機械学習・AI

【2019年】AIとは? 人工知能の種類、歴史・未来、学習方法など初心者にもわかりやすく解説

【2019年】AIとは? 人工知能の種類、歴史・未来、学習方法など初心者にもわかりやすく解説

ニュースなどのメディアで人工知能の商業利用が取り上げられる機会が増えています。IT業界のエンジニアではなくとも、機械学習やディープラーニングという単語を耳にした経験がある方も多いのではないでしょうか。電車やカフェでビジネスマン同士が「次のプロジェクトでAIを担当することになった」などと話してることもありますね。

ただほとんどの人が 「AIという単語は知っているけど詳しい内容までは知らない」 「人工知能が普及することで世の中がどう変わっていくのかイメージできない」 「AIってそもそも何なの?」 と感じているのではないでしょうか?

この記事では、皆さんの「AIでどんなことができるの?」という疑問を解消すべく、人工知能の種類や歴史、機械学習でできることなどについて解説します。 初心者の方にもわかりやすく紹介するため、AIについて一緒に学んでいきましょう。

AIとは?

誰かから「AI(人工知能)とは」と聞かれて、すぐに答えられますか? そんな質問をしましたが、そもそもAIという単語が何を略した言葉なのかすら知らない方のほうが多いです。そのため冒頭の質問に答えられないからといって心配になることはありません。

AIは「Artificial Intelligence(アーティフィシャル インテリジェンス)」の略です。それぞれを日本語に訳すとArtificialは「人工的な」Intelligenceは「知能」という意味合いです。AIはそれらを組み合わせ人工知能と訳したものです。読み方は「エーアイ」です。「アイ」ではありません。

略や読み方はわかったけど、人工知能って結局なに?と思われた方もいるでしょう。実はAIの定義は、明確に決まっておらず、専門家の間でも意見が割れている部分もあります。

AIという言葉が、初めて世に知られたのは1956年頃に遡ります。そこから今まさに発展・変化している新しい技術であるということもあり、明確に決められないのです。とはいえ、まずはAIの定義を知りたいという方もいらっしゃると思います。

統一的な定義はありませんが、さまざまな専門家や研究者・学会などは、それぞれ下記のように定義づけしています。

研究者 所属 定義
中島秀之 公立はこだて未来大学 人工的につくられた、知能を持つ実態。あるいはそれを作ろうとすることによって知能自体を研究する分野である。
武田英明 国立情報学研究所
西田豊明 北陸先端科学技術大学院 人工的に作った知的な振る舞いをするためのもの(システム)である
長尾真 京都大学 人間の頭脳活動を極限までシミュレートするシステムである
堀浩一 東京大学 人工的に作る新しい知識の世界である
浅田稔 大阪大学 知能の定義が明確でないので、人工知能を明確に定義できない
松原仁 公立はこだて未来大学 究極には人間と区別がつかない人工的な知能のこと
山口高平 慶應義塾大学 人の知的な振る舞いを模倣・支援・超越するための構成的システム
栗原聡 電気通信大学 人工的に作られる知能であるが、その知能のレベルは人を超えているものを想像している
山川宏 ドワンゴ人工知能研究所 計算機知能のうちで、人間が直接・間接に設計する場合を人工知能と呼んで良いのではないかと思う
松尾豊 東京大学 人工的に作られた人間のような知能、ないしはそれをつくる技術。人間のように知的であるとは、「気づくことのできるコンピュータ、つまり、データの中から特徴量を形成し現象をモデル化することのできるコンピュータという意味である
引用元:松尾豊「人工知能は人間を超えるか」(KADOKAWA)p.45

そのほか、人工知能学会では「知的な機械、特に、知的なコンピュータプログラムを作る科学と技術」と定義されています。また、Wikipediaには、「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。」と記載されています。

上記のように、専門家によっても意見はわかれていますが、今後AIがより身近になるにともない言葉の定義もより明確になっていくのではないでしょうか。次の章では、AIがどのようにして発展してきたのか、研究の歴史について紹介します。

AIの歴史

人工知能という概念や考え方は、そもそもいつ頃に生まれたのでしょうか。ここからは、その経緯やAIの歴史を振り返ってみましょう。AIに関する研究がはじまったのは1950年代にまで遡ります。コンピュータができ始めたのと同年代のため現在よりもずいぶん昔のことになります。「人工知能」という言葉が初めて登場したのは、1956年の夏にダートマスで開催されたワークショップでのことです。

このワークショップで、当時、著名な学者であったアレン・ニューウェル、ハーバード・サイモンが「ロジック・セオリスト」という人工知能プログラムのデモを行いました。これは自動的に定理を証明するプログラムで、世界初の人工知能プログラムと言われています。その後、紆余曲折を経ながらAIの研究は現在まで続いています。過去数回にわたる盛り上がりと収束の波を繰り返しながら、現在では第三次ブームとして脚光を浴びています。

以下では人工知能研究のブームについて振り返ります。これまでどういった経緯でAIが発展してきたかみていきましょう。

第一次AIブーム(1956年~1960年代)

第一次AI(人工知能)ブームは、1950年代後半~1960年代です。人間を超えるようなAIが期待されていたのはこの時代も同様です。この時点のAIは、「推論・探索」によって問題を解決するといった方向で研究が進んでいました。人間の思考過程を記号で表現し実行する(推論)やその処理(探索)の発展形として、様々なアルゴリズムが考案されました。それにより、コンピュータによる特定の難解な定理の証明やチェスやオセロといったトイプログラムによる処理が可能になったのです。

また当時、冷戦中であった米国では、自然言語処理による機械翻訳の活用ができないかと、注目が集まりました。 相手国の情報を翻訳することで軍事利用できないかと考えたからです。

第一次ブームでは、こういった一見知的に見える問題をコンピュータが処理することで世間を驚かせました。しかしながら、1969年にマービン・ミンスキーらが指摘したニューラルネットワークの限界や、コンピュータは迷路の解き方や定理の証明のような、明確なルールが定義されている単純な仮説の問題を扱うことはできても、様々な要因が絡み合っているような現実社会の課題を解くことはできないという「フレーム問題」が広く認識されたことで、第一次ブームは収束しました。その後、1970年代に冬の時代=人工知能技術が停滞する時代に突入してしまいます

第二次AIブーム(1980年代)

第一次AIブームが収束して、約20年後である1980年代に第二次AI(人工知能)ブームが始まります。第一次ブームでは「推論」や「探索」により、人工知能を実現しようとしましたが、第二次ブームで注目されたのは「知識」でした。

コンピュータが推論するために必要な様々な情報を、コンピュータが認識できる形で記述したものを「知識」として与えることで、人工知能(AI)が実用可能な水準に達し、多数の「エキスパートシステム」が生み出されました。

この「エキスパートシステム」の開発・導入がきっかけとなり、第二次AIブームが起こります。 「エキスパートシステム」とは、知識表現に重きを置き、専門家の知識から得たルールを用いて、特定の領域に関する質問に答える、人工知能が専門家のように振る舞うことができるプログラムです。

大量の「知識」によって、人工知能が病気を診断したり、判例を元に法律の解釈をするなど、現実の問題を解くことが可能となりました。

ただ当時はコンピュータが必要な情報を自ら収集して知識として蓄積することはできなかったため、必要となる全ての情報を、人がコンピュータに理解可能な内容で記述し、用意する必要がありました。

膨大な情報を、コンピュータが理解できるように記述して用意するためには、とてつもない作業になってしまい、人間側にも限界があるため、特定の領域の情報に限定しなければなりませんでした。

そのため、第一次AIブームで期待された機械翻訳も、人間の経験が細かく絡んでおり、その全ての情報を人間がコンピュータに伝えることは難しく実現できませんでした。

またコンピュータがいくら知識を増やしたとしても、あくまでも文字列での理解にしかならず、記号の意味をうまく結び付けられない「シンボルグラウンディング問題」やコンピュータには「常識」がないという問題も発生しました。 熱を下げるにはどうすればいいか?という質問に、「解熱剤を飲ませる」または「殺す」と返答するなど、そもそも命を守るという前提や倫理観を学ぶことはできなかったのです。

こうした限界や問題から、1995年頃からブームは収束し、再び冬の時代を迎えました。

第三次AIブーム

第三次AI(人工知能)ブームは、2000年代から現在まで続いています。AIが最近話題となっている理由は、第三次ブームによりAIが発展を遂げているためです。いま注目を集めているのは「ビッグデータ」と呼ばれているような大量のデータを用いることで人工知能が自ら知識を獲得していく「機械学習」という技術です。コンピュータ自身が学習するというコンセプトは第二次ブームのころからありましたが、そのころはコンピュータの計算速度や容量が追いついておらず、実現できませんでした。

2000年代以降の第三次ブームでは、クラウドの登場やコンピュータ性能の向上により、実用化の手段が担保されました。また、従来の推論や知識表現とは異なる分野で、既存のデータを活用する研究が進んでいます。例えば、顧客の購買データや医療データといった、ウェブ上に点在するあらゆるデータから相関性やパターンをみつけ、消費者行動の解析に役立てられるようになっています。

さらに知識を定義する要素を人工知能が自ら習得するディープラーニング(深層学習)にも注目が集まっており、2016年に「AlphaGo(アルファ碁)」がプロ棋士に勝利した出来事は、AIの発展や利用推進に大きく寄与しました。

今までのブームでは、AIは与えられた知識を取り出してくることしかできませんでした。

しかし、AIが目指すべきところは、「人間と同じように自ら学習し、推測・判断する」ことです。 それを可能にするとされているのがディープラーニングです

ディープラーニングは人工知能の発展に今後大きく関わってくることでしょう。

AIの現状

さて、これまで人工知能の歴史から第三次AIブームの中にいることはお分りいただけたかと思います。

AIが目指すべきところは、自ら学習し、推測するとお伝えしましたが、人間と同じように人工知能が自ら学習し、考え、推測するコンピュータといった段階には、まだ到達していません。

つまり、自律的に行動するロボットのような人工知能はまだ作られていません

いま「人工知能を搭載!」「世界初の人工知能を使用!」といったようなフレーズで話題となっているAIに関するトピックスは「人間のように考えるコンピュータ」を生み出そうとしたなかで生まれた副産物です。

例えば、音声認識、文字認識、自然言語処理、検索エンジンなどは、人工知能の研究から副産物として生み出され、今の人間の生活を便利で快適なものにしています。

これから「ディープラーニング」の研究が進むにつれて、「人間のように考えるコンピュータ」に近づけるのか、見守っていきましょう。

AIの未来予想図

現段階で、私たちの暮らしを変えているAIですが、今後、ドラえもんや鉄腕アトムのような「人間のように考え判断するコンピュータ」が登場すると、私たちの仕事や人生はどのようになっていくのでしょうか。

人工知能の発展により人間がやらなくてもいい仕事が増え、人間の暮らしや人生に大きな変化をもたらすことになります。 これは人工知能によって世の中が便利になっていくという予測とともに必ず出てくる問題です。

一説によれば、2045年になると人工知能が知識学習によって、人間の頭脳を超えると言われています。どういうことか、より詳しく説明していきますね。

AIの知性が人間を超える?!

AIの知性が人間を超える?!

将来の話にはなりますが、人間を超える知能をもつAI(人工知能)が発明されることになった時、その瞬間を「シンギュラリティ」または「技術的特異点」といいます。

人間が人間を超える人工知能を発明することができたなら、その人工知能は、より賢い人工知能を生み出すことが可能になります。

そうなると、反比例的に人工知能がより知能の高い人工知能を開発し、いまでは想像も出来ない人工知能が次々と生み出され生活が一変すると言われているのです。

もはや、いまとは全く想像のつかない世界になっている可能性が高いのです。

未来学者のレイ・カーツワイル氏によると、シンギュラリティは、2045年に到達するだろうといわれているので、遥か未来の話というわけではないのです。

人工知能の種類

AI(人工知能)と一括りにいっても、実はその機能や使用目的によって、種類が分けられます。人工知能にどのような種類があるのか、確認していきましょう。

特化型人工知能(AGI)と汎用人工知能(GAI)

まず大分類として、人工知能は、

  • 特化型人工知能(AGI)
  • 汎用人工知能(GAI)

この2つに分類することができます。 それぞれくわしく見ていきましょう。

特化型人工知能(AGI)とは?

AGIの正式名称はArtificial General Intelligenceといい、特化型人工知能と和訳されます。

特化型人工知能は、個別の領域に特化して能力を発揮する人工知能のことで、既に人間を超える能力を持つAIが数多く実用化されています。 例えば、画像認識や音声認識といった技術やコンピュータ将棋やチェス、自動運転自動車、医療診断といったAI技術が該当します。

汎用人工知能(GAI)とは?

GAIの正式名称はGrowing Artificial Intelligenceといい、汎用人工知能と和訳されます。

汎用人工知能は、異なる領域で多様で複雑な問題を解決する人工知能のことです。 簡単に言うと、人間と同じ、いや人間以上の人工知能です。 特化型人工知能は事前に決められたことしかできませんが、汎用人工知能は与えられた情報をもとに自ら考え、自らを制御することができる人工知能で、人間の設計を超える働きを期待することができます。

この「汎用人工知能」は、人類がずっと夢に見てきた人工知能のイメージです。 私たちが小さい頃に憧れた鉄腕アトムやドラえもんは「汎用人工知能」のようなものです。

ただし、「汎用人工知能」は実現することが難しく、まだまだ上手くいっていません。

汎用人工知能が完成した時、AIが人間の知能を超えるといわれており、汎用人工知能が人類最後の発明になるとも言われています。

弱い人工知能(AI)・強い人工知能(AI)

また、特化型人工知能(AGI)と汎用人工知能(GAI)の分類の他に、

  • 弱い人工知能(AI)
  • 強い人工知能(AI)

という区分もあります。こちらは哲学者のジョン・サール氏によって定義づけられました。

弱い人工知能(AI)とは、ある枠の範囲で考えることは可能だが、意識・思考を持たないAIとしています。 先ほどご説明した特化型人工知能(AGI)に近いものと考えてください。

一方で、強い人工知能(AI)とは、「正しい入力と出力を備え、適切にプログラムを与えられたコンピュータは問題を本当の意味で理解することができる。それは人間と同じように意識・思考を持っている」と定義しています。

つまり、弱いAIと異なり、自らある範囲で考えることができる人工知能で、人間のようにものを考え、認識・理解し、人間のようなに価値判断し実行することができるものです。

こちらは、先ほどの汎用人工知能(AGI)に近いものだと捉えてください。

AIを用いて、できること

AIを用いて、現時点でできることには、どういったことがあるのでしょうか。

AI研究の第一人者である松尾豊教授によると、処理することのできるレベルや機能の及ぶ範囲によって、レベル別に分類することができるとしています。

レベル1 単純な制御プログラム 単純な制御プログラムを「人工知能」と称している ごく単純な制御プログラムを搭載しているだけの製品
レベル2 古典的な人工知能 振る舞いのパターンが極めて多彩なもの 例えば掃除ロボット
レベル3 機械学習を取り入れた人工知能 検索エンジンに内蔵されていたり、ビックデータを元に自動的に判断したりするような人工知能
レベル4 ディープラーニングを取り入れた人工知能 機械学習をする際のデータを表すために使われる変数自体を学習するもの
引用元:「人工知能は人間を超えるか」 松尾 豊 著 p.51-52 参考

それぞれのレベルでどういったことが可能になるのか確認していきましょう。

レベル1:単純な制御プログラム

レベル1のAIとは、人工知能として、最も単純な働きをする制御プログラムが該当します。 活用例として、エアコンや冷蔵庫に使用されているような温度の変化に応じて機能する人工知能があげられます。

言われたことを忠実に行う単純な制御プログラムですが、この制御プログラムが搭載されたエアコンや冷蔵庫が、「人工知能搭載の◯◯」と売り出しされることもあります。

ただし最近では、温度や湿度、外の天気、日射量、ユーザーの服装、時間帯といった複雑な要素を加味した上でエアコンの調整をしてくれるような技術へと成長をみせています。

レベル2:古典的なAI

レベル2のAIとは、レベル1のAIのような単純作業を行うだけでなく、様々な局面に対して対応できるような古典的なAIが該当します。

例えば、将棋のプログラムや掃除のロボット、質問に答える人工知能や診断プログラムに使われるエキスパートシステムなど、「弱いAI」が該当します。

人間の持つ知識をできる限り多くプログラムとして入れ込むことで、対応できる領域を拡張していくのがレベル2の人工知能です。 ただし、この人工知能は自ら学習することはできません。 この点がレベル3、4のAI技術との決定的な違いでしょう

レベル3:機械学習を取り入れたAI

レベル3のAIとは、ある程度のサンプル数から自動的にそのパターンとルールを学ぶことができる機械学習を取り入れたAIが該当します。判断軸を学習させておけば、データからルールを設定・学習してより良い判断ができるようになります。

活用例としては、フリマアプリのメルカリがイメージしやすいかと思われます。

メルカリでは、機械学習を生かした機能を実装するため、活発に実験や開発が行われています。検索窓でキーワードを入力した時にカテゴリが表示されたり、商品を出品する時に価格推定とおすすめの価格帯を提示してくれる部分などで機械学習が活用されています。 もっともイメージしやすい点では、タップデータから性別を予測し、タイムラインを出し分けている機能です。 これは性別をメルカリに登録しているユーザーのタップデータをサンプルとして学習し、タップデータのパターンから他ユーザーの性別を推察することで、性別に合わせたタイムラインに反映させているのです。 レベル3のAIは、このような機械学習を取り入れたAIが該当します。

レベル4:ディープラーニングを取り入れたAI

レベル4のAIとは、先ほどのレベル3のAIに加えて、物事に対応するための判断軸を自らの力で構築することができるディープラーニングを取り入れたAIが該当します。

つまり、パターンとルールを人工知能が自ら学んで知識データとして積み重ねていくことで、自ら判断軸とルールを設定して、判断を下すことができるようになります。

ほぼ全ての判断をコンピュータが自動的に行なっていくことになるのです。

レベル4のAI技術が開発されると、人工知能が勝手に学習し続け、より賢い人工知能を開発していくことになり、シンギュラリティが起こります。

ここまで開発されると、私たち人類にとって、これから先社会がどのように発展していくのか、想像できないものになることでしょう。

機械学習と深層学習

機械学習と深層学習

ここからは、AIを学ぶうえで欠かせない「機械学習(マシンラーニング)」「深層学習(ディープラーニング)」について、詳しく紹介していきたいと思います。

そもそも機械学習とディープラーニングって何が違うの? という方もいらっしゃるかと思いますので、それぞれ確認していきましょう。

機械学習(マシンラーニング)とは?

機械学習とは、人間の学習能力を模倣し、大量のデータを処理しながら「分け方」を自動的に習得することです。

この分け方を学んでいくことについて、東京大学で、人工知能の研究を行っている松尾豊氏は著書で以下のように述べています。

学習の根幹を成すのは「分ける」という処理である。 ある事象について判断する。それが何かを認識する。 うまく「分ける」ことができれば、物事を理解することもできるし、判断して行動することもできる。「分ける」作業は、すなわち「イエスかノーで答える問題」である。 引用元:『人工知能は人間を超えるか ディープラーニングの先にあるもの』 松尾 豊

つまり、イエスかノーかで答える問題を分ける判断軸を与えれば、それを活かしてコンピュータが自動的に学習していくことが「機械学習」なのです。

このように書くと、人工知能が勝手に学習し続け何が起こるかもしれない、と思われるかもしれませんが、実際にできることには限りがあります。

また自動的に学習させるためには、

  • どのようなデータを学習させるのか
  • どのような学習方法で学ばせるか
  • どのようなアルゴリズムを使用するのか

を人間が設計しなければいけません。

この設計には、非常に手間がかかり、様々な調整を何度も何度も繰り返してテストすることで最適な学習方法を見つける必要があります。

その点では、機械学習は万能ではありませんし、人工知能が意思を持って勝手に学んでいるわけではありません。

現時点で機械学習によってできることは何か、具体的にみていきましょう。

機械学習でできること

画像・動画認識

機械学習によって、画像や動画を認識して、何が写っているかを予測する事ができます。 例えば 画像や映像から情報を抽出する画像認識技術、絵画の生成画像や映像の自動加工といった画像生成技術などがあげられます。

言語解析

機械学習によって言語を解析し、話した内容に対して回答してくれます。

例えば、Google Homeの音声認識機能、Amazon EchoによるKindle本を読み上げる音声生成機能があげられます。

自然言語処理としては、言葉を理解して情報を抽出するGoogle翻訳や会話を生成するチャットボットなども機械学習によって実現できる機能です。

クラス分類

与えられたデータが、どの分類(カテゴリー)に当てはまるのかを予測します。

例えば、迷惑メールフィルターがこのクラス分類に該当します。 迷惑メールか普通のメールかを2種類に分けるためにメールパターンを学習し、分類します。

回帰

回帰は、簡単に言うと数値予測です。 様々な関連性のある過去の数値を機械学習によって蓄積していくことで、未知の数値を予測することができます。

たとえば、「明日の日経平均株価はいくら?」とか「明日の最高気温は何度?」といった未知の数値を、機械学習によって予測するというようなイメージです。

クラスタリング

クラスタリングは、与えられたデータの値の類似性をもとに、自動的にいくつかの集まりに分ける手法です。クラス分類と似ていますが、別物です。

例えば、学校の生徒たちの体重と身長のデータを与えた時に、身長が高くても体重の少ない「やせ型」、逆の「肥満型」、中間の「標準型」といったざっくりとした集まりに分けるようなイメージになります。

異常検知

異常を検知することも機械学習によって実現することが可能です。

正常な行為・状態がどのようなものかを機械学習することで、それと大きく異なるものを識別すると、外れ値検出や変化検知、異常状態検出ができるのです。

強化学習

強化学習とは、与えられた問題に対してAIが試行錯誤をすることにより、取るべき最善の行動を決定し、問題解決に近く行動を学習していく技術です。

例えば、AlphaGo(アルファ碁)という強化学習を用いて開発された囲碁AIは世界で活躍するプロ棋士を倒して話題となりました。 そのほかにも、ロボットの行動制御、自動車の自動運転技術などで使用されています。

深層学習(ディープラーニング)とは?

深層学習(ディープラーニング)とは、機械学習の中の一手法で、分けるための判断軸を自分で見つけることができるものを言います。

先ほどの機械学習では、物事を判断する判断軸は人間が取り付け、その上で機械自身に学習させていくものでした。 一方で、ディープラーニングは人工知能がその判断軸すらも自発的に創り出し、自発的に学習していくという点で異なります。

ではどのように、判断軸を自発的に作り出すのでしょうか。 少し難しい話になりますが、下記参考までにどういった仕組みになっているのかご紹介します。

まず、機械学習の具体的な学習の仕組みとして、人間の脳の神経回路を模倣したニューラルネットワークと呼ばれるモデルがあります。 ニューラルネットワークは人間のニューロンを模しているということで、脳の中にある無数のニューロンが、隣のニューロンに電気信号を伝達していく様子がモデル化されています。

ニューラルネットワークの構造は、

  • 入力となるデータを入れる入力層
  • 入力層から流れてくる重みを処理する隠れ層(または中間層)
  • 結果を出力する出力層

で構成されます。

ディープラーニング は、このニューラルネットワークの中間層にあたる隠れ層をたくさん増やし重ねたものになります。隠れ層を重ねて、数を増やすことにより、複雑なデータの学習を可能にしているのです。

この層を重ねて深くなったものを「ディープニューラルネットワーク」と言い、このモデルを利用して機械学習をすることを「ディープラーニング」と呼びます。

かなり複雑で難しい概念のため、理解し難いところではありますが、

  • 機械学習の一手法であること
  • 分類の判断軸を自ら見つけ出すこと

がディープラーニングなんだと理解しておいてください。

AIに「奪われる仕事」「奪われない仕事」

AIに「奪われる仕事」「奪われない仕事」

AI技術が発展を遂げる中で、世間では「人工知能が仕事を奪っていく」とまで言われています。 実際に、鉄腕アトムやドラえもんのような人工知能が完成したら、人間の仕事を奪っていくという未来は容易に想像できます。

どういった仕事がAIに代替されていくのでしょうか。

その疑問に答えるためにも、まずは現在のAIができること・できないことを確認してみましょう。

【現在の人工知能にできるといわれているもの】 情報収集 認識(文字認識、音声認識、画像認識、動画認識) 記録(情報の解析、分類) 予測(ニーズ予測、動向予測、早期における異常検知、検索意図の予測) 選択(マッチング、提案) 作業プロセスの最適化(効率化) 作業の自動化 自己学習

大量のデータの記録や過去のデータをもとに行うパターン研究、最適解の選択といった作業は、人工知能が最も得意とする分野です。

実際、現時点でも、人工知能が、囲碁のトップ棋士に勝利したり、現役医師に見抜けなかった難症例患者の正しい病名をわずか10分ほどで突き止めるなど、有資格者や専門家よりも優れた結果を残す例が次々と報告されています。

一方で、現在の人工知能にできないことをまとめると以下のようになります。

【現在の人工知能にはできないといわれていること】 憧れや尊敬の対象となるカリスマ性 先頭に立って前に突き進んでいくリーダーシップ 過去に全く存在しない事例への対処 驚きやひらめきによる爆発的な発想 0から1を生み出す

心や感情を持っていない人工知能は、人間の心を激しく揺さぶることができません。 そのため、本当の意味で人間の感情を理解し、寄り添うことができないところが欠点です。

できること・できないことは理解できましたが、 仕事に置き換えるとどうなるのでしょうか。

人工知能(AI)に奪われる仕事

人工知能(AI)に奪われる仕事とは・・

【代替可能性の高い職種】 一般・経理事務員、受付係、クリーニング取次店員、建設作業員、自動車組立工、自動車塗装工、スーパー店員、タクシー運転者、宅配便配達員、電車運転士、路線バス運転者、通関士 引用元:All About 『AI(人工知能)に奪われる仕事、危険な職種は…?』

奪われる仕事の特徴を見ていくと、シンプルに人工知能(AI)にさせた方がコストがかからず、人間よりも正確に仕事をこなせるような職種が該当しています。

またコストがかかりすぎている仕事も要注意で、例えば「税理士」や「司法書士」「公認会計士」なといった国家資格といえども、今後の衰退は避けられない仕事も奪われる仕事といえるのではないでしょうか。

人工知能(AI)に奪われない仕事

人工知能(AI)に奪われない仕事とは・・

【代替可能性が低い職種】 アートディレクター、インテリアコーディネーター、フラワーデザイナー、メイクアップアーティスト、映画監督、クラシック演奏家、ゲームクリエーター、テレビタレント、はり師・きゅう師、美容師、保育士、マンガ家、ミュージシャン、経営コンサルタント、産業カウンセラー、中小企業診断士 引用元:All About 『AI(人工知能)に奪われる仕事、危険な職種は…?』

これらの仕事の特徴としては、人とのつながり・人間性を大切に考えられている職業であるということです。

また人工知能に仕事を奪われない職業として「プログラマー」が該当します。 なぜ「プログラマー」か。 それは、人工知能を作る側の職業だからです。人工知能を使う側でもあり、作る側になる。 だから奪われにくい仕事といえるのではないでしょうか。

AIを作るために必要なこと

さて、ここまで様々なことを説明してきましたが、

  • プログラミング学習サイト
  • 専門書籍

が考えられます。

より効率的に学習するおすすめの方法は、プログラミング学習サイトで基礎的な部分を専門書籍で補足知識を学んでいく流れになります。

機械学習を学ぼう

さて、ここからは機械学習を学ぶにあたって、効率的な学習を手助けしてくれる学習おすすめサイトとおすすめ書籍をご紹介いたします。

機械学習おすすめサイト

「これからプログラミングを学んでみたい!」「エンジニアじゃないけどプログラミングが少しわかるようになりたい!」という方には、まずこちらでPythonについて、学習を進めましょう。

Aidemyは、機械学習を学ぶために、最適なサイトです。

  • 人工知能を実装・制作してみたい!

という方には、Aidemyで機械学習の基礎を学びましょう。 他にも、

  • Pythonでデータ分析をしてみたい!
  • マーケターなのでPythonを利用してデータ分析をしてみたい!

というニーズにも最適なので、この学習サイトを利用して効率的に勉強してください。

ただし、学習サイトだと

  • 毎日コツコツと続けられない
  • ネットサーフィンして終わってしまう
  • 仕事でなかなか手がつかない

というかたもいらっしゃるとおもいます。

AIジョブカレ
AIジョブカレ
 

そんなときは、事前にスケジュールをおさえて通うスクールスタイルも検討してみましょう。

おすすめは、AIジョブカレというスクールです。

AIジョブカレなら知識だけでなく、実務で使えるスキルがみにつくので、 人工知能をつくってみたいというニーズにも応えられます。

機械学習おすすめ講座

機械学習に関するオンライン講座も、機械学習を学ぶ上では有効な方法の一つです。オンライン講座であれば自宅でも受講できますし、スケジュールに合わせた学習が可能となります。

弊社が提供する「AIジョブキャンプ」であれば、現役のデータサイエンティストによる機械学習講座が無料にてオンラインにて受講できます。AIジョブキャンプは社会人向けの「AI教育講座」と業務委託の案件紹介をする「エージェント」サービスがセットになった無料の研修プログラムです。登録や利用は完全無料ですので、気になる方はぜひご利用ください!

機械学習おすすめ書籍

  • 学習サイトよりも、じっくりと書籍学習したい
  • ある程度の知識はあるので、書籍で詳しく学習したい

という方は、2冊ほどおすすめの書籍をご紹介いたします。

  1. 「Pythonではじめる機械学習 ―scikit-learnで学ぶ特徴量エンジニアリングと機械学習の基礎」 機械学習プログラミングを始める方にオススメの書籍です。 scikit-learnを使って進めていきますが、数学の知識はなくても読み進められます。 ただし、Pythonの文法基礎やnumpyなどのライブラリの基礎もある程度知っているとスムーズに理解できるかと思います。
  2. 「ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装」 ニューラルネットワークをPythonで実装しながら仕組みが学べます。 後半、ディープラーニング(CNN)も実装します。

ニューラルネットワークをPythonで実装しながら仕組みが学べます。 後半、ディープラーニング(CNN)も実装します。

関連記事Related Posts