タグ: 人工知能

再生可能エネルギーには将来が約束されているが、現時点では誰がソーラーパネルを屋根の上や裏庭に設置したり、隣人と共有しているかについての追跡は行われていない。幸いにも、ソーラーパネルは一般に、光に晒されたときにもっとも良く働く。このことにより、パネルを衛星軌道上から発見し、数えることが容易になる。これこそが、DeepSolarプロジェクトが行っていることだ。

こうした情報を収集するための取り組みはいくつも存在している。規制によって行われているものもあれば、自主的なもの、自動化されたものもある。しかし、いずれの取り組みも、国家レベルまたは州レベルで、政策やビジネス上の決定を下すために十分な包括性はもっていない。

スタンフォードのエンジニアであるArun MajumdarとRam Rajagopal（それぞれ機械と土木が専門）はこの状況を、言われてみれば当たり前の方法で解決する決心をした。

機械学習システムは、それが「認識訓練された」ものならば、たとえ対象が猫、顔、車などであっても、画像を見て対象をきちんと認識することができる。ならばソーラーパネルも扱えない筈はない。

大学院生であるJiafan YuとZhecheng Wangを含む彼らのチームは、数十万枚の衛星画像を使って訓練を行った画像認識機械学習エージェントを用意した。用意されたモデルは、画像の中のソーラーパネルの存在を特定すること、ならびにそれらのパネルの形と設置場所を特定することの両者を学んでいる。

モデルを、ランダムに選んだ他の米国の衛星画像を使って評価したところ、（適合率と再現率が共に）およそ90%の正確性を達成した（どのように計算するかによって多少数字は上下する）。これは類似の他のモデルよりもかなり優れた数値である。またそのセルサイズの見積もりに関しては誤差はわずかに3%ほどだった（非常に小さなパネルの検知が主な弱点だとRajagopalは私に説明した。だがその理由の一部は、画像そのものの限界に起因している）。

そしてチームは、適切な画像を見つけることができた隣接する48州をカバーする、10億枚以上のイメージタイルをモデルに適用した。その中ではかなりの地域が除外されてはいるが、その大部分は、例えば山岳地帯である。そうした地域にはあまりソーラーパネルは設置されておらず、国立公園内にセルを置こうとしている者もほとんどいない。

こうしたエリアは合計で実際の国土の6%を占めている。だが都市部はわずかに3.5%を占めているに過ぎないので、それらは皆カバーされているとRajagopalは指摘した。彼は、システムがまだ処理できていない（現在取り組んでいる）地域に、おそらく全設置数の5%が存在しているだろうと見積もっている。

スキャンには1ヶ月かかったが、モデルは147万箇所の設置済ソーラーを発見した（この数には、屋根の上にある数枚のパネルから、大きなソーラーファームまでが含まれている）。これは他の取り組みによって数えられたものよりもずっと多く、最も成功したものであったとしても、DeepSolarのデータが示しているような、正確な位置は提供していない。

こうしたデータの基本的なプロットを行うことで、様々な興味深い新しい情報が得られる。ソーラー設置密度を、州、群、国勢調査区域、あるいは平方マイルのレベルでも比較することが可能であり、それを他の様々なメトリック（年間平均日照日数、家計収入、投票選好など）と比較することもできる。

いくつかのの興味深い発見を紹介しておくと、例えば、住宅レベルのソーラーシステムが100軒以上ある（設置密度が高い）のは、すべての国勢調査区域のわずか4％（約7万5000のうち3000）に過ぎない。あるいは、住宅レベルで設置されたソーラーは、総設置数の87%を占めているが、そのサイズの中央値は約25平方メートルに過ぎず、セル表面積の総合計の34%を占めているのに過ぎない。

設置密度のピークがあるのは、1平方マイル（2.56平方キロメートル）あたりの人口が約1000人のエリアだ。これは大都市ではなく、小さな町あるいは都市郊外だと考えれば良いだろう。そして人びとが設置を始める変曲点が存在している：それは1平方メートルあたり1日の日光照射量が4.5kWhを超える地域である。それが天気、場所、日照などと、どのように対応しているかは、より複雑な問題である。

こうしたことをはじめとするデモグラフィックデータ（人口統計データ）は、もしソーラーに投資を考えている場合には参考になる。なぜならそれらは、どの地域がソーラーを必要としているかに関する基本的な情報を提供してくれるからだ。

「私たちは皆さんにデータを眺めて貰えるウェブサイトを作成してリリースしました。データは消費者のプライバシーを考慮して集約されたレベルで示しています（私たちは元のデータは国勢調査レベルで保存しています）」とRajagopalは語る。「私たちはプライバシーに配慮しながら、個別のデータを公開する方法を検討している最中です（おそらく公的機関の参加の奨励とクラウドソーシングを行うことになるでしょう）」。

「私たちは、産業界やアカデミアに属する人びとにデータはもちろん方法論も活用して貰うために、それらをオープンソースとして公開することを決心しました。そこからより多くの洞察を生み出して欲しいからです。私たちは、変化が速く起こる必要があると感じていますが、これはそれを助ける一つの方法なのです。おそらく将来的には、この種のデータを中心に、サービスを構築することができるでしょう」と彼は続けた。

サービスを米国の残りの地域や他の国に拡大する計画も進んでいる。精査できるデータはここにある。あるいはここから地図として閲覧が可能だ。プロジェクトに関して説明したチームの論文は本日（米国時間12月19日）Joule誌に掲載された。

[原文へ]
（翻訳：sako）

過去数十年のイノベーションのほとんどは、ソファから離れずして欲しいものを手に入れる方法に集中していた。

これまでのところ、オンライン注文やオンデマンド配達により、このゴールはほぼ達成できた。カーソルをあて、クリックし、待つ。しかし一つだけ落とし穴がある。配達する人だ。誰か配達する人がいなければ、我々は寝そべってピザを注文することができない。

そこでロボットの登場だ。テック未来派の人は、自動運転の車とAI搭載のロボットが間もなく玄関先までの配達を取って代わるようになるという予測を耳にしているだろう。それらは、テイクアウトを届けたり、荷物を配達したりと、こうした仕事で現在生計を立てている多くの人間をお払い箱にするとみられる。

これが本当に現実のものになるとすれば、ラストマイル配達のロボット化に現在取り組んでいるアーリーステージのスタートアップはまだほんの一握りのため、それは大きなチャンスといえる。下記で、そうしたスタートアップが何者か、現在どんなことをしているのか、誰がバックアップしているのか、どこで展開しているのかみてみよう。

プレイヤー

Crunchbaseデータによると、過去数年の間にシードもしくはアーリーステージの資金調達を実施した、北米に拠点または運営母体を置くロボット配達を手がけている企業は少なくとも8社だ。

これらは、かなりの額を調達したスタートアップから、まだ貧弱なシードステージのところまで幅がある。

AlphabetのWaymoの元エンジニアが創業した自動配達のスタートアップで、シリコンバレー拠点のNuroが最も多く資金調達していて、これまでのその額は9200万ドル。他社は数百万ドルといったところだ。

下のチャートでは、主なプレーヤーをみてみよう。資金調達額が大きい順に並べていて、拠点や主な投資家も表記している。

誰がサポートしているか

スタートアップはロボット配達分野の道を切り開いているかもしれないが、単独で行なっているわけではない。大企業がこの分野で足がかりを維持している一つの方法は、アーリーステージのスタートアップに出資し、パートナー関係を結ぶことだ。大企業は有望なシードの長いリストに名を連ね、ベンチャー投資家もまたこの部門に目をつけている。

大企業投資家のリストには、Starship Technologiesの主要投資家であるドイツのDaimlerが含まれる。一方、中国のTencentはサンフランシスコ拠点のMarbleを支援していて、トヨタAIベンチャーズはBoxbotに投資している。

提携状況を見る限り、食べ物のテイクアウト配達サービスにロボット配達は最も使われるようだ。

ゆっくりとした走行、中くらいサイズ、6輪のロボットを展開するStarshipは特にテイクアウトにかなり食い込んでいる。Skypeの創業者Janus Friis とAhti Heinlaが立ち上げ、サンフランシスコとエストニアに拠点を置くこの会社はカリフォルニアの一部とワシントンD.C.でDoorDash、そしてPostmatesと手を組んでいる。またドイツとオランダではドミノ・ピザとも提携している。

もう一つのかわいらしい6輪ロボットのメーカーRobby Technologiesもまたロサンゼルスの一部でPostmatesと提携している。ボックス型のロボットを“あなたのフレンドリーなご近所ロボット”と売り込んでいるMarbleは昨年、トライアルとしてサンフランシスコでYelpと組んだ。

サンフランシスコのベイエリアが突出

世界征服というビジョンにおいては、グローバルであることが必須である一方で、ロボット配達の能力蓄積はまだローカルレベルだ。

Crunchbaseが追跡しているシードとアーリーステージのスタートアップ8社のうち6社はサンフランシスコのベイエリアを拠点としていて、残りの2社が他地域で展開している。

なぜこうなのだろう。1つには、UberやTesla、Waymoといったローカルの大企業から移ってくる鍵となるエンジニアリングスタッフがいるなど、このエリアに才能が集中していることが挙げられる。加えて、ロボットスタートアップがスケール展開するのに必要になると思われる投資資金が用意されていることもある。

シリコンバレーとサンフランシスコは住宅供給が少なく、またその価格は天文学的な数字になるほど高価なことで知られる。そこでは、雇用主は物を配達する人を探すのに苦労していて、配達人の賃金はデリバリースタッフに取って代わるロボットをデザインするようなプロジェクトで懸命に働いているテック労働者のものにひけをとらない。

この地域には動きの遅い、歩道を走る配達ロボットは不向きだ。サンフランシスコにおいては、びっくりするくらい急勾配の通りや歩道は、人間そして乗り捨てられたスクーターであふれている。市議会はほとんどの場所で配達ロボットを禁止し、許可したエリアに制限することを決めた。

ピザ配達ロボットマネジャーの登場

しかしサンフランシスコが配達ロボットの浸透に慎重な一方で、スタートアップKiwi Campusが事業展開するカリフォルニアのバークリー周辺を含む他のエリアではより好意的に受け入れている。

この過程においては、ロボット監督という面白い新たな仕事が作られている。これはラストマイル配達の雇用の将来にいくらかの光を当てることができるかもしれない。

初期トライアルを行なっているいくつかのスタートアップにとって、ロボットの世話をする仕事には、ロボットの監視や、ロボットが難なく割り当てられた仕事をこなしているか確認する、というものが含まれる。

遠隔からのロボット管理もまたその一つで、今後最も増えることが予想される。たとえば、Starshipはエストニアに置くオペレーターが、遠く離れた国で行われているロボットによる配達を追跡・管理している。

現段階で、配達ロボットのモニターとコントロールという仕事が、従来人が行っていた配達という仕事より給料と雇用条件がいいかどうかはまだわからない。

しかしながら、少なくともモニターとコントロールであれば理論的にはソファに寝そべったままできるはずだ。

イメージクレジット: wk1003mike / Shutterstock

[原文へ]

（翻訳：Mizoguchi）

編集部:この記事はVince Lynchの寄稿。Lynchは人工知能企業、 IV.AIのCEO。同社は企業が顧客サービスを向上させるために人工知能による自然言語処理に関する理解を深めることを助けている。

歴史における現在の時点で人間のバイアスがもたらす危険に目を無視することは不可能だ。コンピューターがこの危険を増幅している。われわれは機械学習を通じて忍び込む人間のバイアスの危険性はいくら強調しても強調しすぎることはない。これによって引き起こされる害悪は大きく2つに分けられる。

• 影響：「AIがこうだと言っている」といえば、人々はそれを信じてしまう。 AIシステムの学習過程で人間のバイアスが混入していても気づかれにくい。ストレートなバイアスよりはるかに広い範囲に悪影響を与えることになる。
• オートメーション：AIモデルが実用的な目的のために用いられることがよくある。つまりバイアスを隠したオートメーション・システムができてしまう。

光には影がつきものだが、AIを適切に用いるならメリットは大きい。AIは一見混乱した多量のデータから隠れた意味を抽出することができる。つまりアルゴリズムはわれわれが気づかずにいたバイアスを表に出すためにも役立つ。データの山の中から倫理的に疑問のある振る舞いを発見することもできる。これがわれわれに反省を促すきっかけになるかもしれない。人間の振る舞いに関するデータをアルゴリズムで処理することはバイアスの発見に役立つ。適切に用いるならAIは人間行動中の異常な部分を発見してくれる。

しかしコンピューターが自分自身でこうしたことをしてくれるわけではないことに注意すべきだ。 たとえ教師なし学習（unsupervised learning）であっても実は「半分教師つき学習」だ。トレーニング・データを選択し、システムに入力するのはデータ・サイエンティストだからだ。人間がデータを扱うのであれば、必然的にバイアスが混入する。どうやったらこのようなバイアスを発見できるのだろうか？　まずは問題をいくつかの場合に分けて考える必要がある。

AIの運用と倫理的な懸念

悪い例は多数ある。たとえばCarnegie Mellon大学の研究はターゲティング広告におけるバイアスを指摘した。女性向けのオンライン求人広告の平均給与は男性向け広告よりはるかに低かったという。またMicrosoftがティーンエージャー向けに運用していたTwitterのボット、Tayが人種差別的ツイートを行い、閉鎖されたといいう不幸な出来事もあった。

近い将来、こうした過失は巨額の罰金やコンプライアンス上の重大問題を引き起こす可能性が十分にある。こうした方向はすでにイギリス議会で論じられている 。もちろん人工知能を扱う数学者も技術者もバイアスについては注意を払うべきだ。しかし難しいのはその度合いがケースごとに異なる点だろう。たとえばリソースが十分でない小規模な会社の場合、バイアスが発見されてもすぐに修正されるかぎりさほど過失を責められない可能性が高い。これに対してフォーチュン500社に入るような世界的大企業ではバイアスを含まないシステムを構築するために十分なりソースがあるとみなされ、したがって責任も重くなる。

オススメのTシャツを発見するのが目的のアルゴリズムなら放射線治療の効果を判定するアルゴリズムと同じほどの厳密さは必要とされない。結果が重大であればあるほど、誤った場合に法律的な責任が追求される可能性が高まる。

開発者も運用する企業のトップもAIシステムの倫理的側面を慎重にモニターする必要がある。

AI開発にあたってバイアスを抑制するための3つのカギ

AI業界の中でも自浄作用が働きつつある。たとえば、当初から人間のバイアスを慎重に検討することによりシステムのバイアスを減少させ、より倫理的な振る舞いをルール化する方法が研究されている 。

こうした方向に注目し、さらに推し進めていくべきだろう。重要なのは、既存の規制がどうであれ、システムの倫理的な側面し、その強化を積極的に進めていくことが重要だ。AI開発にあたって重要な点をいくつか紹介する。

1. その問題の解決に適した学習モデルを選ぶ

AIモデルが解決すべき問題ごとに異なるのには理由がある。異なる問題には異なる解決法があると同時に提供されるデータも異なる。こうすれば必ずバイアスを避けられるという処方箋があるわけではない。しかし開発にあたって警告を発してくれるいくつかのパラメーターがある。

教師なし学習と教師あり学習にはそれぞれのメリット、デメリットがある。ここで教師なし学習モデルの場合、データの次元削減ないしクラスター化を行う際にデータセットそのものからバイアスを学習している危険性がある。たとえばAグループに所属することとBという行動の間に高い相関関係があればモデルはこの2つをごっちゃにしてしまうだろう。これに対して教師あり学習ではデータの選択にあたってプロセスにバイアスの入り込む危険性をよりよくコントロールできるだろう。

一方、センシティブな情報を除外することによってバイアスをなくそうとする方法も正しいモデルを作る上で問題を起こすことがある。たとえば大学における志望者選抜で統一学力テストACTの点数に加えて志望者の郵便番号を考慮することは差別につながるようにみえる。しかし経済事情などの要素により統一テストの点数には地域ごとにバイアスがある。郵便番号を考慮すればこのバイアスを取り除くことができるかもしれない。

AIの利用にあたってはデータサイエンティストと十分に議論を重ね、目的に対してもっとも適切な学習モデルを構築する必要がある。どのようなモデルづくりが可能か複数の戦略を比較検討することが重要
だ。ある方法に決める前に十分トラブルシューティングしておくべきだ。 開発中にバイアスを発見して修正するほうが――たとえ時間が長くかかるように思えても―運用開始後に当局によって発見されるよりはるかによい

2. 学習用データセットは全体を代表できるものを選ぶ

データサイエンティストが十分なリソースを持っていない場合も多いが、学習用データの選択にあたってバイアスが入り込まないよう注意するのはプロジェクトの関係者全員の責任だ。バランスのとり方が非常に難しい。学習用データが十分に多様なグループを代表していることは必須だが、グループ分けの方法が現実のデータを反映しない恣意的なものとなっていると問題を引き起こす。

たとえば、グループごとに別々のモデルを構築するのは、コンピューター処理の観点からも企業広報の観点からも得策とはいない。 あるグループについて得られたデータ件数が少なかったため、重みづけをして学習させる場合がある。しかし最新の注意を払わないと新たなバイアスを生み出す危険性がある。

たとえばシンシナティでは40人分のデータしか得られなかったとしよう。全国の都市に関するモデルを構築するにあたってシンシナティのデータセットに都市の規模に応じた重みを加えたとする。するとこうしたモデルでトレンドを予測しようとするとランダム・ノイズが入るリスクが増大する。たとえばあるデータセットでBrianという名前の人物に犯罪歴があったとする。このデータセットに大きな重みづけをするとシステムは「Brianという名前の人物には犯罪傾向がある」といった結論を出してしまう。重みづけ、特に倍率の大きな重み付けをするにあたっては十分な注意が必要だ。

3. パフォーマンスの判定には現実データを用いる

企業は故意にバイアスを含んだAIシステムを作ったりしない。しかし企業内の一定の条件下では差別的なモデルであっても期待どおりの作動をする。残念ながら規制当局は（それをいえば一般公衆も）、バイアスを含んだシステムが運用された場合に、制作した企業の意図を考慮しない傾向がある。AIモデルを構築した後、現実のデータでテストを繰り返す必要があるのはそのためだ。

たとえば構築中のモデルにテストグループを使うのは好ましくない。テストグループやテストデータではなく、、できるかぎり現実のデータを用いるべきだ。たとえばAIを活用した与信審査システムを構築しているとしたら、データグループに対しては、「背が高い人のほうが背が低い人より債務不履行になる確率が高いという結果が出てないか？」といった単純な質問してみるべきだ。もしAIがそうした不合理な結論を出すならその理由を突き止めねばならない。

データを検査する場合にはr 2種類の公平性に注意する必要がある。一つは結果の公平性であり、もう一つは機会の公平性だ。AIでローンの審査を審査をする例で考えてみよう。結果の公平性というのは地域その他の条件によらず、同じ条件の借り手は同じ利率でローンを組むことができることをいう。機会の公平性とは可能であるならローンを返済する意思がある人々は地域その他の条件によらず同一の利率が得られるようにすることをいう。後者の条件を課さないと、たとえばある地域ではローンの債務不履行が頻発する文化的条件があることを隠しかねない。

偏ったデータセットを用いる危険性はあるが、結果の公平性は比較的担保しやすい。しかし機会の公平性の実現はモラルの問題が入ってくるためそれより難しくなる。多くの場合、2つの公平性を同じように確保するのは不可能だ。しかし注意深い監督下にモデルを現実のデータでテストすることはリスクを最小限にするのに役立つだろう。

こうしたAI利用の倫理的側面はやがて罰則によって強制されることになる可能性が高い。現にニューヨーク市ではアルゴリズムの利用を法的に規制しようと試みている。政府、自治体による法的規制はやがて開発段階にも及ぶだろうし、現実にAIを利用を利用した結果も厳しくモニターされることになるだろう。

モデリングに当たって、以上に紹介してきたような適切な手法を取ることによってバイアスが混入する危険を追放ないし最小限にできるというのは朗報だ。AI開発者は困難な倫理的課題を理解し、バイアスを発見し、現在の法の規定がどうであれ、正しい側に立つよう務める必要がある。。

〔原文へ〕

（滑川海彦@Facebook Google+

中国には世界中でいちばたくさんのCCTVカメラが設置されている。 1億7000万台のビデオカメラのネットワークが存在するということだ。中国の警察はGoogle Glass的なスマートメガネを装着して人混みの中から容疑者を特定している。しかもこの恐るべき監視能力がさらにレベルアップされた。新しいテクノロジーは歩き方や体格から特徴を抽出して人物を特定できる。

APの報道によれば、この歩行特徴認識（gait recognition）テクノロジーはすでに北京と上海の警察で使用されており、カメラの映像が後ろ向きだったり顔が見えなかったりしても個人を特定できるという。

開発したのは中国のAIスタートアップ、Watrix（银河水滴科技）で、同社は最近のラウンドで1億4500万ドルの資金を調達し、システムのアップグレードを図っている。 ファウンダー、CEOの黃永禎（Huang Yongzhen）は APのインタビューに対し、このシステムは50メートルの距離から個人を特定できると答えた。既存の顔認識テクノロジーと組み合わせることにより、繁華な地区における警察の監視能力は大幅にアップするものとみられる。

捜査当局が犯罪者を発見するのに役立つことは言うまでもないが、残念ながらこのテクノロジーのインパクトはそれにとどまらない。中国ではこれまでもハイテク監視テクノロジーが民衆の弾圧のような邪悪な目的で利用されてきたことが記録されている。

ことに最近、中国政府はデータベースと顔認識テクノロジーを少数民族の統制のために利用しているとして非難されている。 新疆地域に住むムスリムのウィグル人1000万人は自宅や勤務先など特定の場所から出るとただちに当局によって監視されるとBloombergは報じている。

中国政府は新疆で100万人のムスリムを「再教育施設」に収容しているとして強く批判されている。新疆の諸都市は地理的に北京よりバグダッドに近く、民族、宗教間の対立による不安定な情勢がしばしば伝えられてきた。中国政府が最新の個人認識テクノロジーをこの地区に投入してきたことにはこうした背景がある。歩行認識テクノロジーがが新疆にも導入されるかどうか、現時点では情報がない。しかし今はまだだとしても近い将来導入されるのではないかという推測はできる。

〔原文へ〕

（滑川海彦@Facebook Google+