タグ: 機械学習

上の画像に、群れからはぐれた一頭のジュゴンがいるのが分かるかな？　もっとよく見て…見えない？　この大きな画像はどうかな？　だめかな？　ほら、これだよ。こんなたいへんな発見作業を45000回やれば、それが、この絶滅危惧生物のほぼ全人口なんだ。人間が数えるのはたいへんなら、オーストラリアのマードック大学の研究者たちのように、そのために訓練されたコンピューターにやらせるとよいだろう。

同大クジラ目（もく）研究グループ（Cetacean Research Unit）のAmanda Hodgsonは、長年、無人機を使って海洋動物の画像を撮っているが、そのデータは急速かつ大量にたまりすぎるし、手伝ってくれる学生の数には限りがある。

これはわりと簡単に見つかった。

Hodgsonはクイーンズランド工科大学大学のコンピューター科学者Frederic Maireの協力を求めて、作業を自動化することにした。

彼らは機械学習のシステムを、タグにジュゴンのある画像で教育訓練し、新しい写真でも約80%の精度でジュゴンを見つけられるようにした。精度はもっと高める必要があるが、とりあえず目安としては十分であり、精査すべき画像を選り分けることはできる。

たとえば、下の画像は精査が必要かもしれない。多くの生き物がいるようだし、またシステムは、影も数えてしまうかもしれない。

すこし改良したそのシステムは、クジラやイルカ、ボート、そのほかの、沿岸によくいる生物なども見分けるようになり、個体数の計算に寄与できるようになった。

機械学習とコンピュータービジョンは、こうやって、科学者や、そのほかの人たちも、助けることができるのだね。

[原文へ]
（翻訳：iwatani(a.k.a. hiwa））

Childrens’ Internet Protection Act（児童インターネット保護法）の規制によって、生徒にインターネットアクセスを提供する米国内の学校では 、生徒が猥褻あるいは有害なオンラインコンテンツにアクセスすることを防ぐために、一般にウェブフィルタリングシステムを使用しなければならない。

この法律は、元々2000年に制定され、2011年に改訂されたが、そもそもは資金力のある企業のために作られたエンタープライズソリューションを、学校で使う羽目になり、学区のIT部門には大きな負担が強いられた。

そこで、サンノゼのスタートアップSecurlyが、シリーズAのラウンドで400万ドルを調達した。そのクラウドベースのウェブフィルタリングシステムのサポート範囲を、米国内そして全世界の似たような規制のあるK-12スクール（小学校から高校までに相当）に広げることが目的である。

SecurlyのCEO兼創業者のVinay Mahadikによれば、同社は、学校と両親に「子供のためのプラグアンドプレイセキュリティ」を提供することを目指している。

同社は、新しく調達した資金の一部を、子供たちが他の子供を傷つけようとしたり、自傷行為に及ぼうとしたり、または自殺を仄めかしたりしている場合を検知した際に、テキストメッセージ（ショートメール）を介して両親に警告を送るツールの構築に投資する計画だ。

同社は自然言語処理、感情学習、その他の機械学習技術を使って、子供たちが深刻なトピックを調べているのか、それとも本当に有害な行為に及ぼうとしているのかの違いを判断する。

Securlyは両親に対して、自分の子供たちがどのように学校でインターネットを利用しているのかを、メールを介して広範で詳細なアウトラインとしてレポートを提供するサービスを既に開始している。まもなく、同社は親たちが能動的に彼らの子供たちのデジタル習慣についての情報を得ることができるポータルやアプリを提供する、とMahadikは述べた。

より幼い子の場合には、より詳細なインターネット利用の情報を、親は入手することができる。子供たち自身がプライバシーを理解し欲するようになる、10から12歳といった年齢に達した際には、Securlyは、特定のゲーム、アプリ、検索、そして個々の子供が訪問したサイトといったものよりも、全体の広い傾向についてのレポートを提供する。

現在同社は学区に対して直接そのソフトウェアを販売している。Securlyをインストールするには、IT管理者は、スタートアップから特別なIPアドレスを入手する必要がある、それは学校のDNSサーバーに登録され、15分以内にはその学区の学校はウェブフィルターによって保護されるようになる。

教育に焦点を当てるベンチャー企業Owl Venturesが、SecurlyのラウンドAを主導した。

Owl VenturesのAmit A. Patelは、生徒たちのレベルに応じて、学校が独自に何が適切かのポリシーを設定することができる手段を提供しているSecurlyのことを称賛した。幼稚園児と中学生ではオンラインで見るものの安全性に大きな違いがある、と彼は指摘した。

そしてPateは、OwlがSecurlyを支援する理由は、米国内の教育マーケットだけでも巨大な可能性があること、のみならず国際的にも成功する可能性があり、一般消費者向けのプロダクトとしても使えることだ、と語った。

「米国内および世界各地の学校は、彼らの教育により多くの技術を取り込み始めたところです、これは普遍的に必要になると考えています。この会社（Securly）は、世界中の学生を支援することができて、それを上手くいかせるために、繰り返さなければならないカリキュラムを必要としないのです」と彼は指摘した。

投資家は、Securelyが新たに得た資金を使って、インターネット接続機器へのペアレンタル・コントロールを備えた、同社アプリの家庭版を開発することを期待している。そして、そのプロダクトを米国中の学校に普及させる努力を継続することも。

[ 原文へ ]
（翻訳：Sako）

【編集部注】著者のChris Baker氏は、英国企業Concurのマネージングディレクター。

映画Morganの予告編（史上初めて完全にAIによって制作され、それによってかなり有名になった）に対する人びとの反応はどのようなものだったろうか？

「不気味だったね」。

これは（SFスリラー映画の予告編としては）正しい反応だろう。今やコンピュータは書き、読み、学び、話すことができる。そして、一部の人たちは、こうしたボットをとても恐れている。彼らの仕事を奪い、最後には世界を支配し、人間を不要にしてしまうのでは、と（I, Robotのような映画はあまり慰めにはならない）。

結局、多くの人びとが不合理な恐怖を感じている。こうしたときは、サメのことを恐れている人の数を考えてみるのが良いだろう、実際のところ人はサメよりもBlack Friday（11月の第4金曜日。米国で最も買い物客でごった返す日）の買い物で死ぬ可能性が高いのだ。というわけで機械学習に関して言えば、ビジネスはそこから腰がひけた態度を取るべきではない、それを受け入れ、自らのために活用する必要がある。

これまでAIは、シリコンバレーの技術専門職たちだけがアクセスしていた代物だった；しかし最早そのようなことはない。技術の成長の広がり具合は、AlexaやSiriといったサービスボットやデジタルアシスタントが、どんどん洗練されて行く様子からも見て取ることができる。

Sift Science（最近3000万ドルを資金調達した）のような会社が、機械学習と人工知能を、あらゆるオンライン不正の予測と防止に使う計画を立てていることは素晴らしいことだ。特にクレジットカードのイシュアと銀行は、機械学習による不正検知システムで年120億ドルを節約できるだろうというレポートを読んだ後では。

私たちは、機械学習がすでに金融サービスの世界ではその価値を証明したことを知っている、よってそれが企業テクノロジーに手を貸さない理由はない。より具体的には、時の中に忘れられてしまったプロセス ‐ 退屈な経費処理である。

機械学習による光明

現状では、機械学習は怪しい経費を検出するためには使われて来なかった、しかし私たちは、それが程なく現実となる正しい方向へ向かっている。しかし、内部経費不正はどの程度のものなのだろうか？そして、ボットが検出する経費異常とはどのようなものなのだろうか？

ビジネスにとって困ったことに、怪しい経費はますます日常的なものになりつつある。そしてそれが企業利益に深刻な影響を及ぼしているのだ。政府から民間に至るまで、目立ったケースは引きも切らない。しかし、少し深く掘り下げてみると、私たちがConcurで発見したところによれば、従業員の23パーセントは経費のごまかしは許容されると考えていることがわかった、またFinancial Fraud Actionが2016年の前半に金融詐欺は15秒に1回行われているという報告も出している。

機械学習を、ビジネスの日常を救うために（そして怪しい経費処理を取り除くために）投入することは可能だろうか？

おそらくは。巨大なデータ群を分析し、パターンを発見するAIの能力は、仕事場の不正で必要とされている課題の解決の役にたつだろう。人間とは異なり、機械は二日酔いや不眠の影響を受けることがないので、ボットが怪しい見かけの経費を見落とす確率は、私たち人間が見落とす確率よりも低いものである。

これは、ファイナンスチームが無駄になると言っている訳ではない；その代わり、機械が力仕事を引き受けることで、彼らの仕事が少しばかり楽になるということだ。誰かがモニタリングを行いデータを賢く使っているという前提の下でのみ、テクノロジーは上手く働く。すなわち、ボットと人間の両者が必要だということだ。

しかし、一方で機械が正しいと決めたものを、単にそのとおりだと人間が仮定しないことも重要だ。これはまさしくStanislav Petrovが1983に行ったことである。このとき彼は、全自動コンピューターが検知した米国からの「ミサイルの飛来」に疑問を抱いた。定められていた手続きは核攻撃に反撃することだった ‐ しかしPrtrovは、彼自身の頭脳を使って、コンピューターが誤っているのだと考えた。そして世界を救ったのだ。

機械学習は、明らかな利点を提供する。仕事をあっという間に完了するというだけでなく、ファイナスチームをもっと重要な時間に振り向ける時間を生み出すことができる、そして威圧的なボットに対面すれば、人びとは使い古された「おっと、そのレシートは先週の日曜のランチの分がうっかり紛れ込んだんだ」といった言い訳を使うこともなくなるだろう。

私たちは既に、デジタルの世界で生きている。それは私たちのあらゆる生活の分野に見出すことができる。非接触支払いから、単純にオンラインで行う買い物まで。だから本当に、経理部門の最高の関心事は、旧態依然としたExcel文書を何か現代的世界にマッチしたものへと変えていくこのなのだ。この先避けられない事態がやって来たときに ‐ 機械学習検知システムが配備されていて、それらを扱うことを半ば助けられ、大混乱が起きないように。

[ 原文へ ]
（翻訳：Sako）

【編集部注】著者のRudina Seseri氏は、Glasswing Venturesの創業者でマネージング・パートナーであり、かつハーバード・ビジネス・スクールのアントレプレナー・イン・レジデンスと、ハーバード大学イノベーション・ラボのエグゼクティブ・イン・レジデンスも務める。

情報技術はディストラプション（破壊）の波を超えて進化する。最初はコンピューター、そしてウェブ、遂にはソーシャルネットワークとスマートフォン、全てが人びとの生き方や、ビジネスの回し方に革命を起こす力を持っていた。それらは適応に失敗した企業を破壊し、一方では成長するマーケットの新しい勝者を生み出して来た。

そうした波の到来のタイミングと形を正確に予測することは困難だが、それらがたどるパターンは認識しやすい。例えば、ウェブ/デジタルのディストラプションを考えてみよう：まず先行するテクノロジー（例えばTCP/IPや設置済のコンピューター群）の利点を活かした、テクノロジーのブレイクスルーがあり（例えばTim Berners-LeeのWWW）、そして一見緩やかに見えながら、実は爆発的に、既存の市場を破壊したり（例えばAmazon）創造したり（例えばGoogle）する、新しいアプリケーションとプラットフォームの勃興が導かれた。

そして今、新しい波のうねりが見え始めている。ウェブが既存の技術を利用したことと同様に、この新しい波は、コンピューティングハードウェアのコストの低下、クラウドの出現、企業システムのコンシューマライゼーション（専用機器ではなく消費者向けデバイスを利用すること）、そしてもちろん、モバイル革命などの動向に基いている。

更にスマートデバイスと「モノ」の急増と多様化は、定常的なコミュニケーションと共有を可能にし、一方ソーシャルネットワーキングネイティブたち（世界のSnapchatユーザーは団結する！）は常時共有と自己表現を「必需品」としている。この結果が、私たちが普遍接続性（pervasive connectivity）として作り出したものの出現だ。

普遍接続性はこれまで以上に豊かでパーソナライズされたデータの急増につながる、そしてそのことはデータを処理し、価値があり操作可能な洞察を引き出す方法への、完全に新しい機会を生み出すのだ。人工知能が、まさにそれを可能にする。

AIのもたらす機会 – なぜ今なのか、どうそれを活用するのか

AIは、より広い意味では、知性を発揮する機械の能力として定義され、ここ数年で劇的に改善された、学習、推論、プランニング、そして知覚といった、いくつかのコンポーネントで構成される。

機械学習（ML）は顕著なブレークスルーを達成し、それによりAIコンポーネント全体にわたるパフォーマンスの向上が促進された。こうしたことに最も貢献しているMLの2つの流れは、理解に関わる深層学習（ディープラーニング）と、特に意思決定に関わる強化学習（リインフォースラーニング）だ。

興味深いことだが、これらの進歩はアルゴリズムではなく、むしろ（高品質な注釈付の）データ（セット）の指数関数的成長によって促進されたことはほぼ間違いないだろう 。その結果は驚くべきものだ：ますます複雑になるタスクに対してしばしば人間のパフォーマンスを上回るよい結果が継続的に達成されている（例えばゲーム、音声認識、そして画像認識の分野で）。

とはいえ、それはまだ黎明期であり、いくつかの課題が残されている：ほとんどのブレークスルーは「狭い」アプリケーションの領域で起きているものであり、（作成には高いコストのかかる）大量のラベル付データセットが必要な訓練手法を使っている。ほどんどのアルゴリズムは（いまでも単に）人間以下の能力を発揮できているのに過ぎず、その訓練にはかなりのコンピューティングリソースを必要とし、大部分のアプローチが理論的フレームワークを欠いた発見的手法に基いている。

これらの課題の多くは、おそらく中長期的には克服されるが、今日作成されている大部分のAI応用プロダクトは、こうしたことを考慮して置かなければならない。これが、AIを活用することを計画している企業が以下の事に気を配ることが重要である理由だ：柔軟なアプローチをとること（すなわち、最初は、良いパフォーマンスを出すためのMLアルゴリズム訓練データを集めることができるか、あるいは非AIアプローチをとるか）、（AI機能を開発しその性能を促進するための）「ラベル付けられたデータ」をユーザーから集める連続的な情報の流れを作り出すこと、そして十分に支援されていない、あるいは「人間が介在している」ユースケースに注力することだ。

現在多くの注目は、大規模テクノロジー企業（Google/DeepMind、Facebook、 Pinterestなど）に向けられているが、わたしはこの（もしくはこれに類似した）アプローチを使って、企業と消費者市場にAIディストラプションの波を起こすのは、スタートアップたちだろうと考えている。そして、既にいくつかのスタートアップはそれを始めているのだ。

企業内のAIディストラプション

企業内でAIは、企業が消費者とインタラクトするための新しい方法や、従業員同士が相互にコミュニケーションするための新しい方法、そしてそのITシステムと共に、より大きな収益と生産性の向上の両者を促進している。

マーケティングは、新技術の典型的なアーリーアダプターであり、それは既にAIを採用していて、セクター全体にわたって高い認識とコンバージョン指標が育っている。ソーシャルメディアでは、SocialFlow*などの企業が、キャンペーンの効果を向上させるための機械学習の使用を開拓してきている。ディープラーニングによって支えられる新しい画像認識技術は、Netraのようなスタートアップが、視覚に対する知性と検索性の改善をすることを可能とし、ユーザーエクスペリエンス全体を向上させている。電子商取引では、Infinite Analyticsが、より良いパーソナライゼーションを可能にするプロダクト群を作成することができている。

セールス分野では、営業チーム/見込み客とCRMの間のUIを再考した新しいプロダクトが、効率を大いに改善し、成約率を向上させている。Troops.aiは、セールスチームが現在自身の使っているプラットフォームを通して、CRMデータに簡単にアクセスすることを可能にする。Rollioは自然言語を介したCRM情報のアクセスおよび更新を可能にする。Conversicaは、より良いスクリーニングを行い、見込み客をフォローアップできる、セールスアシスタントを作成した。

人事分野では、スタートアップは様々な活動にわたった効果と効率性の改善を行おうとしている。Tallaは、企業内のナレッジマネジメントの改革を目指している。一見単純な会話エージェントから始めて、最終的には本格的で先回りを行うナレッジエージェントへと向かうのだ。Wade & Wendyは採用時に使用するための両面会話エージェントを作った、目的は向かい合う両者の満足度のレベルを上げながら、全体の採用時間を短縮することである。

生産性という話では、x.aiのような企業たちが、スケジューリングに際しての苦痛を大幅に取り除き、シームレスなユーザーエクスペリエンスを生み出そうと努力している。

最後に、部門をまたがるアプリケーションを擁する広範なプラットフォームを作っている企業もある：Indicoは、アプリケーション間をまたがったアルゴリズムの訓練をかなり高速に行うために、学習転送を使っている；Receptivitiは、人びとのテキストやボイスメッセージを解析して、彼らの心理的かつ個人的な意思決定スタイルと感情をリアルタイムに明らかにする。

消費者市場におけるAIディストラプション

消費者市場で、おそらく最も私を興奮させるものは、AIが新しいプラットフォームを創造し、日々の生活の中の重要な空間で私たちが技術と対話する方法を再定義していくやり方である。

そのような重要な空間の1つが家だ。Jibo*は家庭の変革を目指す、フレンドリーでインテリジェントなソーシャルロボットだ。よりよいユーザーエクスペリエンスを生み出すために、それは人間臭いリアクションを採用している。一方、幅広いタスクにとても役に立つ働きをする、誰が話しているかによって調整を自動的に行うインテリジェントビデオコールから、料理をする際の材料の提案、そして子供向けの読み聞かせの手伝いまで、といった具合だ。

また別の重要な空間は車だ。nuTonomyはシンガポールにおける自動運転の導入で、テクノロジーを迅速に市場に持ち込み、現行勢力を飛び越えることができたスタートアップの良い例だ。

そしてどうなる？

ほとんどの人が、AIの仮説上の発展の、長期的な可能性と脅威に焦点を当てているが、いまのところ、新しいディスラプションの波を促しているのは、経験則に基づく、限界のある適用形態である。これまでの波のように、この変化は微妙で最小のもののように見えるが、ほどなくそれはひろく普及し、無視することができないものになる。

普遍接続性の世界では、AIがデータのパワーを活用するための鍵である。企業が生き残るためにはAIの利点を活かす必要がある ‐ Google、Facebook、Amazon、そして無数のスタートアップはそれを知っている。そして、あなたも知るべきなのだ。

AIは、既に自宅と職場の両方で、私たちの日常生活の多くの側面を変えている。しかし、これはほんの始まりに過ぎない。AIは、ゆっくりと、着実に、そして広範囲に、私たちとテクノロジーの関係を再定義している。そして人間の能力と、基本的には私たちの生き方を、向上させているのだ。

*Rudina Seseriの投資ポートフォリオには、SocialFlowとJiboが含まれている。

[ 原文へ ]
（翻訳：Sako）

【編集部注】著者のClaire Bretton氏はdaco.ioの共同設立者の1人である。daco.ioはディープラーニングを使ったユニークな競合トラッキングツールを開発するするスタートアップである。以前、彼女はパリに拠点を置くトップ戦略コンサルティング会社のマネージャーだった。ESCPヨーロッパから修士号を取得している。

21世紀の最大の課題の1つは、コンピューターをより人間の脳に似たものにすることだ。私たちは彼らに話し、理解し、そして問題を解いて欲しい – そして今、私たちは画像を見てその内容を認識して欲しいと思うのだ。

長い間盲目だった私たちの最も賢いコンピューターたちは、今や見ることができるようになった。

これは、ディープラーニングによって可能になった革命である。

機械学習：最初のステップ

機械学習を理解することはとても容易だ。そのアイデアは、大規模なデータベース上でアルゴリズムを訓練して、新しいデータに対して得られる出力を予測できるようにすることだ。

ここでは単純な例を示そう：私たちは樹齢を直径を使って予測したい。このデータベースには3種類のデータだけが含まれている：入力(x, 木の直径)、出力(y, 樹齢)、そして属性(a, b：木の種類, 森の位置)だ。これらのデータは、1次関数y = ax + bによって関連付けられている。このデータベースを使った訓練を通して、機械学習アルゴリズムは、xとyとの間の相関関係を理解して、属性の正確な値を定義することができるようになる。この訓練段階が完了すると、コンピューターは、新たな直径(x)から正しい樹齢(y)を予測することができるようになる 。

これは、過度に単純化した説明だが、画像認識について説明するときにはもっと複雑なものとなる。

コンピューターの場合、画像は数100万の画素の集まりだ – それは沢山のデータ処理を必要とし、1つのアルゴリズムで処理するには多すぎる入力である。そこで研究者たちはショートカットを見つけなければならなかった。最初のソリューションは、中間の特性を定義することだった。

コンピューターに猫を認識させたいと想像して欲しい。まず初めに、人間は主要な猫の特徴を全て定義しなければならない：丸い頭部、2つの尖った耳、1つの鼻…こうした主要な特徴が定義されれば、良く訓練されたニューラルネットワークアルゴリズムは、十分なレベルの正確さで、画像を分析しそれが猫であるか否かを判断することができる。

では、より複雑なアイテムを選んだ時にはどうなるだろう？

たとえば、ドレスをどのようにコンピューターに説明すればよいだろう？

あなたはここで画像認識のための基本的な機械学習の、最初の限界に突き当たったということだ：100パーセントに近い認識ポテンシャルを持つ識別特徴を定義することは、しばしば不可能なのである。

ディープラーニング：人間の介入なしに、見て学ぶ

2000年代になって、Stanford大学のAI LabとVision LabのディレクターであるFei-Fei Liが、重要な直感を得た：子供たちはどのようにものの名前を学ぶのだろうか？彼らはどうやって猫やドレスを認識することができるのだろう？両親いちいち特性を示しながら教えるわけではない、その代わり子供が対象を見るたびに、その物/動物の名前を教えるのだ。親たちは、視覚的な例を使って子供たちを訓練している。なぜ私たちは同じことをコンピューターに対してできないのだろう？

しかし、このとき2つの問題が残っていた：データベースの存在とコンピューティングパワーだ。

まず、「コンピューターに見ることを教える」ための十分に大きなデータベースはどのように入手することができるだろうか？この問題に取り組むため、Liと彼女のチームは、Image Netプロジェクトを2007年に立ち上げた。180カ国の50000人以上の人と協力して、彼らは世界最大の画像データベースを2009年に作成した：22000のカテゴリをカバーした、1500万枚の命名と分類が成された画像群だ。

コンピューターは今大規模な画像データベースで自分自身を訓練し、重要な特徴を特定することができるようになっている、そしてそれには人間の介入が不要なのだ。3歳の子供のように、コンピューターは名前の付いた数百万枚の画像を見て、自分自身でそれぞれのアイテムの主要な特徴を理解する。これらの複雑な特徴抽出アルゴリズムはディープニューラルネットワークを使い、何十億というノードを必要とする。

これはディープラーニングの始まりに過ぎない：私たちはなんとかコンピューターが3歳児のように見ることができるようにした。しかしLiがTED talkで話したようにまだこれからなのだ：「本当の挑戦はこれからです：私たちはどうすればコンピューターを3歳から13歳に、そしてそのはるか先へ進めることができるでしょうか？」。

[ 原文へ ]
（翻訳：Sako）