society5.0 とは? u モノ(物理)とコト(情報)が高度に融合した社会 p 核となる技術:IoT,ビッグデータ,(**いわゆる**)AI • データはたくさん溜まる • 溜まったデータはAIが良い感じに処理してくれる n いわゆるAI と その周辺 u AI関連の研究 = 哲学や心理学など複数分野の統合 u いわゆるAI = 統計的機械学習&自然言語処理 p できることも,できないことも沢山 2

Slide 3

Slide 3 text

3 Society5.0

Slide 4

Slide 4 text

Society5.0? 4 )- 317:%)80529 %.+ !')&,".$ # (* 1 []

Slide 5

Slide 5 text

Society5.0? 5 *Y=,!.Y=;?G5 & #0 " %'+%&$ 2NMT !)$#(D@Y=,(*% ;UEO]LF QKB\HR LF41(4.0) Society 5.0 [ZLFB\PALF 2LFVW 6A^3J 6A^3 2QK N96A> /-%' :C 2 LF7`QK 2_P /-%' :C 3 2 #" LF<87` 2 )+ Ia SX []

Slide 6

Slide 6 text

Society5.0? 6 https://www.gov-online.go.jp/cam/s5/

Slide 7

Slide 7 text

Society 5.0 _JUn!TN\[& DVls6tj TN&_JTN(= & 94 & 94 `C?qF!@B^wF kM]<Ab%tj & 94 58 W7QZEgO $?q:!oc:8IKH% 2 & 94 G50- $mUn!TN\[ &DVl &%94 "$QTN(% [] Society5.0? 7

Slide 8

Slide 8 text

Society5.0 n 基本的な仕組み u 物理・情報空間のデータを一旦吸い上げて u 情報空間上でもろもろ演算し u サービスとして,物理・情報空間へもどす n ポイント u 人が意識的に依頼しなくても, AIが自動的に提供してくれる部分が増える 8

Slide 9

Slide 9 text

AI・サービスの構成要素と,S5.0 9 Data Hardware (IoT, HPC, comm, …) Software (ML※, NLP, …) S5.0 AI ※ ML: Machine Learning

Slide 10

Slide 10 text

Science,Engineering,Arts Science Arts Engineering 科学:Science – Art ? 科学:分析的アプローチ(Analysis) 工学:構成的アプローチ(Synhtesis) 10

Slide 11

Slide 11 text

11 情報・人工知能

Slide 12

Slide 12 text

“情報” 12 • 農耕社会 - 衣食住 • 工業社会(産業革命) – ハードウェア • 情報社会 – ソフトウェア – コンテンツ – ビッグデータ • 人間社会 – 価値,物語 – サービス – AI 情報は物質,エネルギーに次ぐ世界観 現在 情報 エネルギー 物質 2016/8/16 個の復権 出典:中島秀之(人工知能研究者)氏講演資料 Society 1.0 Society 2.0 Society 3.0 Society 4.0 Society 5.0

Slide 13

Slide 13 text

“情報”の階層 13 Data Information Intelligence Knowledge Wisdom 情報 生の観測値そのもの 記号(文字,数字) 目的に応じデータを加工 統計値,グラフなど 解釈を付与 レポート類 汎化 普遍化

Slide 14

Slide 14 text

モノと機能(価値)の関係性 14 Society 1.0 Society 4.0 モノと機能がほぼ1対1 モノと機能が1対n モノ自体ではなく,そこに乗る情報が多様で, それにより多様な機能(価値)を創出

Slide 15

Slide 15 text

“情報”の特性 n 無形のものなので,操作が簡単 u 形を変えたり,くっつけたり,が有形物より容易 n 移動や複製のコストが極めて安い u 一度作れば,すぐに・いくらでも届けられる p 音楽配信,電子書籍,ソシャゲのカード,etc. 15

Slide 16

Slide 16 text

情報処理と情報通信 n 情報通信:入力=出力 n 情報処理:入力 = 出力 / 16

Slide 17

Slide 17 text

人工知能(AI) n 専門家の間でも共有された定義はない n 人工的に作り出された知能 もしくは,知能を作り出そうとする取り組み n 「人工的に」は良いとして,作り出すべき対象の 「知能」とはなんなのか? u 知能が何か定義できたとして,作り出せるのか? u 知能のあり方はそもそも一つか? p 人間が持つ知能と,機械がもつ知能はおなじか? 17

Slide 18

Slide 18 text

人工知能(AI) n 人工知能 = 情報工学 u 人工知能学者から見た場合,情報工学は便利に使える ツールのひとつであり,研究成果の一部 n 人工知能の主要な要素 u 知能とは・人とは何かを考える哲学の要素 p 心身問題,記号接地,フレーム問題,etc. u マシンとしての人は情報をどのように処理しているか (知能を構成しているか)を考える認知科学の要素 u それら要素を組み合わせ,知能を実現する工学の要素 18 /

Slide 19

Slide 19 text

知能とは:知能のありか(還元主義・心身問題) n 知能(・意識・魂)はどこにあるのか? u 人体も一つのマシンなので,どこかにあるはず p 足の小指の先などではないし,肘の裏とかでもなさそう u 脳にあるとして,脳のどこか? p 脳から部品を自由に取り外しできるとして,どこまで減らせる? • のこった切り離しできない部分が知識の源,意識,魂になるのでは u 要素分解だけで,知能や意識,魂に迫れるか? p 音符ひとつひとつの構造がわかれば,良い曲が作れるか? • ゲシュタルト心理学的な立場 n 心と体は不可分か? u 脳を自由に好きな体に移植できる,脳だけでも生きられ るとして,そこに宿る知能や意識は体と独立?? 19

Slide 20

Slide 20 text

知能とは:記号接地問題 n 体を持たないAIにリンゴは理解できるか? u 概念(記号)としてのリンゴが理解できたとして, 目も耳もないAIは,真にリンゴを知っているといえるか • …でも,そもそも「真のリンゴ」「リンゴのイデア」とは…? n 人間は様々な情報をうまく抽象化(記号化)し, 実体と対応付けて処理をしている n 抽象化された情報と,実体を対応づけること =記号接地 20 潜水艦は泳げない? 人には人の,機械には機械の知能があるのでは?

Slide 21

Slide 21 text

これはなに? 21 なぜ椅子と認識できてしまうのか??

Slide 22

Slide 22 text

知能とは:フレーム問題 n 問題に関連する情報の境界線(フレーム)を 定めることは実は非常に困難 n 「隣の部屋にあるリンゴをとってきて」 u 部屋とは?リンゴとは?とってくるとは? u 腕を動かしたら部屋が爆発したりする?しない? u その行為に,室温や湿度,明るさは関係ある?ない? u 部屋に入るのに障害物(壁やドア)は壊していい? u どうやったら壊せる?もしくは壊さず入るには? …などなどなどなど 22 人間は“なぜか”必要な情報だけをうまく取り出し, 行動をすることができる ※ やっかいなことに自身が動くと相対的に環境の見え方も変わるので,常に上記の問題が繰り返される.

Slide 23

Slide 23 text

知能とは:中国語の部屋 n 知的に見える=知的か? u 行動主義的には知的であるといってもいいかもしれない n 中国語の部屋 u 密室の中に,中国語をまったく知らない人がいる u スゴイ辞書があって,中国語のこの文字列が来たら, この文字列を返す.というのが一瞬で出てくる u 密室内の人はこの辞書を持っていて,外から差し込まれ た中国語の質問に答えてくれる p 意味はわかっていないが,とにかく辞書で対応する文字列を探し て返しているだけ u 外から見たら,中の人は中国語を理解している 23

Slide 24

Slide 24 text

知能とは:知能と意思・意識(強いAI,弱いAI) n 一般的に誤用されることが多い要注意ワード n 誤用 u 強いAI:汎用的なAI 弱いAI:特定タスク用AI n 正解 u 強いAI: 意思・意識を有するAI(自分で目的を設定) u 弱いAI: 上記以外(意思は持たない) 24 「知的であるかどうか」と「意識や意思を持つか」は別,という議論

Slide 25

Slide 25 text

AI関連要素 25 AIマップβ © 2019 人工知能学会

Slide 26

Slide 26 text

AI関連要素 26 AIマップβ © 2019 人工知能学会

Slide 27

Slide 27 text

AI関連国際会議の一覧 27 ML, DM, and, AI Conference Map © 2015 Toshihiro Kamishima (Updated 2019-05-11) ICML NeurIPS UAI BigData KDD SIGMOD IJCAI DS ALT ICDM ECML ICDE VLDB COLT AAAI SIGIR PAKDD ACML SDM WWW WSDM RecSys CHI IUI ICANN IJCNN STOC FOCS ICPR ICCV ICASSP InterSpeech CVPR ACL CoNLL NAACL EMNLP ICLR KES ECAI ICWSM CIKM HCOMP CSCW AISTATS WI ILP ISWC SODA PRIMA EDBT PODS STACS ICALP ESA IAAI ECCV ACCV TREC GECCO CEC IJCNLP COLING EACL ECIR ICONIP AAMAS DSAA PKDD AIRS PRICAI ICIP BMVC Mathematics Statistics Network Cognitive Science Social Science Brain Science Robotics Linguistics Computer System High-Performance Computing Computer Graphics Bioinformatics Cheminformatics Mathematical Logic Planning Data Mining Theoretical Computer Science Machine Learning Learning Theory Neural Network Agent Evolutionary Computation Artificial Intelligence Information Retrieval World Wide Web Human Computer Interaction Natural Language Processing Speech Signal Processing Computer Vision Database Knowledge Representation ML, DM, and, AI Conference Map. Copyright © 2015 Toshihiro Kamishima All Rights Reserved. Updated 2019-05-11

Slide 28

Slide 28 text

人工知能の歴史 28 機械学習 自然言語処理 意思決定支援 探索・迷路・パズル 1950 1970 1980 1995 2010 2016 第一次人工知能ブーム (推論・探索の時代) 第三次人工知能ブーム (機械学習・表現学習の時代) 第二次人工知能ブーム (知識の時代) ダートマス会議 (1956) • AIという用語の提唱 [囲碁]AlphaGo (2016) • プロ棋士に勝利 [チェス]Deep Blue (1997) • 世界チャンピオンに勝利 ニューラルネットワーク ディープラーニング ウェブ,ビッグデータ 対話システムの研究 • ネオコグニトロンによる画像認識 (NHK基礎研究所 福島邦彦) • 神経回路網における計算論原理 (東京大学 甘利俊一) • 知識ボトルネック 問題の解消 • 計算処理能力の 向上 • 画像処理精度の向上 Amazonドローン 宅配実証実験(2015) Google自動運転 公道テスト(2015) Dendral (1965) Mycin (1972) Eliza (1965) Siri (2012) Pepper (2015) [クイズ]Watson (2011) • クイズ番組で全米チャンピオンを破って勝利 (代表事例) • 定理の証明 • チェス • 自然言語 (代表事例) • 論理推論 • 知識ベース • ニューラルネットワーク (代表事例) • 大規模知識ベース • 機械学習 • ディープラーニング 自動走行での米大陸横断 (1995)(CMU 金出武雄) [ エキスパートシステム ] [サッカー他]ロボカップ(RoboCup)(1996〜) H28版 科学技術白書 第1‐2‐2図/人工知能技術の歴史 …をベースに修正

Slide 29

Slide 29 text

29 いわゆるAI

Slide 30

Slide 30 text

いわゆるAI n 統計的機械学習を用い,大量データから何らかの パタンやルールを見つけ出すような諸々 n さらに自然言語処理と組み合わせた各種の取り組み 30 統計的機械学習も自然言語処理も AIの研究そのものではない AIの研究には非常に役立つし, そのために研究開発してきた人もいる

Slide 31

Slide 31 text

用語関係図 31 情報システム(IT) 機械学習 分析 対象 データ Big Data IoT 提案 自然言語処理 人工知能 AI いわゆるAI Society5.0

Slide 32

Slide 32 text

機械学習はなにができるのか? n 基本的はパタンを発見 = 分ける・推測する u 似ているモノ同士でグループ分けする u 新しいデータが来たときに,どのグループか推測する 32 グループ1 グループ2 グループ3 グループ1 グループ2 グループ3 ?

Slide 33

Slide 33 text

機械学習いろいろ n “機械学習”の中にもいろいろな手法 33 教師あり 教師なし 精度重視 説明力重視 量を予測する ex. 何歳?何人? 分類する 予測する 種類を予測する ex.男性?日本人? ハード 1レコード1グループ ソフト ex. Aが30%,Bが70% ▼ データの種類 ▼ 目的

Slide 34

Slide 34 text

注意点 n 機械学習の結果が,人にとってなじまないことも… 34 グループ1 グループ2 グループ3 グループ1 グループ2 グループ3 出てきた結果 本当に必要だった結果

Slide 35

Slide 35 text

自然言語処理 n このような,人間が読むために書かれたもの=自然言語 n この自然言語を機械で処理するための諸々=自然言語処理 n 基本戦略 = 文書を何らかの数値で表現する u 例:単語それぞれを“次元”と捉えることで,数学の世界に持ってくる u 自然言語に対してもいろいろな数値解析手法が適用可能に 35 みかん りんご 文書 文書 み,み,り,り,り

Slide 36

Slide 36 text

n 遺伝性自己免疫疾患 u 「遺伝性」「自己免疫」「疾患」? n すもももももももものうち u 「すもももももももも」「の」「うち(家)」? n 仲里依紗 u 「仲里」「依紗」? 自然言語処理:形態素解析 n 日本語は切れ目がないので,文章をどこで切り分けるか 別途考える必要がある 形態素解析 けいたいそかいせき 36 単語 分割 すもももももももも?

Slide 37

Slide 37 text

37

Slide 38

Slide 38 text

自然言語処理:係り受け解析 n 黒い目の大きな女の子 u 「色黒で,目が大きい,女性」の「子供」? u 「目が黒くて」「大きな女性」の「子供」? u 「黒目が大きい」「女子」? u 「目が黒くて」「大きな女子」? n 各単語がどこに結びつくかで意味が異なる u 単語の間の関係性=係り受け関係 38

Slide 39

Slide 39 text

39

Slide 40

Slide 40 text

自然言語処理:文章の類似度(cos類似度) n 文章をベクトル表現できれば, 距離や角度を指標に,文章の類似の度合いを表現できる u より単純に,単語の重複率で定義する手法なども存在 40 みかん りんご 文書1 文書2 ここの角度=類似度! cosを取ったら,0(直行)〜1(一致)にできて&多次元でもいけて便利 実数値しか取らないので,ベクトルは第1象限のみ=0-90度までしかない 文書1 文書2 み,み,み,り み,み,り,り,り

Slide 41

Slide 41 text

類似度算出の課題 n 妻の誕生日にイチゴショートを購入して帰宅した u 妻,誕生日,イチゴ,ショート,購入,帰宅 n 奥さんのバースデーにケーキを買って帰った u 奥さん,バースデー,ケーキ 41 ほぼ同じ意味の文章なのに, 単語の重複はゼロなので類似度がゼロに

Slide 42

Slide 42 text

分散表現 n 深層学習(ディープラーニング)で用いられる技術を用い, 言葉の「意味」的な近さを表現できる技術 u 従来の手法では,「みかん」と「ミカン」は独立したものとして扱うか,人 力で辞書を作って近さを表現する必要 u 分散表現を使うと,大量のデータから「みかん」と「ミカン」「オレンジ」 「柑橘類」を似たようなものとして学習し,数値的に表現可能 n 考え方 u 有る単語の周りに出てくる単語を学習して穴埋め問題を解く p 「大学の構内に入るとXXXが歩いてきたので,声をかけてみた。」 p XXX= 友達 30%,女の子 30%,先生 20%,猫 10%,伝説の勇者 5%,机 0%… 42

Slide 43

Slide 43 text

分散表現+COS類似度 n 分散表現では単語を300次元などの高次元空間にマップ u 似てそうな単語は近くに配置 n 単語それぞれを独立次元と考えず,分散表現の空間で COS類似度を取ると,より良い感じに類似度が出せる 43 みかん オレンジ 従来手法 分散表現 みかん オレンジ ぜんぜん違う 無関係 似ていそう 関係がある

Slide 44

Slide 44 text

トピックモデルのイメージ n 大量の文書(単語の固まり)を与えると,トピック(話題)を自動的に 抽出し,各文書にどのトピックが紐付いているか教えてくれるような手 法 44 大量のニュース記事(文書) 投球,バッター, 盗塁,イチロー, メジャーリーグ, ドラフト,… AKB,イベント, コンサート, アイドル,テレビ, ドラマ,… 選挙,投票, 演説,国会, 遊説,党,大統領 予算,法律,… 野球? 芸能? 政治? Topic Model Topic 0 Topic 1 Topic 2 ※ トピックの名前(ラベル)はキーワードを見て人間が付与 トピック抽出のイメージ トピック推定のイメージ X日,AKBの総選挙が行われ, 事前予測とは異なり,XXさんが1位を取得した. XXさんは,この逆転ホームランを受けて, 「驚いているが,いまはとにかく 主演しているドラマと舞台を頑張りたい」 との談話を発表した. ニュース記事例(文書) X日,AKBの総選挙が行われ, 事前予測とは異なり,XXさんが1位を取得した. XXさんは,この逆転ホームランを受けて, 「驚いているが,いまはとにかく 主演しているドラマと舞台を頑張りたい」 との談話を発表した. 10% 45% 45% 野球 芸能 政治 トピック推定結果 野球 政治 芸能 Topic Model

Slide 45

Slide 45 text

“いわゆるAI”の限界 n 多くは力押しのアプローチ u 大量のデータがあると,良い感じにモデルが作れる! p AlphaGo は 16万局 の対局でモデルを構築 u データが無いと,モデルが作れない… p 数十万件に1件位しか無いようなデータ(例:希少疾患)は (一般的に)上手く扱うことが難しい… 45

Slide 46

Slide 46 text

46 事例

Slide 47

Slide 47 text

事例:自然言語処理(計算社会科学) n Twitterにおけるバースト現象の検出 u 何かの話題が一気に広まる「バースト現象」の検出と内容分類 p どのようなユーザが,どのような内容を投稿し,それらの投稿が どういったユーザによって伝搬されるかを分析 47 http://id.nii.ac.jp/1001/00182259/ 【 出典:鳥海,他:バースト現象におけるトピック分析 ,情報処理学会論文誌 Vol.58 No.6 PP.1287–1299 , 2017 】

Slide 48

Slide 48 text

事例:自然言語処理(計算社会科学) n 議員の法案に対する態度の推定 u 過去の発言と法案の内容から法案への態度(賛成・反対)を推定 p 教師付のトピックモデル(LDA)を使用 48 【 出典: M. Gerrish and M. Blei : The Issue-Adjusted Ideal Point Model, arXiv:1209.6004, 2012 】

Slide 49

Slide 49 text

事例:自然言語処理(文章要約) n Lithium-Ion Batteries: A Machine-Generated Summary of Current Research u リチウムイオンバッテリー:最新研究の機械生成テキスト 49 https://doi.org/10.1007/978-3-030-16800-1 AIが数万件の関連論文から 重要そうなモノを厳選し, 要約して論文化したもの

Slide 50

Slide 50 text

事例:画像認識+自然言語処理(キャプション生成) 50 https://qiita.com/oreyutarover/items/6eb0e12ba0d169a480df

Slide 51

Slide 51 text

事例:網羅シミュレーション&サービス連携 n 交通シミュレーションとサービス融合 u デマンドバスについて,各種要件を考慮したシミュレーションと サービス提供を実現。他サービスとの連携などについても検討。 p 医療機関と連携し,診察時間に併せて到着できる。車両が食材などを 代わりに購入して届けてくれる。など 51 www.miraishare.co.jp

Slide 52

Slide 52 text

事例:網羅シミュレーション n 日立と京大によるシナリオ分析 u 基礎的なパラメータは識者が設定した上で,その後の進展について, 2万通りのシナリオをシミュレーション p この事例では,数年後にクリティカルで気づきにくい分岐の存在を示唆 52 http://www.hitachi.co.jp/New/cnews/month/2017/09/0905.html

Slide 53

Slide 53 text

事例:医療応用 53 (c) NHK

Slide 54

Slide 54 text

事例:その他 n システムバイオロジー u バイオ分野の研究自動実行 u AI作成の研究成果でノーベル賞を目指す n マテリアルインフォマティクス u さまざまな物質の組み合わせ等をAIで実行 u 新素材等の効率的な開発を目指す n などなど 54

Slide 55

Slide 55 text

55 学習の観点

Slide 56

Slide 56 text

計算論的思考の重要性 n 現状のAIは,ちょっと便利な情報技術 n データの下ごしらえ,その他は人間の知見が不可欠 u Garbage in, Garbage out n 何に・どこにAIが使えるのか・使うべきか n どんなデータが,どんな形で,どの位,必要か n 情報工学の専門家は情報工学の専門家でしかない n 利用者側に情報工学の知見や計算論的思考が必要 56

Slide 57

Slide 57 text

計算論的思考 n プログラマの行う計算機を用いた問題解決の考え方 n 問題の適切な表現法を選び,問題を解きやすくする ために問題の適切な側面だけをモデル化する技術 n 著者は計算論的思考を「読み,書き,そろばん」に 加えて,教えるべき要素として提唱している 57 原典:Jeannette M. Wing: Computational Thinking, Communications of the ACM, Vol.49, No.3, pp.33-35 (Mar.2006) <参考> 中島秀之(訳):計算論的思考,情報処理 Vol.56 No.6 (Jun. 2015) :コンピュテーショナル・シンキング

Slide 58

Slide 58 text

計算論的思考 n 問題の適切な表現法を選び,問題を解きやすくする ために問題の適切な側面だけをモデル化する技術 58 :コンピュテーショナル・シンキング データ 処理 /=$ 7 * < #16 !" ?0 50 7 3845, 5:;20 9/+ . 7 ) -! %9> (:'&9> < n データや手続の抽象化 u 処理とデータの関係性 u データの表現方法 u データ間の関係性 p 制御可能な要素,可能な範囲 p KPIへの感度,etc. u 処理の中で共通化できる部分 u 処理の前後関係,並列化可能性 …などなど

Slide 59

Slide 59 text

例:ソート n 正の整数値データを昇順に並べ替える n 効率よく並び替えるには…? 59

Slide 60

Slide 60 text

例:ソート https://qiita.com/r-ngtm/items/f4fa55c77459f63a5228 60

Slide 61

Slide 61 text

データサイエンティスト協会の説明資料 61 Copyright © 2017 The Japan DataScientist Society. All Rights Reserved. 3つのスキ セッ 6 ジ ス (business problem solving) データ サイエ ス (data science) データ エ ジ ア グ (data engineering) 課題 景を理解した上で、 ビジネス課題を整理し、 解決する力 情報処理、人工知 能、統計学などの 情報 学 の知 を理解し、使う力 データサイエンスを 意味のある形に使えるよ うにし、実 、運用でき るようにする力 資料:データサイエンティスト協会プレスリリース (2014.12.10) http://www.datascientist.or.jp/news/2014/pdf/1210.pdf

Slide 62

Slide 62 text

データサイエンティスト協会の説明資料 62 Copyright © 2017 The Japan DataScientist Society. All Rights Reserved. スキル の がり:データサイエンスの場合 12 計数理 予 定/判 グルーピング 性 ・関 性の サンプリング データ加 機 学 時 分 言 理 ・動 理 / 理 パターン発見 グラフィカルモデル 化 データ 理 シミュレーション /データ同化 データ 化 Static Dynamic 的 資 :データサイエンティスト協会スキル 員会 議 最 化 分 プロセス データの理 ・ データ 題 決 意 合いの 出・ 2017年版 16 17 11 14 14 5 8 37 5 23 4 20 7 13 8 5 3 3 10 5

Slide 63

Slide 63 text

まとめ n Society5.0 とは? u モノ(物理)とコト(情報)が高度に融合した社会 p 核となる技術:IoT,ビッグデータ,(**いわゆる**)AI • データはたくさん溜まる • 溜まったデータはAIが良い感じに処理してくれる n いわゆるAI と その周辺 u AI関連の研究 = 哲学や心理学など複数分野の統合 u いわゆるAI = 統計的機械学習&自然言語処理 p できることも,できないことも沢山 63

Slide 64

Slide 64 text

64 付録資料

Slide 65

Slide 65 text

AI/ITの2つの方向性 n 代行する u 人間の代わりに何かの処理をする・自動化する n 支援する/協働する u 人間と一緒に何かの処理をする・支援(Support)してくれる 65 AI AI

Slide 66

Slide 66 text

技術の進化 66 1900年のNY5番街 1913年のNY5番街

Slide 67

Slide 67 text

ハードディスクの進化 1956, 5.0M 1984, 2.0G 1979, 250M iPhone7 で写真を撮ると 2M ぐらい 67

Slide 68

Slide 68 text

IBM305 RAMAC n 世界初の商用HDD 1959, 5.0M (前掲のIBM305 RAMAC搬入図) 約610mm ×50枚 68

Slide 69

Slide 69 text

vs. micro SD 11mm 15mm 610mm 400GB 0.1MB x 4,000,000 x 0.018 サイズ比 x 55.5 ※ ※ 1024単位で桁上のため, 実際の数値は少し異なる 69

Slide 70

Slide 70 text

自動化と人の役割 70 未来のコックピットには, 1人のパイロットと1匹の犬が座ることになるだろう。 パイロットの仕事は機械の監視と,犬に餌をやること。 犬の仕事は,もしパイロットが機械に触ろうとしたら 噛みついて,それを止めること。 自動操縦が出てきた頃の,航空機業界ジョークとされるもの

Slide 71

Slide 71 text

自動化と人の役割 n できるだけ機械(含,AI)に任せて ヒトの介在は最小限にするべき n できるだけヒトに任せて 機械(含,AI)の介在は最小限にするべき 71