How does artificial intelligence learn? - Briana Brownell

翻訳: Hiroshi Uchiyama 校正: Tomoyuki Suzuki

Today, artificial intelligence helps doctors diagnose patients,

こんにちAI(人工知能)は 医師による患者の診断や

pilots fly commercial aircraft, and city planners predict traffic.

パイロットによる商用航空機の操縦や 都市計画者による交通量予測を支援します

But no matter what these AIs are doing, the computer scientists who designed them

しかしAIがどんな仕事をするにしても AIを設計するコンピュータ科学者は

likely don’t know exactly how they’re doing it.

AIが何をしているかを 正確に把握している訳ではないようです

This is because artificial intelligence is often self-taught,

これはAIがしばしば自己学習し

working off a simple set of instructions

単純な一連の命令から

to create a unique array of rules and strategies.

一連のユニークなルールと戦略を 生成するからです

So how exactly does a machine learn?

では実際に機械は どのように学習するのでしょうか？

There are many different ways to build self-teaching programs.

自己学習型のプログラムを組む方法は 多くあります

But they all rely on the three basic types of machine learning:

しかしすべての方法が 機械学習の３つの基本的な型に依存しています

unsupervised learning, supervised learning, and reinforcement learning.

教師なし学習、教師あり学習 そして強化学習の３つです

To see these in action,

これらが動作する様子を見てみましょう

let’s imagine researchers are trying to pull information

数千人もの患者のプロファイルを含む 医療データから

from a set of medical data containing thousands of patient profiles.

研究者が情報を 引き出そうとしていたとします

First up, unsupervised learning.

まずは教師なし学習です

This approach would be ideal for analyzing all the profiles

この手法はすべてのプロファイルを分析して

to find general similarities and useful patterns.

一般的な類似性や有益なパターンを 見つけるのに理想的なものです

Maybe certain patients have similar disease presentations,

ある患者たちは似通った病状を 示しているかも知れませんし

or perhaps a treatment produces specific sets of side effects.

もしかすると ある治療法が一連の副作用を 引き起こしているかもしれません

This broad pattern-seeking approach can be used to identify similarities

この大規模なパターン検索の手法は 患者のプロファイルから類似性を識別し

between patient profiles and find emerging patterns,

発病パターンの見出すのに利用できますが

all without human guidance.

まったく人間の手を介しません

But let's imagine doctors are looking for something more specific.

しかし医師が何かもっと具体的なことを 求めていたとしましょう

These physicians want to create an algorithm

その医師たちはある特定の疾患を診断する

for diagnosing a particular condition.

アルゴリズムを作りたいのだとします

They begin by collecting two sets of data—

彼らは２種類のデータを 集めることから始めます

medical images and test results from both healthy patients

医療用画像データと試験結果のデータを 健康な患者と

and those diagnosed with the condition.

疾患があると診断された患者から集めます

Then, they input this data into a program

健康な患者にはなく 患者に共通する特徴を

designed to identify features shared by the sick patients

識別するように設計されたプログラムに

but not the healthy patients.

これらのデータを入力します

Based on how frequently it sees certain features,

プログラムは各特徴量を どれくらい参照するかによって

the program will assign values to those features’ diagnostic significance,

診断における特徴量の重要度を数値化して

generating an algorithm for diagnosing future patients.

将来 患者を診断する際に使う アルゴリズムを生成するのです

However, unlike unsupervised learning,

しかしながら教師なし学習とは異なり

doctors and computer scientists have an active role in what happens next.

医師とコンピュータ科学者は 次の段階で積極的な役割を担います

Doctors will make the final diagnosis

医師は最終的な診断を行い

and check the accuracy of the algorithm’s prediction.

アルゴリズムの下した予測に対して 正確さを確認します

Then computer scientists can use the updated datasets

次にコンピュータ科学者は 更新されたデータを使って

to adjust the program’s parameters and improve its accuracy.

確度を向上させるために プログラムのパラメータを修正します

This hands-on approach is called supervised learning.

この実践的な手法を 教師あり学習といいます

Now, let’s say these doctors want to design another algorithm

ここで治療計画を提案するアルゴリズムを

to recommend treatment plans.

医師たちが求めていたとします

Since these plans will be implemented in stages,

治療計画は段階的に導入され

and they may change depending on each individual's response to treatments,

治療による個々の患者の反応により 治療計画を変更する必要があるため

the doctors decide to use reinforcement learning.

医師たちは強化学習を使うことにします

This program uses an iterative approach to gather feedback

このプログラムでは どのような処方 投薬量、治療が最も効果的かについて

about which medications, dosages and treatments are most effective.

フィードバックを行う 反復的な手法を使います

Then, it compares that data against each patient’s profile

次に 個々の患者に適した 治療計画を作成するために

to create their unique, optimal treatment plan.

データを個々の患者の プロファイルと照合します

As the treatments progress and the program receives more feedback,

治療が進められ プログラムが フィードバックを得るごとに

it can constantly update the plan for each patient.

個々の患者の治療計画を プログラムは継続的に更新していきます

None of these three techniques are inherently smarter than any other.

これら３つの手法はどれが一番 優れているということはありません

While some require more or less human intervention,

人間の介在をいくらか必要とする 手法もありますし

they all have their own strengths and weaknesses

いずれの手法にも それぞれ強みと弱みがあるので

which makes them best suited for certain tasks.

各作業に対して 最善な手法を選ぶことになります

However, by using them together,

しかし ３つの手法を組み合わせることで

researchers can build complex AI systems,

研究者は複雑なAIシステムを 作り上げることができます

where individual programs can supervise and teach each other.

これは 各プログラムが 互いに教師となり訓練することで作られます

For example, when our unsupervised learning program

例えば 教師なし学習のプログラムが

finds groups of patients that are similar,

類似する患者の集団を見つけると

it could send that data to a connected supervised learning program.

これに連結した教師あり学習プログラムに その情報を送ることができて

That program could then incorporate this information into its predictions.

教師あり学習プログラムは情報を 予測に取り込めるでしょう

Or perhaps dozens of reinforcement learning programs

あるいは何十もの強化学習のプログラムが

might simulate potential patient outcomes

異なる治療計画の フィードバックを集めるために

to collect feedback about different treatment plans.

起こりうる治療結果を シミュレーションすることもあるでしょう

There are numerous ways to create these machine-learning systems,

機械学習のシステムを作る 様々な方法がありますが

and perhaps the most promising models

恐らくもっとも有望なモデルは

are those that mimic the relationship between neurons in the brain.

脳内のニューロン同士の関係を 模倣したものでしょう

These artificial neural networks can use millions of connections

そのような人工ニューラルネットワークは 数百万の接続を利用して

to tackle difficult tasks like image recognition, speech recognition,

画像認識、音声認識、さらには翻訳といった

and even language translation.

難しい作業に取り組めます

However, the more self-directed these models become,

でも このようなモデルが 自己学習を進めるほど

the harder it is for computer scientists

コンピューター科学者が

to determine how these self-taught algorithms arrive at their solution.

自己学習型アルゴリズムによる 解の導出過程を特定することは難しくなります

Researchers are already looking at ways to make machine learning more transparent.

科学者はすでに機械学習を もっと可視的にする方法を探しています

But as AI becomes more involved in our everyday lives,

AIが私たちの日々の生活に 入り込んできますが

these enigmatic decisions have increasingly large impacts

不可解な判断が仕事や健康や安全に

on our work, health, and safety.

与える影響が大きくなっています

So as machines continue learning to investigate, negotiate and communicate,

機械がデータの調査、計算や通信方法を 継続的に学習している中で

we must also consider how to teach them to teach each other to operate ethically.

機械同士が倫理的な作動方法を教えあう手段を 人間が教え込む方法も考えなければなりません