お仕事関係の本、8月頃に読んでまとめるのを放置してたのを重い腰を上げてご紹介！
今回もAI関連の本になります。
目次
概要
これからの時代を生きるすべての人、必読!
■■同僚に、上司に、取引先に、面接官に、子供に、親に、知人に、【AI(人工知能)ってなんですか?】と聞かれたら、あなたは答えられますか?■■
今や新聞やテレビで「AI(エーアイ)」(人工知能)という言葉を見聞きしない日はありません。「AIに仕事を奪われる」というフレーズもよく聞きます。
ですが、いざAIって何?と聞かれても、「人工の知能って…? 何でもできるロボットみたいなもの…?」としどろもどろになってしまう人が多いでしょう。
本書は、やさしい文章とイラストで、AIってなあに?というところからAIの歴史、機械学習、ディープラーニングなど、AIのキホンを最初から解説します。 数式なし、専門用語なし! 【誰でも・ゼッタイ】わかります。
それでいて、「機械学習」や「ディープラーニング」といった一歩踏み込んだ部分も説明し、さらに実際にAIを仕事で活かすヒントになるような具体的なことも紹介します。また、PART2では「AIとシゴト」と題して、AIでこれからの仕事はどう変わるかを説明します。
そして実際にAIの導入で変わった・変わっていく仕事の一部 (コールセンター、教師、医師、農家、秘書…等々)を、 実例を挙げて解説しています。人工知能を知りたいけれど、IT系ではない人、普通の入門書でも挫折してしまった人、かたい文章を読み慣れない人、就職活動中の学生さん、転職を考えている社会人の方、子供の将来の職業を憂う親御さんなど、とにかく【普通の人向けのAI入門書】です。
これからの時代を生きるすべての人、必読です!
Amazonの書籍紹介より引用（リンクは↑）
次のまとめにいろいろ学んだことを書きましたが、絵が豊富で実際に読むのがおススメ！
まとめ
#いちばんやさしいAI超入門 読んでる。気になった点をピックアップ。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・AIの明確な基準はない。人工知能といっても人間の知能はなにかを説明するのは難しい。
・それでもあえて答えるなら、「教えた以上のことができる」ことが人工知能でなにかやることと著者は答える。
・未知のもの（情報がないもの）とよく一緒にあらわれる既知のもの（情報があるもの）から、未知のものの性質を推測することは人工知能の世界で頻繁に用いられる手法。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・人工知能はより高い精度で目的が達成できるかが大切。
・AI導入の際は目的となにを目標にしているかを常に頭においておく。
・AIとはなにかひとつの大きな存在ではなく、小さな目的を達成するためのAI、またはそのようなAIの複合体。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・単純なルールが実装されてるだけでAIと呼ばれるものもあるため、AIと呼ばれるものがなにをしているのか見極める力が必要になってくる。
・AIの得意なことは分類。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・AIの苦手なことは生み出すこと。0から1を生み出すことはできない。
・AI自身が本当の正解を導き出すことはできない。AIは予測はできるが、それはあくまで予測。
・どんな機械学習の手法でも「人間がルールを与えるのではなく、コンピュータ自身が与えられたデータからルールを作り出す」のが基本的な考え方。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・機械学習において、人が与えたあまりよくないルールを、人から与えられたデータをもとに自分でよくなるように調整していくことを「学習する」という。
・教師あり学習は「あらかじめ正解データを与え、そこからルールやパターンを自動で学習させる方法」
— えーこ🌗 (@pm_poupe) 2018年7月30日
・学習フェーズは教師データをコンピュータが学習し、ルールを構築するフェーズ。予測フェーズは、構築したルールを使って新たなデータを予測するフェーズ。
・機械学習の仕事は、正解データに書かれていない入力に対しても、正解データに書かれている開発者の思い（正解）をできるかぎり踏襲した出力を行えるようにすること。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・教師データには様々なデータが含まれているため、部分的には学習結果が矛盾する可能性がある。それを調整していく。
・教師あり学習とは、教師データを順々に学習しその都度データを微調整していく方法。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・教師あり学習では「教師データをどのように作るのか」ということと、「どのくらいのデータ量を準備するか」ということが、モデルの性能を大きく左右する要素となる。
・教師あり学習で行っていたことは、「分類すること」を課題として解いていたのと同じ。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・教師なし学習は正解データを与えない学習方法。
・教師なし学習は明示的な正解がないだけで、与えているデータすべてが教師データのようなもの。
・データをグループ化することをクラスタリングと呼ぶ。教師なし学習はクラスタリングが得意。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・クラスタリングで得られたクラスタ達はどういった特徴を持ったデータが集まったものか人が中身を見て類推する。
・クラスタリングの方法や取得するクラスタ数、使うデータによって得られる結果が異なる
・強化学習は「ある状態におけるさまざまな行動を評価し、よりよい行動を自動的に学習する手法」
— えーこ🌗 (@pm_poupe) 2018年7月30日
・強化学習は明示的な答えを与えないが、行動の選択肢とその行動に対してよかったかどうかを判定する基準は人間から与える。
・ルールを定めることができないような課題を強化学習は解けない。
・強化学習はある行動をとってみて、その結果の善し悪しに応じて「ある状態において次にどの行動をとるべきか」のる^るを改善していく。人が経験則を作り上げる方法と似ている。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・強化学習は行動の確率を調整する。
・強化学習では「累積報酬」という考え方が重要。
・累積報酬とは、目先の利益ではなく、長い目で見たときに最も多くの報酬が得られるルートにたどり着けるように学習していくこと。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・強化学習では単なる累積報酬ではなく、あとからもらえる報酬の価値は少し割り引いて考える「割引累積報酬」という考え方を用いる。
・教師あり学習では確認用のデータを抜き出しておくこと。確認用のデータは学習させない。確認用のデータはモデルの選択に使用する。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・確認用のデータだけでなく、テスト用データも用意して性能を測る。
・教師データが十分でないときに用いられるのが「交差検定」
・交差検定は確認用のデータやテスト用のデータを抽出することなくモデルの性能を評価する方法。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・交差検定ではデータを分割し、分割したデータの1グループをテスト用データとみなす。分割したデータすべての組み合わせでテスト用データとみなして学習を実施する。
・教師あり学習が得意なことは「分類する」こと。
— えーこ🌗 (@pm_poupe) 2018年7月30日
→分類したい気持ちがあれば向いている。
・教師なし学習が得意なことは「分割する」こと。
→どういうふうに分ければいいかわからないけど分けたい時に向いている。
・強化学習が得意なことは「行動パターンを学習する」こと。
— えーこ🌗 (@pm_poupe) 2018年7月30日
→一定のルールの中で動かしたいものがあり、最適な行動を取らせたい時に向いている。
・ディープラーニングは、翻訳のように「一定の規則の中で正解がほぼ一意に決まる課題」が非常に得意。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・ディープラーニングの起源はパーセプトロン。パーセプトロンは「複数の入力を受け取り、1つの出力を返す」という非常に単純なもの。
・入力には重みがかけられる。
・重みは、「その重みに関係する入力をどのくらい重要だと考えるか」の指標。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・ディープラーニングで学習するのは重みの値。
・出力を返す基準をバイアスと呼ぶ。
・出力フィルターを変えることを活性化関数と呼ぶ。
ここらへんは本の図がないと理解がしにくいな…
・入力層・出力層があり、その間にある隠れ層が2層以上持つニューラルネットワークによる学習をディープラーニングと呼ぶことが多い。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・ディープラーニングはどの特徴に基づいて学習したらよいかまで学習してくれるが、ディープラーニングによってデータから抽出されたルールはブラックボックス。
・ディープラーニングが苦手な課題は、規則性がなく、回答がほぼ無限にあるような課題。
— えーこ🌗 (@pm_poupe) 2018年7月30日
・機械学習における「学習」が実際していることは、「パラメータをもつ関数」のパラメータ部分を調整すること。どのように調整するかを決めるのが学習データ。
・AIを活用する上で少なくともなくてはならないのは、課題の本質をとらえる力、データを作成する力。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・分類することはAIは得意。一見すると分類とは縁遠そうな課題でも、実は分類することで解けることがある。
・課題の本質をとらえるスキルは業務や課題を細分化して考えることを日常的に行えばよい。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・機械学習のための教師データを作るのに、機械を使うことも可能。人手で非常に質の良いデータを少数作ってコンピュータに学習させそのモデルを使って大量のデータを分類する、など。
・AIにも得手不得手があるため、仕事のすべてがAIに置き換わることはないだろう。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・AIの発展によって、次のような仕事が必要とされるだろう。必要なAIを開発すること、開発したAIを育てること、AIがした仕事の最終チェックをすること。
・AIに精通しているだけでなく、課題に対する専門知識と、課題にフィットしたデータを効率よく集めることができる能力も必要になる。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・AIのミスを正すためのデータを作成できる力も大切。
・コールセンターの現場はほぼAIになる可能性がある。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・ロボットに食べたいものを話しかけるだけで冷蔵庫にある食材で新たなレシピを考案し、調理までやってくれる未来が来るかもしれない。
・近い将来、人が話すように感情豊かでスムーズに音声出力できるような日が来るだろう。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・音声で対話できるロボットは少なくとも3つの専門的な機能をもつAIから成り立っている。
・AIが教育するのも夢物語ではないだろう。
・AIが小説を書くのは難しい。ストーリーや登場人物といった概念をAIに教えるのが難しいため。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・AIが中割り（アニメーションの間の動きを埋めるもの）を作る時代もやってくるだろう。
・ある原画家が描く絵を学習させれば原画家らしいタッチの絵を描くAIを開発できるかもしれない。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・患者への問診、問診結果とその他の検査結果を元に診断、診断結果を元に治療計画を立案、はAIでも十分可能になる。
・農業で経験則になってる部分もAIで解決可能。出荷時の野菜の状態や収穫時期の特定など。ただしデータが必要。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・スケジュール調整できるAI秘書も登場するかもしれないが、一般常識を教えるのが難しいためできないことはたくさんあるだろう。
・AIは翻訳が得意。
— えーこ🌗 (@pm_poupe) 2018年7月31日
・翻訳でも特殊な文章（特許の文章など）の場合はその特殊な文章のデータを集め学習させる必要がある。
・AIは開発した後も育てる必要がある。データがAIには重要だがデータ作成のためには業務に対する深い知見が必要。
感想
いちばんやさしいとタイトルに書いてある通りでした！
本当にわかりやすかったです。
機械学習の知識はなんとなくあると思ってたものの、教師あり学習、教師なし学習、強化学習をしっかり理解できたなとこの本を読んで思いました。
システムに触ったことのない人でも興味があれば理解できる内容に落とし込まれてたと思います。
今の時代の経営者は絶対読むべきかと。
もちろん、IT関係の仕事をしてる人はこれは最低限理解してないとマズイのでは？と思う内容でした。
なんとなくAI導入！とか言ってても、今何ができて何ができないのか、そしてどういう方法論があるのか、これは今後仕事をする上で最低限の知識をまとめてる内容ではないかと思います。
人工知能に関する本はそこまで読んでいませんが、人工知能とは？を理解するにはとてもいい入門書だと思います。
おススメです！！
