バズワードをプレゼン資料に入れるな

　こんにちは。フランス発の機械学習プラットフォーム、Dataiku（データイク）という会社で欧州企業のデジタルトランスフォーメーションを支援している宮崎です。日本でAI（人工知能）など先端技術の教育を展開するzero to one（仙台市）のリサーチ担当もしています。

　連載も4回目となりました。今回はこんなエピソードから始めたいと思います。

　フランスの大学で一緒に勉強していた友人らとバーで盛り上がっていたとき、1人がこんなことを言いました。

友人「機械学習とAIの違いは何だと思う？」

私「おいおい、今さら何だよ。俺らデータサイエンス勉強してるんだぜ。機械学習ってのは大量のデータの中からパターンを見つけて、将来を予測するための……」

友人「違うな、お前は全く分かってない。もっと簡単に見分ける方法があるだろ？」

友人「いいか、機械学習ってのはPythonで書かれているんだ。それに対して、AIは何で書かれていると思う？……パワポさ」

　これにはみんなで大笑いしたのですが、冗談はさておき、これは本当に現実でも当てはまることです。

AIには「汎用AI」と「特化型AI」の2種類

　ニュースなどの様々なメディアでよく使われるようになってきたAI、機械学習、ディープラーニングなどの言葉。これらは定義がよく理解されないまま誤った使われ方をしている例が多いです（かくいう私もジャーナリスト時代はきちんと理解しないままこれらの言葉を乱用していた側の人間です）。

　企業が出す募集要項や、起業家が投資家に向けてするプレゼンでも、やたらとこうしたバズワードが使われています。よく実態を分からないまま、とりあえずパワポで書いたプレゼン資料に「AI」という言葉をちりばめておけば「おー、なんかすごいことやってるなコイツ！」となるのです。

　私がフランスで受けていたentrepreneurshipの授業では、起業アイデアの実現や投資家へのプレゼンの仕方を学んでいました。そこでは投資家に向けたプレゼン資料には「AIやディープラーニングみたいなバズワードは絶対入れるな」と教わりました。なぜなら目の肥えた投資家ならすぐにそうした言葉の薄さに気づき、好印象を持たないからです。

　こうした誤用・乱用は、AIやディープラーニングといった言葉を真面目に扱っている人たちやそれらを冠した商品・サービスへの信用を下げることにつながります。正しい知識を身に付け、本当に必要なときだけ使うべきですね。

　前置きが長くなりましたが、本稿ではAIと機械学習、ディープラーニングの違いについて簡単に説明してみようと思います。

この記事の連載

元日経記者がパリでAIエンジニアになってみて

フランスで学位を取得してデータサイエンティストに転身し、現在はAIベンチャーで働く元日本経済新聞…

この連載の他の記事を読む ＞

AI（Artificial Intelligence、人工知能）

　AIとは「コンピューターによって人間の知能と同じ特徴を持つ複雑なマシンを構築する取り組み全般」を指します。AIには大きくわけて「汎用AI(General AI)」と「特化型AI(Narrow AI)」の2種類があります。

　汎用AIはスターウォーズのC-3POやターミネーターなど映画の世界での話。人間の持つ様々な感覚と判断力を備え、人間と同じように、ときには人間以上に賢く考える、驚異のマシンです。もちろん、これらは実現からはまだほど遠い段階です。

　一方、特化型AIはある特定のタスクについて、人間と同等、ときにはそれ以上のパフォーマンスを発揮できる技術のことです。例えばFacebookの画像認識、Netflixの映画レコメンド機能などです。

　「AI」という言葉は、データ解析や機械学習を使う現場のエンジニアに近づけば近づくほど耳にしなくなります。「AI」の意味するものがあまりに広範、抽象的すぎるためで、私の日々の業務のなかでも使うことはほとんどありません。

　ビジネスの現場で「AI」という言葉を使うのは、そのように簡潔な言葉にまとめて伝える方が効果的である場合に限るべきだと思います。例えばデータサイエンティストがこの分野に詳しくない人々に説明するときや、企業がホームページのトップに掲げる短いメッセージなどがそれにあたるでしょう。

機械学習が強いのは「エクセルで簡単に表せるデータ」

機械学習

　機械学習とはAIを実現する技術のうちのひとつです。具体的には、コンピューターが大量のデータを分析して勝手にパターンを見つけ出してくれる技術のことをいいます。

[画像のクリックで拡大表示]

　例えば、その日の天候データからA君がゴルフをするかしないかを予測するプログラムをつくるとしましょう。通常のプログラミングでは、まず人力で過去の天候データとA君のプレー履歴データを分析し、パターンを見つけ出します。

　そして、上記のようなパターンをコンピューターにプログラミングします。さて、ゴルフを約束した日の当日の天気が「晴れ、気温12度、風速7m/秒」だったとしましょう。この天候情報をコンピュータに入力すると、先程プログラムしたパターンに当てはめて、A君がプレーするかしないかをはじき出してくれるわけです。

（イラスト：PIXTA）

　機械学習では、過去の大量の天候データとA君のプレー履歴データをコンピューターにぶちこみます。そして特定のアルゴリズムに従ってパターンを見つけ出すよう、コンピューターに司令をかけます。

　例えば、上記のように命令するのです。するとコンピューターが過去の天候データとA君のプレー履歴を照らし合わせて、「ふむふむ、晴れで気温が17℃以上の場合はプレーする傾向が強いな。雨なら無条件でプレーしないのか……」などと、皆さんが小学校で習った「場合分けの木」を使って決定樹のパターンを見つけ出してくれます。明日の天候データをこのパターンに当てはめれば、A君がプレーするかしないか予測できるというわけです。

　機械学習で使われるアルゴリズムの種類は非常に多く、年々よりパワフルなアルゴリズムが研究・開発されています。最も簡単なのは線形回帰や決定樹でしょう。変数が非常に多いときに活躍してくれる「リッジ回帰」や、何本もの決定樹が組み合わさった「ランダム・フォレスト」などもよく使われています。

　ここでは問題設定やデータによって適したアルゴリズムを選ぶことが大切で、この場面こそデータサイエンティストの腕の見せどころです。詳しく書くと本1冊あっても足りませんが、大まかに言うと、まずどのような問題を解こうとしているのかを考えます。何かを予測したい（Yes or Noの二択をはじき出したい、もしくはもっと細かく数値を予測したい）場合と、大量のデータのなかから似た者どうしをまとめていくつかのグループを見つけたい場合の大きく2通りあります。

　その２通りのうちどちらを解こうとしているのかが分かれば、使えるアルゴリズムの候補をある程度絞り込めます。次にデータの散らばり方や、変数どうしの相関などを詳しく見ながら、最適なアルゴリズムを選びコーディングします。

　機械学習が力を発揮するのは特化型AIの中でも「エクセルのような表で簡単に表すことができるデータ」についてのみです。

　例えば上記のような例です。

ディープラーニングは画像、動画など複雑なデータを扱える

ディープラーニング

　ディープラーニングは機械学習のうちいくつかの特別なアルゴリズムをまとめた総称です。それら特別なアルゴリズムはすべて、人間の脳の生物学的仕組み（ニューロンと各ニューロンをつなぐシナプス）の理解から着想を得たニューラルネットワークという形をしています。

　写真や動画など、簡単に表に当てはめられないデータに対して通常の機械学習のアルゴリズムはあまりにもひ弱でした。こうして開発された最初のアルゴリズムは生物のニューラルネットワークと区別するため「人工ニューラルネットワーク（Artificial Neural Network、ANN）」と呼ばれました。

ANNの基本形

　画像認識では画像の各ピクセルを数値で表します（白黒画像なら各ピクセルは1つの値、カラー画像ならRGB＝Red、Green、Blue＝の3つの値）。ANNはこうした従来のエクセルのような表では表しにくかった複雑なデータにも対応できるアルゴリズムとして開発されました。しかしそれでもまだ計算速度が遅く、大規模な処理能力を要するものでした。

　スーパーコンピューターなどの開発が進むにつれ、より高度な計算処理ができるようになり、ANNを幾層にも重ねた発展型アルゴリズムが生まれました。重ね方の違いはまるでいろんな形の建物を見ているかのようなので、アーキテクチャと呼ばれています。畳み込みニューラルネットワーク（Convolutional Neural Network、CNN）、再帰型ニューラルネットワーク（Recurrent Neural Network、RNN）などがそれです。

　最近では驚異的な精度で人間と同じような文章を書けるGPT-３というモデルのもとになったTransformerというアーキテクチャも話題になっています。こうしたANN、CNN、RNNなどの総称がディープラーニングです。

　ディープラーニングの特徴は以下のとおりです。

　特に4点目は「説明可能性」「解釈可能性」と呼ばれ、ビジネスの現場では非常に重要な指標になっています。性能の良いアルゴリズムでも、その予測結果に至ったロジックを読み解くことができなければ信用されないことが多々あります。

　ただし近年の動きとして、これまでは難しかったディープラーニングの解釈可能性を高めるよう手助けをするツールも開発されてきています。徐々にですが、ビジネスの現場でのディープラーニングの利用も増えてきています。

　いかがでしたでしょうか？　AI、機械学習、ディープラーニングの3つの言葉の示す範囲について理解を深め、適切に使い分けてみましょう。

　次回はデータエンジニア、データアナリスト、データサイエンティスト、機械学習エンジニアの職種の違いについて説明します。

オンラインセミナー「日経ビジネスLIVE」のご案内

スモールビジネスから始まる「ネオ日本型経営」

「日経ビジネスLIVE」とは：「読むだけではなく、体感する日経ビジネス」をコンセプトに、記事だけではなくオンライン／オフラインのイベントなどが連動するプロジェクト

■開催概要
日時：2021年9月28日（火）～29日（水）、キーノートを含む5セッション
講師：LIXIL瀬戸欣哉社長兼CEOほか著名経営者
プラチナパートナー：アメリカン・エキスプレス・インターナショナル,Inc.

詳細・申し込みはこちらをご覧ください

---

The Future of Management 2030
資本主義の再構築とイノベーション再興

■開催概要
日時：2021年10月5日（火）～7日（木）
講師：フィリップ・コトラー氏、リチャード・セイラー氏など世界の著名経済学者・経営学者が多数登壇

詳細・申し込みはこちらをご覧ください