AIの学習ロジックを人間に応用する
どうもハリーです。 どうもやーまんです。 AIの学習の仕方を人間にも適用させよう。
ということで、皆さん。 AIですね。はいはい。 皆さんAIを使って文章を書いたり、画像やプログラムやスライド資料を作ってもらっていると思いますが。
けどね、今使っているものがどういうふうに今の形に進化してきたのか、AIの進化というその中身とか裏側のことっていうのはね、よくわからないまま使っているという人もいると思います。
でですね、最近G検定っていうAIジェネリストのための検定試験があり、AIについての歴史とかアルゴリズムとか法律とかそういったものを問われる検定試験がありますと。
で、そのテキストを読んでいたらですね、考え方が面白いなと思って。AIはどんどん賢くなってきているんですけれども、どういうふうに物事を考えて賢くなってきたのかというのが。
これ人にも適応できるんじゃないかなと思ったので、AIを育てるための頭の良い人が考えた仕組みを人間にも適応したらどうなるかということを取り入れることで、より良い意思決定ができるのではないか説。
おー面白い試みだ。要は機械学習とかディープラーニングの仕組みを理解するってことでしょ?
仕組み、まあまあまあそんな感じなんですけど、そんなに難しい話は今回は避けようかなと思うんで。周りだけ応用できそうだなというところをピックアップしてきたんで。
ありがとうございます。
どういうふうに考えているのかというのを理解。AIになりきっていけば余計な感情によって邪魔されずに良い判断ができるんじゃないかなと思いますんで。
わかりました。AIになります今から。
あなたも一緒にAIになりましょう。
行こう。
VUCA時代におけるAI的思考法
ということでもう近頃はね、VUCA、VUCAと言われるように先行き不透明で将来の予測が困難な時代をどう生き抜くのかが問われている時代です横山さん。
ねえ、なんていうの?VUCA?聞いたことないけどVUCAって言うの?なんすかVUCAって。
今先行きが不透明で将来の予測が困難な時代ですねっていう。ちょっと前に流行ったワードですね。そんな時代なんですけれどもね。
でもこれがすごいAIの発展と近しいんじゃないかなと思っていて、AIの今すごいじゃないですか技術。
すごい。マジですごい。
で、このAIの性能の発展の歴史っていうのはざっくり言うと、未知のデータを与えられた時にどれだけ正しく予測できたかというのがAIの賢さの測り方なんですよ。ざっくり言うと。
なんでそのためにいろんなデータをどういうふうに与えればいいかとか、どういうふうにこの計算をすればいいのかみたいなのをいろんな人が前の世代の悪いところを直していこうみたいなことをやり続けていった結果が今があるんで、そこの考え方を取り入れていけばいいんじゃねというのが今回の趣旨ですよ。
なんで今回もいつも通りですね、説明に間違いがあったり正しくない説明をする場合がありますので、ぜひ目に余る場合は教えてください。
はい、お願いします。
ということでまあまあやっていきましょうかと。
バンディット問題と意思決定
うん。
まあこういうシチュエーションがあるかなと思います。
例えばなんか今新しいプロジェクトをやっていて、
うん。
なかなか思ったほどの効果が出せてないなと、結果が出せてないなと。
うん。
で、なんかもうこれ撤退しようかという気もするんだけれど、まだ試してないのはあるよなと。
うん。
これを試したらうまくいくんじゃないかという淡い期待を持っている、その時にどう判断すればいいのかと。
うん。
まあちょっと小山さんに考えてほしいんですけど。
はい。
えーじゃあそうですね、なんか新しい集客のアイディアとしてA、B、C3つの案がありました。
うん。
えーまあこれはなんでもいいんですけど、じゃあAはSNSをやりましょう。
Bはセミナーをやりましょう。
Cはなんか友達障害キャンペーンみたいなのをしましょう。
この3ついいなと思っているんだが、全部をちゃんとやろうとすると予算も時間もない。
そりゃそうだ、そんなもんですよ。
この時どういうふうにこれらを試していくのがいいやり方なのかという考えがAIの学習であります。
むずいね、なんか人間が感情でやるとなんか一番うまくいきそうなやつみたいなんで、選んじゃうと思うんですよ。
はいはい、一番うまくいきそうなやつ。
でも感情でね、感情で。
はい。
まあもちろん自分なりでデータ見たりすると思うんですけど、ただ今日はですね、私AIでございます。
今日の私AIでございます。
はい。
なので感情捨てました。
感情捨てましたか。
はい、えーとですね、まずABCそれぞれコストを計算しますね。
おう。
そして、えー、成功した時の仮説ですね。
まあインパクト。
うんうんうん。
例えばAが成功した時、わかんないけど70。
で、Bが成功して40、インパクトが。
はい。
で、Cが60。
まあ例えばですよ。まあ数字出しますよね、なんとなく。
で、そうすると、まあ例えば、成功しやすいけど成功しても小さいみたいな。
小さいとか、外れる可能性はあるけど当たればでかいなとかさ、あるじゃないですか。
あるある。
その3パターンの中でも。
で、そこで判断材料が増えますと、で、えー、そこで何を基準にするかですね。
で、最近の僕は失敗のデータを集めることもすごい大事だなと思うんで。
はい。
失敗した時のまだ見の大きさも数値化します。
なるほどなるほど。はいはい。
Aが失敗した時に学べるインパクトが30だと。
30。
で、Bが80だと。
うん。
で、Cが50とかね。まああるじゃないですか。
はい。
そういうのを総合的に考えて一番安く一番早く一番学びのあるものを選びます。
一番安く一番早く一番学びのあるものを選びます。
選ぶ。
僕ちがね。
じゃあざっくり言うと。
僕というAIはそうです。
分かったよ。
まあその中のABCの中のどれか一つこれだと思うものを選んで、
そこに投資するっていう考えですかね。
まあ言っちゃえばそうですね。
だからそれを選ぶに至る判断材料を自分なりに数値化していって、
そこで一番ポイントの高いやつを選ぶ。
なるほど。分かりました。
もうこれAIでしょ。AIもそうしてんじゃないの。
AIもまあそういう考えもあるでしょう。
というかあります。
ある。よかった。
あるけど今回用意したのはちょっと違うんで。
あ、違うんすか。それ以外に何があるの。もうそれしかないでしょ。
これはね、AI的に言うとこれがタワンバンディット問題という名前がついていまして。
何?
タワンバンディット問題ですよ。これもうテストに出ますから。
マジか。パワーバンディット問題?
タワン多い、多い少ないの多いに腕。
あ、タワン。漢字なの?カタカナじゃない?
はい。
多いに腕。タワンバンディット問題ですね。
まあこれよく使われる例だと、3つのスロットマシンがあって、
どれが一番当たりかわからないなーっていう時に、
こういう考え方するというのが一つありますよっていう、昔ながらの考え方ですね。
で、答えだけ言うと、AもBもCもやってないからまだ結果わからないんで、
全部ちょっとずつやります。
まあこれちょっとね、どこまで現実に当てはめられるかというのはありますが。
なるほどね。
今さ、タワン…ごめんなさい。
タワンバンディット問題の名前の由来見てたらめっちゃ面白いですねこれ。
何なんすか?僕知らない由来は。
タワンって多くの腕のバンディット問題。
複数のアーム、腕を持つスロットマシンから由来してて、
ギャンブラーがどの台が一番当たりやすいかを知らない状態からスタートして、
実際にコインを投入しながら最も稼げる台を探すというシチュエーションをモデル化してるんだって。
だからスロットマシンだよ。上をガチャンってやって、
タララララってなる。
という由来らしいです。
そうなんだ。知らんかった。
なるほどね。
何でしたっけ?どこまで言ったっけ?
全部をちょっとずつする?
全部ちょっとずつですね。
で、これすごいシンプルで全部ちょっとずつ試して、
で、ちょっとずつ試したらとりあえず結果が出るじゃないですか。
Aはこれぐらい、平均これぐらい出た。Bは平均これぐらい出た。
え、そのやり方ありなんすか?そのやり方。
はい。
で、ただここで一番良いのを選ぶだけかというと、
そういうことではないんですよ。
もしAが一番良かったとしても、
じゃあA、B、Cの順番にAが一番良くてCが一番悪かったとしましょう。
でもこれってまだちょっとしか試してないから、
Aが本当にこの結果ずっと続くか分からないし、
Cは結果悪かったけど、
Cもこの悪い結果がずっと続くかどうかは分からないじゃないですか。
なので一旦結果出たら、
Aが一番良かったのであれば、
まずAに多めにその後投資していきます。
ただBもCもちょっとずつ試していく。
これが答えです。
タワーマーティット問題?
いや、そのやり方やっていいんだったらそうしますよ。
A、B、Cどれか1個しか選べないみたいな。
いや、そんなこと言ってないですよ。
え、そんな前提じゃなかった?
ちょっと勝手に問題を書き換えないでください。
勝手に解釈しちゃったか。
いや、それができるならそれが一番良いですよね。
A、B、C全部試せると。
うん。ただあれですね、どれが当たるか分からないし、
全部に均等に時間もお金も割けない、
投資する余裕もないから、
とりあえず全部ちょっとずつやって、
一番成果が出たところに寄せていくっていうやり方でしょ?
そうですね。
いや、それができるならそれが一番良いですよ。
一番なんだ。
全然これ昔からあるやつなんで、
他にも考え方いろいろあるんですけど、
この中の一つでよく試験に出るらしいという問題が。
へー、でもこれ株の買い方に似てるね。
あー、そうですね。
A、B、Cの株があって予算30万円ですと。
で、Aに30万円全部突っ込まずに、
まずはA、B、Cに5万円ずつ突っ込んで、
そのチャートを見ながら、
次の残りの15万円をどうするか考えるみたいなさ。
株を連想してしまいました。
株ね。
確かに株みたいな感じかもしれないですね。
一つの籠に盛るなっていう。
なのでちょっと繰り返しですけど、
回答としては、
その時点で一番良いやつを使いつつ、
他のもちょっとずつ試すというので、
これがなんて言うんだっけな。
イプシロングリーディ法削かな。
タワンバンディット問題のイプシロングリーディ法削です。
これもテストに出るらしいです。
医療診断におけるAIの課題と解決策
ちょっと待ってください。
イプシロングリード法削。
イプシロングリーディ法削ですね。
グリーディ。
はい、みなさんもう、
百貨に説法だとは思いますけれども。
検索するだけでも打ちにくい。
イプシロングリーディ。
グリーディ法削。
法削って何?漢字。
法は方向の方に、削は。
削子の削が。
削子の削、そうですね。
だから、全部の可能性を試すってことやね。
この場合はそうですね。
もちろんさっき小山さん言ったように、
ある程度も人側で、
これはないだろうみたいなものがあるんだったら、
それを事前に組み込むという手もあります。
ありますが、同じぐらい不確定だなっていう場合は、
こんな感じの応用してもいいのかなと思います。
続いて、これもよくテストに出られるらしいです。
これちょっと仕事ではないんですけれども、
病気の診断でAIを使うという状況ですね。
でも最近あるみたいですね、病気。
ヘルスケア的なAIの活用。
はい、ありますね。
診断するときに、
何かデータを見て、
この人は陽性または陰性というのを判断したいという状況だったとします。
このとき、実は病気の診断AIにおいては、
陰性か陽性かというのをズバリ言い当てただけでは不十分なケースがあります。
なぜ?聞きます。
その理由はなぜ、そしてどのようにそれを解消するか。
AIになった小山さんに考えて欲しいなと思います。
なぜ、そのAIは診断データから陽性か陰性を判断しただけでは不十分なの?
人間が判断したのと違うってこと?
例えば、このデータは陰性です。
このデータは陽性ですという予測をして、
それが実際に当たりましただけだと実用化できないというケースがあり、
それはなぜというところです。
当たったんだったらいいじゃんっていう話だと思うんですけど、
なぜ?
なぜ?
こういうときは数字で考えるんですよ。
ああ、なるほど。
例えば、
ちょっと今の頭良さそうでいいですね。
100人中?
いや、あのね、この収録の後すっごい僕の脳が疲れるんですよね。
ああ、本当ですか?
甘いもの食べてください。
クイズ系ね、クイズ系。
例えば100人中、病気の人が5人しかいないとします。
例えばですよ。
で、AIが全員を陰性と予測した場合、95人が正解ですよ。
正解率95%になりますと。
でも病気の5人を見逃しています。
だからこれ診断としてはかなり危険ですよね。
こんなことになっちゃうと。
だから病気なのに陰性と判断、判定することが重大なのでダメってこと。
小山さん。
素晴らしい。
正解?
正解。
そう。
本当に?
自分でもあんまりわかってないんだけどね。
そうです。
偏りがあるからってことだよね。
そう。100人に1人とか1000人に1人みたいな病気を診断するときに全部陰性ですと答えたら正解率99%とかそれぐらいになるんですけれども、陽性を見逃してるじゃんっていう。
1人でもそうなったら大変だもんね。
そうなんですよ。
適当に言ったら当たったわ。
そう。これもちろんこのデータも使うケースもあるが、それ以外の計算をするケースもありますと。
じゃあさ、この医療に使うのってめっちゃ確実なデータしか使えない。当然だけど。
ってことはなんか推論とかと、でもそうか確定するまでいけばいいのか。
まあさすがにどこまでを許すかっていうのはもちろん100%当てれればいいんだけれども。
なんかそれを誰が担保するかみたいなのも問題も出てくるよね。
うん、まあそうですね。
99.9999%でも使えないってことでしょ。
99.9999その10万人に1人とか100万人に1人を全部陰性としたらすごい正解率ですけれども。
そこで被害が出る人がいる以上不十分っていう判断になるってことですよね。
そうですね。じゃあどういう計算にすれば。
そうよ、そこよ。
良いですかと。
え、それが問題?
それも考えましょうか。
まあこれヒントを言うとこれの。
答えあるんですか?あるんよね。
これの答えとしては再現率とか適合率という。
また別のベクトル持ってくるのか?
いう計算を使いますね。
いやむずいわ。
でもここまで出てきた数字だけで計算できますね。
本当に割り算だけですね。
そうなの?
はい。
どういう計算なの?全く分かんないですけど。
2回割ればいいんか。
2回割る。
整合率と適合率で。
ああ、えっと再現率と適合率ですけど。
あ、再現率と適合率。
これね別の何でしょう。別の計算方法ですね。
まあまあじゃあ答えいきましょうか。
お願いします。難しいです。
えっとじゃあ再現率っていうのは例えば病気の人が100人いました。
でそのうちの90人を病気ですと判定できました。
うん。
となったら再現率90%という数字になりますね。
になりますね。はい。
なんでこの時この再現率というのはさっきの全体のデータではなく
実際に陽性だった人の何割を正解できたかということが
大事な計算方法なんですよ。
例えばさっきの1000人に1人の病気を
全員陰性と答えたら1人の陽性を全部見落としたことになるんで
再現率0%になるんじゃないですか。
なんでこの再現率というデータで見たら正解率99.99%のものよりも
こっちの再現率で見ると100人のうち90人を判定できた方が良いAIですねと。
データとしては優秀。
分かったようで分からないですね。
これね僕も毎回どっちだっけなと思いながらテキスト読んでましたね。
これさらにややこしくすると。
これ以上ややこしくできるのまだ。
適合率というのもこれとすごい似てるんですけどちょっと違って
AIは100人を病気と判定したけどそのうち本当に病気だったのが80人でした。
なので適合率80%ですと。
計算方法もあります。
2パターンあるってことだよね。
本当に病気の人をどれだけ陽性と見抜けたかと
陽性と予測した人のうち本当に病気だった人の割合ってことだよね。
そうですねだから再現率と比べると適合率は
誤検知するとまずいよねっていう時に使うのがこっちですね。
複雑でございます。
多少誤差があっても陽性を見逃したくないみたいな時とかと使い分けたりするっていうことですね。
こういう計算があるんだなっていう。
だからこれどこで使われてるかっていうと
その病気の診断もちろんそうなんですけど迷惑メールの判定とかでも一部使われてたりするんですよ。
そう迷惑メールと判定したやつを
これ迷惑メールじゃないですってgmailとかでやったりするじゃないですか。
ああいう時に使われているかもしれない。
gmailで使われているかどうかわかんないんで。
仕組みか。
はいはいはいはい。
なるほどね。
正しいか正しくないかみたいなのを判定してその精度を上げたいわっていう時にこの計算を使うと
ただただ最初みたいに全体だけ見るんじゃなくてどれだけ正解したかとか
どれだけ誤検知しなかったかというのを見ると賢く育ちますねというのがAIの歴史であるわけですね。
なるほどね。
ニューラルネットワークとドロップアウト
いやでも言ってる意味がわかりました。
陽性と陰性を当てた割合だけでは診断の質は判断できないっていうのは非常によくわかります。
そうですねそこを当てれるとはさすが。
冴えてますね。AIになったら。
今日僕AIになってるんで。
人間の感情しててるんで今。
これやるかな。でもこれどうやってやるんだろう。
えっとニューラルネットワークで。
もうニューラルネットワークがわからない。
ニューラルネットワークとは
あれですね。
人間の脳を模したと言われる
入力層、出力層
というのがあって
でその間に中間層というのがあります。
でこのいろんな点と線がこうバーっと繋がっていて
最終的にはこの中間層が
最終的に入力から出力に行くというものなんですけど
その中間層というところで
人間では理解しきれない
いろいろなことをしている
これがブラックボックスと呼ばれていて
そこをいい感じに調整すると
いい感じのものが出力されてくる
っていうのが今のAIですね。
これをやる時に
仲良しグループみたいなのが
できちゃうんですよ。
一個一個は大したことない
計算をするんだけど
それがめちゃくちゃ大量にあると
なんかいい感じに計算できる
っていうのが
なんかさ、今メモ帳でオブシディアンってあるじゃないですか
あれも
何?
いろんな言葉が繋がっていくメモ帳
ですよね。
その話か。
違うの?
ニューラルネットワークのこの絵見たら
オブシディアンのあの絵を
ちょっと連想したんですけど
なるほどね。それはあれですね。
ノードとリンクの話をしてますね。
これも試験で出ますね。
これ今回の回
大丈夫ですか?
わからない言葉だらけですけど。
概念とそのラベルを
線で繋ぐっていうね。
はいはい。アトミックノードというね。
その話をしてるわけですね。
なるほど。一本取られた。
意味不明やわ。
まあまあまあ。
それです。じゃあそれでいいです。
はい。それにしましょう。
その時に
ドロップアウトという
仕組みを使って
偏りが起きないようにするんですけれども
それはどのようにするのか
そしてどのような意味があるのか
というのがね。はいこれもテストに出る
ところなんで。
お伝えしたいなと
思って。もう一回
問題文読んでもらっていいですか?
問題文ないんですけどこれ。
ニューラルネットワーク内において
偏りが発生するので
その偏りを
偏りの発生を
防ぐために
ドロップアウトという
手法がありますと。
それをする意味?
名前からなんとなく
連想できるんじゃないかなと思うんですけど
ドロップアウトって
諦めるって意味ですよね確か。
辞めるっていうことだよね。
ちょっと待って。そうですね離脱する
脱落する
中途退学することを
意味するらしいですドロップアウト
でもなんとなく
わかりますよね
そのニューラルネットワーク
で与えられた条件が
あって
つながっていくわけでしょ?そうですね
でその
いらんものがくっついちゃった場合
本来はノイズ
なのにそのノイズ
がでかくなりすぎちゃう
間違った答え
の方向性で被害してしまう
なので
これノイズだと判断した
時にそこで考えるのを
やめるっていう
機能
全然違いますね
全然違うの?
いやなんかさ
チャットGPTとかでもあるんですよ
今その話ちゃうねみたいな
ノイズが
入るんですよAっていうプロジェクトと
BまぁプロジェクトがABCD
ぐらいあって今はBの
話してんのになんか
Cの話を
とかAの課題をくっつけてきて
今それ関係ないね
みたいな
ノイズが入る時があるんで
そのノイズカットの
機能なんじゃないでしょうか
全然違います
いやこれね
全然違いますって言われるの
超気持ちいいんだけど
やばいなんか変な北島康介が
生まれてしまった
でももうそれしかないくないですか
このニューラルネット
さっき入力から出力までと
ありましたけどまぁいろんな
特徴点とかっていうのを
次に伝えていってるんですよ
特徴点はい
例えば猫ちゃんの写真があったら
すごい適当な説明をすると
じゃあ耳を見る
ニューロンみたいなのがあって
耳だよと
髭だよとかっていうのを送っていくんですけど
その時に
猫の写真を猫と判定したい
というのが最終目標だとしたら
耳を重要視すればいいのか
髭を重要視すればいいのか
とか
そういうのをいろいろ伝えていって
最終的に
出力された結果があって
それがまた合ってたか間違ってたか
っていうので学習していく
みたいな流れなんですよ
なんでその間で
耳大事だよとか
っていうのを耳の重要度をアップする
ことをしてたり
耳あんま重要じゃないよっていうのを
送ったりしてるんですよ
俺が今
思ったことを言っていいですか
例えばその
猫の耳の画像
100枚あったとして
それを学習するじゃないですか
似たような耳の犬を見た時に
似たような画像の
犬を見た時に
これ猫だっていう可能性があるわけですよね
だから
耳だけに集中させないために
ドロップアウトさせる
要は科学習
勉強しすぎ
それについて
そこを止める
機能
ドロップアウトってそういうことですよね
途中退学って
途中でもうこの学習
ストップっていうのをやってんじゃないの
なるほどね
なるほどねって
違います
違うんかい
それより気になったのは科学習の認識が
まず違いますね
科学習は勉強しすぎのことじゃないんですよ
実は
これ結構
間違えてる人多いなと思って
科学習は
結果的には思ったほど
予測が良くない時の
状態を表すことは
合ってるんですけど
勉強しすぎだからじゃないんですよ
最適化されすぎみたいな
そういうことですね
俺ちょっとこの辺めちゃくちゃ弱いんですけど
例えば
丸い画像を地球
っていう風に学習
科学習させますと
そうすると
丸を見ると全部地球になっちゃうと
本当はボールなのに
はいはいはい
でもAIは丸を見た時に
地球だけでなくボールとか
剣玉とかボールだけでも
サッカーボール野球ボールテニスボール
卓球のピンボールいろんなボールが
あるところを考えて欲しい
だけど
地球って覚えさせすぎた
ために
丸いものは地球に
寄りすぎているっていう
現象が起きるんじゃないかなと
なので
ドロップアウトという
機能によってそこの
覚えすぎ
にストップをかける
なるほど
という認識なんですけどあってますか
えっとね
違うんですが
違うんかいや
違うし
科学習はちょっとあってましたね
そうなの
わかる人いてるんですか
これちょっと覚えてください
絶対向こう10年役立つんで
教えてください
科学習はまず
AIのデータって
データというか学習って
学習データとテストデータ
本当はもう一個あるんですけど
めんどくさいので省きます
この2つあります
学習データは
これはじゃあ猫ちゃんの画像ですよっていうのを覚えてください
っていう学習データ
テストデータは実際に
猫の写真だったり犬の写真だったりを
見せて正しく猫を予測
できたかみたいなデータ
があります
科学習というのは
この学習用のデータ
のどうでもいいところを
重要だと
認識してしまったりしてる状態
なんですよ
例えば猫ちゃんの写ってる部屋が
すごい畳の和室の
写真が多かったりして
畳だったら
猫ちゃんです
みたいな判定をしてしまう
みたいな本当は全然違うんですけど
そういう学習データの
癖に偏った
学習をしてしまったことを
科学習って言うんですよ
畳じゃなくても猫は猫なんで
それは関係ないんだけれども
畳が猫じゃんって思っちゃったりすると
科学習と言っても
いいかもしれないみたいな状況で
学習データに適合しすぎた
っていうのが科学習ですね
つまり未知のデータに
出会った時の汎用性が弱くなるってことですよね
そうですよだから
新卒で入った会社が
かなり特殊な会社で
アットホームな雰囲気で
みんなでお昼ご飯を食べましょうみたいな
感じなんですけどそこに適合しすぎた結果
じゃあ転職して
大企業に行ったら
あれみんなでご飯食べないですか
みたいなことになって
なんだこいつってなっている
のが科学習ですね
なるほどね
なんか過去も丸暗記して
満点取れるけどちょっと違う
問題出てきた途端に解けなくなる
みたいな感じだね
まあまあそんな感じですね
これをどう使うんですか
今我々の生きてる
世界で
この科学習の知識をさ
科学習は
だから良くないと言われてますね
それを
君科学習だね
科学習だねと言われちゃいますね
はいなので科学習を
抑える手法の一つとして
ドロップアウトというのがあるわけ
なんですけども
このドロップアウトでは何するのそれ重要じゃないよ
っていうの ドロップアウトは
いやドロップアウトは
ランダムに一部の
ニューロンを無効化するんですよ
ああなるほどね
それ重要じゃないよっていう判断基準を作るのすら
むずいもんねであれば
もうニューロンを
順番に止めていく方が
再現性高いもんね
そうですね
大量のデータがあるから
そうすると
まんべんなく
みんながちゃんと仕事しなきゃ
ってなってくれるっていうことで
汎用性の高いものができる
ということなんでだからあれですよ
スター選手に頼りすぎるなっていう話なんですよ
そういうことやな
こいつがいるからこいつに任しとけば
安心だろうという状態だとやっぱそいつが
いなくなったらもう崩壊しちゃうんで
そいつがいなくなっても
あなたの会社ですよ皆さん
あなたがいなくなった途端どうなるんですか
あああなたがスター選手ってこと
確かにね
これを聞いているセンスのいい皆さんは
みんなスター選手ですよ
だから自分がいなくなった途端に止まっちゃうっていうね
そうですね
たまにドローンと
いなくなるっていうのがチームにとっては
いいかもしれないと
そういうことですね
そういうことをやっていくと
強くなるよっていう話ですね
拡散モデルと画像生成AI
ニャって言った今
猫になっちゃった
むずいんですよ
頭使いすぎたら猫になっちゃう
ちょっと遅延列でそうです
そういうことをして猫ちゃんの画像を
認識したり
猫ちゃんの画像を作ったりしてるわけですね
だいたい猫っていうね
だいたい猫ですねやっぱ
猫の写真手に入りやすいんでしょうね
なんでネット界隈では
みんな猫なんでしょうね
画像いっぱいあるんじゃないですか猫が
かわいいけどね
でも猫の画像生成とか
するじゃないですか
猫の画像生成
するかな
生成したいじゃないですか
したいと思って日々暮らしてるじゃないですか
われわれはね
あれも全然関係ないですけどやっぱすごいなと思って
拡散モデルとか
逆拡散モデルっていうのがあって
聞いたことあるねそれ
これ多分テストに出ないと思うんですけど
無から猫の
写真を作るじゃないですかあいつら
生成AIの
皆さんどうしてるかというと
どういうふうに学習してるか
っていうとまず猫ちゃんの
写真を用意するんですよやっぱり学習用の
でこの
猫ちゃんの画像に
ちょっとノイズをかけるんですよ
ノイズ
ノイズってなんかちょっとザラザラしたやつね
砂嵐の
軽いやつを
モワレみたいな
モワレっていうのかなフォトショーでありますよね
ノイズをかける
みたいな
ちょっとかけましたでそのちょっとかけたやつに
さらにちょっとかけます
さらにちょっとかけます
っていうのを繰り返していって
例えば10回繰り返したらもう完全に
ただのノイズになりましたと
するじゃないですか
そしたら
その各時点の状態を覚えておいて
こいつの一個前は
ちょっときれいな猫の画像じゃないですか
これをたくさん用意すると
ただの砂嵐から
猫が生まれるんですよ
ただの砂嵐を
一個前の状態
大体こうなるなと
さらに一個前の状態は
大体こうなってきたな
っていうのを繰り返しておくと
そこにもう未知の猫ちゃんの
写真というのが最終的に
作られるっていう仕組みがあるんですよ
だから拡散の方で
さっき拡散モデルと
逆拡散モデルって言いましたよね
拡散の方で
画像をノイズに変えて
それを逆に
逆再生して画像を
作るってこと? そうですね
それでAIって画像作ってるの?
えっとねそういう
作り方もできますが
チャットGPTとかは
これではないですね
それ逆再生することによって何が起きるの?
逆再生することによって
ただの
初期値が違うじゃないですか
砂嵐のノイズの画像って
そこから一個前の状態
多分こうだよなっていうのをやっていくと
全く同じものができにくくなったり
っていうねやり方があるんですよね
でもねなんとなく
わかるような気がするなぁ
例えばそのチャットGPTは
違うって言いましたけど
チャットGPTに
画像を添付して
この画像を参考にしてこんな画像を
作ってみたいな時に
人物とかもちょっと
変わってるよね
それ逆拡散
されてるのかなっていう
イメージがあります
1回壊してそこからもう1回同じように
再現したけど全く同じには
なってないみたいな
なんかそのチャットGPTも
画像生成の指示の出し方によっては
このプロセス使ってるような気がしますね
なんかあの昔
数年前の画像生成が
できるぞっていう時って
この日本語が変な
存在しない感じとかになって
出てきたじゃないですか
で最近それないじゃないですか
なんかチラシ作ってって言っても
すごい綺麗な
日本語フォントで出てきたりするんですけど
昔はなんかね
中国語みたいな感じが
混ざったりしてましたけど
最近はなんかもうちゃんとテキストデータとして
持ってるらしいんですけど
昔は漢字らしいものを作ろうっていう
昔って言ってももう
数ヶ月前の話ですよ
それって
それ時代を経ったね
なんか最近はもう
そういう綺麗な文字でちゃんとチラシとかが
作られるのはちゃんと文字データは
文字データとして持ってるみたいな
作り方になってるらしいですね
いやすごいですよ最近
最近だってチャットGPTで
チラシとかの叩き台
作ってもらう時にもうなんか
すごいクオリティ高いもんね
そうですね
これ完成品ですって言って
出しちゃってもOKもらえるんじゃないか
っていうぐらいのレベルのもの
ができてきてもうあとこれ
DTPの問題さえ
印刷の解像度とか
その問題さえクリアしたら
もうこれいけるなーって思うもんね
全然話変わるんですけど
AIの概念を応用した漫画紹介
今回その
AIの考え方を
人間が試すと
意外といいんじゃないかというのを
話してきたんですけど
うんはい
この内容さ
人間に当てはめれないですね
本当ですか
最初のあの何だっけ
あのスロットのやつ
タワンバンディット問題
はまだギリギリいけるけど
その何最後の
ニューラルネットワークの
ドロップアウトとかさあと
イプシロンなんだっけ
イプシロングリーディング
工作
とかさやっぱこいつは
信頼できる人か信頼できない人か
とかも判定したいじゃないですか
機械的に判定しましょうよ
脳の負荷を
ハリさん
ヌクモリティ代表だったんじゃないですか
ここ一番取り入れたら
ダメでしょ
いやいやもう数字でやっぱ
判断しないとね
そういうのを全部度外してなんか好きだから
お前にしたみたいな
ダメです
ダメなんか
いや違うんすよ最近
ジャンププラスで配信している
漫画で
僕が今これはいいぞと思っているのが
軍脳教室っていう
軍脳教室
聞いたことないですね
軍はあの無礼の
軍馬の軍に
脳みその脳の教室
ですねこれ多分
AIの仕組みを
人間にさせよう
っていうコンセプトなんじゃない
かなと僕は勝手に思って
るんですよ
これどういう話なんですか
プロットだけ言うとなんかある日
高校生の主人公が
教室に行ったら
クラスの机のみんなが
机の上に脳みそだけになった状態で
ちょっと怖いんですけど
なってて
なぜと思ったら
地球は今宇宙戦争みたいなのに
巻き込まれてて
地球を巡って
宇宙人たちが戦争を
起こしますとなので
地球人代表のあなたは
戦ってくださいみたいなことを言われる
っていう感じで
宇宙人と戦っていく話なんですけど
これがどうAIなの
これがね
どっから説明したら
いいのかな
クラスメイトのみんなが脳みそだけになっちゃったから
それを元の体
に戻すために
一人で宇宙人と戦うの
最終的には戻して欲しい
っていう話ではあるんですけど
これ小山さんが先週言ってたことの
アンサーにもあるなと思っていて
なんで
墓参りに行くんですか問題
先週あったじゃないですか
それのアンサーもこの漫画に
載っていて
ちょっと飛ぶんですけど
人はなぜ
祈るのかという問題
あるじゃないですか別に神様は信じてないけど
なんか受験前だとか
大事な時ってお祈りをすると
それはなぜかというと
地球人には祈ることで
現実世界を変える
超能力があるという話なんですよ
ただただ何も起きないけど
祈っているんじゃなくて
祈ることで本当は現実世界に物理的だったり
精神的なところとかに影響を与えることが
できますと
だから地球人というのは歴史上
祈ってきましたと
ただその起こせる超能力というのは
一人ではものすごく微弱ですと
なのでその
能力を拡大させるためには
いろんな人の
脳みそを並列でつなぎましょう
ということをするんですよ
だから群脳なの?
そう
そうすると一人一人はちょっとのことしかできないんだけれども
たくさんつなぐと
結構すごいことができます
これを武器に
宇宙人と戦いましょうという話なんですけど
脳を接続するんだ
AIだと思って
さっきのニューロンの
説明で言った通り一個一個は
単純なことしかできないんだけれども
漫画の中だとすごい力を出そうとすると
脳がパンクしちゃうんで
それを他の人たちの脳に
計算をしてもらおう
みたいな描写があるんですよ
トークンやね
ていうことで
これはAIを人間に
させるという漫画に他ならん
と思って今注目してるんですよ
読んでみます
なぜ墓参りに
行くのか
人間には超能力があるから
祈ることで現実をちょっと
変えることができるんですという説明をしとけば
これはもうOKだと
思ったんで
ここで話しとかないといけないなと
ありがとうございます
じゃあそういう
ようにして何かあったとき
軍の教室読んだこと
あるかと
そこに
答えが載ってるっていうわ
言ってください
分かりましたこれちょっとじゃあ読まないとダメですね
これね
僕はこれから流行るんじゃないかなと
思ってるんですけどどうだろう分かんないっす
この中
今Googleの画像を見てるんだけど
漫画の表紙
この表紙に出てる一巻の
女の人が宇宙人なんだよねこれ
宇宙人ですねたぶん
へーこわ
これが宇宙人とか
これは描写あるかもしれない
チェンソーマンが大丈夫だったら
大丈夫ですね いや全然大丈夫でしょう
チェンソーマン
つながりで最近
ネットフリックスでドロヘドロっていう漫画
見たんですけどめっちゃおもろかったっす
ドロヘドロ
知らないっすね ドロヘドロ
これ全然AIとか関係ないんですけどね
ちょっとぶっ飛んでて面白いっす
まあアウトラインだけ説明しますとですね
主人公のカイマン
っていう男が
頭だけトカゲになっちゃったんですよ
大変じゃないですか
そうなんですよ
この世界では人間と
魔法使いと
悪魔っていう
3つの種族がいて悪魔が
一番強いんですよ強いというか
最上位なんですよ
魔法使いが試験があって
その試験に合格すると
悪魔になることができるっていう
世界なんですよねで人間たちは
魔法使いの実験台にされてるんですよ
で人間は
魔法使いたちの実験にされてて
人間は人間で
革命軍みたいなのがいて
魔法使いを片っ端から
殺戮していくみたいな
種族というか派閥もあったりする
ちょっと混沌とした
世界観の話で
主人公が
魔法使いによって
自分の頭をトカゲに
変えられたっていうので
誰だこんなことしたやつということで
その魔法使いを探す
っていう話
これめちゃくちゃ
面白いですよ
全然AIと
関係ないですけど
ただただ面白かったのを紹介すると
ただただ面白かった
アニメでございます
チェンソーマン
描いてる人もこの
ドロヘドロを参考にしたっていう
話なんで
描写は結構エグいですね
首とか
バシャバシャ飛ぶし
人も死ぬし普通に
なんで
ダーク系
が好きな人は全然好きだし
僕はこの世界観が
好きですね
これは完結してるんですか
原作は
原作は終わってますね
じゃあ読もう
これの続編で
ダイダークっていう漫画があるらしくて
これもう読んでないんで知らないですけど
それが
これのなんか続編っぽい感じの
漫画になってるらしいです
これ読んでないんで知らないですけど
なるほど
我々のおすすめはじゃあドロヘドロと
軍の教室ということで
もうこの二つ読んだらね
もう
AIですよ
何の脈絡もないけど
もうこれでAIですよ我々は
我々は
エキスパートとしてね
活動したい方はぜひ読んでみてくださいと
はいということで
まとめとリスナーへの呼びかけ
今回もねAIについての
話をしてきましたけれども
今回の感想を
メールまたはアップルポッドキャストのレビューは
スポティファイのコメントボーイシーのコメントでお待ちしております
二人でコメント欄を全て読んでいますので今後の番組を
より良くするためにあなたの感想や話をしてほしいと
お待ちしています
それでは今週も聞いていただいてありがとうございました
また来週お会いしましょう
さようなら