タグ: 人工知能

Google Analyticsをサイトに導入すると訪問数やコンバージョン率など様々なデータが取れる。しかし、情報が多すぎて、具体的にサイトの何をどう改善させたらいいか迷ってしまうこともあるだろう。「WACUL（ワカル）」が提供するウェブサイト分析の人工知能「AIアナリスト」は、Google Analyticsのアクセス解析を元に、課題発見から課題ごとの改善方針提案まで自動で行うサービスだ。本日、WACULは総額3.5億円の第三者割当増資を実施したことを発表した。引受先は、電通デジタル・ファンドとジャフコの2社だ。

企業のマーケッターはサイトのパフォーマンスを改善するのに、Google Analyticsのデータを見て改善策を立案し、施策を実施した後は効果検証するといった一連の作業を行っているだろう。WACULのAIアナリストは、サイト分析からサイトの改善提案までを自動化する。またマッケッターがサイトの改善策を実施したら、その後のアクセス状況の効果検証までサービス内で把握できる。AIアナリストの利用料は月額4万円からだ。

WACULは、前職でユーザビリティコンサルタントを務めていた大津裕史氏が2010年9月に創業した会社だ。2015年6月にはジャフコより総額3億円の資金調達を実施した。AIアナリストは2015年4月にサービスをローンチし、登録サイトは9000を超えたそうだ。

今回の資金調達は、AIアナリストの開発を進めるとともに技術開発やR&Dに充てる考えだ。また、今回引受先に電通デジタル・ファンドが参加しているが、電通グループとは業務提携することも視野に入れているという。WACULはプレスリリースで以下のようにコメントしている。

「今回の電通デジタル・ファンドからの資金調達は、多くの広告・メディアに関する豊富なデータを持つ電通グループとデータ分析に強い弊社、両社の強みを活かした業務提携までを視野にいれています」

Microsoftはモントリオールを拠点とするMaluubaの買収に続き、同市での投資を続けていて、これによりモントリオールは熱い人工知能の街になった。Microsoftは水曜日に、モントリオールに構える同社のリサーチ並びにデザインオフィス（Maluubaも買収後そこに移動する）を、今後2年の内に倍の規模にすることを、スイスのダボスで発表した。

マイクロソフトはまた、モントリオールがAIの発信基地になるのを助ける学術コミュニティにも投資する予定だ。 同社は、モントリオール大学に600万ドルの「贈り物」を、そして今後5年間にわたってMcGillの研究に100万ドルを拠出する予定である。モントリオール大学はモントリオール学習アルゴリズム研究所（Montreal Institute for Learning Algorithms）の本拠地で、有名なAI研究者Yoshua Bengioによって率いられている。BengioはMaluubaに対して買収前から助言をしており、同社がMicrosoftの一部になってからも引き続きその役割を果たすことになっている。

モントリオールとそのAIコミュニティは、Microsoftからはその大きな「AIの民主化」のゴールの一部であるとみなされている。この「AIの民主化」というフレーズ（AIを一般の人の中に溶け込ませるという意味）はMicrosoft CEOのサトヤ・ナデラによって用いられたものだ。ナデラはAIフィールドにおける研究の拡大と製品の努力とともに、彼の会社のゴールを描くためにこの言葉を用いた。

モントリオールとゴールドラッシュの様相を呈しているAI技術研究に対して投資を行っているのはMicrosoftだけではない。Googleは、Bengio研究所に340万ドルの投資を行うと同時に、市内に新しいAI研究所を開くことを昨年の終わりに発表している。

[ 原文へ ]
（翻訳：Sako）

【編集部注】執筆者のKatherine BaileyはAcquiaのデータサイエンティスト。

最近騒がれている機械学習のバイアスや倫理上の問題から、数字とデータには限界があることは明らかだ。偽ニュースの失態や、自然言語処理の分野で有名な研究者がその解決にあたっている様子を見ると、自分たちが解決しようとしている問題を明確にすることこそが1番難しい問題なのだとわかる。いつどのようにスマートマシーンを使うか、という判断には人間の力が欠かせない。そしてスマートマシンを賢明かつ安全に利用するためには、目的のレベルが上がるほど、人間が積極的に関わっていかなければならない。

スマートマシンを使った物事の判断における、クリティカル・シンキングの能力も、そろそろ計算能力のように高めていく必要があるということだ。計算能力に関しては機械を頼ることができる一方、クリティカル・シンキングについてはそうはいかず、近いうちに機械が人間に追いつくということもないだろう。倫理的な問題について考えたり、どのような問題であれば計算能力を頼りに解決することができるかという判断を下すのは人間固有のスキルなのだ。

数字とデータだけでは足りない場合

最近一部の研究者が、顔の特徴からその人の犯罪性を予測できる根拠をみつけたと発表した。”Automated Inference on Criminality using Face Images（顔写真を使った犯罪性の自動推測）”という論文の中でXiaolin WuとXi Zhangは、顔写真から犯罪者と非犯罪者を高い確立で見分けるために、さまざまな機械学習の手法を用いてどのように分類システムを構築したかについて述べている。結局この論文は、不完全かつ無責任に機械学習技術を利用しているとして激しく非難された。この場合、恐らく彼らの計算は間違っていなかったが、そもそものアイディア自体に問題があったのだ。

ふたりはアルゴリズムを信用するあまり、自分たちの思い込みに気づけなかった。彼らは司法制度には偏りがないといった、自分たちの発見を完全に色眼鏡で見てしまうような思い込みをしていたのだろう。このような問いについて考えられないと、どれだけ優秀なスマートマシンを持ってしても、どうにもならない結果に陥ってしまう。

スマートマシンの勝利

恐らく近年で最も印象的なスマートマシンの功績は、昨年3月の囲碁の世界チャンピオンとの対決におけるAlphaGoの勝利だろう。Googleの子会社であるDeepMindの研究者が開発したこのシステムは、複数の機械学習の手法を驚くほど洗練された形で利用し勝利をおさめた。

その手法の中には、何百万という数の過去の試合のデータをもとにしたものや、AlphaGo自身との対戦結果をもとにしたもの、また全ての手（宇宙に存在する原子の数よりも多い）を考えなくてもいいようにショートカットを考案するための最新の統計手法などが使われていた。しかし試合自体はスマートマシンがあったからこそ勝てたものの、そのシステムを設計したのは人間にほかならない。

同じ言葉の繰り返しのように聞こえるかもしれないが、私たちがスマートマシンを使って問題を解決したとき、それは単にその問題がスマートマシンによって解決できる問題であっただけで、だからといってスマートマシンが人間と同じレベルに達したということにはならない。つまり、もしもある課題がデータと数字の組み合わせで解くことができるものであれば、それはスマートマシンが解決すれば良い課題だ。そしてデータと数字だけでは解けない問題に対しては、まずシステムを設計しなければならない。

欠かすことのできない人間の役目

もしもAlphaGoを設計する人のクリティカル・シンキングに誤りがあれば、結果的にAlphaGoの囲碁のレベルは下がるだろう。しかし犯罪性の予測のような問題の場合、クリティカル・シンキングのレベルが低いと、システムによって誤って犯罪者だと認識されてしまった人はもちろん、ほかにも恐ろしい結果が生まれることになる。

スマートマシンに対する恐れの中心には、人間が置いてけぼりにされることへの恐れがある。つまり、ひとたび機械が人間のできることを全てこなせるようになってしまえば、人間の必要性がなくなってしまうのではないかと多くの人が考えているのだ。しかしこれは単に、スマートマシンとは何かということへの誤解から生じる不安でしかない。

スマートマシンは人間のために人間がつくった単なるツールに過ぎない。機械は囲碁の試合で勝てるかもしれないが、その試合を選ぶのはいつも人間だ。

私たちはツール自体の素晴らしさ（確かに本当に素晴らしいツールはたくさんあるが）ではなく、そのツールがうまく設計されているかや、道理に反することなく人間の役に立っているかといった点にもっと注目しなければならない。トレーニングデータにバイアスは含まれていないだろうか？フォールス・ポジティブの結果何が起きてしまうのか？このような問いに答えられるのは人間だけであり、その絶対的な必要性は今も昔も変わらない。

［原文へ］

（翻訳：Atsushi Yukutake/ Twitter）

人工知能と卵の値段の共通点は何だろうか？

さて、今あなたはお店で9から10種類の卵からどれかを選ぼうとしている。ある1つがあなたの目を捕える「全て自然（All natural）」。まあ、いいんじゃないかな、自然であることは良いことだし、30セントばかり高いだけだし。ということであなたはそれを買う。さて、そうして選んだ鶏や卵は他のものよりも、より「自然」であるかもしれないし、そうではないかもしれない。なぜなら公式には、それどころか一般的な合意としても、自然に対する定義は存在していないからだ。それは何でもないもののために、あなたに30セント余計に支払わせるための戦略だ。全く同じことが技術でも問題になりつつある…そこにAIを伴って。

公式には、あるいは一般的に合意された人工知能の定義は存在しない。どうしてそうなのかについて興味が湧いたのなら、WTF is AI（いまさら聞けないAI入門【英語】）という記事を投稿してあるので、楽しんで貰いたい。しかし、こうしたコンセンサスが欠如しているからといって、大小様々な企業がAIを革新的な機能として取り込むことを止めるわけではない。そのスマートテレビ、スマートプラグ、スマートヘッドフォン、その他のスマートなガジェットに対しての取り込みを（ここで言う「スマート」とは、もちろんもっとも緩い意味で使われている。多くのコンピューターのように、彼らは岩のように使えない代物なのだ）。

ここには2つの問題がある。

それはおそらくAIではない

最初の問題はこれだ。AIは非常に曖昧に定義されているため、あなたのデバイスなりサービスなりがそれを持っていると言うのは本当に簡単だ。そしてテレビ番組や水利用パターンの膨大なデータをニューラルネットワークを供給するから、どうしたこうしたというもっともらしい響きを持つちんぷんかんぷんで、それをバックアップするのだ。

「それは完全にデタラメな用語です」と言うのは、名前は明かさないがある有名ロボット会社のCEOだ。とはいえそのロボットの中には多くの人がAIと呼んでもおかしくはないものが採用されている。それは有能さの認識を生み出すために用いられるマーケティング用語なのである。何故ならほとんどの人は無能なAIを想像することができないからだ。邪悪なことはあり得ても（「申し訳ありません、デイブ、私にはそれはできません」）、無能なことはありえない。

最近機能リストに詰め込まれている、こうしたバズワードとしてのAIの大活躍は、部分的には人工知能と結びついたニューラルネットにその原因がある。深入りしてみなくとも、この2つは同じものではないのだが、マーケティング担当者達はまるで両者が同じようなものであるような扱いをする。

最近私たちが耳にするニューラルネットワークとは、数学的分析を通じてデータのパターンを解きほぐすことによって、大量のデータを処理する斬新な方法である。この方法は、脳がデータを処理する方法に触発されているので、人工知能という用語が当てはまる1つの文脈に沿っているとは言える。しかし他のより重要な文脈では、とても誤解を招きやすいものでもある。

人工知能は、独自の意味や含意を持つ用語であり、それらはニューラルネットワークが実際に行うものとは一致しない。私たちはAIを十分には定義できていないかもしれないが、いくつかのアイデアは持っている。そして、これらのソフトウェアは興味深く、汎用性があり、作成に当たって人間の思考プロセスからインスピレーションを得てはいるものの、それらは知的ではないと言っても過言ではない。

また開発のどこかの時点で、畳み込みニューラルネットワークだろうが、ディープラーニングシステムだろうが、手持ちの何かが使われた場合には、そのソフトウェアは「AIを搭載」の類であると謳われることになる。

何しろ専門家でもAIが何かを言うことができないのだ、消費者に何を期待できるというのだろうか？それは単なる機能リストの1項目に過ぎず、他の部分同様に、読む人にとっては不透明なものである可能性が高い。しかし、彼らはAIがハイテクの産物だと知っているし、大企業によって採用が続いていることも知っている。なのでAIを搭載する機器は良いものに違いない。ちょうど「自然」卵を他のブランドに優先して選ぶ人のようだ。たいした正当性もないままに安易にラベルが箱に貼られただけかも知れないものを。

そして、もしそれがあったとしても…

第2の問題は、何がAIであり何がそうでないかを決めるような、ある程度の基準が仮にあったとして、私たちがあるシステムがその基準に合致すると認めたとしても、AIによるソリューションが適さない種類の問題が存在するということだ。

例えばある企業は、テレビ番組を推薦するAI搭載エンジンを売り込んでいる。それについて考えてみよう。そうした主観的なトピック周辺で得られる限られたデータセットに、ディープラーニングシステムを適用することで、一体どんな洞察が得られるのだろうか？「CSI：マイアミ」を好きな人への推薦を決めることは難しいことではない。彼らは「PERSON of INTEREST 犯罪予知ユニット」やその類のものを好むだろう。これらは、精査の後にやっと明らかになったり、把握のためにはスーパーコンピュータを何時間も使ったりしなければならないような、微妙で隠れたパターンではない。

そして実際、Jaron LanierがThe Myth of AI（AIの神話【英語】）で適切に説明したように、データは人間に由来するので（例えば「これを見たひとは、こちらも見ています」といったもの）、人工知能は、それが下す全ての判断に関して完全に人間の知性に依存しているのだ。嗜好の発見、何を好み何を好まないかの選択、エピソード・演技・演出の品質の判断といった難しい部分は、人間が既に済ませている。そしてコンピューターがしていることといえば、人間の知性を検索して関連性の高い結果を返していることだけなのだ。

同様のことは、あなたの使用状況をモニターして何かを推薦したり、あなたがそこにいないことを知ったときにエネルギーを節約する、サーモスタットやシャワーヘッドのようなIoTデバイスにも当てはまる。AIをあなたの家庭にもどうぞ！牛乳が少なくなっていることを教えます！誰がドアの前にいるのかを識別します！これらも、同様に見せかけのものだ。データセットはまばらでシンプル、出力は2値、または非常に限られたものに過ぎない。そして、あるデバイスが、あなたが過去30年間使用してきたものほどは無能ではないという理由だけで、それがスマートだということにはならない。逆に、知能に対するこれらの主張は実に… 人工的だ。

AIが多くのものを有意義に改善できるというのは、ハイテクカンパニーが作り上げたフィクションなのである、ついでに言うならばそもそもAIそのものがフィクションなのだ。こうしたモデルが結論に到達する方法はしばしば不明瞭であるため、機械学習に依存することは彼らの目的にとって有害である可能性すらある。

これもまた、しばしば卵の容器に見られるようなマーケティングトリックの1つなのだが…これまでに、この卵を産んだ鶏は皆菜食主義で育成されている、という主張を見たことがあるだろうか？さあ思慮深くなろう！問題は鶏は菜食主義者ではないということだ、彼らは何百万年もの間ミミズや虫を食べて生きて来た。そして、実際には、生来の食生活を奪うことは、生活と卵の質に悪影響を及ぼす可能性が高い。（ついでに言えば「放牧で育てられた（pasture-raised）」も類似の宣伝文句だ）。

多分今あなたはこう考えていることだろう、よしわかったミスターAIエキスパート殿、もしこれらのどれもがAIではないというなら、何がそうなのか？それに私が、クリックを誘うような見出しを書く段になると、AIという用語にうるさく言わないのは何故なのか？

まあ、これはすべて私の意見に過ぎないのだが、私たちが大企業や大学によって研究開発されている、概念としてAIの話をしているときには、少々定義を拡大してみても構わないと思う。そこで私たちが話題にするのは本当に芽生えつつある段階のソフトウェアなので、多くの人がAIとして理解するような傘の下に収まるアイデアに対して、細かくあげつらうことには意味がない。しかし企業がその本質的な曖昧さを目眩ましの宣伝文句に使うときには、私は反対の声を挙げるべきだと考えている。だからそうしたのだ。

誤解を招き、誇張され、あるいは完全にでっちあげられた機能リストは、ハイテク業界における神聖なる伝統なので、こうした動きも目新しいものではない。しかし、新しい胡散臭い言葉が、トレンドを血眼で追うマーケティング担当者の語彙に加わろうとするときに、きちんと指摘しておくことは良いことだ。おそらくいつかは冷蔵庫の中に本当にAIを見出す日も来るだろう。しかしそれは今日ではない。

 

（訳注：「申し訳ありません、デイブ、私にはそれはできません」というのは「2001年宇宙の旅」に出てくるAIの台詞）

[ 原文へ ]
（翻訳：Sako）

FEATURED IMAGE: BRYCE DURBIN / TECHCRUNCH

【編集部注】著者のNancy BrinkerはSusan G. Komenの創業者であり、癌の啓蒙に関する国際的コンサルタントである。この記事で示された意見は彼女個人による見解である。また共著者のElad Gil博士はColor Genomicsの会長兼共同創業者である。

癌治療の探求の複雑さは、何十年にもわたって研究者たちを困らせてきた。治療法は目覚ましい進歩を遂げてきたものの、癌は世界の主要な死因の1つとして残っているため、まだまだ厳しい闘いは続いている。

しかし、科学者たちはまもなく、その複雑さを別の方法で攻撃できる重要な新しい味方 — インテリジェント・マシン — を手に入れるかもしれない。

ゲームの世界の例を考えてみよう：昨年Googleの人工知能プラットフォームであるAlphaGoは、この宇宙にある星の数よりも多い動きを擁する囲碁という壮大で複雑なゲームの中で、韓国のグランドマスター李世乭（Lee Sedol）をディープラーニングという技術を用いて打ち負かした。

機械学習とAIに用いられたものと同じ技術を、癌の治療が必要とする大規模な科学的パズルに適用することができる。

1つのことは確かである。より多くのデータを扱うことができなければ、これらの新しい方法で癌を克服することはできない。しかし例えば医療記録や、遺伝子検査、そしてマンモグラムなどを含む多くのデータセットが、私たちの最高の科学する心と私たちの最高の学習アルゴリズムからは手の届かないところに隔離されている。

良いニュースは、がん研究におけるビッグデータの役割が中心に置かれるようになり、大規模で政府が主導する数々の新政策が次々に進んでいることだ。例えばそうしたものの例には、米国退役軍人省のMillion Veteran Program、英国の100,000 Genomes Project、1万1000人以上の患者のデータを保持していて、あらゆる場所の研究者がクラウドを介して分析することができるNIHのThe Cancer Genome Atlasなどが挙げられる。最近の研究によれば、2025年までに20億ものヒトゲノムが配列決定される可能性がある。

遺伝子検査を含んだ新鮮なデータの需要を促進する他の傾向もある。2007年には、1人のゲノムの配列決定には1000万ドルのコストがかかった。現在はこれを1000ドル以下で行うことができる。言い換えれば、10年前は1人に対して配列決定を行ったものと同じ費用で、今は1万人をまかなうことができるのだ。その意味合いは大きい：特定の種類の癌のリスクが高いという突然変異があることを発見することは、ときに命を救う情報にもなり得る。コストが大衆にも手の届くようになるにつれ、研究もより大規模なものになる。

研究者たち（および社会）の主な課題は、現在のデータセットには、量と民族の多様性が欠けていることだ。さらに、研究者はしばしば制限的な法的条項や、共有パートナーシップを嫌う態度に直面する。組織がゲノムデータセットを共有している場合でも、契約は一般的に個々のデータセット毎に個々の機関の間で行われる。今日では偉大な作業を行ってきた大規模な情報センターとデータベースがあるが、アクセスを加速するためには標準化された規約やプラットフォームに関するより多くの作業が必要だ。

これらの新技術の潜在的な利点は、リスクの特定とスクリーニングを超えて行く。機械学習の進歩は、癌薬剤の開発と治療の選択を促進するのに役立つ。医師が患者と臨床試験を組合わせることが可能になり、癌患者のためのカスタム治療計画を提供するための能力を向上させるのだ（最も初期の成功例の1つがハーセプチンだ）。

私たちは、癌研究やAIプログラムにデータを利用しやすくするためには、3つのことが必要だと考えている。第1に、患者がデータを簡単に提供できるようになるべきだ。これは、医療記録、放射線画像、そして遺伝子検査などが含まれる。検査会社と医療センターは、データ共有が容易かつ合法的に行われるように、共通の同意書を採用する必要がある。第2に、AI、データサイエンス、そして癌の交差点で働く研究者には、より多くの資金が必要だ。チャン・ザッカーバーグ財団が医薬品の新しいツール開発に資金を提供しているように、医療アプリケーションのために新しいAI技術へ資金を提供する必要がある。第3に、すべての民族の人びとに焦点を当てて、新しいデータセットが生成されるべきだ。私たちは、癌研究の進歩にすべての人がアクセスできるようにする必要がある。

[ 原文へ ]
（翻訳：Sako）