【読書メモ】「AI vs 教科書が読めない子どもたち_新井紀子」
※メモ程度にまとめています
※著者の意図を誤解している部分もあると思いますので、ご了承ください
↓↓↓↓↓↓こちらの書籍です！↓↓↓↓↓↓↓
![AI vs．教科書が読めない子どもたち [ 新井 紀子 ]](https://thumbnail.image.rakuten.co.jp/@0_mall/book/cabinet/2394/9784492762394.jpg?_ex=128x128 "AI vs．教科書が読めない子どもたち [ 新井 紀子 ]")
◯この本を高く評価する理由
・「AI」という一人歩きワードの定義をしっかりしてくれた。多くの人がしている誤解を解いていた
・話が論理的だった
・簡単なAI技術の仕組みの説明があった
・結論がまとまっていた
◯本書の概要
（自分なりに本の内容を大きくまとめてしまえば）
１「AIってこんなものですよ」
２「今の中高生の知能ってこんな感じですよ」
３「こういう問題が予想されるよ」
著者が一番主張したいのは、おそらく３番
３についてまとめていく。
・本書でなされている問題提起
問題「AIに大半の仕事は奪われる」
「でもAIが普及したら、その分新たな仕事が生まれるから結局大丈夫なんじゃないか？」
という意見に対しては、
「AI普及によって新たな仕事が生まれる事があったとしても、それをこなせる人間は稀だ」
と予想
・問題に至った理由
なぜ「AIに大半の仕事は奪われる」のか？
AIが普及すると、人間が行う仕事は、
1.AIを作る、扱う仕事
2.AIには出来ない仕事
の二種類しか生き残らないという事を前提とすれば、
1.「AIを作る、扱う仕事」
これは技術力が高い人にしか出来ない。
2.「AIには出来ない仕事」
問題はこちら。
「AIに出来ない仕事は、大半の人間にはこなせないんじゃないか」
と予想。
その理由は、
「AIの読解力と今の中高生のそれが酷似している事が調査によって明らかになった」
からである。
具体的にどういうことかというと、
読解に関して、AI技術に出来ない作業というのが、
「推論」「イーメジ同定」「具体例同定」というものである。
今の中高生に関しても、AI技術と同じく
「推論」「イーメジ同定」「具体例同定」
が出来ていないという事が、調査によって明らかになった。
つまり、
「AIに足りていない読解力を、大半の中高生も同様に持っていない」ので、
「将来、大半の人間が、AIに出来ない仕事をこなせるはずがない。」
と予想
・問題を解決するためには
具体的な解決策は書かれていなかったが、
「AIに出来ないような仕事ができる人であったり、ブルーオーシャン（競争のない未開拓市場）で働く人は生き残る事ができそう。」
「今後親たちは子どもの読解力を補うために努力していかなければならない。」
との事。
◯AI関連ワードメモ
※個人的にAI関連のワードについてまとめたもの
AI
知能を持ったコンピュータ
それを叶えるために開発されている各技術をAI技術という
シンギュラリティ
技術的に特異点という意味で、AIが人間の知能と同等あるいは超える地点という事らしいが、「知能を超える」という書き方は曖昧。
この本ではAIが自律的に自分自身より能力の高いAIを作り出すことが出来るようになった地点の事と説明している。
第1次AIブーム
ロジック・セオリストという世界初の人工知能プログラムが登場
数学の定理を証明するプログラムであり、これがこのブームのキッカケになった。
このブーム時代、ELIZAという対話システムもできた
ある問題に特化したAI技術
あらかじめ専門の学習をさせておいて、ルールのもとで推論や探索などを行い、その分野のエキスパートのように振る舞えるシステム
課題は、感情といったものを判断するための知識の収集が困難な事
第3次AIブーム
ウェブ上に大量のデータが増幅して、機械学習に注目が集まった。
三段論法の積み重ねが思考の基本であるという考え方があったが、それだけではなぜ犬を犬、イチゴをイチゴと思うのかは説明できない。
そこで、万や億単位のデータ量を持つビッグデータから、特徴を学習させる。
まず、大量のデータを集める(学習させたい内容が映った画像も含めて)
そしてこれが学習したいものだというラベルをつけたいわゆる教師データを人間が作り、教え込む
精度の高くなる特徴量の設計方法が課題
機械学習の一分野である。
どの特徴に目をつけるかという事自体を機械に検討させる
一定の枠組みの中で十分な量の教師データを準備すると、これまで人間が手作りで試行錯誤していた部分も含めてAI技術がデータに基づき調整する事で、伝統的機械学習に比べて低コストでそれと同等か上回る正解率に達しやすい。
教師データ無しに完全に機械に任せる事ができる課題
目的や目標と制約条件が記述できる課題では、こうした強化学習による最適化がうまくいく事がある。
例えば自動車になるべく早く目的地に到着するという目標を与え、「障害物にぶつからない」という制約条件を与え、試行錯誤させるとやがて秩序を維持して動くようになる。
画像認識の手順
著者の研究室のノートPCでは、一枚の画像の中に何が映っているのかを把握するのに10秒ほどかかっていた。これをYOLO(you only look once)という技術は0.02秒で行う。
コンピュータにとって、画像の中に何が映っていて、どれが重要な要素なのかを瞬時に判断するのは難しい。
なので、まず画像のどこらへんに重要な要素が映っているのかを把握するために画像全体を総当たりでチェックする。
こここで、壁など変化がないからパスするという方法は考案された。
検出すべき物体が写っていそうなところを候補として選び、次にその辺りに何が映っているのかを調べていく。これにはかなり時間がかかる。
具体的な計算内容としては、画像のどのピクセルに何色がどんな輝度で映っているのかという情報や、重み付けの計算をするための情報が入っている行列を計算している。
このステップを早めるために、行列のサイズを小さくする、ハードを改善して計算速度を早める、という観点で研究は進められてきた。
ゆえ、情報を減らさずに行列のサイズを小さくする方法が開発されたり、
CPUの代わりにGPU (画像演算装置)といった画像処理に長けた装置を使うという方法が用いられてした。
しかし、YOLOは上記2点の延長上には無いらしい。
YOLO
you only look onceの略
一物体につき一度行っていた、
「物体が映っているらしい場所」
の認識を一つにまとめる事で、
動くものも検知できるようになった。
以上です。
これはあくまで概要のメモですので、本書はもっともっと内容の濃いものになっています。
具体的な例や技術の内容、調査の方法などが記載されていて非常に興味深いです。
読んでみることをおすすめします！
詳細はこちらです
