「＜オージス総研をとりまく＞人工知能技術の過去と現在（６）」

（１）7月号で、ニューラルネットワーク（Back Propagation）を紹介しましたが、ノードとリンクという単純な要素でネットワークが構成され、複雑な事象が学習できます。
（２）特定分野で機械学習をする場合に、それに適したネットワークが準備されていると便利です。ここでは「教師あり学習」ディープラーニングの代表格であるＣＮＮ(Convolutional Neural Network)について説明します。

（１）通常、画像入力する時は、予めデータが得やすいようにConvolution（畳み込み演算）を実施してSmoothing、ノイズ除去、エッジ検出などを行う。
（２）CNNは、Convolutionをも組み込んだニューラルネットワークである。Poolingによる画像圧縮とペアになっており、繰り返すことによって画像内のパーツを抽出する。なお、Pooling層は画像の位置的なずれを補正する働きもある。
（３）1979年大阪大学福島邦彦教授が提案した「ネオコグニトロン」が原型である。

（１）わかりやすいために、入力画像：４Pixels（モノクロ）、フィルタ：2×1、Pooling：３ノードMax Poolingとして説明する。（Max Poolingは Poolingの中でよく使われている）図１参照。
（２）Pooling層のノードは、他のノードとは違い活性化関数も持たず、入力＝出力である。Pooling層と畳込層のリンクの値は１か０である。従って誤差の影響をまともに受けるか、まったく受けないか、はっきりしている。
なお、それより入力側の値がBack Propagationによって変化していくので、どのノードの値が最大値になるかも変化しうる。
（３）入力層のi番目の出力をIiとすると、畳込層のj番目の入力Cjは、
Cj = f1×Ii + f2×I(i+1)
で表現できる。一般的なニューラルネットワークと比べるとリンクが少なく、f1， f2ごとに重み付けを（平均化するなどして）等価に変更する。
Back Propagationによって、重み付けが変化するためフィルタの値も変化する。

（１）入力画像：カラー画像、フィルタ：５×５×３（RGB）×N枚、Pooling：K×K×N枚が一般的であると考えられる。
（２）N、Kは変化して繰り返す。
（３）この出力値（パーツあるいは特徴量）を7月号で説明したFully Connectedのニューラルネットワークの入力値とする。
（４）入力層に近いほど、より一般的な結びつき（重み付け）になる。出力層に近いほど、アプリよりの結びつき（重み付け）になる。

（１）ニューラルネットワークのノードの出力に用いられる活性化関数に、シグモイド関数ではなくRectified Linear Unitsを採用したのも、Back Propagationによるディープラーニングが可能になった一因である。
（２）クラウド上で、既に重み付けのされたCNNが公開されているので、入力層に近いリンクはそのまま利用することで、効率よく機械学習をさせることができる。
（３）学生時代に聴いた話によると「人間は情報の70％～90％を目から得ている。」従って、ＣＮＮの果たす役割も大きいと思う。
（４）将棋で29連勝した藤井棋士は「直観像記憶」を持っているらしい。映像をバッチリ記憶しており、詳細まで再現できるらしい。α碁もＣＮＮを用いて、パターン認識及び判断をしているようである。（次号で説明予定）
（５）以前はIT分野でのニューラルネットワークと、人間の神経回路網はかなり違っていたので、別々に研究が行われていたが、最近は両方研究する人が増えているらしい。
（６）時系列データを扱うRNN（Recurrent Neural Network）など目的、領域に応じたネットワークが増えると実用に供するようになる。
（７）動画をＣＮＮとＲＮＮで学習させて時系列的な変化を捉えたり、声紋をＣＮＮとＲＮＮで学習させて音声認識させたりする例があります。それぞれのタイプのネットワーク技術が発展すると、いろいろな組合せも可能で、応用が一機に広まると思います。

人工知能、特にディープラーニングなどをビジネスに活用する時の注意点について述べる。

（１）目的をはっきりさせることが非常に重要である。ＡＩを目的化するのはよくない。technology-orientedではうまくいかない。
（２）ＩＴベンダから提案されたら、ＡＩという言葉（等）を消してみて、具体的にどういう技術を使っているか見極めることが必要である。

（１）目的を達成するために、必要なデータは揃っているか？塩漬けされたデータは存在しないか？データがない場合、どのように収集するか？を検討する必要がある。
（２）オープンデータを活用することも重要である。

（１）統計解析、ディープラーニング、数理計画法など、どの手法が適切かを選択していく。簡単な手法で適切な結果が出ることがベストである。必要以上に高度なテクニックを使う必要はない。（統計解析、数理計画法は、下記URL参考）
http://www.ogis-ri.co.jp/rad/webmaga/rwm20140902.html
（２）Excelでできるか、特定のツールが必要なのか。クラウドを使うのか、On Premiseでやるのかなどの検討も必要となる。
（３）データ入力の際には、クレンジング（欠損値、異常値処理など）も重要な作業になる。

（１）河本氏（元大阪ガス 現 滋賀大学データサイエンス学部教授）が「新ＫＫＤ」を提唱している。（「参考文献」１）従来のＫＫＤは「勘 経験 度胸」、新ＫＫＤは「勘 経験 データ分析」。日本はボトムアップ型で現場が強いため、現場の視点とデータ分析を合体させることが重要である。そのためには、現場の技術者を巻き込めるかが重要になってくる。
蛇足であるがＫＫの部分は、第2次ＡＩブームの時にエキスパートシステムという形でシステム化が図られたが、うまくいかなかった。
（２）ビジネスモデルに組み込んで事業化していくためには、継続してオペレーションできる人材が必要となる。