Transcript 6/15 参考スライド
計算機科学概論(応用編)
人工知能のこれまでとこれから
山本章博
情報学研究科 知能情報学専攻
（工学部 情報学科)
今日の内容
人工知能研究の誕生
探索を基本にした人工知能
３目並べ
迷路
神経回路シミュレーションと人工知能
これからの人工知能
人工知能とは(1)
用語“人工知能(artificial intelligence)”
1956年 ダートマス大学で
関連研究者が会議を開催
“人間の知能機能はいかに
してコンピュータによって
シミュレートできるか?”
言語理解
チェスなどのゲーム
神経回路(ニューラ
1956年当時のコンピュータの様子
ルネット)，自己学習
前年：数学の定理証明プログラム
人工知能とは(2)
原義：人間の知能機能をシミュレートするプロ
グラムを造る
コンピュータに人間とオセロを対戦させるよう
なプログラム
コンピュータがことばを理解させるプログラム
を造る
ことばの理解をシミュレートことにより，逆にことば
の理解プロセスをさぐる
探索を基本にした人工知能
ゲームの例: 3目並べ
正方形状に配置された９マスからなる盤に
２人のプレーヤーが交互に石（○と×）を置い
ていき，自分の石が縦，横，対角線のいずれ
か３個１列に並べることができれば勝ち．
状態空間表現(1)
石が置かれているマスの位
置の集合の組 (W, B)で
W , B {1,2,…,9}
WB=
を満たすもの
1 2 3
4 5 6
7 8 9
○
× ○
×
例 ({1, 6}, {5, 9}), ({1,6,7},{5,9})
○
集合は状態空間表現の一手段
他にも表現方法は考えられる
× ○
○
×
状態空間表現(2)
“起こり得ない”状態もある．
例 ({1, 3, 4, 6}, {5, 9})
({1,6,7},{2, 3, 5,9})
1 2 3
4 5 6
7 8 9
○
“起こる”とは何かを定義して
おく必要がる
○
○ × ○
×
○ × ×
× ○
○
×
状態空間表現(3)
状態遷移
|W | = |B| ならば
W に要素を１個追加
|W | > |B| ならば
Bに要素を１個追加
(それ以外
W に要素を１個追加)
1
2
3
4
5
6
7
8
9
○
× ○
×
({1, 6}, {5, 9})
○
○
○
○
× ○
× ○
×
×
…
({1,6,7}, {5, 9}) ({1,3,6,7}, {5, 9})
状態空間表現(4)
初期状態 ( ,
終了状態
W, Bのいずれか一方だけが, 下のFの
要素をちょうど１つを含むとき(目標状
態)または,
W, Bの両方がFの要素を含まず
W B = {1,2,…,9}のとき
F = {{1,2,3},{4,5,6},{7,8,9},
{1,4,7},{2,5,8}, {3,6,9}
{1,5,9},{3,5,7}}
1 2 3
4 5 6
7 8 9
○ ○ ○
× ○
× ×
○ ○ ×
× × ○
○ ○ ×
性質(1)
初期状態から状態遷移を繰り
返すとき，ループは生じない
ループ: “千日手”
“起こり得る状態”の定義
○
○
…
…
初期状態から状態遷移を繰り
返すとき，到達する状態では
必ず
|W | = |B| または
|W | = |B| + 1
性質(2)
初期状態から状態遷移を繰り返すとき，有限
時間で必ず終了状態に到達する
MIN-MAX法(1)
○ 2
3
× ○ ○
× 8 ×
○ ○ 3
○ 2 ○
○ 2
3
× ○ ○
× ○ ○
× ○ ○
× 8 ×
× 8 ×
× ○ ×
○ ○ ×
○ ○ 3
○ × ○
○ 2 ○
○ × 3
○ 2 ×
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× 8 ×
× × ×
× 8 ×
× × ×
× ○ ×
× ○ ×
MIN-MAX法(2)
○ 2
3
× ○ ○
× 8 ×
○ ○ 3
○ 2 ○
○ 2
3
× ○ ○
× ○ ○
× ○ ○
× 8 ×
× 8 ×
× ○ ×
○ ○ ×
○ ○ 3
○ × ○
○ 2 ○
○ × 3
○ 2 ×
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× 8 ×
× × ×
× 8 ×
× × ×
× ○ ×
× ○ ×
0
-1
0
-1
0
1
MIN-MAX法(3)
○ 2
3
× ○ ○
× 8 ×
○ ○ 3
子の
最小値
○ 2 ○
× ○ ○
-1
× ○ ○
× 8 ×
× 8 ×
○ 2
-1
3
0
× ○ ○
× ○ ×
○ ○ ×
○ ○ 3
○ × ○
○ 2 ○
○ × 3
○ 2 ×
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× 8 ×
× × ×
× 8 ×
× × ×
× ○ ×
× ○ ×
0
-1
0
-1
0
1
MIN-MAX法(3)
○ 2
× ○ ○
子の
最大値
0
× 8 ×
○ ○ 3
子の
最小値
3
○ 2 ○
× ○ ○
-1
× ○ ○
× 8 ×
× 8 ×
○ 2
-1
3
0
× ○ ○
× ○ ×
○ ○ ×
○ ○ 3
○ × ○
○ 2 ○
○ × 3
○ 2 ×
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× ○ ○
× 8 ×
× × ×
× 8 ×
× × ×
× ○ ×
× ○ ×
0
-1
0
-1
0
1
迷路の例
エージェントが入口から出口まで通り抜ける
○
単純な状態空間と探索
状態: エージェントがいるマスの位
置で表す
遷移：エージェントが
移動できるマス
1 2 3
4 5 6
7 8 9
○
初期状態から終了状態
への経路は存在する
ループができてしまう
○
○
ループの回避(1)
進んできた経路を記録する
次に進むべきマスの位置を記録する
失敗したら，後戻りする
○
○
○
ループの回避(2)
次に進むべきマスの位置の記録方法によっ
て探索が変化する
○
○
○
○
○
○
深さ優先探索
1
2
3
4
5
6
7
8
9
○
次に進むべきマスを
スタックに記録する
○
スタック:対象の列で，後
に入れた対象を先に取り
出す
進めるだけ先に進み，失
敗したら，直近の分岐点
からやりなおす
P={7, 4}
S= 1,5
○
○
P={7, 4, 1}
S= 5
P={7, 4, 1, 5}
S= 2,6,8
○
○
P={7,4,1,5,2}
S= 6,8
P={7,4,1,5,2,6}
S= 3,8
○
P={7,4,1,5,2,6,
3,8}
S= 9
幅優先探索
1
2
3
4
5
6
7
8
9
○
次に進むべきマスをキュー
(待ち行列，queue)に記録する
キュー:対象の列で，先に入れ
た対象を先に取り出す
各状態に到達した時点で，す
でに(最適な)経路が見つかっ
ている
○
P={7, 4}
Q= 1,5
○
○
P={7, 4, 1}
Q= 5
P={7, 4, 1, 5}
Q= 2,6,8
○
○
P={7,4,1,5,2}
Q= 6,8
P={7,4,1,5,2,6}
S= 8,3
○
P={7,4,1,5,2,6,
3,8}
Q= 3,9
神経回路のシミュレーション
人工知能を研究すること
異なるアプローチ
知的行為をシミュレートする
知能を持つ機械を実現する
異なる目的
(人間の)知性の理解したい
(人間より)大量に，速く，正確な実行
計算機科学の基礎
形式ニューロン
神経細胞(ニューロン)
樹状突起(dendrite)で刺激
受け, 軸索終末(axon
terminal)から他を刺激す
る
形式ニューロン
z = H(Sk=1n wk xk - q )
ただし H(u) =
1 if u > 0
0 otherwise
Wikipediaより
x1
x2 w w1
2
w
x3 3
q
…
x wn
n
z
Perceptron[Rosenblatt]
形式ニューロンを3層に組合せることにより，画像を
学習識別させる
S層は網膜に相当し，外部からの入力のみ
S層-A層間の重みwiはランダムに設定し，固定する．
中野他：ニューロコンピュータの基礎
学習方法(1)
画像を入力する(入力信号)と同時に,
その画像が, 提示者の意図している性質を持
っているか(yes)か持っていない(no)かも信号
(教師信号)として与える
例 文字Aを意図している場合，
入力
教師信号
A
B
yes
no
学習方法(2)
Perceptronの出力と教師信号の組合せによ
って，過重 wi を変更する
変更方法によって学習過程が変わってくる
Perceptronの学習では
出力と教師信号一致していれば，何もしない．
一致いていなければ，過重 wi を一致する方向に
rだけ変更する
パーセプトロンの分析
データを分離する線形識別関数
(視覚)神経を模倣した機構として考案
パーセプトロン学習アルゴリズム
線形識別関数をデータから構成する
線形分離可能であれば，必ず求められる
データを読み込むたびに識別が正確になっていくので“機
械学習”の一種とみなされる
線形分離可能
線形分離不可能
パーセプトロン学習(1)
簡単のため, 2クラスの分類を考える
問題の定式化
Rnの有限部分集合 C, D ( CD = )が与えられたとき，
直線 px + c = 0 で以下を満たすものを求めよ
x C (w, x) + c > 0
x D (w, x) + c < 0
定数項cも求めなければなら
ないのだから, データ x を
(x, 1) とみなして, 求める直線
を (w, x) = 0 としておく.
パーセプトロン学習(2)
1.与えられたデータを x1, x2, …, xN とする．
2. w を適当な初期値設定する.
3. n = 1,2,…, N に対して順に以下を行う
もし xn C かつ (w, xn) < 0 であれば
w を w + r x に置き換える
xn D かつ (w, xn) > 0
w を w - r x に置き換える
それ以外は何もしない
4. n = 1,2,…, N に対して
xn C かつ (w, xn) < 0 またはxn D かつ (w, xn) > 0
を満たすものがなければ終了. そうでなけば３へもどる.
パーセプトロンの例
これまでの人工知能研究
これからの人工知能研究
人工知能とは
“人工知能”の意味するところは，研究と技術
の進展とともに変化している．
人工知能学会のホームページ “What’s AI”
http://www.ai-gakkai.or.jp/jsai/whatsai/
“推論” と “学習”は人工知能研究の代表
日常化した”機械学習”
かな漢字変換における“学習”
かな(ローマ字)綴りを入力
ユーザは意図された漢字かどうかを示す信号を
与える
変換システムの出力と教師信号が
一致していれば，何もしない．
一致いていなければ，漢字の優先度を変更する
１回目 あきひろ
n回目
あきひろ
彰浩
no
章博
抽象化した学習のモデル
教師
概念Hに関する
例示
データ
d1, d2, d3,…
推測
h1, h2, h3,…
学習機械
例からを仮説を
導出する
アルゴリズム
頻出アイテム集合
TID
1
2
3
4
Transaction
{a, c, d}
{a, b, e, f}
{a, b, c, e}
{b, c}
s = 0.5
C1 = {{a}, {b}, …, {f}}
L1 = {{a},{b},{c},{e}}
C2 = {{a, b}, {a, c},
{a, e}, {b, c},
{b, e}, {c, e}}
L2 = {{a, b}, {a, c},
{a, e}, {b, c},
{b, e}}
C3 = {{a, b, c}, {a, b, e}}
L3 = {{a, b, e}}
C4 =
数学の歩んだ道
有向線分
ベクトル
公理化(抽象化)
a+b = b+a
a+ (b+c) = (a+b)+c
k(a+b) = ka+kb
…
具体化
解析
f (q) = a sinq + b cos q + c
自然言語処理＋機械学習
自然言語処理をより正確にするために機械学
習を用いる
文を単語(形態素)へ分解
構文の推定
機械学習のデータとして自然言語処理の結果
を利用する
単語の共起関係分析
Web Intelligence へ
人工知能学事典(2005, 共立出版)
人工知能基礎，
知の基礎科学(哲学，
心理学，認知科学，
脳科学)
知識表現・論理・推論
知識モデリング
機械学習
進化・創発
自然言語処理
画像・音声メディア
ヒューマン・インタフェース
エージェント
Webインテリジェンス
ロボティクス
知識発見・データマイニング
ソフトコンピューティング
AI応用(人工知能の産業応
用，ナレッジマネジメント，バ
イオロジー，教育支援，ゲー
ム）
人工知能学事典(2005, 共立出版)
人工知能基礎，
知の基礎科学(哲学，
心理学，認知科学，
相互
脳科学)
集合・社会
知識表現・論理・推論
身体
知識モデリング
機械学習
進化・創発
自然言語処理
画像・音声メディア
ヒューマン・インタフェース
エージェント
Webインテリジェンス
ロボティクス
知識発見・データマイニング
ソフトコンピューティング
AI応用(人工知能の産業応
用，ナレッジマネジメント，バ
イオロジー，教育支援，ゲー
ム）
“計算”も“人工知能”であった
ダグラス・ホフスタッター: ゲーデル,エッシャー,
バッハ-あるいは不思議の環-, 白揚社
D. R. Hofstadter: Goedel, Escher, Bach
-an Eternal Golden Braid-