M61さんに触発されまして、若干コメントさせていただきます。
機械学習（含 Deep Leaning)の学習手法で最も頻繁に用いられるのは「教師あり学習(Supervised learning)」ですが、必ずしもそれによらなくても構いません。
弱教師あり学習(Semi-supervised learning)、教師なし学習(Unsupervised Learning)、強化学習(Reinforcement Learning)などの学習手法があります。
AlphaGoでも、学習の初期過程では熟練棋士の手の棋譜データセットによる教師あり学習で訓練されたようですが、その後、自分自身との多数の対局による強化学習で習熟度を高めていったと聞いています。
学習コストを下げるためには、教師あり学習によらない、またはその比率を下げる工夫が重要だと思います。
例えばGoogleフォト。Googleのオープンソース深層学習エンジンであるTensorFlowを利用して提供されている実用サービスです。
大量の家族写真をアップすると、被写体の家族一人ひとりに分類されフォルダ化されます。当初、乳児時代の娘の写真は、幼稚園以降の写真とは別人に認識されたらしく、別フォルダに振り分けられていました。
その後、未入園児時代の写真を多数アップし、数週間後に覗いてみると、これらが同一人物と認識されたらしく全て一つのフォルダに入っていたのです。
これなどは正に「教師なし学習」と言えるのではないでしょうか。あるいは、同一人物が別人に認識された際に、タグ付け等でラベルが提供されると、それによって「弱教師あり学習」に移行することができ、同一性判定の精度向上が期待できるでしょう。
AlphaGoを例にしてみると、人工知能は経験・習熟がモノを言う分野に強そうですね。
車の自動運転は既に大企業が着手しています。
私が興味をもっているのはスポーツ分野ですね。
例えば野球だと、投手のモーションをしこたま学習させれば、
・牽制するのかどうか
・投げようとしている球種
などが判明しそうです。
あとは災害救助時や戦争でしょうか。
軍事への導入は表に出ないだけで、考えられていそうですよね。
AlphaGoに代表されるDeep Ｌeaningには、教師データと呼ばれるものが必要です。教師データと言うのは、Deep Leaningに教え込むデータのことで、結果が必要となります。
例えば、ログを解析して、標的型攻撃の発生を検知したい場合には、標的型攻撃が発生していることが明確になっているログを集めて、Deep Leaningに教え込みます。もちろん、発生していないことがわかっているログも正常であるということです。
子供に、やっていいこと、やってはいけないこと、を教えるのと一緒ですね。この様な、データを継続的に教え込んでいく事で、精度がどんどん上がっていきます。
AlphaGoも様々なプロの棋士が打った、棋譜と呼ばれているものを覚えこませていっております。もちろん囲碁の場合には必ず勝敗が着きますので、どの棋譜は勝って、どの棋譜は負けたというのが明確なので、データ的には、勝/負やOK/NGがはっきりしているものが比較的扱いやすいと考えることができます。
ご参考になればと思います。
未ログイン: ログインする
回答: ログイン（会員登録）すると、回答を書き込むことができます。