AI(人工知能)とは何か? 言葉の意味や定義から機械学習・ディープラーニングまでわかりやすく簡単に解説

AIとは『人間のような知能を持ったコンピューター』のようなもので、“自ら学習する”ことが大きな特徴です。

現在、AIは非常に身近な存在になりましたが、その本質的な意味や仕組みを知らずに「なんとなく理解している」という方もまだまだ多いのではないでしょうか?

本記事では、「AI」の言葉の意味や定義からこれまでの研究の歩み、機械学習・ディープラーニングといった学習方法、未来にもたらす効果までを徹底解説。AIに関する基礎知識をまとめてレクチャーします。

➡︎【無料セミナー動画】データドリブンで生み出すプロダクト&サービスの新たな価値

AI(人工知能)とは何か?

AI(人工知能)の基礎知識から解説していきます

AI(人工知能)の基礎知識から解説していきます

まずは、「AI」とはなんなのか。言葉の意味や定義からおさらいしていきましょう。

AI(人工知能)という言葉の誕生

AIという言葉が初めて用いられたのは1956年。アメリカのダートマス大学で開催されたダートマス会議で、計算機科学者・認知科学者のジョン・マッカーシー教授によって提案されました。

“AI”とは何の略?

AIとは、Artificial Intelligence(アーティフィシャル・インテリジェンス)の略称。Artificialは「人工的な」、Intelligenceは「知能/知性」という意味を持っています。

AI(人工知能)の対義語

AIの対義語は、Natuar Intelligence(ネイチャー・インテリジェンス)。略称はNIです。Natuar Intelligenceの和訳は「自然知能」という言葉で、人間や動物などの自然が生み出した知能のことを言います。

AI(人工知能)の定義

一般社団法人 人工知能学会では、AIという言葉の生みの親であるジョン・マッカーシー教授の言葉を『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』と翻訳して紹介しています。

しかし、AIに関する研究が進んだ現在、研究者ごとに異なる言葉で定義されているのが現状。日本国内の主な研究者によるAIの定義は下記の通りです。

▪️日本国内の主な研究者による人工知能(AI)の定義

研究者 所属 定義
中島 秀之 公立はこだて未来大学
学長
人工的につくられた、知能を持つ実体。あるいはそれをつく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
西田 豊明 京都大学大学院
情報学研究科教授
「知能を持つメカ」ないしは「心を持つメカ」である
溝口 理一郎 北陸先端科学技術
大学院大学教授
人工的につくった知的な振る舞いをするもの(システム)である
長尾 真 京都大学名誉教授
前国立国会図書館長
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 東京大学大学院
工学系研究科教授
人工的につくる新しい知能の世界である
浅田 稔 大阪大学大学院
工学研究科教授
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
教授
究極には人間と区別がつかない人工的な知能のこと
武田 英明 国立情報学研究所
教授
人工的につくられた、知能を持つ実体。あるいはそれをつく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(中島氏と同じ)
池上 高志 東京大学大学院
総合文化研究科教授
自然にわれわれがペットや人に接触するような、情動と冗談に満ちた相互作用を、物理法則に関係なく、あるいは逆らって、人工的につくり出せるシステムを、人工知能と定義する。
分析的にわかりたいのではなく、会話したり付き合うことで談話的にわかりたいと思うようなシステム。それが人工知能だ
山口 高平 慶應義塾大学理工学部
教授
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 電気通信大学大学院
情報システム学研究科教授
工学的につく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所長 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よいのではないかと思う
松尾 豊 東京大学大学院
工業系研究科准教授
人工的につくられた人間のような知能、ないしはそれをつくる技術

 

「AIとは何か」を平たく『NI(自然知能)をコンピューター上に再現したもの』『人間のような知能を持ったコンピューター』と考えても概ね間違いではないのですが、AIは明確に定義されていないというのが現状です。

◎AIとは・・・

・1956年、ダートマス会議で計算機科学者のジョン・マッカーシー教授が提案

・『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』/人工知能学会

・『人間のような知能を持ったコンピューター』のようなものだが明確な定義はない

AI(人工知能)研究の歴史

現在、Appleの「Siri」に代表される音声アシスタント、アイロボットのお掃除ロボット「ルンバ」、ソフトバンクの感情認識ヒューマノイドロボット「Pepper」など、AIが身近な存在として人間社会に受け入れられつつあります。

近年のAI技術の進歩には目を見張るものがありますが、AIの研究が盛んになったのは1950年代後半頃から。ブームと冬の時代(停滞期)を繰り返して、徐々にAIは進化してきました。ここではそんなAI研究の歴史を簡単に紹介していきます。

第一次 AIブーム(1950年代後半~1960年代)

「AI」という言葉を生んだダートマス会議が開催された1950年代後半から1960年代にかけて、第一次 AIブームが巻き起こりました。

ブームの背景にあったのは、コンピューターによる「推論」と「探索」が可能になり、特定の問題に対して解答を導き出せるようになったこと。しかし、当時のAIが対応できたのは、明確なルールや定義付けがある問題に限定されていました。

現実社会で起こっているさまざまな要因が複雑に絡み合う課題の解決には対応できないことが判明したことで、AIブームは徐々に下火に。1970年代には、冬の時代(停滞期)を迎えてしまいました。

第二次 AIブーム(1980年代〜1990年代)

第二次 AIブームが到来したのは、1980年代〜90年代。「エキスパートシステム」の誕生により「知識表現」が可能になったことが大きな要因です。

エキスパートシステムは、「○だったら×をしなさい。それ以外の場合は△しなさい」というようなルール群で知識を構成している人工知能。自分で学習する仕組みはありませんが、あらかじめ専門家が考え得る限りの状況を予測して対処方法や判断を用意することで機能します。

ルールが多ければ多いほど正確性は向上しますが、必要となる情報をすべて人の手でコンピューターに理解させなければならず、実際に活用できるのは特定の領域の情報などに限定されたものばかり。このように活用できる知識量に限界が見えたことから、1995年頃からAIは再び冬の時代を迎えました。

第三次 AIブーム(2000年代〜現在)

第三次 AIブームは2000年代から始まり、本記事を執筆した2019年時点もその渦中にあります。

ブームの要因を作ったのは、AI自身が大量のデータ(ビッグデータ)から知識を獲得する「機械学習」の実用化が進んだこと。さらに、2006年には知識を定義する要素(特徴量)をAIが自ら習得するディープラーニング(深層学習)が提唱され、ブームに拍車をかけました。

AI(人工知能)の代表的なアルゴリズム

AIの研究において重要な役割を担う、AI御三家とも呼ばれる「ニューラルネットワーク」「遺伝的アルゴリズム」「エキスパートシステム」といった代表的なアルゴリズムを解説していきます。

ニューラルネットワーク

ニューラルネットワークはニューロン(脳の神経細胞)をモデルとしたAI

ニューラルネットワークはニューロン(脳の神経細胞)をモデルとしたAI

ニューラルネットワークは、ニューロン(生物の脳を構成する神経細胞)の構造と働きをモデルにしたAI。ニューロンは他のニューロンから一定値以上の電気信号を受け取ると興奮し、その先につながったニューロンに電気信号を送ります。このようなニューロン同士の連携行動の仕組みを数値モデル化したものです。

ニューラルネットワークは、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中間層(隠れ層)、結果を出力する出力層で構成されています。人間が先生になって例題と模範解答のセット(教師信号)をニューラルネットワークに教えると、その後は教えていない範囲に対してもニューラルネットワーク自体が判断したり推理したりするようになります。

遺伝的アルゴリズム

遺伝的アルゴリズムはダーウィンの進化論をモチーフにしたAI(人工知能)

遺伝的アルゴリズムはダーウィンの進化論をモチーフにしたAI(人工知能)

遺伝的アルゴリズムは、ダーウィンの進化論をモチーフにしたAIです。

ダーウィンの進化論を要約すると以下のようになります。

生き物は、環境に応じて、優秀な個体だけが子孫を残すことができ、劣等な個体は淘汰される。また、個体は突然変異を起こす場合があって、まれに優秀な個体になることもある。これを繰り返して進化してきた。

(出典)三宅陽一郎・森川幸人「絵でわかる人工知能」(SB Creative)p.62

この「優秀な個体」=「良い解答」として、進化の手法を用いて最適解を導き出そうとするのが遺伝的アルゴリズムです。

遺伝的アルゴリズムが最も得意とするのは、膨大な組み合わせが存在するなかからベストな答えを見つけ出すこと。人力で計算することが難しいレベルの組み合わせ爆発を起こす問題に対して、素早く最適解を割り出すことができます。

エキスパートシステム

エキスパートシステムは人間の“考え方”をモデルにしたAI(人工知能)

エキスパートシステムは人間の“考え方”をモデルにしたAI(人工知能)

エキスパートシステムは、人間の“考え方”をモデルにしたAI。他のAIモデルと異なるのは、自分自身で学習する仕組みがないことです。

まずは、特定の専門家(エキスパート)から考え得る状況とそれに対する対処方法・判断・予測をヒアリングし、それに基づいてルールを定義します。そこで定めたルールを基にユーザーからの問い合わせがどの状況に当てはまるかを判断し、定義されている判断や予想を行います。

下記に挙げる例のように、特に医療分野の病気の診断で活躍しています。

★例:エキスパートシステムによる診断

質問:主な症状は次のうちどれですか?

解答:①熱がある ②鼻水が出る ③咳が出る

 

ルール1:もし熱があるなら食中毒と判断する

ルール2:もし鼻水が出るなら風邪と判断する

ルール3:もし咳が出るなら結核と判断する

(出典)三宅陽一郎・森川幸人「絵でわかる人工知能」(SB Creative)p.73

 

上記のように、ユーザーからの回答に合わせて事前に用意していた診断を下します。

ルールの数が多ければ多いほど正確になりますが、ルールが増えすぎるとそれぞれのルールの整合性が取りにくくなることがあります。さらに、重要なルールに抜け・漏れがあると正しい判断をすることができなくなってしまいます。

また、ルールの設定には専門家の手助けが必要になることやルールを正しく設定できたとしても専門家以上の回答を導き出すことができないのもエキスパートシステムの懸念事項です。

➡︎【無料セミナー動画】データドリブンで生み出すプロダクト&サービスの新たな価値

AI(人工知能)の学習方法① 機械学習

機械学習とは、AIにおける“学習”のこと。人間が学習するように「機械自身が学習する」という意味が込められています。

つまり、プログラマーによってプログラミングされた範囲以上のことが実行できるようになることが基準になります。

機械学習は大きく分けて、「教師あり学習」「教師なし学習」「強化学習」の3つに分類されます。

★機械学習に関する詳しい解説はこちら

機械学習とは? ディープラーニング・AIとの違いや機械学習でできることを解説 機械学習とは? ディープラーニング・AIとの違いや機械学習でできることを解説

AI(人工知能)の学習方法② ディープラーニング(深層学習)

ディープラーニングは、多層化したニューラルネットワークを用いた機械学習の手法。十分な学習データさえあれば、ニューラルネットワーク自体がデータ群の特徴を自動抽出することが可能です。

★ディープラーニングに関する詳しい解説はこちら

ディープラーニング(深層学習)とは? 機械学習との違いや仕組み、実用例をわかりやすく解説 ディープラーニング(深層学習)とは? 機械学習との違いや仕組み、実用例をわかりやすく解説

AIの未来:シンギュラリティ・AIの進化によってなくなる仕事は?

シンギュラリティ(技術的特異点)とは1980年代からAI研究家の間で使用されるようになった言葉で、人間と人工知能の臨界点を指す言葉。つまり、人間の脳と同レベルのAIが誕生する時点を現しています。

★詳しくはこちらの記事をご参照ください

シンギュラリティとは? 言葉の意味やいつ起こるのかをわかりやすく解説 シンギュラリティとは? 言葉の意味やいつ起こるのかをわかりやすく解説

近年、AIを活用したテクノロジーが身近なものになり、便利な世の中になることを歓迎する一方で、「AIが発達することで人間の仕事が奪われるのではないか」と危惧する声を耳にする機会が増えました

しかし、現状としては人間が持つNI(自然知能)とコンピューター上で表現するAIの間にはまだまだ埋められないほどの溝があることも事実。

実際に、現在開発されているAIのほとんどは問題特化型で、1つのモデル化・数学化した問題の解決にのみ機能しているというのが現状です。

★詳しくはこちらの記事をご参照ください

AIの進化で「なくなる仕事」と「残る仕事」の特徴は? AI技術の現状から徹底解説 AIの進化で「なくなる仕事」と「残る仕事」の特徴は? AI技術の現状から徹底解説

AIを活用した機能

これまでに紹介してきた学習手法を用いて、現在さまざまな分野でAIが活躍しています。

カテゴリー別にAIを活用した機能をまとめてみましたので、どんな用途で活用されているのかチェックしてみましょう。

▪️カテゴリー別 AIを活用した機能の一例

カテゴリー 活用領域の一例
コンピュータービジョン 画像分類/画像生成/オブジェクト検出
自然言語処理 機械翻訳/言語モデリング/質問への回答
医療 医療用画像セグメンテーション
方法論 分散表現(単語の埋め込み)/表現学習
ゲーム ビデオゲーム/ボードゲーム
グラフ リンク予測/ノード分類
スピーチ 音声認識/音声合成
時系列 時系列分類/代入
オーディオ 音楽生成/オーディオ分類
ロボット キャリブレーション/自己位置認識
音楽 音楽情報検索/音楽モデリング
コンピューターコード 次元削減/プログラム合成
推論 意思決定/常識的推論
知識ベース ナレッジグラフ/因果発見
敵対性 攻撃/防御/敵対テキスト
その他 レコメンデーション/トピックモデル

(出典)Browse the State-of-the-Art in Machine Learning

上記で紹介したものは、あくまでもほんの一例です。日々、AI技術の実用化が進んでいるため、今後はさらに幅広い用途で活用することが予想されます。

モンスター・ラボのAI開発事例

モンスター・ラボでは、AIを活用したデジタルプロダクトを企画・設計・デザイン・開発・運用の各段階からサポートしています。

ここではモンスター・ラボのAI開発事例を紹介していきます。

AIの画像認識を活用した自動採寸アプリ(株式会社ユニメイト)

レンタルユニフォーム事業を主軸に各種ユニフォームの企画・生産・販売やクリーニングまでを手がけるユニメイト社が提供する、AI画像認識を活用した自動採寸PWA『AI×R Tailor(エアテイラー)』。モンスター・ラボは企画段階から参画し、プロダクト開発の全工程を担当しました。

本プロジェクトにおいて解決すべき課題になっていたのは、サイズ計測時のヒューマンエラーによる返品・交換のコストを抑えること(最大実績で返品率40%超と多大なコストが発生)。また、サイズ交換に備えて必要数以上の在庫を抱えていた背景もあり、廃棄品の発生といった環境面への配慮という観点でも課題を抱えていました。

モンスター・ラボは従来の業務に関する入念なリサーチを実施し、採寸ノウハウも活かした対象者の適切な服のサイズを導き出すマッチングロジックを創出。要件定義から詳細設計までを行い、条件を満たすAIエンジンを開発しました。

サービスリリース後も実証実験を継続的に実施し、サイズの判断や適合ロジックの改善、AIの精度向上という観点から、サービスの価値向上を目指した支援を続けています。

★詳しくはこちら:
ユニメイト |AIの画像認識を活用した自動採寸アプリ

★お客様インタビュー(AI画像認識を活用したDX推進事例)はこちら
AI画像認識を活用した自動採寸アプリで顧客の業務効率化とコスト削減を実現(株式会社ユニメイト )

まとめ:AI(人工知能)がDXの鍵を握る

AI(人工知能)がDXの鍵を握る

AI(人工知能)がDXの鍵を握る

言葉の意味や定義、発展の経緯、学習方法など、AIに関する基礎知識を紹介してきましたがいかがでしたか?

AIの進化については“人間の能力を超えるかもしれない”という部分に、不安や恐怖を感じている人もいるかもしれませんが、急速にテクノロジーが進歩し続ける今、もはや避けて通れる道ではなくなっているといっても過言ではないでしょう。

時代の変化とともに、人間社会は絶えず変わりゆくもの。今後もAIがもたらす機能により、さまざまな業種・分野でDXの波が押し寄せることは間違いありません。

大切なのは、AIが人間の生活をどのように豊かにしてくれるのか前向きに考えること。AIについて正しく理解し、新しい社会の在り方について思考を巡らせる方が建設的です。

企業においては既存ビジネスの変革、新規ビジネスの創出といった観点からAI機能をいち早く取り入れて、DXを推進していくことが中長期的な成長戦略の鍵を握ることになるでしょう。

➡︎AI画像認識を活用した業務効率化の事例はこちら

AI(人工知能)の導入をご検討中の経営者様・企業担当者様へ

モンスター・ラボではお客様からのAIを用いたデジタルプロダクト開発に関するお問い合わせ・ご相談を随時受付しております。ご興味のある方はお気軽に下記のリンクボタンからお申し込みください。

お問い合わせはこちら

➡︎【無料セミナー動画】データドリブンで生み出すプロダクト&サービスの新たな価値

■記事の監修

平田 大祐(株式会社モンスター・ラボ 執行役員 CTO)

2004年IBMグループに入社し、IBM ITスペシャリストとしてシステム開発に従事。
2009年からベンチャー企業にて受託開発、コンテナ型無人データセンターの管理システム、ドローン開発などソフトウェアからハードウェア開発まで幅広く関わる。チーフテクノロジストとして2015年にモンスターラボへ入社し、2018年4月より最高技術責任者であるCTOに就任。