G検定向け 人工知能（AI）の概要

2022年3月のG検定のために勉強した内容をまとめています。

＜目次＞
 

1. 人工知能とは
1. 人工知能の定義
   人工知能（Artificial Intelligence）は近年広く報道や商品説明で聞くが、実は現時点で明確な定義はなく、第一線の有識者の間でも様々な考え方がある。人工知能学会の理事を務めている東京大学大学院の松尾豊准教授は「人工的に作られた人間のような知能、ないしはそれを作る技術」※1と定義ししている。また、AIという言葉の産みの親の一人、ジョン・マッカーシー教授は、「知的な機械，特に，知的なコンピュータプログラムを作る科学と技術」※2と定義している。
   ※1 『深層学習教科書 ディープラーニング G検定（ジェネラリスト） 公式テキスト』の一部、出典：『人工知能学会誌』
   ※2 人工知能のFAQ（人工知能のFAQ (ai-gakkai.or.jp)）
    
2. 人工知能の歴史
   人工知能に関する研究は1950年代後半から始まり、ブームと冬の時代を繰り返しながら今に至っている。現在は3度目のブームにあたり、これまで2度目のブームと冬の時代を経験しているが、紆余曲折の背景には、ブーム初期の期待とその後の現実がもたらす失望があった。
   これらブームはそれぞれ、第一AIブーム、第二次AIブーム、第三次AIブームと呼ばれ、さらに各ブームにおいてその時の主な研究内容を表す名前がつけられている。
   　・ 第一AIブーム：推論探索の時代
   　・ 第二次AIブーム：知識の時代
   　・ 第三次AIブーム：機械学習と特徴表現学習の時代
   時代ごとに研究内容が異なる様に思えるが、厳密には時代間で重なりがあり、第三次AIブームの主役である機械学習のアイディアは既に第一AIブーム時代に提案されていた。また、第一AIブームの推論探索は、今でも重要な研究に位置付けられている。
    

• 引用：総務省 人工知能研究の歴史（総務省｜平成28年版 情報通信白書｜人工知能（AI）研究の歴史(soumu.go.jp)

1. 第二次AIブーム（知識獲得）
   ・ トイプロブレム以上の課題解決力を機械が得るには、人間並みの知識、現実世界の知識を与えれば良いのではないか、という観点から研究が活性化
   ・ 知識を組み合わせ、人間の代わりになる人工知能が開発された。これをエキスパートシステム※1と呼ぶ。エキスパートシステムの代表例に、スタンフォード大学で開発された、伝染病の血液疾患を診断する「マイシン」※2があげられる。
   ・ 意味ネットワーク※3という考え方で機械に知識を与えた。意味ネットワークは様々な概念とそれらの関係をコンピュータで処理しやすいように表現したもので、例えば、人、哺乳類、動物、生物といった概念が、それぞれ人は哺乳類に、哺乳類は動物に属する、という具合に関連付けておく。こうすることで、人は生物であるということが機械的な処理で導出できるようになる。
   ・ 意味ネットワークの発展的な手法にオントロジーがある。オントロジーは、概念と概念間の関係を表現し、概念化の明示的な仕様と定義されている。このオントロジーを適切に構築することで、コンピュータが知識を有意義に操ることができると考えられている。
   ・ 研究が盛んになる一方で、知識をコンピュータに与える難しさが明らかになった。さらにその知識を人の期待に沿う形で処理することも同様に困難であった。これらを象徴する例として、フレーム問題とシンボルグラウンディング問題があげられる。このような背景から、1995年頃から再び冬の時代を迎える。
   ※1：エキスパートシステム解説（AI（人工知能）のエキスパートシステムについて詳しく解説：株式会社 日立ソリューションズ・クリエイト (hitachi-solutions-create.co.jp)）
   ※2：Mycin（Mycin - Wikipedia）
   ※3：意味ネットワークについて（意味ネットワークについて (unixuser.org)）
    
2. 第三次AIブーム（機械学習・知識表現学習）

・ 第三次人工知能（AI）ブームは、2000年代から現在まで続いている。まず、現在「ビッグデータ」と呼ばれて

いるような大量のデータを用いることで人工知能（AI）自身が知識を獲得する「機械学習」が実用化された。
・次いで知識を定義する要素（特徴量※）を人工知能（AI）が自ら習得するディープラーニング（深層学習や特徴表現学習とも呼ばれる）が登場したことが、ブームの背景にある。
※：対象を認識する際に注目すべき特徴は何かを定量的に表すこと。ディープラーニング以前は人間の手で特徴量を設計していたが、ディープラー ニングによって画像認識や音声認識などでコンピューターが自ら特徴量をつくりだすことが可能となった。

1. 人工知能の基礎
1. 人工知能の基礎
2. 推論・探索（山登り法、ハノイの塔など）
3. プランニング（行動計画、半順序プランニング）
4. ゲーム木の探索（ミニマックス、α-β法）
5. 推論・探索の応用（ボードゲーム、ディープブルー）
2. 知識表現
1. 知識ベースシステム
2. エキスパートシステム（イライザ、意味ネットワーク、サイク）
3. オントロジー
4. セマンティックウェブとリンクトオープンデータ
3. 自然言語処理
1. 自然言語処理とは
2. 情報検索（情報抽出、固有表現抽出、正規表現、評価方法）
3. 質疑応答システム
4. 人口知能に関する話題
1. フレーム問題
2. 記号接地問題/シンボルグラウンディング問題
3. 中国語の部屋・チューリングテスト
5. 機械学習
1. 機械学習とは（定義、教師あり学習、教師なし学習、強化学習）
2. 教師あり学習（分類、混同行列、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシン、ロジスティック回帰、ニューラルネットワーク、アンサンブル学習、バギング、ブースティング、ランダムフォレスト、データ拡張）
3. 教師なし学習（主成分分析、クラスタリング、k-means法、階層的クラスタリング、相関ルール）
4. 強化学習
6. 深層学習
1. 深層学習とは（特徴学習、浅いニューラルネットワーク、活性化関数）
2. ニューラルネットワーク（誤差関数、勾配降下法、学習率、誤差逆伝播法、勾配消失問題、過学習、正則化、ドロップアウト、ミニバッチ学習、エポック、オートエンコーダ、事前学習）
3. CNN（畳み込みニューラルネットワーク）
1. CNNの概要
2. 畳み込み層
3. プーリング層
4. バッチ正規化層
5. 局所コントラスト層
4. RNN（再帰型ニューラルネットワーク）
1. RNNの概要
5. 生成モデル
1. 生成モデルの概要
2. 代表例：GAN
6. 深層強化学習
1. 深層学習とは
2. Deep-Q-Network
7. 深層学習を可能にするハードウェア
7. AIと社会
1. AIの社会への関わり
1. AIの可能性
2. 産業への応用例
2. シンギュラリティ
3. 法律・倫理
1. 法律・倫理の整備状況
2. AIのプロダクト開発
3. データ収集
4. データの加工・分析・学習
5. データの偏り
6. 実装・運用・評価
7. クライシスマネジメント
4. 著作権
5. 個人情報