AI（人工知能）の技術

5-1AIの基本的な考え方

相棒の最初の返事は、「AI」という言葉の中身を分けるところから始まりました。人間が行う学習・推論・判断・認識といった知的な働きを、コンピュータで実現しようとする技術や研究の分野をAI（人工知能）といいます。Artificial Intelligence の頭文字です。写真でパンを見分けるセルフレジも、ミナトが話しかけている相棒も、AIの一つです。ただし中で動いている仕組みはそれぞれ違い、仕組みが違えば、得意なことも外し方も違ってきます。

店長が最初に思いついたのは、見分け方を書き出すことでした。「三日月の形でこげ茶色ならクロワッサン、四角くて上に果物がのっていればデニッシュ、と教えればいいんじゃないの」。このように、人があらかじめ「もし〜ならば〜する」という規則を決めておき、その規則に従って判断や処理を行う方式をルールベースといいます。規則を書くのは人なので、なぜその答えになったかを後から説明しやすいという長所があります。

ところが、パンの見分けを規則で書き切ろうとすると、すぐに行き詰まります。「三日月の形」をカメラの画素の並びで言い表すには、置く向き、焼き色、照明の具合ごとに条件を足すことになり、例外を一つ足すたびに別の規則とぶつかります。送料の計算や営業時間の案内のように規則をはっきり書ける問題には、ルールベースが向いています。規則を書き出しにくい問題に使われるのが、例となるデータから見分け方を作る方式です。

5-2機械学習の種類

セルフレジが使っているのは、見分け方を人が書くのではなく、データからコンピュータに見つけさせる技術です。これを機械学習といいます。写真とパンの名前の組をたくさん与えると、写真のどんな性質がどの名前に結び付くかを、計算によって割り出します。学習の結果できあがる、入力から答えを出す計算の仕組みを、モデルと呼びます。

写真のどんな性質を手がかりにするかは、数値で表しておく必要があります。パンなら、色の明るさの平均、輪郭の細長さ、表面のつやの強さといった値です。このように、データの性質を数値などで表して、機械学習のモデルへの入力に使う値を特徴量といいます。どの特徴量を使うかで、見分けの精度は大きく変わります。こげ茶色の度合いしか特徴量に無ければ、よく焼けたクロワッサンとデニッシュは区別しようがありません。

機械学習は、学ぶときに何を与えるかで3つに分けられます。1つめは、入力と正解（ラベル）の組を与えて学ばせる教師あり学習です。写真ごとに「クロワッサン」「デニッシュ」と名前を付けて与えるセルフレジは、教師あり学習を使っています。設定画面の「この写真のパンの名前」の欄が、正解を教える役目でした。

2つめは、正解を付けないデータだけを与えて、データの中にある構造やまとまりを見つけ出す教師なし学習です。代表的な手法のクラスタリングは、似た性質のデータどうしを同じグループ（クラスタ）にまとめます。こむぎ堂の通販の注文履歴を、正解なしでクラスタリングにかけると、「朝の食パンをまとめ買いする人」「週末に焼き菓子を贈り物にする人」のようなグループが見えてきます。グループにどんな意味があるかは、出てきた結果を見て人が考えます。

3つめの強化学習は、正解の代わりに、行動の結果に応じて与えられる点数（報酬）を手がかりに学ぶ方式です。学ぶ主体（エージェント）が環境の中で行動を選び、得られる報酬の合計が大きくなるように、試行錯誤をくり返して行動の選び方を改めていきます。毎朝の焼く数を決める問題なら、「焼く数」が行動、「売れた分の利益から売れ残りの損を引いた値」が報酬です。どの数が正解かを前もって誰も教えないところが、教師あり学習と違います。

5-3代表的な手法

教師あり学習の中にも、答えの出し方が違う手法がいくつもあります。手法ごとに、得意なデータの形と、結果の理由の説明しやすさが違います。数を予想することと、その理由が分かること。店長の2つの注文は、どちらも手法を選ぶときの基準になります。

店長の注文のように予想の理由を説明できることを重く見るなら、計算の中身を人が読み取れる手法を選びます。この章の後半に出てくるニューラルネットワークは、写真の見分けのような問題で高い精度を出せる一方、中身が膨大な数の数値になるため、一つ一つの答えの理由を人が読み取るのは難しくなります。精度と説明のしやすさのどちらを優先するかは、使う目的で決まります。

5-4学習と評価

練習に使った写真で当たるかどうかを確かめても、モデルの実力は分かりません。答えを覚えた問題集で自分を試すのと同じで、覚えたものが出てくれば当たるからです。モデルの出来は、学習にも調整にも一度も使っていないデータで確かめます。この評価のためだけに取っておくデータをテストデータといいます。ミナトが新しく撮った60枚が、テストデータの役目をしています。

練習の写真では99％、新しい写真では65％。このように、学習に使ったデータに合わせすぎた結果、まだ見ていないデータでは当たらなくなる状態を過学習（オーバーフィッティング）といいます。練習用のクロワッサンの写真20枚を見返したミナトは、どれも窓際の白いトレーにのせ、朝の光で撮っていたことに気づきました。新しいクロワッサンは焼き色が濃く、照明の下で茶色いトレーにのっていました。モデルの判定は、パンの形よりも、トレーの色や光の明るさという、パンそのものとは関係のない違いに大きく左右されていたのです。

5-5ディープラーニング

そのモデルの中で使われている仕組みがニューラルネットワークです。脳の神経細胞（ニューロン）のつながり方をヒントにした計算のモデルで、ノード（人工のニューロン）を層に並べ、隣り合う層のノードどうしを結んだ形をしています。1つのノードは、前の層から届いた値にそれぞれ重みを掛けて足し合わせ、その合計を変換した値を次の層へ送ります。写真の画素の値を入力層に入れると、いくつかの隠れ層（中間層）を通って、出力層に「クロワッサン0.8、デニッシュ0.1」のような値が出てきます。学習とは、正しい名前の値が大きく出るように、この重みを調整することです。

ノードが合計を次の層へ送る前に通す変換を活性化関数といいます。代表的なものに、どんな値も0から1のあいだに縮めるシグモイド関数や、負の値を0にして正の値はそのまま通すReLU（ランプ関数）があります。活性化関数が直線的でない変換をするから、層を重ねる意味が生まれます。この変換が無ければ、何層重ねても全体は1つの「掛けて足す」式にまとまってしまい、1層と同じことしかできません。

重みの調整にはバックプロパゲーション（誤差逆伝播法）が使われます。出力層で、出てきた値と正解との差（誤差）を求め、その誤差を出力側から入力側へ逆向きに伝えながら、各層の重みを誤差が小さくなる向きへ少しずつ動かします。

重みが1つだけの小さな例で、動かし方を確かめます。入力 x = 2、重み w = 0.5 のとき、出力は y = w × x = 1 です。正解を t = 3 とし、誤差の大きさを E = (y − t)² ÷ 2 で測ると、E = (1 − 3)² ÷ 2 = 2 になります。w を少し増やしたときの E の変わり方（勾配）は (y − t) × x = (−2) × 2 = −4 で、負なので、w を増やせば誤差は減ります。動かす幅を決める係数（学習率）を0.1とすると、新しい重みは w = 0.5 − 0.1 × (−4) = 0.9 です。出力は 0.9 × 2 = 1.8 になり、誤差 E は 2 から 0.72 に減りました。実際のネットワークでは、この計算を出力側の層から順に、膨大な数の重みについて、何度もくり返します。

隠れ層を何層も重ねた深いニューラルネットワークを使う機械学習の手法をディープラーニング（深層学習）といいます。画像の認識、音声の認識、翻訳などで高い精度を出し、いま使われているAIの多くを支えています。それまでの機械学習との大きな違いは、特徴量の扱いにあります。色の明るさや輪郭の細長さを人が選んで与えなくても、入力に近い層では線や色の境目のような単純な特徴、奥の層ほど形や模様のような複雑な特徴を取り出すように、学習の中で重みが決まっていきます。その代わり、学習には大量のデータと計算が要ります。

こむぎ堂のように写真を何百万枚も用意できない場合は、すでに学習を済ませたモデルを使います。特定の用途に合わせる前に、大量の汎用的なデータでモデルを学習させておくことを事前学習といいます。いろいろな物の写真で事前学習したモデルは、パンを一度も見ていなくても、物の輪郭や表面の質感を見分けるための重みをすでに持っています。

事前学習を済ませたモデルに、特定の用途のデータで追加の学習をして、重みを調整し直すことをファインチューニングといいます。こむぎ堂の240枚の写真で行っていたのが、これです。ある課題で学習したモデルを、関連する別の課題に移して使う考え方全体は転移学習と呼ばれ、ファインチューニングはその代表的なやり方です。出力層だけをパン12種類用に付け替え、ほかの層の重みは動かさずに学習するやり方も、転移学習に含まれます。少ない写真で実用になる精度が出たのは、転移学習を使っていたからでした。

5-6認識と生成への応用

人が日常で使う日本語や英語のような言葉（自然言語）を、コンピュータで扱う技術を自然言語処理（NLP）といいます。迷惑メールの判定、翻訳、文章の要約、質問への応答、そして相棒との会話も、自然言語処理の応用です。AIの技術が使われる場面は、言葉のほかに、音声を文字にする音声の認識、写真や動画に写るものを見分ける画像の認識、そして文章・画像・音声を新しく作り出す生成へと広がっています。

画像の認識でよく使われるのが畳み込みニューラルネットワーク（CNN）です。小さな窓（フィルタ）を画像の上で少しずつずらしながら、窓の中に縦の線や丸い輪郭のような模様があるかを調べる畳み込み層と、調べた結果を縮めて要点を残すプーリング層を重ねていきます。同じ窓を画像のどの位置にも当てるので、クロワッサンがトレーの右にあっても左にあっても、同じ模様として見つけられます。説明書によると、試作のセルフレジの中で動いているのも、この種類のネットワークでした。

文章や音声、毎日の売上のように、順番に意味のあるデータにはリカレントニューラルネットワーク（RNN）が使われてきました。ある時点の隠れ層の状態を次の時点の計算に戻して使う、輪の形のつながりを持つので、「焼きたての」の次に何が来やすいかのように、それまでの流れを踏まえた処理ができます。ただ、長い列では最初のほうの情報が薄れやすく、いまの大きな言語のモデルの多くは、トランスフォーマと呼ばれる別の仕組みを使っています。

見分けるだけでなく、新しいデータを作り出す技術もあります。敵対的生成ネットワーク（GAN）は、2つのニューラルネットワークを競わせて学習させます。偽のデータを作る生成側（ジェネレータ）と、渡されたデータが本物か生成側の作った物かを見分ける識別側（ディスクリミネータ）です。識別側は見破れるように、生成側は見破られないように交互に学習をくり返すうちに、生成側は本物と見分けにくいデータを作れるようになります。

相棒が紹介文を書ける仕組みの中心にあるのが言語モデルです。言語モデルは、語（実際には文字や語の断片）の並びがどれくらい現れやすいかを確率として扱うモデルで、「焼きたての」の次には「パン」が来やすく「靴」は来にくい、というように、次に続く語の確率を計算します。確率に従って次の語を選び、つなげることをくり返すと、文章ができあがります。

この言語モデルを、重みの数（パラメータ数）でも学習に使う文章の量でも、桁違いに大きくしたものを大規模言語モデル（LLM）といいます。大量の文章で学習した結果、質問への回答、要約、翻訳、文章の作成など、1つのモデルで多くの言葉の仕事をこなせるようになりました。相棒も、大規模言語モデルを使ったAIアシスタントです。

大規模言語モデルが出す文章は、確率に従って選んだ語の並びです。文章がもっともらしいことと、中身が正しいことは別で、事実と違う内容が自然な文章で出てくることがあります（ハルシネーションと呼ばれます）。相棒の案には「りんごは店の近くの農園のもの」と書いてありましたが、ミナトが店長に確かめると、実際の仕入れ先は隣の県の農園でした。相棒が出した案をもとにして、事実の部分は人が確かめて直す。ミナトと相棒は、いつもそう分担しています。

大規模言語モデルのように、大量で幅広いデータで事前学習しておき、ファインチューニングなどによって多くの用途に合わせて使える汎用的なモデルを基盤モデルといいます。言葉だけでなく、画像や音声を扱う基盤モデルもあります。汎用のモデルを一度作り、用途ごとの仕上げを重ねるという作り方は、セルフレジのモデルとも共通しています。

基盤モデルへの頼み方を変えるだけでも、返ってくる結果は変わります。ミナトの最初の頼み方は「りんごのデニッシュのPOPを書いて」だけでした。そこに「小学生にも読める言葉で」「40字以内で」「りんごは隣の県の農園のもの」「焼き上がりは午前11時」と、読む人・長さ・事実・条件を書き足すと、そのまま店に貼れる案が返ってきました。このように、望む出力が得られるように、AIへの指示文（プロンプト）の書き方を工夫して設計することをプロンプトエンジニアリングといいます。役割を伝える、例を見せる、条件を箇条書きにする、確かな事実はこちらから渡す、といった工夫があります。

新しいクロワッサンだけが外れた理由は、モデルの判定がパンの形ではなく、トレーの色と光に頼っていたことにありました。機械学習のモデルは、与えられたデータから学んだことしか答えに使えません。どんな写真を、どれだけ偏りなく集め、学習に使わない写真でどう確かめるか。それを決めるのは、使う人の側の仕事です。相棒が手がかりをくれて、ミナトが写真を撮り直し、店長が焼いたパンで確かめる。セルフレジは、3人の分担で使えるものになりました。

ただ、店長はもう次のことを考えています。「12月にはシュトーレンを出すんだけど、去年の写真は1枚も残っていないんだよね。焼けた日の朝に撮って、その日のうちに見分けられるようになるものかな」。ミナトは、相棒に聞いてみることにしました。