前へ / 戻る / 次へ

人工知能の略歴

• 1960年～1974年頃：第１次 AI ブーム
  • プログラムに組み込まれたルールを元に推論・探索を行う。
  • 簡単な Toy Problem ( おもちゃの問題 ) しか解けない。
• 1980～1987年頃：第２次 AI ブーム
  • 専門的知識をルールとして追加してゆける「エキスパートシステム」が開発され、AI が実用的になる。 (ルールの追加作業は人間がやる)
• 2006年～：第３次 AI ブーム
  • 機械学習・深層学習によって AI が自ら知識を獲得できるようになった。

機械学習と深層学習の違い

　どちらも、沢山の学習データを与えると AI がルールを獲得するが、

• 単なる機械学習：
  • 「特徴量」の設定は人間が行わなければならず、しかも調整が難しい。
• 深層学習 ( Deep Learning )：
  • AIが自ら適切な「特徴量」を獲得する。

機械学習・深層学習も万能ではない

• 機械学習の欠点
  • 学習データに偏りがあってはいけない
• 深層学習の欠点
  • 意図しない方向に学習が進む恐れがある
    AI がヒトラー礼賛
• どちらも
  • 大量の学習データと大量の学習時間が必要
  • 「ブラックボックス化」されていて判断の根拠が人間にはわからない

 ⇒　AI システムには性能評価が必要。

AI システムの性能評価指標

　真/偽 を判定する場合

• 正解率 ... 判定の何%が正解であったか
• 再現率 ... 本当は真であるケースの、何%を真と判定できたか
• 適合率（= 精度）... 真と判定した中で、何%が正解であったか

例えばコロナ診断 AI システムがあったとして

• 再現率は高いが適合率が低い
  ⇒ 陽性者を高確率で発見できるが、陰性者も陽性と判定しまう確率が高い
• 再現率は低いが適合率が高い
  ⇒ 陰性者を陽性と誤判定することは少ないが、陽性の人を見逃す確率が高い

　状況によって、重視すべき指標を考える必要があります。

前へ / 戻る / 次へ