平成１７年度大学院 知識システム特論

平成30年度大学院

Webインテリジェンス論

やまぐち たかひら

山口 高平

内線：42673

電話：045-566-1614

FAX; 045-566-1617

メール：

_{[email protected]}

Web：

www.yamaguti.comp.ae.keio.ac.jp 1

授業内容と授業計画，講義資料，成績評価

授業内容 人工知能(AI)の現状を限界を正しく把握し、AIとインターネットを融合した 「セマンティックWeb、オントロジー、リンクトデータ」について学ぶ。 また、ゲストスピーカを招いて、AIの研究開発とビジネスについて学ぶ。 授業計画 ①4/10 AIの過去・現在・未来 ②4/17 オントロジー＋セマンティックWeb概要(森田講師） ③4/24 タイプ別最新AI ④5/8 ES、BRMS、RPA ⑤5/15 RDF,RDFS ⑥5/22 OWL ⑦5/29 Protege演習1回目 ※6/5は学会出張のため休講です ⑧6/12 Protege演習2回目 ⑨6/19 SPARQL演習1回目 ⑩6/26 SPARQL演習2回目 ⑪7/3 オントロジーとLODサービス ⑫7/10 ゲストスピーカ ※7/17は学会出張のため休講です

講義資料：pdf(or ppt)資料をWebに掲載 www.yamaguti.comp.ae.keio.ac.jp

成績：レポート3-4回程度で評価

2 WI論

今日の講義内容

• 現在、第3次AIブームを迎えているが、AIを細分化せず

大括りにしているために、間違った議論がみられる。

• 今回と3回目の講義では、AIをゲーム型、視覚動作型、

予測型、問題解決型、対話型の5種類に分類し、各種

AIで利用されている技術と性能限界について述べる。

AIの大分類：

・知覚運動型AI：ビッグデータ＋大規模並列コンピュータ ＋Deep Learning ・知識利用型AI（ワトソン、東ロボ君）：オントロジー、記号推論群、言語理解

AI＝人の知的な振る舞いを実行するSW（脳みそ）

ロボット＝体、AIではない。

1956年夏 ダートマス会議（チェス、定理証明）

探索、推論

1960年～

第1次AIブーム

（

単なる期待

、Toy Problem）

1970年～

第1次冬の時代

（機械翻訳無理！基礎研究は継続）

1980年～

第2次AIブーム

（

推論と知識の時代

、

第5世代コンピュータ、エキスパートシステム、AIベンチャー）

1995年～

第2次冬の時代

（基礎研究は継続）：

インターネット、クラウドサービスの時代へ

2010年～

第3次AIブーム

（AI

、IoT、Big Data, Security）

日本: Society 5.0 (2016-)

（人工）ニューラルネットワーク（神経回路網）

Another AI の歴史

脳を規範としたモデリングの研究。AI does not care so much about Brain。

AI(1956-)とNN(1958-)は、ほぼ同時期に研究開始。

人工知能学会（1986-)と日本神経回路学会(1989-)も同時期設立。

AI ≠ NN（脳を規範としないAIとは相いれないケースあり）

第１次NNブーム

1958年：パーセトプロン by Frank Rosenblatt (1928-1971)

第１次冬の時代

1969年：パーセトプロン批判 by Marvin Minsky(1927-2016)

1979年：ネオコグニトロン（猫の視覚野の研究をモデル化

→Simple細胞：図形特徴抽出、 Complex細胞：位置ずれ補正 by 福島邦彦氏

→CNN型 Deep Learningの基礎となる

第3次NNブームの背景と現状

第2次NNブーム

1982年：Hopfield Network by John Hopfield

1985年：Boltzmann Machine by Geoffrey Hinton

1986年：Backpropagation（誤差伝搬法） by David E. Rumelhart

1989年：Convolutional NN by Lecun

（1988年：日本神経回路学会発足）

※過学習＆局所解が課題。学習が長時間。

第2次冬の時代

1990年-2010年：Bayesian Net, SVMなど、数理モデルベース機械学習が注目、

第2次NNブームは終焉。

第3次NNブーム

2006年：Auto-encoder by Geoffrey Hinton

2012年：Restricted Boltzmann Machine by Geoffrey Hinton

多層NNをDeep Learningと呼ぶようになり、DL>SVM, Basian…

Convolutional NN ：画像認識、音声認識への応用。ベンチマークで最高性能

Recurrent NN:自然言語処理への応用

※GPUマシンの普及：並列CPUマシンと比べて1/100のコスト

※DLツールの普及：Caffe, Chainer, TensorFlow

6 WI論

第3次AIブームの背景と現状

・コンピュータの廉価、高速化（15年間で1000倍）

・HDDの廉価、大容量化（2000年1000円→現在5円）

・ネットワーク広帯域化（2008年 FTTH回線＞ADSL回線）

・ソフトウェアのオープン（無料）化

AI2大トピック

①２０１１年 IBMクイズAIワトソン

（AI統合）

AI統合は開発コスト大きい。でも売上げは最高

②２０１２年 グーグルの猫

（Deep Learning)

～Deep Learningによる特化型AIが多数開発

（一部の領域で人を超える凄い性能：量は質を凌駕する。

ブラックボックスで人には理解不能。不安も起こる）

◎AI研究開発投資 ①企業：ネット5大企業GAFMA＋IBM, 中国BAT, 日本トヨタ、リクルート ②政府：米国、英国、EU（独、仏）、中国、日本、韓国など WI論 7

AIの誤解と混乱（１）

NHKスペシャル『AIに聞いてみた

どうすんのよ!? ニッポン』 2017.7.22

• 5000種類、700万（オープン）データ

• Deep Learning（畳込み型）適用

• 「40代ひとり暮らしが日本を滅ぼす？」

「少子化止めるには結婚よりもクルマ買え」

「病院減らせば、健康な人が増える？」

• DLの結果は、

相関関係（疑似相関）

であり、因果関係ではない。

妥当性は、人が検証しないといけない。

• マツコ・デラックス

「これが正解とは言わないけれど、

分かりやすいお告げ

_」

WI論 8

AIの誤解と混乱（2）

アルファー碁 シンドローム

ユーザ：囲碁で、AI（アルファー碁）が

トッププロ棋士に勝ちましたよね。

当社のこの業務、人件費がネックなんです。

AIで代行できますか。

AI担当者：調査してみないとわからないです。

ユーザ：囲碁って、普通の人には難しいでしょ。その囲碁でAI

が人を超えたんだから、こんな業務くらい、簡単でしょう？

AI担当者：そうですね？やってみましょう。

各分野の最新AI

④対話Bot

⑤知識AI

②視覚・動作AI

③予測型AI

統合AI

データ型AI

知識型AI

①ゲームAI

WI論 10

人の脳（大脳）と人工知能

ゲームAI 知識型AI 視覚型AI 対話AI 感情型AI 運動型AI ビッグ データAI

①ゲームAI

先読みから棋譜データ分析へ

2016.3 Google Deep Mind アルファ碁 アマチュア7段から トッププロへ躍進！ 2012.1 第1回電王戦 故米長元名人vs. ボンクラーズ 1997 AIチェス Deep Blue

AIがプロに迫る&超える

10

120

₁₀

220

₁₀

₃₆₀

※巨大数の例

観測可能な宇宙（800億の銀河）の水素原子数 約１０

80

RSA公開暗号鍵サイズ 1024bit 2

1000

₌

₍₂

10

₎

100

₌₁₀

300

故米長名人

ボンクラーズは50000棋譜以上から

機械学習で強くなった 。

だから、知らない手が有効なはず

2012年1月

第1回電王戦 一手目

14

故米長元名人

vs.

ボンクラーズ

WI論

午前：ボンクラーズは困惑 ?

午後：故米長元名人が

一つのミス

ボンクラーズ

攻撃開始！

第1回電王戦 中盤

勝者

敗者

記者

会見

ボンクラーズは、

常に、私のミスを待っていた。

ミスをした途端、攻めてきて、

大変なプレッシャーを感じた。

16

第1回電王戦 終局

WI論

ボナンザ（保木邦仁氏開発）の評価関数

• 各駒の価値（駒割り）

• 王、他の駒2つの位置

• 王、隣接した味方の駒、他の味方の駒3つの位置

• 隣接しあった駒2つの位置関係

• 竜馬飛角桂香の利き上にいる駒の種類

→5万棋譜データを与え、機械学習を実行し、プロの指し手

パターンを学習した結果、棋力が格段に上昇した。

さらに、新手と呼ばれるパターンも見出した。

将棋AIの機械学習で利用される評価関数

• 各駒の価値（駒割り）

• 王、他の駒2つの位置

• 王、隣接した味方の駒、他の味方の駒3つの位置

• 隣接しあった駒2つの位置関係

• 竜馬飛角桂香の利き上にいる駒の種類

→5万棋譜データを与え、機械学習を実行し、プロの指し手

パターンを学習した結果、棋力が格段に上昇した。

さらに、新手と呼ばれるパターンも見出した。

2016年 電王戦 山崎叡王vsPONANZA 2017年 電王戦 佐藤叡王vsPONANZA WI論 18

Google DeepMind アルファ―碁 4勝 vs 世界ランキング2位Lee Sedol九段（韓国）1勝

韓国ソウル市、2016.3

Google DeepMind アルファ―碁 3勝 vs 世界ランキング1位 柯潔（か けつ)九段 0勝

中国浙江省烏鎮、2017.5

アルファ碁→アルファ碁ゼロ

→アルファゼロへの進化

量は質を凌駕する。

• アルファー碁ゼロ

過去の棋譜データを利用しない（ゼロ）。アルファー碁

を対戦させて、強化学習（勝ちそうな手に得点を与え

る）により棋力向上。アルファー碁と100回戦全勝。

アルファーゼロ

囲碁、将棋、チェスにルールのみ教えて、強化学習に

より棋力向上。世界トップAI将棋「エルモ」、世界トップ

AIチェス「ストックフィッシュ」と対戦して勝利。

★囲碁・将棋・チェスすべてで世界最強という３冠成

WI論 20

チェス選手権はフリースタイルの時代へ

混成チーム２

アマチュア＋AI

混成チームⅠ プロ＋AI AI プロ

Chess Metaphors:

Artificial Intelligence and the Human Mind

22

48チーム参加

（人、コンピュータ、人＋コンピュータ）

優勝：ZackSチーム

Zackary Stephen

（統計学修士，24歳，1381）

Steven Cramton

（予備校講師，28歳，1685）

使用ソフト：Shredder 8，Fritz 8，Junior 7，

Gambit Tiger

（※レーティング：初心者800, 中級者1500,

日本チャンピオン2300, グランドマスター

2500, 世界チャンピオン2800）

By Diego Rasskin-Gutman Translated by Deborah Klosky

Deep Learning

Quoc V. Le, Marc’Aurelio Ranzato, Rajat Monga, Matthieu Devin, Kai Chen,

Greg S. Corrado, Jeffrey Dean, and Andrew Y. Ng:

Building High-level Features Using Large Scale Unsupervised Learning,

ICML2012

Key note Jen-Hsun Huang

GPU Technology Conference2014

26 WI論

Error Rate

ILSVRC (ImageNet Large Scale Visual Recognition Challenge)

3.6

Auto-encoder as Pre-Training

自動符号化（原画像から復元画像）

G. E. Hinton, A. Krizhevsky & S. D. Wang: Transforming Auto-encoders, ICANN11 (2011)

原画像

復元画像

制限付きボルツマシン(RBM)： 入力層と隠れ層、隠れ層と出力層間の結合。 同層の結合はない。 ユニット：確率論的二値ユニット RBMの学習：入力層データを再現できるように、 ユニット結合係数wij値を調整する。 自動符号化：隠れ層が情報圧縮となる。 多層化：一つのRBM学習終了後、 上位に重ねる→上位ユニットが 抽象度の高い特徴となる。 28 WI論

プ ー リ ン グ 層 正 規 化 層 畳 み 込 み 層 プ ー リ ン グ 層 正 規 化 層 畳 み 込 み 層 プ ー リ ン グ 層 正 規 化 層 畳 み 込 み 層 32x32 入力画像 3X3フィルタをスライド適用し、 活性化関数に与えて （畳み込んで）、 特徴マップ作成する。 正規化実行可否 低次元化

※ハイパー変数決定問題

フィルターサイズ

活性化関数

正規化

ドロップアウト

などなど

出

力

層

知覚処理用Deep Learning

Convolutional Neural Network

1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 １ １ ０ ０ １ １ ０ ０ 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 １ １ ０ ０ １ １ ０ ０ 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 １ １ ０ ０ １ １ ０ ０ 1 1 1 0 0 0 1 1 1 0 0 0 1 1 1 0 0 １ １ ０ ０ １ １ ０ ０

×

×

1 0 1 0 1 0 1 0 1 1 0 1 0 1 0 1 0 1 1 0 1 0 1 0 1 0 1 1 0 1 0 1 0 1 0 1 1 0 1 0 1 0 0 0 1 1 0 0 0 1 0 1 0 1 0 0 1 0 0 0 0 0 1 1 0 1 0 1 0 1 0 0 合 計 合 計 合 計 合 計 4 4 4 4 4 2 4 4 2 4 ストライドが2の場合の畳み込み処理

＝

＝

＝

＝

×

×

入力データ （5×5） フィルター （3×3） 特徴マップ_（2×2）

畳み込み層

30 WI論

1 2 3 0 0 1 2 1 0 4 1 2 0 1 1 1 1 2 3 0 0 1 2 1 0 4 1 2 0 1 1 1 1 2 3 0 0 1 2 1 0 4 1 2 0 1 1 1 1 2 3 0 0 1 2 1 0 4 1 2 0 1 1 1 2 2 3 2 3 4 2 3 4 2 特徴マップ（4×4） （畳み込み層からの出力） 特徴マップ（4×4） _{（畳み込み層からの出力）} 特徴マップ （2×2） 特徴マッ プ （2×2） 最大 値 最大 値 最大 値 最大 値 最大値プーリング プ ー リ ン グ 領 域 （ 2 × 2 ） ① ③ ② ④ プーリング領域2×2、ストライド＝2、ゼロパディングなし

プーリング層

入力データ （224×224 ） 畳み込み層 （224×224 ） プーリング 層 （112×112 ） 畳み込み 層 （112×11 2） プーリン グ層 （56×56） 全結 合層 出力 層 （確率） 0.1 猫 0.8 犬 0.1 自 転車

畳み込みニューラルネットワークの全体像

フィルター（フィルター数4） フィルター（フィルター数8） 32 WI論

AI医療画像診断（大腸がん発見）

NHK Eテレ AI超入門2017.11

医師

AIシステム

Google Hand-eye Coordination Learning

Deep Reinforcement Learning

The world's first robotic kitchen

http://www.moley.com

/

36 WI論

無人運転（パターン認識） 2012年 ネバダ州免許 2013年 カリフォルニア州免許

機械学習により運転操作の学習

入力

①LIDAR（レーザー光を使ったレーダー）

②カメラ画像

③GPS

出力

①アクセル

②ブレーキ

③ハンドル操作

2017.10

300万マイル以上走行

（バスに衝突：自責事故）

自動運転

グーグルカー

自動運転の自動化レベル

BCG Press Release 2015.1.19

http://www.bcg.co.jp/documents/file180099.pdf

（部分＋完全）部分自動運転車の割合

2025年13％、2035年25％と予測

テスラ 自動運転初の死亡事故

自動運転用センサーが強い日差しと

トレーラーの白い車体を識別できず減速しなかったため

40 WI論

③予測型AI

PredPol 犯罪予測AI

42 WI論

（日本の事例１：農業）牧畜管理

• 本川牧場（大分県）5000頭の牛を飼育

年間1万トン生乳出荷量（全国4位）

• RFID（無線ICタグ）による搾乳量管理

万歩計による運動量の把握など、

牛の個体情報・作業に関する

約300項目データ収集

→ 牛の健康管理、牛乳生産量の予測

• 牛乳生産量1日あたり2トン、16万円増加

• 過剰生産による廃棄ロスの減少

From IT Pro by 日経コンピュータ 2013/10/01

（日本の事例２：工業）製品の販売生産管理

リーマンショック後、コマツでは建機の在庫が急増 →機械稼働管理システム「KOMTRAX」による建機の稼働状況に加えて、 流通在庫＋販売状況の管理 →◎在庫1万8000台から約1万台まで削減 →×インドネシアの建設機械の稼働順調、販売順調と予測 しかし、通貨ルピア急落により販売激減（経済予測データも必要） ①組立工場内 ②製品組立から納品までの進捗管理チャート ③グローバル販売生産管理 ④世界34万台以上の建設機械の稼働状況 ① ② ③ ④ From 日経BigData 2014.02.12 44 WI論

(日本の事例３：サービス業）顧客の食欲予測

From IT Pro by 日経コンピュータ 2014/10/16 ・すべてのすし皿にRFIDタグ（無線ＩＣチップ） →単品管理。鮮度管理（マグロは、350m 回ると廃棄。売れネタのリアルタイム把握、 ・40億の販売ビッグデータの分析 →顧客の食欲を指数化した「喫食パワー」予測 →1分後予測（顧客着席経過時間などから予測） →15分後予測（統計データ、曜日、時間帯から傾向値を算出し、 必要な寿司の量を算出する。 →廃棄寿司量が７５％削減

④ 対話AIアシスタント

スマフォからAIスピーカへ

Apple HomePod

1966年 ELIZA

• 入力された文章にあるパターンが含まれているか調べ反応

• 会話を理解しているように見せかける，はぐらかす

– ELIZAとの対話における「意味」は，人間から与えられるか用意された

限られた数の反応のどちらか

• 事前に用意された定型的な表現の中から応答

• 俺にはみんなが俺を笑っていることはわかっていたんだ → 特に誰のことを考えていますか? • キーワードが見つからない場合 → なぜそう思うのですか?

• これらの対話は非常に限定された局面でしか通用しない

– 精神病の治療面接

• 対話において、話し手の一方が、実際の世界について 殆ど何も知らないというポーズをとっても構わない数少ない例の１つ

会話ボット、人工無能

AIとの共同生活！？

2011- 2015- AIスピーカ ホログラムロボット 音声アシスタントSIRI りんな Alexa by Amazon 逢妻アズマヒカリ by Apple by MS Google Home by Google by GateBox

Google翻訳

Google‘s Neural Machine Translation System

量は質を凌駕する。

• 2016年11月：

Deep Learning

により翻訳精度が

大幅向上

• 「英→仏」翻訳

1万5000時間学習

• 翻訳者の未来は？

⑤ 知識型AI

50 WI論

ナレッジナビゲータ

（アップル社の唯一のコンセプトビデオ．1987年）

英語

_{http://www.youtube.com/watch?v=dyFpu0P4Wek}

英語（日本語字幕）

http://pantani.cocolog-nifty.com/wannabe/2008/08/iphone_6_knowle_9799.ht

ml

日本語吹替

_{http://www.youtube.com/}

watch?v=yc8omdv-tBU&feature=related

→

https://www.youtube.com/watch?v=yc8omdv-tBU

1980年代 AIブーム（知識工学）

ＨＰＰ：Ｈｅｕｒｉｓｔｉｃｓ

_{Programming Project}

完全ではないがたいていの場合うまくいく知識や方法

※ＭＹＣＩＮプロジェクト

_{（１９７３～１９７６）}

ＭＹＣＩＮ，ＴＥＩＲＥＳＩＡＳ，ＧＵＩＤＮ，ＥＭＹＣＩＮ

◎知識表現、知識利用、知識獲得→知識工学

There is power in the knowledge ! (1977)

by Prof. E. Feigenbaum

1980年代→知識の時代へ

エキスパートシステム

_{，自然言語・画像・音声理解}

システム，知的教育支援システム，．．．

国家プロジェクト，ＡＩハード・ソフトベンダー

52 WI論

エキスパートシステム

ユーザ

知識

ベース

知識

獲得

推論

エンジン

作業

領域

対話

I/F

説明

機能

(専門家)

1990年代：知識獲得ボトルネック

知識（ルール）

→ESが専門家代行という過大な期待.

知識ベース開発のための知識獲得は大変だ！

通産省：第5世代コンピュータ(1982-1994)の失敗？

→推論マシンに特化しすぎ．知識が余りにも不十分．

1990年代： 大規模知識ベース，大規模辞書プロジェクト

CYC, EDR,

WordNet

(フリーなので現在も広く使われる）

でも，あまり変化しない静的知識だけ．現実には動的知識が

多い．使えないなぁ．AIブームは完全にさめて下火へ

54 WI論

対話型AI（AIスピーカ・対話ロボット ）の限界

言葉の意味理解、文脈理解、常識推論は、今のAI

では無理。対話型AIに ｗｈｙ, howを尋ねても回答

できない。深いレベルの対話は、構造化知識が

必要があり、研究段階である。

昨日、電話を食べて、

おいしかったよ

電話は食べ物じゃないから、

食べれないよ！馬鹿！

昨日、浅草に演劇を見に行ったけど、

脇役の人が主役の人を食ってたよ！

人は食べ物ではないので、

食えませんよ。

WI論 56

2003年 QA Challenge !(1) IBM PIQUANT

• 2003～ IBM，PIQUANT プロジェクト

(Practical Intelligent Question Answering Technology)

★閉じた問題ではなく、事前に分からないクイズに解答する

という開いた悪構造問題に挑戦

深い論理形式分析と浅い機械翻訳ベースのアプローチを統合

この難しい問題にチェレンジするには、AI技術が未熟で、

2011年 QA Challenge ! (2) IBM Watson

・IBM Deep Question Answering

Project(ジョパディで，ワトソンが

チャンピオンに挑戦して勝利）

Open-Domain Question Answering

PIQUANTから時代が進み，

技術が成熟、マシンパワーが拡大

58 WI論

IBM Watsonシステム構成

★大規模知識の獲得（100万冊，2億ページ）

百科事典、辞書、シソーラス、ニュース記事、著 作物などを情報源。自動的にコーパスを拡大。 ★徹底した質問文解析：LAT(Lexical Answer Type) と重要語抽出 ★突出した一つのAI技術ではなく，言語理解，情 報検索，不確実性推論，仮説生成，仮説統合と ランキング、機械学習，知識表現(オントロジー）， 構造化データなど，100以上の従来AI技術（20年 前の技術もある）の集大成 ★精度、確信度、速度を考慮した_{AIインテグレー} ション ★計算力：並列計算による計算パワー ★展開性： 医療、金融、行政、マーケティングに も適用可能

クイズAIワトソン NHKサイエンスゼロ

２０１１年４月 ７分４０秒～１０分２０秒

１１分２０秒～１８分４０秒

Watsonの質問応答

2017.4.16 日経新聞

NII 東大ロボットプロジェクト

2021年東大入試合格を目指して

東ロボくんの各教科アプローチ

• 国語：含意関係認識。評論の問題で、設問に合致する選択肢を選ぶ問題がよく 出題されるが、設問文で指定された本文から、選択肢を選ぶ根拠となる部分を抽 出し、その根拠部分と選択肢を比較照合し、最もよく「含意する」選択肢を選ぶ手 法を開発したところ、50％程度の精度を達成できた。（名古屋大学佐藤研究室） • 世界史・日本史：情報検索と新しい含意関係認識の統合_{。Wikipediaや教科書に} あるテキストt1を事実と仮定し、問題文にあるテキストt2が事実であるか否かを判 断する含意関係認識問題について、文の意味を集合間関係の代数式で表現し、 その集合間関係を論理演算や機械学習で認識する手法を開発中。 • 英語：_{発音や文法などの短文問題は70%程度、読解や会話文の長文問題は30%} 程度の正答率。長文問題に対して、粒度の異なる語句の類似度判定、事実性の 判定、述語項構造解析と照応解析（主語特定とイベント参照）、映画スクリプトか ら対話自然性判定解析、ConceptNet5を利用した常識推論などの課題に取り組 んでいる（NTT-CS研等との共同研究）。 • 数学：自然言語解析と論理と数式処理の統合を目指しており、日本語で記述され た問題文と同等のZF （Zermelo-Fraenkel）表現を一階述語論理式に変換し、限量 子消去 (quantifier elimination: QE)などを含む数式処理を適用して問題を解く。

QE は、二次関数、不等式・領域の問題、平面図形の問題など、多くの入試問題 を解くことができる．ただ数学でも、問題文を読んで式を立てる過程が課題である （富士通研究所との共同研究）。

66 WI論

200 86.0 80.0 48.4 50 24.6 16.0 40.5 200 105.4 90.0 45.1 100 45.5 75.0（40） 64.0（46.9） 100 42.8 77.0（55） 65.8（51.9） 100 45.9 76.0（52） 66.5（56.1） 100 46.6 55.0（44） 54.8（48.2） 物理 100 49.4 42.0（31） 46.5（49.0） 950 416.4 511.0 57.8 受験番号 氏名 科目 満点 全国 _平均点 本人得点 _（昨年） 本人偏差値 _（昨年） 英語（筆記） 英語（リスニング） 国語 数学ＩＡ 数学ⅡＢ 世界史Ｂ 日本史Ｂ ５教科合計

東ロボくん 進研模試 総合学力マーク模試成績(2015.11)

大学・学部・学科 合格可能性80％以上の大学・学部・学科 国公立大 170大学 570学部 2,139学科 33大学 39学部 64学科 私立大 580大学 1,723学部 4,305学科 441大学 1,055学部 2,406学科

WI論 68

2016年度マーク模試

NHK News Watch

意味（セマンティクス）とは？

• Semantics(意味論と訳される)

→数学において「論理式の真理値」を扱う

→言語学において「言葉の意味」を扱う

→

①内包的意味（Sense）

→記号と記号（具体例＋概念）の関係

②指示的意味（Reference）

→記号と「もの・こと」の関係

70 WI論

内包的意味（Sense）の理解

クイズグランプリ １９７８(from Youtube) Q:ピンクレディ，ミリオンダラー，マンハッタンといったら何の種類? A:カクテル ※コンピュータに解答せるには、 ピンクレディ，ミリオンダラー，マンハッタンが具体物（インスタンス）として 含まれるカテゴリー（クラス，概念）を検索できるようなデータベースを 用意すればよい

教員:プロジェクターを直しといて．

学生：どこか壊れましたか？

教員：？？？

指示的意味（Reference）の理解

（打ち上げ_{花火を見に行って）} 子供：花火，綺麗やったなぁ．明日も見に行こう． 親：明日はやってないから，花火を買って，家でやろう． 子供：わーい，わーい． （翌日） 子供：こんなん花火とちゃう，ちゃう． 親：何でや．これは花火やで．？？？？ 子供：．．．．．．． 僕はバナナがいい． 私はりんご． NAOとってきて． 72 WI論

①言葉（概念） 分類階層木 ②言葉（＝固有表現、 具体物）ネットワーク 織田 信長 本能 寺 墓所 濃姫 妻 法華 宗本 門流 日本 の 寺院 建築 物 日本 の神 農民 武士 宗派 1415年 創建年 歴史 上の 身分 神 天文3年5月12日 生誕 豊臣 秀吉 主君 本蓮 寺 宗派 日本 の城 岐阜 城 建立 1347年 創建年

人・もの・

こと分析

分け方

オントロジー

Wikipediaからオントロジー（言葉階層木，言葉の ネットワーク）に自動変換して， 人工物に言葉の意味(Sense)を理解させる →日本語Wikipediaオントロジー 人間には，ウィキペディアの内容（意味） が判るけど人工物（コンピュータ，スマ フォ，ロボット．．．）には判らない

日本語Wikipediaオントロジー

74 WI論

76

さらにズームアップ（模式図）

日本の 小説家 小説家 作家 人物 文学 文化 芥川龍之介 文化活動 家族 日本史 の人物 代表作 職業 職業 プロパティ定義域 クラス－インスタンス関係 Is-a関係・プロパティ上位下位関係 トリプル プロパティ値域 日本の 大学 日本の 小説 日本 存命人物 羅生門 蜘蛛の糸 鼻 小説家 塚本文 芥川也寸志 芥川貴之志 短編小説 日本 東京帝国 大学英文科 日本の映 画作品 作曲家 日本のクラ シック音楽 の作曲家 オペラ 作曲家 夏目漱石 明治の 人物 明治大学 の人物 門下生 津田青楓 坊っちゃん こゝろ 小説 時代小説・ 歴史小説 作家 誕生 最終学歴 配偶者 子供 著作 国籍 親族 ジャンル 死没 東京都出 身の人物 日本出身 の人物 文庫本 クラス プロパティ インスタンス 俳人 WI論

日本語Wikipediaオントロジー

オントロジー人型ロボットNAO

と子供達・シニア

78

QA

体操教示

人型ロボットNAO vs 哲学者

＠TBSラジオ，荒川強啓 デイ・キャッチ！

2016.4.22

アナウンサー 荒川強啓 アナウンサー 片桐千晶 宮台真司教授 （首都大学） 哲学者

⑥ 統合知能・

AIロボット

JST/CREST ：人間と機械の創造的協働を

実現する知的情報処理技術の開発

PRINTEPS：ワークフロー（ビジネスプロセスの組合せ）

→SWモジュール→コード http://printeps.org

聞いて 話して 見て 考えて 学んで 動いて

みんなのAI：PRINTEPS

ロボット喫茶店＠大学祭

2017年10月7日（最初の映像、乱れます）

Pepper座席案内@大学祭 4倍速

聞いて 話して 見て 考えて 学んで 動いて

みんなのAI：PRINTEPS

ロボット喫茶店→動画

先生（TA)ロボット

教員による授業支援TAロボットの実践

2016年1月25日 慶應義塾幼稚舎 6年生4クラス 理科：左右のつりあい ～てこの原理の実験～ 慶應側で実装 2016年12月15日 慶應義塾幼稚舎 6年生4クラス 理科：体のしくみ (カエルの解剖の復習) 教師がPRINTEPS利用 ARで臓器を体に投影 2015年1月28日 横須賀市立 鶴久保小学校 5年生4クラス 合同(計113名) 社会：地球温暖化 慶應側で実装 2017年9月26日 東京都杉並区立 浜田山小学校 5年生2クラス 社会：地球温暖化 教師がPRINTEPS 利用 2017年7月11日 開智望小学校 4年生1クラス 探求：エネルギー の仕組み 教師が PRINTEPS利用

授業支援ロボットの設計

OpenPose (by CMU)による

生徒の姿勢（顔の向き）の判断

θ θ 顔の向き＝前 顔の向き＝横（よそ見） WI論 92

よそ見生徒カウンター

よそ見をしている生徒に

_Look!!!

4人×5机＝20人のよそ見の合計値が大きくなると

Furhat（表情変化ロボット）が悲しい顔になる

（課題はタイムラグ。下記動画は同期せず）

⑦人とAIの協働

The Future of Employment

Carl Benedikt Frey and Michael A. Osbome, Oxford Univ. 2013

• コンピュータに代行困難な重要要素

①Creativity （創造性、創意工夫）

②Dexterity（手先の器用さ）

③Social Intelligence （社交性）

ルーチンワーク的な仕事は、AIに置き換えられ

ていく可能性が大きい

人工知能やロボット等による代替可能性が高い100種の職業

by NII 2015

【事務員・作業員】 一般事務員 医療事務員 駅務員 会計監査係員 貸付係事務員 学校事務員 教育・研修事務員 行政事務員（国） 行政事務員（県市町村） クリーニング取次店員 警備員 経理事務員 検収・検品係員 検針員 建設作業員 産業廃棄物収集運搬作業員 出荷・発送係員 じんかい収集作業員 人事係事務員 新聞配達員 スーパー店員 生産現場事務員 製本作業員 清涼飲料ルートセールス員 倉庫作業員 宅配便配達員 通信販売受付事務員 積卸作業員 電子計算機保守員（ＩＴ保守 員） 道路パトロール隊員 日用品修理ショップ店員 バイク便配達員 発電員 非破壊検査員 ビル清掃員 物品購買事務員 貿易事務員 包装作業員 保管・管理係員 保険事務員 郵便外務員 郵便事務員 有料道路料金収受員 列車清掃員 レンタカー営業所員 【工員】 鋳物工 ＡＶ・通信機器組立・修理工 ＮＣ研削盤工 ＮＣ旋盤工 加工紙製造工 カメラ組立工 機械木工 金属加工・金属製品検査工 金属研磨工 金属材料製造検査工 金属熱処理工 金属プレス工 計器組立工 ゴム製品成形工（タイヤ成形を 除く） こん包工 サッシ工 紙器製造工 自動車組立工 自動車塗装工 水産ねり製品製造工 製パン工 製粉工 繊維製品検査工 惣菜製造工 鍛造工 電子部品製造工 プラスチック製品成形工 ミシン縫製工 めっき工 めん類製造工 【オペレーター】 IC生産オペレーター CADオペレーター 石油精製オペレーター セメント生産オペレーター 電算写植オペレーター プロセス製版オペレーター ボイラーオペレーター マシニングセンター・オペレーター 【担当係】 受付係 銀行窓口係 データ入力係 ホテル客室係 レジ係 寄宿舎・寮・マンション管理人 給食調理人 宝くじ販売人 駐車場管理人 【その他】 診療情報管理士 測量士 タクシー運転者 通関士 電気通信技術者 電車運転士 ビル施設管理技術者 路線バス運転者 WI論 96

米国マッキンゼー調査(2017.11)

ロボット進展により、2030年までに

世界8億人が職を失う（46カ国800職種）

2億人 1.5億人 1億人 5千万人

サービス業におけるロボット利用

ロボット解雇？従業員解雇？

ロボットレストラン、

ハルビン市、中国、

2012.6-

変なホテル、変なレストラン

長崎ハウステンボス、日本、

2015.7-

WI論 98

製造業（製品組立工場）における

作業者と双腕ロボットの協調

メガバンクでリストラ？

みずほフィナンシャルグループ：2026年度末までに1万9000人削減

三菱UFJフィナンシャルグループ：2023年度末までに9500人削減

三井住友フィナンシャルグループ：2019年度末までに4000人削減

3行 3.25万人／17万人 約2割削減

WI論 100

富国生命 ＡＩ導入、３４人削減へ

保険査定を代替 (2017.1)

• 日本ＩＢＭのＡＩ「ワトソン」

• 医師の診断書などから、病歴や入院期間、手術

名といった入院給付金支払いなどに必要な情報

を、ＡＩが自動的に読み取る。

• 給付金額の算出のほか、契約内容に照らし合わ

せて支払い対象となる特約を見つけ出すことも

可能で、支払い漏れの予防も期待できる。

• ＡＩの査定対象になりそうな支払い請求は、

２０１５年度に約１３万２０００件。

人とAIの協働社会へ

• 将棋AI、囲碁AIが、トッププロ棋士に圧勝した。大量の棋譜データに機械

学習・ディープラーニングを適用し、局面に依存した打ち方を学習し、

人類の知らない定石を生み出した。その結果、将棋・囲碁の世界で、

AIはプロ棋士を超えたのだから、わが社の業務の自動化など

簡単であろうという誤解と混乱

_{が広がりつつある。}

• 機械学習・ディープラーニングだけがAIではない。探索、論理、推論、

含意、ルールベース、オントロジーなど、様々なAIがあり、

意味理解、文脈理解、常識推論などは、AIより人が格段に優位である。

例えば、ルーチンワーク的な知識労働者、士業（税理士、会計士、パラ

リーガル）は消えると言われるが、

業務を細分化すれば、人の優位な業務、AIの優位な業務が見えてくる。

• 現在、ビッグデータを利用した機械学習・ディープラーニング型の

「データ

型AI(凄いAI）」

に注目が集まるが、ブラックボックスで、過程を説明できな

い。今後、人類の持つ大規模知識を利用し、人が尋ねれば説明できる

「知

識型AI（説明可能なAI）」

に再度注目が集まり、最終的には、これらのタイ

プ別AIを統合したAIが開発され、

人とAIが協働する未来社会

が期待される。

WI論 102