【中編】杉山将教授登壇世界の最新AI動向を知るAIカンファレンス

Ryohei_F: 本物のAIには全てに機械学習が使われていて、その他はマーケティングとしての”AI”だと。確かに “AI使ってます！” って言っているサービスで、”えっそれほんとにAIなの？”みたいなケースよくありますよね笑
人工知能の分野には複数の学会が存在するみたいですね。その中で機械学習の学会が非常に盛り上がっていると。
より数学的な学会とかもあるみたいですね。

Ryohei_F: そういう意味では”人工知能”って一言でいっても、色々な分野が含まれるんですねー。

hyuga: ちなみに機械学習の分野には2つの大きな学会があるみたいです。

Ryohei_F: ICMLとNIPSですね！

[ICML]
https://icml.cc/
[NIPS]
https://nips.cc/

その二つの学会の国際会議では2013年は1000人くらいだったのが、今は5000とか8000人が参加しているんですって。

hyuga: この国際会議の参加チケットは11分とかで完売されるみたいです。

Ryohei_F: すごいですね！

hyuga: それほど機械学習の分野に注目が集まっているということですね！
企業スポンサーも活発に増えているみたいですね。

Ryohei_F: 様々な業種の企業もスポンサーとして参加しているんですって。元々はGoogleとかIBM、Microsoftといった”いわゆるIT企業”がスポンサーになっていたのですが、その後AmazonやFacebookのようなネット企業が参画し、2010年代からは製造業とか金融業からもスポンサーされ始めていると。
スポンサーになるのも難しいというバブル具合だそうです。

hyuga: スポンサーになるのも難しいって、凄い世界ですね、人工知能領域における日本のプレゼンスは？

Ryohei_F: 人工知能は研究文脈でいうとアメリカの一強なんですって。
そういう意味では日本の存在感は薄いんですね。

hyuga: 最近は中国も凄い追い上げてきているようですね。中国では大学も巨大な資金をAI研究に投入しているとか。

Ryohei_F: 日本の国際会議での論文占有率は数%なんですって。
悲しいですね。
日本は研究者の数も少ないみたいですね。

hyuga: 約8000人の研究者に対して、日本だと数百人しかいないみたいです。論文数だけでなく、研究者自体の数も全体の数%くらいしか日本にはいないっていうことですね。

Ryohei_F: 学会にいってもコミュニティーの一員になれていないような状況なんですって。一方中国とか韓国は欧米の大学・企業に所属している学生・研究者がたくさんいて、コミュニティーに溶け込んでいると。日本も頑張って欲しいですねー！

理研AIPセンターに関して

Ryohei_F: 続いてAIPセンターについてのお話が始まります。

hyuga: 先述の日本の人工知能分野での世界における存在感の状況をみて、理化学研究所にAIの研究所ができたみたいです。それがAIPセンターですね。

Ryohei_F: この研究所は文科省主導みたいですね。

hyuga: そのAIPセンターの長が今回登壇している杉山将教授なわけですね。

Ryohei_F: AIPセンターには大きく5つの事業があるんですって

・次世代基盤技術開発
・サイエンスを発達
・社会実装に貢献
・倫理・社会的課題への対応
・人材育成

の5つですね！

hyuga: なるほど！

Ryohei_F: AIPの研究戦略として、基礎研究に関しては１０年間の期間をもらっているんですって。
今は3年目だそうです。

hyuga: 10年を見据えた基礎研究ですか。それだけの長期間が最初から見込まれるケースは日本では希みたいですね。

Ryohei_F: 例えば応用研究には何兆円という予算があるのに対し、基礎研究は数十億円規模の予算なんですって。

hyuga: 現実は厳しいですね。

Ryohei_F: ただ基礎研究は個人が戦える世界なんですよね。応用研究は予算規模の勝負になりつつあるけど、基礎研究にはまだまだ予算以外の部分で戦えるということですね。
なので戦略として基礎研究にどんどん投資していくと。

hyuga: なるほどー。人が多ければいいってわけではないんですね。

Ryohei_F: 基礎研究分野はそうみたいですね。

hyuga: DeepLearingの将来は誰ももわからなかったりするので、まずは基礎研究をしっかり今やっているという状況なんですね。

Ryohei_F: 応用研究はマネー勝負になっているので、センターとしては応用研究分野は強力なパートナーと連携しているようです。

Ryohei_F: 日本が強いサイエンス分野をAIで更に強化しているのか。
マテリアルとかものづくりとかですね。

hyuga: AI研究の論文とかは何万本も出ていて人間じゃ読みきれないので、そこも自然言語処理で確認していたりするんですね。すごい世界だ、、

Ryohei_F: 他の分野の例でいうと再生医療の分野で、iPS細胞の研究所とも組んでいると。また、国内で取り組む必要のある社会的課題に貢献する動きもしているんですって。高齢者ヘルスケアや、防災・減災、橋・トンネルの検査とかですね。

hyuga: Googleなどが莫大な予算の元に超大がかりなAIの研究をしているので、日本の研究所は何を研究するかというポジショニングが大切なんですね。

Ryohei_F: ですね

hyuga: 数千倍の研究費の違い。。恐ろしいですね。

Ryohei_F: 予算が限られているからこそ、よりクリティカルな課題に対してAIで貢献していくということですね。
続いてAIの社会的影響の分析に関して。
AIというとまだまだ、”AIが怖い”や”AIで仕事なくなるの？”みたいな質問がくることが多いので、その辺りの研究もAIPではしていると。

人工知能分野で重要な人材育成に関して

Ryohei_F: そして人材育成に関して！

hyuga: 先ほどから話に上がっていますが、日本のAIの研究者は少ないみたいです。

Ryohei_F: 国内大学の非常勤研究者を呼んで、その教授に関わる学生ごと巻き込んだりもしているみたいですね。

hyuga: あとは企業と一緒に研究もしているようですね。

Ryohei_F: NEC、富士通、東芝とは部屋に彼らの為の机も用意して、会社の人材育成も含めて一緒に研究しているみたいです。

hyuga: なるほど、大手企業が一緒に研究しているわけですね。

Ryohei_F: それでも人が足りないから、海外の大学とも連携しているんですね。人が足りないからこそ、色々とコラボレーションしているわけですね。
ちなみにAIPセンターの研究拠点は日本橋一丁目ビルディングみたいですね。

Ryohei_F: すごくいい場所にありますね！杉山教授がAIPのセンター長になる条件として都内でオフィスを構えることと国に言ったそうです。確かにそのほうが人が集まりやすいですもんね。
機会があればいつでも来て欲しいとのことです！
http://www.riken.jp/research/labs/aip/

http://www.riken.jp/research/labs/aip/

hyuga: NVIDIAのDGX-1という最先端のマシンを54台も購入したみたいですよ！

機械学習研究の最新の取り組みに関して

Ryohei_F: そして機械学習研究の最新の取り組みに関してです！
今はビックデータを用いた機械学習が主流のように思われがちですが、実際はデータがあまりとれない領域ってのが多いんですって。

hyuga: 医療、インフラ管理、自然災害、などは教師データが全然とれないみたいです。
逆にネットサービスのデータはいっぱい取れるみたいですね。

◆２クラスの教師付き分類

Ryohei_F: それを解決する為に、2クラスの教師付き分類っていうのをやっているみたいです。

hyuga: この手法ではデータを100倍とれば、誤差が10分の1くらいになり精度よく分類境界が学習できるみたいですね。

◆教師なし分類

Ryohei_F: 教師なし分類っていう手法もあるみたいですね。クラスタリングしていく手法ですね。

Ryohei_F: が、実世界のデータってうまくクラスタリングできていないことが多いんですって。

◆半教師付き分類

Ryohei_F: その問題の折衷案として半教師付き分類という考え方が注目されているみたいです。

Ryohei_F: でも注目はされているけど、あまりうまくいかないみたいですね、、

hyuga: 半教師付き分類って昔から研究されているけど、あんまりうまくいっていないのですね。。

Ryohei_F: そのような背景で高精度でラベル付コストの低い分類手法が重要になっているそうです。

hyuga: だいぶ難しい話になってきましたね笑

Ryohei_F: 杉山教授はこの手法の研究をずっとしているわけですね。
１つ目としてが正例とラベルなしデータからの分類というのがあるみたいです。
クリック vs 非クリックみたいなものや、
友達 vs 非友達みたいなものがその典型例らしいです。

hyuga: ネット分析でいうと、クリックしたリンクは分かる（ラベル有りの正例データ）、クリックしていないリンクは負のデータではなく、ラベルがないデータ。ということですね。

Ryohei_F: これを使えば負例がなくても最適な分類ができるというところまでの研究が終わったみたいです。
すごいですね。

Ryohei_F: 続いてのものが、半教師付き分類ですね。
この方法は”悪くはならない” っていうところまでは研究が進んでいるようです。

Ryohei_F: そして３つ目として正信頼度からの分類というものがあるみたいです。
正クラスのデータしか取れない場合でも信頼度さえわかれば最適な分類ができるという理論みたいですね。

hyuga: 企業の分析は正のデータしかとれないことが多いですもんね。負のデータはプライバシーの関係で取れなかったり、成功例は取れるけど、失敗例はデータがなかったりすることがあるのか。面白いですねー！

Ryohei_F: ４つ目としては、類似データ対からの分類というのがでてきました。
”xxと同じ”という情報だけで、分類することがラベルなしでできるみたいですね。

Ryohei_F: そして5つ目が、教師なし分類です。

hyuga: 例えば二つの病院から、データを集めた時、
・A病院はガンの患者が多い
・B病院はガンの患者が少ない。
というデータからだけでも最適な分類ができるみたいです。

Ryohei_F: 最後が補ラベルから分類です。
これによって他クラスの訓練データのラベルづけは高コストだけど、間違ったラベルだけで分類できるようになったと。
これらの弱教師付き学習のよさは、組み合わせることができることなんですって！

弱教師付き学習の位置付けとは？

Ryohei_F: 続いて弱教師付き学習の位置付けについてです
機械学習はモデル+学習法が重要だと。

hyuga: 「深層学習＆ビッグデータ」で賑わっているが、機械学習は「モデル+学習法」の組み合わせなんですね！

Ryohei_F: 杉山教授はその中で学習法に関して研究をしているんですって。

hyuga: なるほど。
なんとなく何が起こっているかちょっとだけ理解できました笑

Ryohei_F: モデルの研究は非常に競争がはげしいので、どのモデルにでも対応できる学習法を研究することで優位性をもって最先端のことができるようになっていくっていうわけですね。

ここまでのまとめ

Ryohei_F: いよいよまとめです。
今後は機械学習の要素技術を統合する技術が重要になっていくみたいですね。
でもそれをどうすればいいのかがわからないと。
なのでそこをずっと考えているわけですね。
人工知能の研究、ニューラルネットの研究、そして今盛り上がっている機械学習に関する研究がおこってきたけど、これらすべてが協力しながらやっていくことが要素技術を統合する技術には重要なんですって。

Ryohei_F: なので杉山教授は色々な組織と協力しながら研究をしていると。
また先ほどから何度かでていますが、やはりAIは人がいないのが本当に課題なんですって。人材育成が急務だと。
学部学生の割合を見ても全体の数%くらいしかAI関連の人がいないと。
プログラミングだけの技術ではなく、数学の知識が必要っていうのが人工知能分野の人手不足の大きな壁みたいですね。

hyuga: 数学をしっかり学習する事が大切なんですね。

Ryohei_F: 大学一年生レベルでいいから数学の知識が必要で、そこができるかできないかで仕事の幅が全然違うみたいですね。
その他理系の人にとっても、AI活用の為のデータ解析に対する素養を身につけたほうがいいと。

hyuga: プログラミングはツールなのでどんどん陳腐化していくが、数学をしっかりやっておくと強いというご意見もでましたね。

Ryohei_F: そして文系の人もAI利用の為の最低限の技術リテラシーを身につけていくことが重要だと。

hyuga: 研究所に大手企業の社長なども訪問されるが、「魔法のAIで全部なんでもできる」という認識があるようで、現実は全然違うのでびっくりすることがあるみたいです笑

Ryohei_F: いやー面白い講演でしたね！

hyuga: 僕たちには完璧には理解できない部分もありましたが、AI業界の動向はわかりやすく解説いただきましたね。

杉山教授への質問タイム！

Ryohei_F: そして杉山教授への質問ターイム！

Q. NIPSの投稿数が増えすぎて、審査の負担が大きくなり、論文自体の信頼性が危うくなるのでは？

Ryohei_F: 実際、5000件とかの論文がきているという現状みたいですね。とんでもない数の査読をしないといけないから、査読する論文自体がほぼランダムになっているみたいです。
産業系と理論系で分けるみたいな案もあるかもしれないけど、それを分けると意味がなくなっちゃうみたいで、いい案を杉山さんも募集しているみたいです。

hyuga: 続いての質問です！

Q. AIの実用化はどの分野が浸透していきやすいのか？

Ryohei_F: 人が現在作業している領域でAI導入によりコストを下げるっていう分野っていうのが比較的浸透していきやすいみたいですね。

hyuga: なるほど、すでに人がやっている所をAIで置き換える（コストダウン）すると。導入する側も費用対効果がわかりやすくていいですもんね。

Ryohei_F: 次の質問です！

Q. 強化学習がビジネスでの活用が難しい理由は？

Ryohei_F: 強化学習は失敗することとそのデータを収集することが重要だけど、失敗すること自体がビジネス領域だと難しいと。

hyuga: 負のデータが必要になってきますもんね。ドローン、自動運転などの領域だと、失敗が許されないから、そういうデータが集まらないわけですね。

Ryohei_F: シュミレーターではもちろん失敗させているけど、実際はシュミレーターと実世界はやはりギャップが大きいみたいで、それが埋めらないとなかなか難しいみたいですね。

hyuga: ビジネスではなく、囲碁、ゲーム、エレベーターなどはうまくいっているみたいですね。

Ryohei_F: バーチャルな世界でも完結しやすい分野ですね
続いての質問です。

Q. アトムみたいなロボット（人間みたいな人工知能は）は今の機械学習の延長にあると考えられるのか？

Ryohei_F: すごく難しいですね。今の研究のやり方だと、数式で書けないと実現が難しいが、数式では表現できない分野がたくさんあると。

hyuga: 脳科学の分野をアルゴリズムで研究しているが、全然まだ解明されていないみたいですね。

Ryohei_F: だから脳科学の人と研究していたりするが、まだ未知数みたいですね。
続いての質問です！

Q. 量子コンピューターが実用化された時の機械学習分野への影響は？

Ryohei_F: 機械学習は連続の最適化を使っているので、一般的にはあんまり関係ないと言われているけど、場面によっては非常にいい影響が出てくる可能性もあると。量子コンピューターに合わせた新しいアルゴリズムみたいなのがでてくると面白いですね。

hyuga: ここ数年での影響はまだそんなにないのではという意見が出ましたね。

Ryohei_F: 続いての質問です！

Q. 知能の要素技術を統合するには脳科学の進展が不可欠か？

Ryohei_F: 今の機械学習は数学ベースなので脳科学を取り入れていないけど、数学ではやはり限界があると。
それが脳科学ではない可能性ももちろんあるけど、そこの研究をする価値はあるかと思っている。
実は1980年代くらいからやっているんだけど、脳科学自体の進歩みたいなことも重要で、あるタイミングで新しいアルゴリズムができるみたいなことが起きるかもしれないと。
最後の質問です！

Q. AIPセンターで共同研究するためにはどういう手続きが？

hyuga: まずメールを送ってもらって、そのあとに何をしたいかディスカッションするという手続きが必要みたいです！

Ryohei_F: いやー楽しかったー！
そして最後のセッションに続きます！

hyuga: 最後のセッションも楽しんでいきましょう！

今だけ！登録で最大1,500円相当もらえるお仕事探しサービス「テクスカ」

「テクスカ」は、報酬をもらいながらお仕事探しができる新体験のスカウトサービスです。

【テクスカの4つの特徴】
1.面談するだけで、3,500円相当のAmazonギフトカードを獲得できます
2.優秀な貴方に仲間になってほしいと真に願うとっておきのスカウトが企業から届きます
3.貴方の経歴・スキルを見て正社員のオファーだけでなく副業オファーも届きます
4.転職意欲がなくとも自分のスキルが通用するか各社のCTOに評価してもらうチャンスがあります

忙しさのあまり、企業との新たな出会いを逃している…
スパムのように届くスカウトメールにうんざりしている…
自分の市場価値がわからない…
社外の人からの評価が気になる…
副業の仕事が見つからない…

そんなあなたにおすすめです！