#author("2023-07-12T13:33:01+09:00","default:ryutarodayo1234","ryutarodayo1234")
*AI
RIGHT:AIについて学んだこと
#author("2024-05-16T19:33:54+09:00","default:ryutarodayo1234","ryutarodayo1234")

~

**目次
#contents
~
~

**AIとは何か。
端的に表すと、人工的に作られた知能である。
ここでいう知能とは、あたまのはたらき、知識の蓄積や物事を判断する能力であり、知能検査で測られ、知能年齢または知能指数で表わされる精神水準である。
究極的な目的は、「知能を持った機械を作ること」 であり、学術的な人工知能の正確な定義は時代によって変わるため、説明できない((社会的には、知能の有無に関わらず、コンピュータに人間の知的機能を代行させるソフトウェアを表すことが多い。))。

~
**AIの歴史
AIの研究は、その始まりから幾つかの「ブーム」と「冬期」を経験してきました。それぞれの時代には、特定の課題や技術が主要な焦点となり、その時代の研究成果が後の発展に影響を与えてきました。

AIの研究の始まりは、クロード・シャノンのコンピュータにチェスをさせるための論文に遡ることができます。1950年代のダートマス会議では、"人工知能"という語が初めて使われ、広く認知され始めました。

第1次AIブームでは、探索と推論が主な研究の焦点であり、パーセプトロンのような人間の脳細胞を模倣した計算モデルが登場しました。しかし、AIが本当に役立つのかという批判もありました。これは、当時のAI研究が問題を自己作成し、その解決に注力していたためです。

第2次AIブームで、この時期にはエキスパートシステムという新たなアプローチが開発されました。エキスパートシステムは、特定の領域における専門家の知識をコンピュータに組み込むことで、その領域における問題解決を支援するシステムです。この時期の代表的なエキスパートシステムとしては、化学の分野で活用された「DENDRAL」や、医療診断を支援する「マイシン(MYCIN)」があります。しかし、エキスパートシステムは知識を人間が直接入力する必要があるため、機械自身が知識を獲得することが困難であるという問題がありました。これに対する解決策として、深層学習（Deep Learning）という手法が開発されました。深層学習は、大量のデータから自動的に特徴を学習し、知識を獲得することが可能です。

第3次AIブームでは、先のブームでの問題点であったコンピュータの知識の獲得についての進展がありました。ディープラーニングという技術がその筆頭として挙げられます。この時期には、AI研究が発展しやすい環境が整ってきました。データ収集や計算能力の向上、インターネットの普及などがそれを可能にしました。

現在は、機械学習を中心とした研究が活発化しています。AIの限界がまだ見えず、医療から自動運転車、言語翻訳まで、様々な分野で実用的なAIが開発され、実用化されています。これからのAI研究は、さらに広範で深い影響を及ぼすことが期待されています。また、AIの発展には「シンギュラリティ（特異点、Singularity）」という概念も関連しています。これは、AIが人間の知能を超える時点を指し、その時点を超えるとAIの進化は予測不能になるとされています。特に2045年問題とは、AIが人間の知能を超えると予測される年を指しています。AIの究極的な目的は、教科書によって異なる定義がされていますが、その歴史的な目的は「知能を持った機械を作ること」であるとされています。これは、人間の知的機能をコンピュータが代行するソフトウェアを開発することを意味します。

~
**[[データ]]について
AI（特に機械学習や深層学習）を学ぶ上で、データの取り扱いや変換方法を理解することは非常に重要です。AIのアルゴリズムは、大量のデータからパターンを学習し、新しいデータに対する予測や判断を行います。そのため、データの種類や特性を理解し、適切な形式に変換できる能力は、効果的なAIシステムを構築するために必要不可欠です。
~
***キーワード
-データの可視化
-データの標準化

**AIデータ倫理

AIを誰でも簡単に利用することが可能となり、さまざまな技術が大衆的になった。AIは強力な道具で社会が豊かになる反面、悪用されると社会に大きなダメージを与える可能性がある。
~
***技術例
-[[ディープフェイク>https://www.google.com/search?q=ディープフェイク]]

~

**ELSI

エルシーとは、Ethical, Legal and Social Issuesの頭文字をとったもので、''倫理的問題(Ethical)''と''法的問題(Legal)''、''社会的問題(Social)''の3つから成り立っている。


~

***倫理的問題(Ethical)
-その科学(技術)研究がどのような倫理的問題をはらむか
-そもそも各科学領域における「倫理」とはなにか
-既存の倫理学の体系に収まるのか

~

***法的問題(Legal)
-その科学、技術はどの法の枠組で捉えられるか
-現行法で不十分な場合、どのような指針、法の形成が必要か。関連してどのような行政規制が必要か

~

***社会的問題(Social)
-その科学(技術)は社会に受容されるか • どのような形であれば受容されるのか
-メリットとデメリットのトレードオフ。''社会の受容ライン''はどこか

~


**AI利用における気を付けること

~

***データの健全性

-捏造
 存在しないデータを作り出すこと

-剽窃、盗用
 データを不正に使い回すこと

~

***データ取り扱いの健全性 | バイアス、偏り

-関連付けバイアス
--ステレオタイプに基づくラベル付けによるバイアス

-確証バイアス
--仮説を検証する時にそれを支持する情報ばかりを集め、 反証する情報を無視または集めようとしないために生じるバイアス

-自動化バイアス
--自動化されたシステムの結果を信じやすく、矛盾する他の結果は無視しがち

-社会的バイアス
--社会的な偏見などによって生じた格差によって、生じるバイアス 例:住んでいる地域を分析データに含めることで、意図せず分析結果が人種の違いを反映


~


**情報セキュリティ的なデータの保護

-個人情報とプライバシーの問題
--名前や生年月日、住所などその人が誰なのか特定できる情報
--個人ID、マイナンバー

-その他の個人の情報
--データ、購買履歴、Webの閲覧履歴、IPなども

~

**個人情報・データの保護
***情報を保ちながら個人情報を匿名化する様々な手法

***個人のレベルでも気を付けること

-[[インターネットリテラシー>https://www.google.com/search?q=インターネットリテラシー]]
-[[情報リテラシー>https://www.google.com/search?q=情報リテラシー]]

~

**AI倫理

***思考実験 : トロッコ問題

ブレーキの壊れた自動運転のトロッコが暴走している。線路の先には5人が横になっている。分岐操作レバーがあり、操作をすれ ば1人を犠牲に5人を助けることができる。あなたはどう行動すべきか?
AIは、不測の事態が起きても何かの判断を下す。AIは倫理的に判断できるのか?その責任は?

~

**AIに利用するデータの著作権
***AIとデータと著作権

-AIに与えるデータをwebから収集しても良いか

https://www8.cao.go.jp/cstp/ai/

↑に書いてあります。


~

**責任のあり方
***アカウンタビリティ Accountability

-事故が起きたとき、その理由を説明する責任と、 誰がどの程度の金銭的な補償責任を負うのか法的対策
-責任者は誰か : 開発者、販売者、購入者、利用者など

現在のAIは、ブラックボックスとなっていることが多く、 アカウンタビリティを果たすことが、現状では難しい。

~
**機械学習の種類

***教師あり学習 | 線形回帰分析
-正解データ(教師データ)を作成者が与える
-画像判定や時系列予測、株価の推測に有効
-時系列予測とは過去の事例と照らし合わせ、未来を予想する。
-回帰((入力をもとに何かの値を説明、明日の株価予測など))や分類((入力が何かを判定。画像が猫、犬、人間かどうかなど))が該当する
-画像の高精細化、セグメンテーションなどに使われる
-目的変数と説明変数の関係を定量的に分析し、分析結果に基づく予測

~

***教師なし学習 | クラスタリング clustering
-正解データ(教師データ)を与えない学習
-入力対しての正解は与えず、機械自身が正解を導き出す
-クラスタリング（グループ分け）、次元圧縮、テキストマイニング
-各標本を似たもの同士のクラスターに分類する手法

~

***強化学習 | 環境から学習
-環境データを与え、その環境における行動を決定。
-行動に対する報酬や負の報酬（罰）を与え、その報酬が最大となるように学習
-将棋、囲碁、ロボット歩行（ルンバのようなもの）など

~
**強化学習
機械に「環境」を与える。行動に対する報酬や負の報酬（罰）を与え、その行動の評価を行い、 報酬が増える行為を学習させる

エージェント（ある環境下で、戦略にしたがって動く主体）が自ら動き経験を蓄積
点数を足し合わせていく

マルコフ決定過程(Markov Decision Process)
エージェントの状態を確認する→エージェントが行動を決定→遷移関数（ある状態で行動を選択したときの状態と遷移確率を求める）→ 報酬関数→エージェントの状態を確認する→エージェントが行動を....(以下ループ)

価値（Value）
状態価値と行動価値



~
~