※本記事はアフィリエイト広告を含んでいます
どーも、りけーこっとんです。
「G検定取得してみたい！」「G検定の勉強始めた！」
このような、本格的にデータサイエンティストを目指そうとしている方はいないでしょうか？
また、こんな方はいませんか？
「なるべく費用をかけずにG検定取得したい」「G検定の内容について網羅的にまとまってるサイトが見たい」
今回はG検定の勉強をし始めた方、なるべく費用をかけたくない方にピッタリの内容。
りけーこっとんがG検定を勉強していく中で、新たに学んだ単語、内容をこの記事を通じてシェアしていこうと思います。
結構、文章量・知識量共に多くなっていくことが予想されます。
そこで、超重要項目と重要項目、覚えておきたい項目という形で表記の仕方を変えていきたいと思いますね。
早速G検定の中身について知りたいよ！という方は以下からどうぞ。
具体的にどうやって勉強したらいいの？
G検定ってどんな資格？
そんな方は以下の記事を参考にしてみてください。
なお、りけーこっとんは公式のシラバスを参考に勉強を進めています。
そこで主な勉強法としては
分からない単語出現 ⇒ web検索や参考書を通じて理解 ⇒ 暗記する
この流れです。
※この記事は合格を保証するものではありません
大項目「人工知能分野の問題」
G検定のシラバスを見てみると、試験内容が「大項目」「中項目」「学習項目」「詳細キーワード」と別れています。
本記事は「大項目」の「人工知能分野の問題」の内容。
G検定の大項目には以下の８つがあります。
・人工知能とは
・人工知能をめぐる動向
・人工知能分野の問題
・機械学習の具体的な手法
・ディープラーニングの概要
・ディープラーニングの手法
・ディープラーニングの社会実装に向けて
・数理統計
とくに太字にした「機械学習とディープラーニングの手法」が多めに出るようです。
本記事の範囲は問題数としては少ないものの、合格に向けては必須の基礎知識になります。
ここを理解していないと、機械学習やディープラーニングがどういうものかを理解できません。
ここから先の学習の理解を深めるために、そしてG検定合格するために、しっかり押さえておきましょう。
人工知能分野の問題に関する内容が多くなってしまってので、記事を二つに分割してお届けしようと思いますね。
第一次AIブームの問題
第一次AIブームの問題はトイ・プロブレムという簡単な問題しか解けなかったこと。
トイプロブレムとは、計算量や使用メモリが少ない問題のことでしたね。
例えばオセロを行う、迷路を解くなど。
もっと色んな事ができるようになったと思ったのに…
という失望感から第一次AIブームは終わってしまったようです。
第二次AIブームの問題
第二次AIブームを迎えて、新たにAIに期待が寄せられるようになりました。
しかし第二次AIブームでもやはり問題が。
具体的には以下のようなものがありました。
・フレーム問題
・チューリングテスト
・強いAIと弱いAI
・シンボルグラウンディング問題
・知識獲得のボトルネック
一つずつ見ていきましょう。
フレーム問題
フレーム問題とは、機械はどんなに賢くなっても探索する範囲（フレーム）を決められないこと。
言い換えると、今しようとしてることに関係のあることだけを抽出できないということです。
例えば、人であれば「机の上にあるペットボトルを持ってくる」作業は簡単にできますよね。
これは人間が「ペットボトルを持ってくること」に関係あること(フレーム)を、無意識に決めて、その問題に対処できているからできるんです。
しかしロボットは「ペットボトルを持ってくること」に関することが分かりません。
「どこにあるか認識するのが先？」
「一歩踏み出すのが大事？」
「周りに危険が無いか確認？」
など些細なことまで計算してしまい、計算量が膨大になって、フリーズしてしまうようです。
これが「フレーム問題」といわれます。
チューリングテスト
チューリングテストとは、「機械が人間的かどうか」を判別するテスト。
1950年にアラン・チューリングによって発明されたことで「チューリングテスト」と呼ばれているようです。
具体的な手順は以下の通り。
１．被験者は二台のPCでテキストで対話を行う。
２．片方は人間、もう片方はAIが対話の相手
３．被験者が対話者のAIを「人間」と判断すれば人間的な機械
このテストによって「機械が知能を持つ」事の定義がはっきりとしました。
強いAIと弱いAI
強いAIと弱いAIとは、機械が意思を持って自発的に行動するかどうかで二分したAIの分け方。
この定義はアメリカの哲学者ジョン・サールによって定義されました。
強いAIとは汎用型人工知能とほぼ同義で、人間のように考え行動する機械のことを言います。
逆に弱いAIとは特化型人工知能とほぼ同義で、何か一つの作業に特化した機械のこと。
多くの方が想像しているのは「強いAI」ではないでしょうか。
第三次ブームの今でも、「強いAI」というのは開発されていません。
シンボルグラウンディング問題
シンボルグラウンディング問題とは、機械は「信号（シンボル）」と「意味」を結びつけられない（グラウンディング）問題のこと。
人工知能(AI)が、どれだけ人間と同じように行動・試行しているように見えても、実際に中で行われているのは膨大な計算です。
「数値的にどういう意味があるの？」「統計的になんと言えるの？」
こういうことが分からないと、機械で処理ができません。
このように「意味」は分からず、「数学的にこう」としか言えないということを、明らかにする問題でした。
知識獲得のボトルネック
知識獲得のボトルネックとは、コンピュータが知識獲得することの難しさのこと。
第二次AIブームでは「大量の知識を入れれば知能を持つ」というところに焦点を当てていました。
しかしここまで見てきたように「フレーム問題」「シンボルグラウンディング問題」など様々な問題がありましたよね。
そして人間のように行動する「大量の知識」というのは、本当に膨大です。
これらのことから「知識獲得の難しさ」をAI分野では「知識獲得のボトルネック」と呼ぶようです。
これが第二次AIブームが冬の時代になるきっかけでもありますね。
身体性
身体性とは、AIの身体が物理的に存在することによる、効果を論じる問題のこと。
実はAIってまだ身体と呼べる部分がないんですね。
「ロボットじゃないの？」と思う方もいると思います。
ただ現時点で、AIとロボットはまだ別々の役割を果たしていて、一つに統合できていないんです。(そうなる未来も近そうですが)
ロボットもまだまだ、人間のような身体的な動きを実現するには至っていません。
人は身体や知覚でもって学ぶことも多いため、身体を持たないAIは人間のような高度な知能は獲得できないんです。
スポーツとかだとイメージしやすいですかね。
「実際にやってみないと分からない」とよく言いますが、AIは実際にやれません。
これが身体性という問題です。
特徴量設計
特徴量設計とは課題と相関のある仮説や、過去データの入力パターンを機械学習の入力データとして準備すること。
機械学習を行う際の作業工程の一つでもありますね。
超重要です。
ここできちんと課題を解決できるような仮説・入力データを選べるかが、全てのカギを握ります。
シンギュラリティ
シンギュラリティとは、2045年には人間よりも賢い人工知能が登場して起こる技術的特異点のこと。
レイ・カーツワイルが提唱しました。
「ロボットに人間の仕事が全て奪われる！」といわれている背景がここにあるかと。
これには賛否両論あるようです。
ただりけーこっとん的には、2022年6月時点の技術では起こらないかなと。
ディープラーニングがすごいからといって、膨大な計算を行っていることに変わりはありません。
「フレーム問題」や「シンボルグラウンディング問題」を解決できたわけではないんです。
もし今のAI技術を次に進める画期的な技術が生み出されれば、あり得るかもしれませんが、現時点でそんな技術は聞きません。
りけーこっとんは地道にデータサイエンティストを目指す、発信をし続けるということを頑張るのみです。
ハイパーパラメータ
ハイパーパラメータとは、分析者自身で決定しなければならない学習モデルの要素のこと。
人間が決めるパラメータなので、分析者の腕にかかってきます。
このパラメータが多いほど、分析者がカスタマイズしやすい学習モデルでしょう。
しかし多すぎると一つ一つ決めるのが大変であり、調整に時間がかかってしまうという欠点もあります。
まとめ
今回は大項目「人工知能分野の問題」についての解説でした。
本記事で覚えておきたいキーワードは以下。
・第一次AIブームの問題
・フレーム問題
・シンボルグラウンディング問題
・チューリングテスト
・特徴量設計
・ハイパーパラメータ
以上が大項目「人工知能分野の問題」の内容でした。
既に前の記事で触れてしまっている部分もありましたが、いかがだったでしょうか。
何度もキーワードが出てくるということは、それだけ重要ということです。
復習しながら、新しい単語を覚えていきましょう。
覚える内容が多いですが、りけーこっとんも頑張ります！
ではまた～
続きは以下のページからどうぞ！
コメント