AIxFTR!AI活用により変革するエンジニアリング!!

学習に使用するデータの種類や収集方法、最適な結果を導くために欠かせないデータの前処理(信号処理)の手法など、エンジニアリングのためのAI活用をご提案いたします。

特徴

AIとは

AIとは非常に広い範囲を指す言葉で、基本的には人工的に作成された知的なふるまいを行うもの全般を指します。AIは搭載されたアルゴリズムよって、入力に対応した正確な(ヒューマンエラーがないという意味)出力を高速に行うことができますので、問題解決の一つの手段として非常に有用です。
昨今、「AI(人工知能」「機械学習」「ディープラーニング(深層学習)」といったワードをよく目にしますが、それぞれの関係は下図の通り、ディープラーニング(深層学習)は機械学習の一部であり、機械学習はAI(人工知能)の一部であるといえます。

機械学習と深層学習の違い

従来の機械学習と最近話題の深層学習とではどのような違いがあるのか、花の種類を識別するという課題を例に挙げて簡単にご紹介します。
従来の機械学習では、入力するデータに対して、花の種類を識別するのに必要な特徴を考えてAIに教えてあげる必要があります。一方、深層学習の場合では、入力されたデータを基に学習し、識別に必要な特徴をAI自身が見つけ出します。
一見、深層学習が優秀で何でも解決してくれそうではありますが、それぞれにメリット・デメリットがあるので注意が必要です。

従来の機械学習のメリットとしては、我々人間が持っている経験や知識を活用する事ができます。この場合では、花の色と花弁の数といった知識を利用しています。対してデメリットは、識別に必要な特徴を考えるコストが発生することが挙げられます。また、識別に必要な特徴に対する知識がなく、何に注目すべきか判断が難しいといった状況も多々あります。
次に深層学習のメリットは、人間が特徴を考えるコストが発生せず、識別のための知識がなくても識別を行うことが可能です。また、人間が気付かなかった特徴に意味を見出し、人間に気付きを与えることもあります。デメリットとしては、人間のように経験や知識を持っていませんので、人間が当たり前だと思っている特徴を無視しして見当違いな特徴を重視したり、直感とは異なる判断を出力することがあります。また、入力されたデータが知識のすべてとなりますので、足りない知識を埋めるために大量の入力データを必要とする場合が多いです。
このようにそれぞれにメリット・デメリットがありますので、状況に応じて使い分ける必要があります。

AIの用途とカテゴリ、その応用例

AIとは何ができるのでしょう。用途は多岐にわたりますが、大きく以下の3つのカテゴリに分類されることがあります。

各種類の応用例を挙げてみます。
識別系AIでは、身近な例としてインターネットの画像検索などがあります。また、音声から相手の感情を識別したり、機器に取り付けられたセンサーの情報からその機器の故障を識別したりなどもあります。
予測系AIでは、店舗の売り上げ、需要の予測などがあります。他にも、過去の購買履歴からその人の好みを予測したり、広告を載せるサイトを分析して、どういった広告を掲載すると有効なのかを予測することも可能です。
実行系AIでは、自動運転などが代表的な例となります。他には、宅配における経路の最適化。広告のコピーやロゴデザインの生成なども応用先の一つとなります。

適用事例

AIコンサルティングをもっと知る