タグ: 人工知能・AI

無症状病原体保有者が新型コロナウイルスの感染拡大に大きく関わっているわけだが、症状のない人をどうやって見分けて隔離すればよいのか、どのように検査を受けさせたらよいのだろうか？感染初期の可能性が高い人を、その咳の音に潜む微妙ながら確かなパターンから見分けられる（MIT News記事）ことが、MITの研究でわかった。これには、強く求められているウイルスの早期警告システムの実現につながる可能性がある。

人の咳の音にはいろいろな意味が含まれていることを、医師たちは昔から知っていた。そこで肺炎、喘息、さらには神経筋疾患などの症状を検出するためのAIモデルが作られた。どれも咳の仕方に違いがある。

パンデミック以前、研究者Brian Subirana（ブライアン・サビラナ）氏は、咳はアルツハイマーの予測にも役立つことを指摘していた。これはちょうど1週間前にIBMが発表した研究結果（The Lancet記事）と重なる。最近になってサビラナ氏は、これほど小さなものから、これほどたくさんのことがわかる能力がAIにあるのなら、新型コロナウイルスもわかるのではないかと考えた。実際、同じことを考えた人は他にもいる。

彼とその研究チームは、人々に咳を提供してもらうためのサイトを立ち上げ、「我々が知る限り最大の咳の研究用データセット」を作り上げた。彼らは数千件のサンプルを使ってAIモデルのトレーニングを行い、その論文をIEEE（米電気電子技術者協会）の「オープンジャーナル」で公開している。

このモデルは音の強さや調子、肺と呼吸器の能力、筋肉の衰えから微妙なパターンの検出に成功したようで、無症状病原体保有者の100％、症状のある感染者の98.5％を特定できるまでになった。特異度はそれぞれ8％と94％。つまり、偽陽性と偽陰性の数が多くないことを示している。

「人が立てる音が、新型コロナウイルスに感染すると、無症状であっても変わることをこれが示していると私たちは考えました」とスビラナ氏は、この驚きの発見について語った。だが、このシステムは不健康な咳の検出を得意とするものの、症状はあるが根底の原因が不明な人の診断ツールとして使うべきではないと彼は警告する。

この点について、私はスビラナ氏に詳しい説明を求めた。

「このツールは、新型コロナウイルス感染者とそうでない人ととの区別に役立つ特徴を検出するものです」と彼は電子メールで述べている。「これまでの研究では、他の症状も検出できることがわかっています。さまざまな症状を区別できるシステムを開発することも可能でしょうが、私たちの狙いは、その他の症状と新型コロナウイルスとを区別することにあります」。

統計学を重んじる人なら、驚くほど高い成功率には危うさを感じるだろう。機械学習モデルはさまざまな分野で高い能力を発揮するが、100％という成功率はそう聞くものではない。別の見方をすれば、たまたまよい結果が出ただけなのかも知れない。当然、この発見は他のデータセットで検証し、他の研究者によって審査される必要がある。だが同時に、新型コロナ感染者の咳には、コンピュータの聴覚システムで簡単に、ほぼ確実に聞き分けられる手がかりが含まれているという可能性もある。

研究チームは現在、さまざま病院と協力して多様なデータセットの構築を進めている。さらに民間企業とアプリを共同開発し、米食品医薬品局の認可が取得し次第、このツールを広く配布する予定だ。

関連記事
・新型コロナ患者に早期警告する喉装着型ウェアラブル、NWUの研究者が開発
・公共スペースを自律的に監視するFluSenseシステムが病気の動向を追跡

カテゴリー：人工知能・AI

タグ：新型コロナウイルス

画像クレジット：Ponomariova_Maria/iStock / Getty Images

［原文へ］

（翻訳：金井哲夫）

研究論文は次々に生み出され、もはやそれらすべて目を通すことは誰にもできない。特に、実質的にあらゆる業界や企業に影響を与え、論文も生み出している機械学習の分野ではなおさらだ。今回のコラムは、特に人工知能を中心とした、関連する最近の発見や論文を集めて、なぜそれが重要なのかを説明することを目的としている。

今週は、森のマッピングに無人ドローンを使うスタートアップや、機械学習がソーシャルメディアのネットワークをマッピングしたり、アルツハイマーを予測する方法、宇宙ベースのセンサーのためのコンピュータビジョンの改善、その他の最近の技術の進歩に関するニュースを見てみよう。

発話パターンからアルツハイマーを予測する

機械学習ツールは、人間が検出しにくいパターンにも敏感に反応するため、様々な方法で診断を支援するために利用されている。IBMの研究者たちが、話し手がアルツハイマー病を発症していることを予測できる（EClinicalMedicineサイト）発話のパターンを発見したかもれない。

臨床現場でこのシステムを使うには数分程度の普通の会話があれば良い。研究チームは、1948年に遡る大規模なデータセット（フラミンガム・ハート・スタディ）を使用して、後にアルツハイマー病を発症する人々の発話のパターンを識別した。統計的に情報量の多い人の精度は約71%、AUC（Area Under Curve）値では0.74となっている。これは信頼できる結果とはいえないが、現在の基礎検査は、この病気をはるかに先取りして予測するという目的には、コイン投げよりはなんとか優れている手段だ。

アルツハイマーは発見が早ければ早いほど、管理しやすくなるので、このことはとても重要なことだ。治療法はないが、最悪の症状を遅らせたり軽減させたりできる有望な治療法や実践法は存在している。健康な人に対するこのような身体に負担をかけない非侵襲的で迅速なテストは、強力な新しいスクリーニングツールになり得ることはもちろん、技術のこの分野での有用性を示す優れたデモンストレーションでもある。

（論文に、正確な兆候例などが書かれていると期待しないで欲しい。発話の特徴の並びは、日常生活で気がつくことができるようなものではない）。

ソー「セル」ネットワーク

深層学習ネットワークが学習環境の以外のデータにも適用できるほど一般化されているかどうかを検証するのは、あらゆる本格的な機械学習（ML）研究のキモとなる部分だ。しかし、完全に無関係なデータにモデルを適用しようとする試みはほとんど行われていない。おそらくそうすべきなのに！

スウェーデンのウプサラ大学の研究者たち（ウプサラ大学サイト）は、ソーシャルメディアでグループやつながりを識別するために使用されたモデルを、生体組織のスキャンに適用した（もちろん無修正ではない）。その生体組織は、結果として得られた画像がmRNAを表す多数の小さなドットを生成するように処理されていた。

通常、組織の種類や領域を表す細胞（セル）の異なるグループは、手作業で識別され、ラベルづけされてる必要がある。しかし、仮想空間の中で、共通の関心事のような類似性に基づいて構成されたソーシェルグループを識別するために作られたグラフニューラルネットワークは、細胞に対しても同様の仕事を行うことができることが証明された（トップ画像参照）。

「私たちは、最新のAI手法、特にソーシャルネットワークを分析するために開発されたグラフニューラルネットワークを利用して、組織サンプルの生物学的パターンや連続的な変化を理解するために、それらを適用しています。細胞はソーシャルグループに似ています。なぜならソーシャルグループもグループ内で共有するアクティビティに基づいて定義することができるからです」とウプサラ大学のCarolina Wählby（カロリナ・ヴェールビー）氏は語る。

これは、ニューラルネットワークの柔軟性を示すだけでなく、構造やアーキテクチャがどのような形であらゆるスケールや文脈で繰り返されるのかを示す興味深い例だ。もし願うなら「外の如く内も然り」だ。

自然の中のドローン

私たちの国立公園や林業が営まれる広大な森には無数の木があるが、書類に「無数の木」と書くことはできない。いろんな地域でどれだけ成長しているのかや、木の密度や種類、病気や山火事の範囲などを、誰かが実際に評価しなければならない。航空写真やスキャンでわかることは限られている一方で、地上での観察では詳細な情報は得られるものの非常に時間がかかるため、この評価プロセスは部分的にしか自動化されていない。

Treeswift（ツリースイフト）はドローンに森の中の飛行と正確な計測の両方に必要なセンサーを装備することで、中間的な道を歩もうとしている。歩行する人間よりもはるかに速く飛ぶことで、木を数えたり、問題箇所を探したり、一般的に有用なデータを膨大に収集することができる。ペンシルバニア大学からスピンアウトし、米国立科学財団（NSF）からSBIR（Small Business Innovation Research：小規模事業イノベーション研究）助成金（未訳記事）を獲得した同社は、まだごく初期のステージにいる。

「企業は気候変動に対抗するために、ますます森林資源に注目していますが、そのニーズを満たすための人材供給が追いついていません」とPenn（ペン）ニュースの記事の中で語るのは（ペンシルベニア大学サイト）、Treeswiftの共同創業者でCEOのSteven Chen（スティーブン・チェン）氏だ。彼はペンシルバニア大学工学部のコンピュータ・情報科学（CIS）の博士課程の学生でもある。「林業家の1人ひとりが、もっと効率よく仕事ができるようにしたいと思っています。このロボットは人間の仕事を置き換えるものではありません。その代わりに、森林を管理するための知見と情熱を持った人たちに新しいツールを提供するのです」。

ドローンがおもしろい動きをたくさんみせてくれる、また別のエリアは水中だ。外洋に出る自律型潜水艇は海底の地図を作成したり、氷棚を追跡したり、クジラを追跡したりすることに役立っている。しかし、それらは定期的に回収し、充電して、データを取り出す必要があるという小さなアキレス腱を持っている。

パデュー大学工学部のNina Mahmoudian（ニーナ・マフムディアン）教授は、潜水艇が電力とデータ交換のために簡単かつ自動的に接続できるドッキングシステムを作成した（パデュー大学サイト）。

潜水艇にはドッキングステーションを見つけ、プラグを差し込んで安全な接続を行うための、特別なノーズコーンが必要となる。ドッキングステーション自身は自律的に動く水上機もしくは、恒常的な施設である。大事なことは、小型潜水艇がさらなる任務を行う前に、充電と報告のためのピットインをすることができるということだ。もし潜水艇で失われてしまっても（海上では実際に起こり得る危険性）、そのデータがともに失われることはない。

以下の動画で、実際の様子を見ることができる。

理論上の乱気流音

一部の人がもうすぐ実現すると考えているような、自動プライベートヘリコプターの登場はまだまだ先だと思われるが、ドローンが都市生活に溶け込むようになるのにはそれほど時間はかからないかもしれない。しかし、ドローンが高速で行き交う下で生活するということは、四六時中ノイズを聞かされることを意味する。そのため翼やプロペラまわりの乱気流やそれにともなう雑音を減らす方法が常に検討されている。

キング・アブドラ科学技術大学の研究者たちは、このような状況下での空気の流れをシミュレートする、新しくより効率的な方法（Nature Research記事）を発見した。流体力学は基本的に複雑であり、ここで大切なことは計算能力を問題の適切な箇所に注ぎ込むことだ。彼らは、理論上の航空機の表面近くの流れだけを、高解像度でレンダリングすることを可能にした。一定の距離が離れてしまうと、何が起こっているのかを正確に知ることはほとんど意味がないことを発見したからだ。現実のモデルを改善する際には、すべての場所を改善する必要はない──結局のところ、結果が重要なのだ。

宇宙での機械学習

コンピュータビジョンのアルゴリズムは長い道のりを歩んできたが、その効率性が向上するにつれ、データセンターではなくエッジに配置されるようになってきた。実際、携帯電話やIoTデバイスのような、カメラを搭載した製品では、画像に対してその場でML作業を適用することが、かなり一般的になってきている。しかし、宇宙ではそれは別の話だ。

宇宙空間で機械学習を実行することは、ごく最近までは、考えるまでもなく電力的に高価すぎることだった。その電力を使って、別の画像を撮影したり、地上にデータを送信したりすることなどができるからだ。HyperScout 2（ハイパースカウト2）は宇宙でのML作業の可能性を探っている。その衛星は、収集した画像に対して地上に送る前に、コンピュータビジョン技術を適用し始めている（cosineサイト）（「ここに雲がある、ここにポルトガルがある、ここに火山がある……」など）。

現在のところ実用的なメリットはあまりないが、オブジェクト検出は他の機能と簡単に組み合わせて新しいユースケースを生み出すことができる。例えば関心のあるオブジェクトが存在しない場合の省電力化から、メタデータを他のツールに渡した方がよりよく機能する場合などが考えられる。

新しきを捨てて、古きを得よ

機械学習モデルは教育された範囲の推測を行うのに優れている。整理されていないまたはろくに文書化されていない大量のデータがある分野に対して、大学院生がより生産的に時間を使えるように、AIに最初のスキャンを行わせることは非常に有用だろう。議会図書館がそれを古い新聞に対して行っているが、新たにカーネギーメロン大学（CMU）の図書館もその気になってきている（CMUリリース）。

CMUの100万点におよぶ写真アーカイブはデジタル化の過程にあるが、歴史家や好奇心旺盛な閲覧者に役立つようにするためには、写真を整理してタグ付けする必要がある。そのためコンピュータービジョンアルゴリズムが適用されて、類似画像のグルーピング、対象と場所の特定、その他の価値ある基本的な分類タスクが行われている。

「部分的に成功したプロジェクトであっても、コレクションのメタデータは大幅に改善されています。もしアーカイブが、コレクション全体をデジタル化するための資金を獲得することができれば、メタデータ生成のための可能なソリューションを適用することができます」と語るのはCMUのMatt Lincoln（マット・リンカーン）氏だ。

まったく異なるプロジェクトだが、どこかでつながっているように見えるのが、ブラジルのペルナンブーコ大学工学部の学生によるこの成果だ。彼は古い地図を機械学習できれいにする（IEEE Spectrum記事）素晴らしいアイデアを研究している。

彼らが使用したツールは、古い線画の地図を使って、それに基づく衛星写真のようなものをGAN（Generative Adversarial Network）を利用して生成するものだ。GANとは本質的に、AIが自分自身をだまして本物と見分けがつかないようなコンテンツを作成しようとする技法だ。

まあ、現在の結果は完全に満足できるものではないが、それでも期待はできる。このような地図は正確なものではないが、かといって完全に空想上のものというわけではない。それらを現代的なマッピング技術の文脈で再現することは、楽しいアイデアで、きっとそうした場所を、より身近なものとして感じさせてくれることだろう。

関連記事：米国議会図書館が機械学習で300年ぶんの新聞の画像を抽出し検索可能に

カテゴリー：人工知能・AI

タグ：機械学習

画像クレジット：Uppsala University

［原文へ］

（翻訳：sako）

オンラインやオフラインの文書作成ツールで文章を書く人なら誰でも、スペルが間違っている単語や拙い表現の下に必ず出現するあの波線にすっかり慣れていることだろう。しかし、別の意味合いを含む言葉や、堅苦し過ぎる表現、または馴れ馴れしい表現を使ってしまった場合、あるいは、ある集団に対して今は使われなくなった呼称を使ってしまった場合はどうだろうか。Writer（ライター）は、文章を打ち込んでいるときに指定のスタイルガイドや価値基準から外れている言葉を入力すると、その場で警告してくれるサービスだ。そのWriterが最近、事業を拡大するために500万ドル（約5億3000万円）を調達した。

Writerのサービスを利用する個人も企業も、単に文法やつづりの誤りを検知する以上のレベルで、文章の質を向上させたいと願っている。もし、インクルーシビティ（包含性）を大切にすると主張する企業のプレスリリースや社内ブログに時代錯誤な考え方や偏見を示す表現が散見されたら、その企業がインクルーシビティを大切にしたいという思いはその程度のものなのだ、と示すことになってしまう。

Writerの創業者兼CEOのMay Habib（メイ・ハビブ）氏はこう語る。「企業は自分たちの発言を裏付ける行動をしようと躍起になっている。ユーザーとの接点があるすべての場所で、一貫性のあるメッセージを発信できるようになりたいと考えているためだ。そこでWriterは、配慮に欠けた言葉やネガティブに受け取られかねない表現が文章に含まれていた場合に、それを作成者に知らせるサービスを提供し、企業がブランドのガイドラインを設定するサポートをしている」。

企業が提供するコンテンツや公式なコミュニケーションにおいては普通のことになっているとはいえ、従業員が使う言葉を企業が指図するなんて少し不吉な感じがすることは否めない、というのが第一印象だろう。 しかし、今回注目したいのは、権力を振るうために言論を統制するという側面ではなく、意思伝達を完璧に行える人間は存在せず、誠実であるためには助けが必要であるという事実を認めることである。警察というよりも、物知りの天使が「その弁護士のことを『エキゾチック』と表現して大丈夫？」と耳元でささやいて教えてくれるようなものだ。

我々は皆、言葉の使い方の点で数えきれないほどの失敗をするものだ。気づかれにくいものもあるが、だからといって人を傷つける可能性が低くなるわけではない。広報の現場では特に、特定の集団を表すために、こちらが真っ先に思い浮かべた名称ではなく、その集団が好む名称を使うことが重要である。このような情報について、Writerは、当事者のコミュニティから収集した最新のライブラリを備えている。中には、ここ数年の間に政治的に別の意味合いを含むようになったフレーズもあるが、それを知らなくても心配はいらない。Writerが代替案を教えてくれる。必要以上に性別を意識させる表現を使いたくないと考えて言葉遣いに配慮したくても、ところどころでミスしてしまうことは誰にでもある。そんなときも、Writerを使えばそのミスに気づくことができるし、先述される代名詞と関連づけて判断して、匿名の情報源を性別に結びづけずに言及できる。

Writerには、「ポリティカル・コレクトネス」に関する非難が付いて回るだろう。しかし、ハビブ氏は次のように説明する。「これは政治的に正しいかどうか以前の問題である。特定の生き方または在り方をしていて、特定の表現の使用を好む人々を尊重するかどうか、という問題なのだ。自分の居場所があると誰もが感じられるコミュニティを企業が築けるようにすること、当社はその手助けをしている」。我々がテクノロジー業界で繰り返し目にしてきたように、企業がある理念をどんなに熱く語っても、同じ企業がその理念とは相反する方法で従業員を扱っている、というのはよくある話だ。正直なところ、単に適切な言葉を使うだけというのは、スタート地点としてはハードルが低すぎるのではないかと思う。

しかし、Writerは単に要注意表現をリスト化して更新していくだけのサービスではない。Writerの中核であるNLP（自然言語処理）エンジンは、文章構造の複雑さ、段落の長さ、語調などにも深く配慮して開発されている。Writerにはそのような奥深い理解が必要である。「指摘するために下線を表示するだけでは不十分である。どの箇所をどの表現で置き換えるべきかを理解する必要があり、その表現を文章になじませる必要もある。これらはNLP上の難問だ」と、ハビブ氏は説明している。

そのため、WriterのNLPエンジンは、インクルーシビティに配慮した表現だけでなく、さまざまな役割に適応できる。例えば、通常のスペルミスや文法ミスに加えて、フォーマルさの度合い、能動態、「生き生きした表現」（これが何であれ、筆者にはないものだ）など、ブランドのイメージを決定づける上で役立ついろいろなメトリクスに対応できる。

もちろん、Writerで自社独自のスタイルガイドを使うこともできる。そうすれば、編集担当者は目を皿のようにして、メインタイトルにシリアルコンマが使われていないか、emダッシュの代わりに二重ダッシュが使われていないか、「email」とすべきところが「e-mail」になっていないかをチェックする必要がなく、そのブランドとして一般に認識されるような文体を保つための細かいルールで頭をいっぱいにする必要もない。

Writerでは、複数のスタイルガイドを切り替えて使用することや、アプリやサイトによってスタイルガイドの調整や無効化を行うことができる。そのため、社内メールとプレスリリースでガイドラインを使い分けることも、ブログ投稿とニュースレターとでスタイルを分けることもできる。

この分野で明らかに最大のライバルとなるのがGrammarly（グラマリー）だが、ハビブ氏は、Grammarlyも、増え続けるブラウザ内・アプリ内校正サービスも、技術的な面にフォーカスしていると考えている。Writerにとっては、個々の文書作成者のミスを防ぐことよりも、複数の文書作成者の間で一貫性を確保し、言語面で同じ総合基準を守りながら作業できるようにすることの方が重要な課題だ。

もちろん、セキュリティも重要である。どんなに便利なツールだったとしても、キー入力した内容がすべて記録されることを望む人はいない。ハビブ氏は、Writerは現時点でブラウザ用プラグインとしてローカルで実行され、WordまたはChromeへのみ統合が可能だが、他のアプリやサービスにも今後対応していくと慎重な言葉遣いで強調した。同氏は「そのようなアプリやサービスのデータがWriterのサーバーに保存されることも、メタデータが生成されることもない。処理はすべてテキスト領域で実行される」と説明している。Writer側に送信されるデータは、例えば「should of」を「should have」に、「illegal aliens」を「undocumented immigrants」に修正したなど、提示された修正案が使用されたという事実のみだという。このモデルをトレーニングするためにユーザーのデータが使用されることはなく、修正そのもの以外のコンテンツがWriterに送信されることも、Writerのサーバーに保存されることもない。

Writerは現在、ベーシック版は1ユーザーあたり毎月11ドル（約1200円）で利用できる（もちろん、無料トライアル期間が必ず付いてくる）。複数のスタイルガイドが使用できて、盗用検出などの機能が使えるエンタープライズ版もあるが、利用料金は不明だ。また、対応している言語は英語のみである。もちろん、他の言語でもこのサービスのニーズはあるが、NLPモデルの奥深さと、同モデルが認識する表現がその言語において持つ特異性を考えると、他言語への展開は簡単にはいかない。例えば、スペイン語や韓国語に対応するには、まったく新しい製品を開発する必要があるだろう。そのため、現時点では英語のみの対応となっている。

Writerは創業して間もない企業で、NLPエンジンを（GitHubリポジトリで対ユーザー言語をモニタリングするという取り組みを前身として）18か月間、まるでステルスのようにひっそりと開発してきた。Upfront Ventures（アップフロント・ベンチャーズ）、Aspect Ventures（アスペクト・ベンチャーズ）、Bonfire Ventures（ボンファイア・ベンチャーズ）、Broadway Angels（ブロードウェイ・エンジェルズ）がリードしたシードラウンドで調達した500万ドル（約5億3000万円）が、同社のさらなる事業拡大を後押しすることは間違いない。同社の顧客にはすでに一流の有名企業が名を連ねている。その実績と今回の資金調達のおかげで、しばらくは安泰だろう。

関連記事：日本語に特化したAI文字起こしサービス「Rimo Voice」が登場、1時間の保存音声を最短5分でテキスト化

カテゴリー：人工知能・AI

タグ：資金調達　自然言語処理

[原文へ]

（翻訳：Dragonfly）