AI 技術の応用とデータの重要性

(1)

NF 研 AI ビジネスパネルディスカッション

AI 技術の応用とデータの重要性

http://www.isem.co.jp/NFken/miyanishi_documents/AITechnologiesAndAIBusiness_20190926.pdf

2019 年 9 月 26 日

（株）アイエスイーエム

宮西洋太郎

1

(2)

AI 技術の応用とデータの重要性

本日の内容

１． AI とは（あらためて考えてみる）

２．問題解決とは（おさらい）

３．問題解決における AI の位置づけ

４． AI ブーム：世の中の期待と失望の歴史５． AI 技術の適用分野の俯瞰

６． AI 技術の俯瞰７．データの重要性８．まとめ

2

(3)

１． AI とは（あらためて考えてみる）

Wikipedia

https://ja.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD

人工知能（じんこうちのう、（英

: artificial intelligence

、

AI

）とは、「『計算（

computation

）』

という概念と『コンピュータ（

computer

）』という道具を用いて『知能』を研究する計算機

科学（

computer science

）の一分野」を指す語。「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」、または、「計算機（コンピュータ）による知的な情報処理システムの設計や実現に関する研究分野」ともされる

[3]。

『日本大百科全書

(

ニッポニカ

)

』の解説で、情報工学者・通信工学者の佐藤理史は次のように述べている。

「誤解を恐れず平易にいいかえるならば、「これまで人間にしかできなかった知的な行為（認識、推論、言語運用、創造など）を、どのような手順（アルゴリズム）とどのようなデータ（事前情報や知識）を準備すれば、それを機械的に実行できるか」を研究する分野である。

要するに、

AI

技術とは、人間が行っている知的活動（言語受信、理解、言語発信、計算、学習、推論、予測、認識、分類、回帰、記憶、検索など）を人工的構築物（コンピュータ、ハードウェア、ソフトウェア、システム）で代替実現するための技術。従来、

計算以外は、人間の知的活動レベルに達していなかったが、

近年一部の活動では、人間のレベルを超えつつある。 ³

(4)

２．問題解決（おさらい）

産業界情報システムにおける「問題」とは

こうあってほしいという目標（

ToBe)

に対して、現実（

AsIs)

がそうなっていない場合、その乖離（ギャップ）が「問題」であり、その乖離をなくすることが問題解決である。

問題の種類（実に様々）

例：わが社は世の中のトレンドについていけてない、売り上げが伸びていない、利益が伸びていない、新製品がでない、製品コストが高い、作業の効率が悪い、その他問題点を数量的に分析したい、手作業を自動化したい（オフィス業務）、手作業を自動化したい（自動化機械）、設備・機械の予防保全をしたい、情報のセキュリティを高めたい、

等々。

目標

現実

乖離

現実＝目標問題解決

過去の実態

4

基本姿勢：まず問題ありき、問題解決のために

AI

技術を使えないかの態度

副次的には、AI技術をつかえるようなところはないか

(5)

３．問題解決における AI の位置づけ

産業における問題解決（≒

Systems Engineering

）

・問題の明確な定義（範囲の明確化、目標機能、目標性能、目標コストなど）

・類似例の調査

・問題解決策の立案

・様々な要素（技術的要素、技術以外の要素）への分割（

WBS

）

・それらの要素ごとの（場合により研究開発）、設計、製作、進捗管理

・それらの集積・統合

基本的態度

上記において、まずは問題ありき、解決の要素技術の１つに

AI

技術が位置付けられる。

すなわち、問題解決の手段として、

AI

技術が使えないか。

AI

技術が、従来の技術に比べてアドバンテージ（不可能が可能になる、精度が高い、

実現が容易である、コストが安い、動作が安定する、など）があれば、

AI

技術を採用する。

副次的には、

AI

技術が使えるようなところ（対象問題）はないか？あえて探す。 5

(6)

３．問題解決における AI の位置づけ

例

お弁当屋さん（弁当工場）における調理品の盛り付け作業、これを自動化したい。

ロボコンマガジン

No.125 2019

年

8

月

16

日

https://www.fujisan.co.jp/product/1281680155/new/

(

株

)

アールティ

（業務用）

https://www.rt-net.jp/foodly

（教育研究用）

https://www.rt-net.jp/products/sciurus17

目標（問題）：一般的に「ピックアンドプレース」の問題と言われている

「コンテナの中の調理品（例：から揚げ）をベルトコンベアで流れてくる弁当箱の所定位置に盛り付けする」ことを機械化する（すでにできているが例として）

解決策：

・類似解決法を調べる（既存事例）

・できそうなロボットをきめて検討する（なければ、設計、製作）

・画像処理（従来手法か

AI

手法かの選択肢あり）で、から揚げピック位置を特定する

・ロボットでピック動作を行う

AI

手法かの選択肢あり）で、から揚げプレース位置を特定する

・ロボットでプレース動作を行う 6

(7)

３．問題解決における AI の位置づけ

例

お弁当屋さん（弁当工場）における調理品の盛り付け作業、これを自動化したい。

出典：

(

株

)

アールティ

https://www.rt-net.jp/fooma2019_concept

作業者ロボット

ロボットアームカメラ

から揚げ

弁当箱トング

7

要素技術画像認識

ロボット制御従来手法

AI

手法

ミニトマト

ピック制御プレース制御コンベア

コンベア制御盛り付けシステム

(8)

３．問題解決における AI の位置づけ

例

AI

手法かの選択肢あり）で、から揚げピック位置を特定する

従来手法

物体検出：

OpenCV

などによって、画像のなかから対象物体の特徴を抽出する輪郭線の利用、ハフ変換（直線、円などの検出）など。

物体（例はから揚げ）とそれ以外との画像における差異を利用して物体の画像での特徴を抽出する（特徴抽出の方法は人間が考える）

AI

手法

世の中で様々な研究、検討がなされていて、そのなかから使えそうな手法を見つける。

類似の手法が見つからない場合には、

AI

手法をあきらめるか、ゼロから手法を開発する。（特徴抽出から物体検出まで、

AI

に任せることができる）

8

(9)

４． AI ブーム：世の中の期待と失望の歴史

第1次AIブーム 1950年代～1970年代

・1940年代に誕生したコンピュータの利用が多くの分野に拡大、単なる計算から自動制御まで

・Rosenblatt氏パーセプトロンによって、人間の頭脳を模擬

→なんでもできるという楽観論、

・パーセプトロンの限界露呈（非線形の分類問題、XOR問題）

→人工知能の実現への期待と失望、ブーム衰退第2次AIブーム 1980年代～1990年代

・第5世代コンピュータ（国家プロジェクトのルールベースの推論マシン、エキスパートシステム）

・パーセプトロンの能力拡大（非線形の分類問題にも対応可能）

→知識を入れ込む機能（すなわち学習機能やインターネット）なし、実用にならず、ブーム衰退第3次AIブーム 2010年代～現代 AIのABC（Algorithms, Big Data, Computer）

・1997年福島氏ネオコグニトロン、CNNのアイデア

・1998年 Lecun氏LeNet、CNNの元祖

・2012年 AlexKrizhevsky氏AlexNet ILSRC（コンペ）で圧倒的勝利

・2014年 VGG、GoogleNet

・2015年 ResNetで人間の画像認識レベルを超える

・Ai技術が定着しシンギュラリティを迎えるか？

深層ニューラルネットワーク DNN、DL

ブームの興隆と衰退：技術を知らず過剰な期待

→

期待達せず失望

→

ブーム衰退 ⁹

1950 1960 1970 1980 1990 2000 2010 2020 2030 2040

第

1

第

2

第

3

西暦

(10)

10

ブームの例として機械学習の流派の切磋琢磨

•

統計的学習の歴史（数理統計学手法とニューラルネットワーク手法の切磋琢磨）

（鈴木大慈：「機械学習の概要」、応用数理、

28(1),2018

から）

・

1951

年

Robbins

、

Monro Stochastic Approximation Method

・

1951

年

Minsky

、

Edmonds Hebb

則で学習するニューラルネットワーク

SNARC

・

1957

年

Rosenblatt Perceptron →

第

1

次ニューラルネットワークブーム

・

1963

年

Vapnik

、

Learner

線形サポートベクトルマシン（

SVM

）

（筆者注：

Perceptron

ニューラルネットワークへの数学的改良

≠

深層学習）

・

1969

年

Minsky

、

Papert Perceptorn

の限界指摘（

XOR

問題）

・

1980

年福島ネオコグニトロン

→CNN

の元祖、深層学習

DeepLearning

へ

・

1986

年

Rumelhart

、

Hinton

、

Williams

誤差逆伝搬法

→

深層学習

DeepLearning

へ

→

第

2

・

1986

年

Cybenko

多層

Perceptron

（深層学習）の万能近似能力証明

・

1995

年

Cortes

、

Vapnik

カーネル法による

SVM

、深層学習の欠点克服：局所最適解への対応

（筆者注：

Perceptron

ニューラルネットワークへの数学的改良

≠

深層学習）

・

1990

年代～

2000

年統計的学習法と統計学の融合多次元スパース推定、ベイズモデル、確率的最適化

・

2006

年

Hinton

、

Osindero

、

The Deep Belief Net

・

2012

年

Krizhevsky

、

Sutskever

、

Hinton AlexNet

抜群の認識率、於いて

ILSVRC

→

第

3

(11)

５． AI 技術適用分野の俯瞰

AI技術の適用分野の例（可能性の候補）

・ビッグデータ分析（統計学の高度な利用方法）例：DataRobotなど

・データマイニング（≒ビッグデータ分析）

・言語理解（ユーザインタフェースUX）

・音声認識、言語発信（ユーザインタフェースUX）

・機械翻訳、機械通訳（ポケトークなど）

・画像認識（分類、回帰、物体認識）（医療画像病名診断）

・自動運転車

・文字読み取り

・機械の異常検知

・需要予測

・個人別セールスキャンペーン、マーケティング

・オフィス業務の省力化、AI化（RPA）

・機械のAI化（自動機械、ロボット）

・コンピュータウイルス検知

・・・・・・・・・・・・・・・

期待

従来技術での限界がAI技術で突破できるのでは、という期待

ただし、過剰な期待は、失望に終わる可能性が高い→最新技術(state of the art)をよく知ること産業的には、数年以内（近未来）の新しい技術を見通すことが大事 ¹¹

(12)

５． AI 技術適用分野の俯瞰

AI技術の適用分野の例（可能性の候補）

12

企業戦略レベル営業レベル

企業戦略製品企画需要予測

業務推進レベル製品設計、競争力ある製品設計コストダウン

ものつくりレベル製造ライン自動化

オフィス

工場

流通レベル

倉庫流通

倉庫自動化

CRM

SCM

ロボットマーケティング

ポートフォリオ

SWOT分析

生産計画

生産管理、品質管理、予防保全設備管理

配送計画人

事・財務

営繕

→

それは

AI

技術で解決するか基本的観点：どこに、どんな問題があるか

副次的観点：

AI

技術が使えそうなところはどこかにないか産

業分野

モバイル分野

（パーソナル）

音声認識言語理解画像認識ゲームその他アプリ

公共分野道路交通スマートｘｘ防災防犯その他

(13)

６． AI 技術の俯瞰

現時点でのAI技術の2つの主な流れ、手法、流派

１．主に統計学を根拠にして、数式を展開し、人間の知的活動を代替実現する手法

・ビッグデータ解析

・データマイニング

・統計的機械学習

・従来の自然言語処理（音声認識後）

２．明示的に統計学を根拠にすることなく、ニューラルネットワークを活用し、人間の知的活動を代替実現する手法

（2012年ILSRCでのAlexNetの目覚ましい成果から、それ以来、現在の主流となりつつある）

（ただし、問題によって向き、不向きがありそう）

・画像認識 CNN

・音声認識 RNN

・時系列データ処理（予防保全など）

・最近の自然言語処理（BERTなど）

13

本稿では、以下こちらに着目

(14)

AI 技術：ニューラルネットワーク

ニューラルネットワーク（下図は2層ニューラルネットワーク）

推論順方向の伝播

(forward propagation)

入力層から出力層に向かっての流れ（計算）

14

入力層

X

中間層

Y

出力層中間層の活性化関数

シグモイド関数ステップ関数

ReLU

関数重み

W

重み

出力層の活性化関数

恒等関数

→

回帰問題に使うソフトマックス関数

→

分類問題に使う

行列（マトリクス、テンソル）計算

Y

＝

X

・

W

＋

B

この結果に活性化関数で処理した結果を次の層に伝播

バイアス

B

バイアス

(15)

AI 技術：ニューラルネットワーク

ニューラルネットワーク（下図は2層ニューラルネットワーク）

学習逆方向の伝播

(backward propagation)

出力層から入力層に向かっての流れ（計算）

15

入力層

X

中間層

Y

出力層訓練データ重み

W

重み

損失関数

仮の

W

による推論結果と訓練データの差異

2

乗和誤差

交差エントロピー

学習は、訓練データを使って、損失関数の値が小さくなるように、重み

W

を調整していく動作

・数値微分（差分）による勾配法（勾配降下法）

・誤差逆伝播法（参考書籍では

1

章の分量をさいている）

バイアス

B

バイアス

テストデータ

推論時（実運用）のデータ

(16)

AI 技術：ニューラルネットワーク

ニューラルネットワーク

学習逆方向の伝播

(backward propagation)

出力層から入力層に向かっての流れ（計算）

16

学習に関する話題

教師あり学習、教師なし学習、半教師あり学習、強化学習、転移学習、

オーグメンテーション、

GAN

（敵対的生成ネットワーク）

過学習、正則化学習計数

SGD, Momentum, AdaGrad, Adam

データセット

MNIST

（手書き数字の認識）

参考書籍

斎藤康毅、「ゼロから作る

Deep Learning

」、オライリー・ジャパン、

2016

年

9

月

(17)

AI 技術：ニューラルネットワーク

ニューラルネットワークのトライアル実装

17

・前述の参考書籍などに習ってゼロから作成

・フリーで提供されているフレームワークを使って作成・TensorFlow (Google)

・Chainer (Preferred Networks) ・Keras

・Cognitive Toolkit (Microsoft) ・PyTorch (Facebook)

・Neural Network Console (SONY) ・インターネット記事で、構築例を調査

・フレームワーク得手不得手を理解

（例、高速の物体検知Object Detectionはyolo（darknet)が得意、NN構築をGUIで行うにはNeural Network Consoleが得意、等々）

・GPUの使い方を習得する

・同好の仲間で、いっしょに勉強する

・クラウドを使って作成

フレームワークやクラウドを使うことにより、難しい理屈を抜きにして、ニューラルネットワークを試すことができる

(18)

７．データの重要性（特に AI に関連して）

データの重要性についての認識

１．1980年代以前

大量のデータを蓄積することは少なく、プログラムとデータとの比較の関係では、プログラムのほうが重要と認識されていた。すなわち、データは従属的な扱いであった。

データ蓄積の方法としても、ファイル、レコードといった極めてプリミティブな仕組みであった。

２．1980年代

1970年コッド博士（IBM)のリレーショナルデータベース提唱から、やや年数を経て、データ間での関係性（ERモデル）をプログラムで汎用的に（SQL標準）扱えるようになり、データの重要性が一気に高まった。

プログラムよりもむしろデータが重視されるようになった。データ中心設計とかデータ中心アプローチ（対して、プロセス中心アプローチ）といった言葉もうまれてきた。

両者の延長として、現在は、オブジェクト指向が一般的となっている。

３．1990年代

Arpanetからインターネットの普及とティム・バーナーズ・リーによるWeb実現により、データの世

界的共有が可能となり、一層データの重要性がたかまった。

データマイニングが注目されるようになった。ビッグデータの活用例として、「ビールとおむつ」のマーケットバスケット分析の例が有名（1992年）。

18

(19)

７．データの重要性（特に AI に関連して）

データの重要性についての認識

４．2000年代以降

インターネット技術、Web技術はさらに発展し、21世紀になり、クラウドコンピューティング方式が誕生した（最初はGoogle社）。

いまでは、それらを牛耳るGAFA問題が社会問題となっている。

2003年、個人情報保護法の成立により、個人情報を保護しつつも、何らかの活用方法について、

情報銀行の名のもとに検討されている（東大、慶応大）。

一方、個人情報漏洩の問題も散発的に発生していて、クラウド上のセキュリティの面の保護強化が課題となっている。

蓄積された情報の統合的な活用のための仕組み（例：RDF、セマンティックWeb、統合的なDI

（Digital Identiity）、ECMなど）もまだ発展途上である。

企業の中、または外のクラウドにDigital Dataはあるが、統合的なアクセス手段が不十分。

2019年大阪G20において、安部首相による「大阪トラック」（国際的に（セキュｱな）データ流通と電子商取引）の提唱が国際的なコンセンサスを得つつある。ただし、ユースケース（何に使うか）は今後の課題となっている。

５．2012年以降（ニューラルネットワークタイプのAIに対して）

前述のように、ニューラルネットワークによるAI技術の優位性が明らかとなった。

優位性を生かすために、多くの（場合によっては膨大な）教師データ（訓練データ）を必要とする。

これをいかに負荷軽減するかは、今後の課題である。 ¹⁹

(20)

８．まとめ

AI 技術の応用とデータの重要性

１．産業分野では、多くの場合、AI技術のみでは、ビジネスにならない（役に立たない）、ほかの技術を組み合わされ、実際の業務の場に応用されて、はじめてAIの真価が発揮される。問題の理解。まず問題ありき、それからAI。

副次的には、AIからの視点も。

２．モバイル分野やゲーム分野では、AI技術のみのビジネスもありうる。

（この分野は別途、スコープ外とする）

３．AI技術を熟知せず、その特徴、得手不得手を理解しないで、ビジネスへの応用を図っても、期待外れに終わる可能性が高い。（万能のAIはまだない）

４．日進月歩のAI技術の進歩に常に敏感でなければならない。既存事例も。

５．AI技術を知るには、机上の勉強によるよりも、動くシステムを作成することが早道である。その敷居は現在、かなり低い。

６．どの部分で、ビジネスをできるか、どのときの付加価値はなにか。準備として何をすべきか。

７．データの重要性を認識するも、活用方法については、まだまだであり、それがビジネスチャンスである。どんなビジネスがあり得るか。留意すべきは、個人情報の保護、データのセキュリティ。

20

以上は、個人的見解であり、多くの方々と意見交換したいと思っています。

(21)

AI 技術の応用とデータの重要性

本日の内容

１． AI とは（あらためて考えてみる）

２．問題解決とは（おさらい）

３．問題解決における AI の位置づけ

４． AI ブーム：世の中の期待と失望の歴史５． AI 技術の適用分野の俯瞰

６． AI 技術の俯瞰７．データの重要性８．まとめ

21

AI 技術の応用とデータの重要性

NF 研 AI ビジネス パネルディスカッション

AI 技術の応用とデータの重要性

2019 年 9 月 26 日

（株）アイエスイーエム

宮西洋太郎

AI 技術の応用とデータの重要性

本日の内容

１． AI とは（あらためて考えてみる）

２．問題解決とは（おさらい）

３．問題解決における AI の位置づけ

４． AI ブーム：世の中の期待と失望の歴史 ５． AI 技術の適用分野の俯瞰

６． AI 技術の俯瞰 ７．データの重要性 ８．まとめ

１． AI とは（あらためて考えてみる）

Wikipedia

https://ja.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%9F%A5%E8%83%BD

: artificial intelligence

AI

computation

computer

computer science

(

)

AI

２．問題解決（おさらい）

ToBe)

AsIs)

AI

３．問題解決における AI の位置づけ

Systems Engineering

WBS

AI

AI

AI

AI

AI

３．問題解決における AI の位置づけ

No.125 2019

8

16

https://www.fujisan.co.jp/product/1281680155/new/

(

)

https://www.rt-net.jp/foodly

https://www.rt-net.jp/products/sciurus17

AI

AI

３．問題解決における AI の位置づけ

(

)

https://www.rt-net.jp/fooma2019_concept

AI

３．問題解決における AI の位置づけ

AI

OpenCV

AI

AI

AI

４． AI ブーム：世の中の期待と失望の歴史

→

→

1950 1960 1970 1980 1990 2000 2010 2020 2030 2040

1

2

3

ブームの例として機械学習の流派の切磋琢磨

•

28(1),2018

1951

Robbins

Monro Stochastic Approximation Method

1951

Minsky

Edmonds Hebb

SNARC

1957

Rosenblatt Perceptron →

1

1963

Vapnik

NF 研 AI ビジネスパネルディスカッション

４． AI ブーム：世の中の期待と失望の歴史５． AI 技術の適用分野の俯瞰

６． AI 技術の俯瞰７．データの重要性８．まとめ