DXの進め方　第8回　AI（人工知能）とは？　DXの基礎知識①

DXを進めるための基礎知識を学ぼう

DXとは何か？　何度もお伝えしていますが、もう一度おさらいしておきましょう。

DX＜デジタルトランスフォーメーションl Digital Transformation＞とは

「企業がビジネスの激しい変化に対応し、データとデジタル技術を活用して、顧客や社会ニーズをもとに、製品やサービス、ビジネスモデルを変革するとともに、業務そのものや組織、プロセス、企業文化・風土を変革し、競争上の優位性を確立すること」

経済産業省「DX推進ガイドライン」より

簡単に言うと、DXとは「データ（IT）を活用することで新しい価値を生み出すこと」です。

DXへの社内気風を盛り上げるなら、DXを支える技術について知識を深めると興味が沸いてくるかもしれません。今回はDXに欠かせない技術の一つ「AI」について解説しましょう。

AI（人工知能）とは？

DXに欠かせない技術の一つに「AI」があります。

AI＜Artificial Intelligence＞とは、人工知能のことです。研究者によってさまざまな定義付けが存在しますが、「コンピュータを使って人間と同等、あるいはそれ以上の知的処理を実現する技術」と考えてください。

AIは判断や学習に使うデータ、推論エンジン、アルゴリズム、モデルと呼ばれる知識やデータの処理部分、知識やデータをもとに処理部分を調整する学習部分などで構成されています。

AIと聞くととんでもなく高度な技術で、日地上生活には縁遠いイメージがありますが、実は私たちの身近なモノに多く使われています。

例えば、スマートフォン。顔認証セキュリティは、備え付けのカメラで映した顔が登録者と一致するか、AIが判断しています。また、撮影した画像を自動加工するアプリが多くありますが、あれもAIです。iPhoneのSiriをはじめとする音声認識機能もAIが音声を認識しています。スマートスピーカーも同様です。

もう少し視野を広げてみると、インターネットで買い物をしている時に、わからないことがあるとすぐに尋ねられるチャットボット。これもAIがどのような回答をするか判断しています。ウェブページで海外サイトを瞬時に翻訳してくれているのもAIです。街やお店に設置された防犯カメラにAIが搭載されているものがあり、犯罪防止や犯人検挙に役立っています。

こうして見てみるとAIはすでに私たちの生活に根差しているのがわかりますね。また、DX社会を促す大きな要素となっていることも見えてきます。

AIの進化の歴史

AIは突然誕生した技術ではありません。その歴史は1950年代にまでさかのぼります。

第一次AIブーム：推論と探索

第一次AIブームは、推論と探索がテーマと言えます。探索とは、「最初に与えられた状態から、目的の状態に至るまでの状態の変化を、場合分けを行いながら探し出すこと」。推論とは、「既知の知識をもとに、未知の事柄を推し量り、答えを導くこと」です。

1950年、イギリスの数学者アラン・チューリングが「機械は思考できるのか？」という問題意識から提案した質疑応答式のテスト（チューリングテスト）を実施しました。「機械が人に近い振る舞いができるかどうかを判別すること」が目的です。

チューリングは論文内で「50年ほど経てば、5分程度の質疑応答では、質問者は対話相手が人間かコンピュータかを70％も当てられないだろう」と述べていることから、質問者の30％以上が、対話相手が人間かコンピュータか判断がつかないことが、チューリングテストの合格の一つの基準とされています。

また、1956年に行われたダートマス会議ではじめて「人工知能」という研究分野が公に確立しました。そして、近年のAI進化を支える技術「ニューラルネットワーク」の起源となる「パーセプトロン」技術が、米国の心理学者であるフランク・ローゼンブラットによってまとめられたのが1958年です。

当時は大きな話題となりましたが、そのころの技術では簡単な推論と探索しかできず、複雑な現実世界の課題を解決できないことから実用的ではないとブームは下火になっていきました。

第二次AIブーム：知識表現

第一次AIブームにおける「複雑な現実世界の問題を解けない」という課題に対して、1980年代になると現実世界の知識（情報）を機械に大量にインプットすることによって、解決する試みが始められました。

きっかけとなったのは、ELIZA（イライザ）という対話システムです。人間が「A」と言ったら「α」と返す、といったように対話のルールを記述することで、まるで人間と会話しているように見えるプログラムです。これは、今日のチャットボットやスマートスピーカーの先駆けと言えるでしょう。

そして、この時代を象徴するものの一つが「エキスパートシステム」です。これは、ある専門分野の知識を大量にインプットして推論を行うことにより、専門家のように振る舞うプログラムです。たくさんの専門家が持つ知識を集めて、専門家を再現しようという試みです。

しかし、この試みも挫折してしまいます。大きな問題となったのは「インプットする知識量の多さ」です。

当時のコンピュータは、必要な知識を自ら収集して蓄積することは出来なかったため、必要な知識は全て人の手でインプットしなければなりませんでした。インプットする知識を専門家からヒアリングするのにも膨大なコストを要したことから、実用的とは言えなかったのです。

また、知識をコンピュータにとって処理しやすい表現にすることも簡単ではありません。人間の持つ知識をコンピュータが扱えるものにすることを知識表現と言い、論理モデル、ルールモデル、フレームモデル、意味ネットワークモデルなどがこれにあたります。

こうしたことから、このブームも落ち着いていくことになったのです。

第三次AIブーム：機械学習とディープラーニング

2000年代に入ると、機械学習が大幅に進化しました。機械学習とはデータを解析し、そのデータから学習した内容を応用して、十分な情報に基づく判断を下すアルゴリズムのことです。特定のタスクをトレーニングすることで実行できるようになるAIであり、あらかじめ人間が特徴を定義します。

機械学習ではデータの背後にあると考えられるルール（モデル）を生成し、そのモデルが実際のデータとどの程度適合するかを、統計的手法によってコンピュータが検証します。モデルの作成と検証を繰り返すことで、実際のデータと適合する度合いが最も高いモデルを見つけ出すのです。

ここで重要となるのがデータです。

機械学習においては、あらかじめ人間がデータを意味付けしておきます。そのデータを教師データと呼び、人間のやり方に最も適合するモデルを見つけ出す学習を「教師あり学習」、教師データを使わない学習を「教師なし学習」と呼びます。現在の主流は教師あり学習になります。

これらには大量の教師データが必要になりますが、その手間を省くために教師データを用いず、かつ機械自身が試行錯誤して学習する「強化学習」の研究も進められています。

機械学習が進んだ背景には「ディープラーニング」の技術が実用化されたことが挙げられます。
ディープラーニングとは機械学習のアルゴリズムの一種で、大量のデータからAI自らが自律的にパターンを学習する手法です。これにより、AIの精度が飛躍的に高まったことが第三次AIブームを加速させています。

ディープラーニングと従来の機械学習との違い

ディープラーニングとは？

ディープラーニングは機械学習の一分野であり、「深層学習」とも言います。ニューロンと呼ばれる脳神経細胞のネットワークをコンピュータで疑似的に再現した「ニューラルネットワーク」を応用した機械学習です。他の学習方法よりデータ処理のための階層が多い結果、複雑な判断や細かな処理ができるようになることが特徴です。

ニューラルネットワークは、脳のニューロンに該当するユニットと呼ばれる処理を多数つなぎ合わせて構成されます。

階層は「入力層」「中間層」「出力層」に分かれています。入力層が入力値（説明変数^※１の値）を受け取り、出力層は出力値（目的変数^※２の値）を出力します。中間層は複数の層から構成されていて、各層に複数のユニットがあります。中間層に存在するユニットでは、パーセプトロンに従って計算処理が行われます。
※１　目的変数を説明する変数のこと
※２　予測したい変数のこと
例：「身長・体重・年齢・摂取カロリー」などを説明変数とし 「血清コレステロール値」を目的変数とする

パーセプトロンは、複数の信号を受け取ったときに、一つの信号を出力するアルゴリズムのことです。０か１を出力します。

例えば、2個の入力値に対するユニット内の計算は　X1×W1+X2×W2+b　となります。

人間の脳が学習すると、各ニューロンとの接続部にあるシナプス強度が変わります。それと同様に、ユニット同士の接続にある重みを修正していくと、入力層にどんな値がきても最適な数値を出力層から出力できるようになります。

ディープラーニングでできること

具体的に、ディープラーニングでできることは大きく分けて3つです。

1. 画像認識
2. 自然言語の処理
3. シミュレーション

順番に解説していきましょう。

①画像認識

AIは画像データをピクセル情報の集合体として把握しています。そのため、「画像に何が映っているのか」を知るためには、まずは明るさや大きさがまちまちである情報の中から対象物を抽出することになります。AIは組み込まれた演算処理を通すことでピクセルのパターンから特徴を抽出し、類似した範囲や差異を学習して画像データを認識します。

画像処理・抽出の手順は、以下のとおりです。

1. 画像のノイズ・歪みを除去
2. 明るさ・色の補正
3. 対象物の輪郭の強調（エッジ強調）
4. 対象物の領域を抽出（背景との区別）
5. 対象物の画像データをピクセル単位で抽出

対象物の認識を終えると、「特定物体認識」を実施します。特定物体認識とは、コンピュータに大量の画像データやラベル（正解を示すデータ）を学習させ、それらの情報から対象物が何なのかを特定する工程のことです。人間が過去の記憶や経験から物体を判断することと同じですね。

画像認識にディープラーニングを活用することで、高い精度で画像や映像を認識することができます。

AIによる画像認識にはさまざまな技術があります。

②自然言語処理

ディープラーニングは、私たちが日常的に使用する話し言葉や書き言葉といった自然言語処理（NLP）も得意です。これまでのAIは、TPOや文脈によって意味合いの変わる自然言語への対応に限界がありました。しかし、ディープラーニングであれば、人間の言語能力に近い処理能力を修得できます。

最近話題のChatGTPを見ると、自然な言語処理の精度の高さがわかりますね。ほかにも、チャットボットやAIスピーカー、テキストマイニングにも自然言語処理の技術が活用されています。

自然言語処理を可能にするのは、以下の４つの技術からです。

③シミュレーション

他の機械学習に比べ、より多くのデータをより複雑な条件で分析できるディープラーニングでは、複数の要素に優先順位を付けながら判断するといった、込み入った予測をすることも可能です。

例えば、フィンテックとして話題のロボアドバイザーもAIによるシミュレーションが活かされています。身近なところでは、アプリのおすすめ表示や株価予測などもAIによるシミュレーションによるものです。

ディープラーニングの懸念点

　利便性の高いディープラーニングですが、懸念点もあります。ディープラーニングを用いたAIは自らが学習し、予測した上でタスクを実行しますが、その過程は何層にも重なって複雑で、人間には見えません。AIがなぜその判断を行ったのかが人間に把握できないのであれば、そのAIを人間が管理しているとは言えないでしょう。

これは「ブラックボックス問題」とも言われています。

例えば、医療現場で画像診断をAIが行った際に誤診があれば、誰がどのような責任を負うのかなどの問題が生じます。このようなリスクを念頭に置いた上で、影響の少ない分野で活用していくといった人間側の判断が必要になってきます。

このブラックボックス問題を解決する取り組みも進められていて、XAI（Explainable AI/説明可能なAI）という技術研究が注目されています。

XAIはAI技術をあらゆる観点から理解する目的で研究されている技術の総称です。アウトプット（予測）に関する説明をわかりやすく提示してくれるAIのことを差します。AIの思考を解説してくれるAIというイメージです。

AIの判断理由がわかれば、AIの判断が適切かどうかを人間が管理・判断することが可能になります。このため、XAI研究は多くの研究機関や企業が実用化に向けて動き始めています。

DXとAIの関わり

これまで見てきたAIですが、DXとどんな風に関わっているのか、具体的に見てみましょう。

たとえば画像認識。製造工場で異常検知できるようにすれば、不良品を出荷してしまう可能性がぐっと低くなります。また、それまで複数名で目視によりチェックしていたのなら、チェック人員を削減することも可能でしょう。

日本酒「獺祭」を造る山口県岩国市の旭酒造は、AIの画像認識技術を使って日本酒の発酵具合を学習させています。日本酒の醸造過程には酒米に吸水をさせる「浸漬」という作業があり、水分の量や漬ける時間は熟練した杜氏が酒米の色や膨らみを見ながら経験と勘で決めるそうです。この工程を画像認識でデータ化し、後進に匠の技術として引き継ぐことを目指しています。

自然言語処理については、ビデオ会議のトランススクリプション機能によって議事録を作成するのが格段に手早くなったという企業も少なくないでしょう。顧客応対のためのチャットボットはもちろん、社内問い合わせのためのチャットボットを用意することで、社内事務を簡略化する流れもあります。いわゆる「守りのDX」にも、AIは力を発揮してくれます。

また、近年では多くの自動車に安全支援システムや走行支援システムが搭載されるようになりました。
車に搭載されたカメラの映像を元に、画像解析技術により車線や標識、先行車などを認識します。これらの機能の多くはAIにより実現されています。
現状はの解析精度の問題から、あくまで運転者の操作をサポートするにとどまり、完全な自動運転には到達していません。しかしながら、運転に関する画像処理は難易度が高くないこともあり、将来的には100%に近い精度で自動運転が実現すると予想されています。

自動車の新たな価値を提供する、まさしくDXという事例ですね。

このように、デジタル化・DX推進によって新たな価値を生み出すための強力なツールとしてAIが活用されています。

まとめ

これまで見てきたように、AIはDXを促すツールとして欠かせないものとなっています。

一方で、急激に技術革新が進み、社会や組織のDXが推進していく中、AIについて理解のある人材が圧倒的に少ないのが実情です。

自社でAIを使用したDXを進める場合、AIの内製化を図る場合はもちろん、AI開発を外注する場合でも、AIに関する知識を持って発注先と会話できる人材を確保しなければなりません。

前回お話ししたように、社内で有望な人材に対して教育を行い、スキルアップを進める取り組みが一層重要となってきます。

AIのアルゴリズム構築はできないものの、AIを理解してビジネスを進めることができる人材であれば、研修などを活用して十分に教育できる可能性があります。

次回は「IoT」について解説します。

つづく

進方さんのような「DXの専門家」にDX推進やデジタル化、業務効率化についてレクチャーしてほしい方、増えています！　初心さんのような初心者でも丁寧に、業務に沿った内容で研修を行います。お気軽にご相談ください！

---