GoodAIでのロードマップの比較
最近の人工知能の進歩、特に深い学習の分野では、息を呑むようになっています。この分野に興味のある人にとっては非常に励みになりますが、人間レベルの人工知能に向けた真の進歩は評価するのがはるかに難しいです。 人工知能の評価は、多くの理由から非常に困難な問題である。例えば、インテリジェント・マシンに必要な基本的な必要条件に関するコンセンサスの欠如は、異なるエージェントを比較するための統一されたアプローチの開発に対する主要な障壁の1つです。このトピック（例：JoséHernández-OralloまたはKristinn R.Thórissonなど）に重点を置いた数多くの研究者がいるにもかかわらず、この地域にはAIコミュニティの関心が高まっています。 AIを評価する方法は、すでに作成されたエージェントの進捗状況を評価するのに役立つ重要なツールです。しかしながら、ロードマップとそのようなエージェントを構築するためのアプローチの比較と評価は、あまり検討されていません。そのような比較は、漠然としており、将来の計画の中での限定された正式な定義のために潜在的にさらに困難です。 それにもかかわらず、有望な研究分野を目指し、潜在的な行き止まりを特定するためには、既存のロードマップを有意義に比較できるようにする必要があると考えています。このような比較には、それぞれのロードマップの概要を示す既存の文書から重要かつ同等の情報を取得する方法に関するプロセスを定義するフレームワークを作成する必要があります。そのような統一された枠組みがなければ、各ロードマップはその目標（例えば一般的な人工知能、人的AI、会話型人工知能など）だけでなく、比較や対比が不可能なその目標を達成するためのアプローチも異なる可能性がある。 この記事では、GoodAIの内部でこの問題を（3つのアーキテクチャチームの進捗状況を比較して）どのように見始めているのか、そしてこれが広範なコミュニティ全体の比較にどのように拡大するのかを垣間見ることができます。これはまだ進行中ですが、最初の考えをコミュニティと共有して、私たちが信じていることについての議論を開始することが重要なテーマです。
概要
この記事の最初の部分では、3つのGoodAIアーキテクチャ開発ロードマップの比較を示し、それらを比較する手法について説明します。 主な目的は、すべてのアーキテクチャが最も有望なものに私たちの努力を向けることができる計画の潜在的かつ完全性を評価することです。 他のチームからロードマップを追加することを管理するために、メタロードマップと呼ばれる人的AI開発の一般的な計画を立てました。 このメタロードマップは、「究極の」目標に到達するために渡されなければならない10のステップで構成されています。 潜在的に異なる計画のほとんどが、メタロードマップで特定された1つ以上の問題を解決することを願っています。 次に、我々のアプローチをMikolovらのアプローチと比較しようと試みた。 現行の文書とオープン・タスクをメタ・ロードマップの問題に割り当てることにより、 我々はそれが有用であることを見出しました。それは、比較可能なものを示し、あらゆる問題に対して異なる比較技術が必要であることを示しました。
アーキテクチャ開発計画の比較
GoodAIの3つのチームは、数ヶ月間、そのアーキテクチャーに取り組んでいます。現在では、可能性の最も高いチームにもっと多くのリソースを割り当てることで、より効率的に自分の努力を導くことができるように、アーキテクチャの可能性を評価する方法が必要です。現在の状態に基づいてどの方法が最も有望であるかを判断することはまだ不可能であることを知っていますので、未完成のアーキテクチャに取り組むチームに将来の開発、つまりロードマップを作成する計画を立ててください。 提供された回答に基づいて、これらの計画の要件を繰り返し統一しました。多数の議論の末、私たちは次の構造を思いついた。 計画のユニットはマイルストーンと呼ばれ、アーキテクチャの一部（例えば、新しいモジュール、異なる構造、機能を追加することによるモジュールの改良、パラメータの調整など）に関する作業の一部を記述する。 各マイルストーンには、時間見積もり、つまり現在のチームサイズを前提としたマイルストーンに費やされる予想時間、仕事の特徴や新機能、新機能のテストが含まれています。 2つ以上のアーキテクチャの共通テストとして機能するチェックポイントによってプランを中断することができます。 これで進行状況を監視する基本的なツールが用意されました。 特定のチームが自己設計テストを達成するかどうかを確認し、それによってスケジュールどおりの元の期待を満たすことができます。 チェックポイントのために、開発途中のアーキテクチャを比較することは可能です。 チームがどれだけ遠くにいるかを見ることができます。理想的には、最後のマイルストーンを終えた後、アーキテクチャはカリキュラム（その間に開発される予定）とその後の最終テストを通過する準備ができている必要があります。 合計時間見積もり。私たちもそれらを比較することができます。 私たちはまだアーキテクチャ（アーキテクチャに必要なもの）から必要となる機能の統合されたセット（GoodAIアーキテクチャの中で）に取り組んでいます。 特定の計画は横に並んでおり（図1参照）、いくつかのチェックポイントは（現在は曖昧に）定義されています。わかっているように、チームは1年以上前から大まかに計画を立てていますが、カリキュラムの準備が整っていないという計画ではまだ完成していません。 2つのアーキテクチャーはコネクショビスト方式を採用しており、比較が容易です。 3番目のシンボル（OMANN）はシンボルを操作するため、最初から他の2つのアーキテクチャでは困難なタスクを実行でき、その逆もあります。これは、OMANNのチェックポイントがまだ定義されていないことを意味します。私たちは共通のテストが計画の重大な問題として欠如しているのを見て、開発にある程度の遅れが生じるかもしれないが、アーキテクチャを他のものと比較できるように変更を探しています。 比較に別のアーキテクチャーを含める努力がありましたが、Weston’s et al。を除いて、このような詳細で将来の仕事を記述する文書は見つかりませんでした。紙。さらに分析した結果、この論文はアーキテクチャの開発とは若干異なる問題に焦点を当てていたと判断しました。これについては、後ほど記事で説明します。
共通のアプローチの前提
我々は、知的エージェントを開発するために必要な避けられないステップの観点から、この問題を見てみたい。まず、プロセス全体についていくつかの前提を立てなければなりません。これらはやや曖昧であることを認識しています。他の人工知能研究者に受け入れられるようにしたいと考えています。 ターゲットとするのは、アーキテクチャ（アーキテクチャと呼ばれる）を作成することです。これは、世界の一部のエージェントの一部になることがあります。 世界では、代理人が解決すべき課題や、代理人が求めるべき世界の状態に基づく報酬があります。 インテリジェントエージェントは、未知/変化する環境に適応し、以前は見えなかったタスクを解決することができます。 どのように定義されていても最終的な目標に到達したかどうかを確認するには、エージェントがどのようにインテリジェントであるか（人間との比較が望ましい）を示す明確な最終テストが必要です。 エージェントが最終テストに合格する前に、エージェントに必要なスキルや能力を教えるための学習段階が必要です。エージェントが何も学習せずに最終テストに合格する可能性がある場合、最後のテストはポイント3に関しては不十分です。学習フェーズの説明（これは世界の説明も含む）はカリキュラムと呼ばれます。
メタロードマップ 上記の仮定（およびここでは列挙しません）を使用して、必要なステップのリストとその順序を説明する図2を導き出します。この図をメタロードマップと呼びます。
図2.メタ・ロードマップの概要（フルサイズ）
図で最も重要で緊急な作業は次のとおりです。 究極のターゲットの定義は、 最終テスト仕様書、 カリキュラムの提案された設計、および アーキテクチャ開発のロードマップ。 現在のアプローチの大部分は、これらの未解決の問題の1つ以上を解決すると考えています。著者の究極の目標と信念に応じて異なる視点から努力をより明確にするために、公開された論文に記載されているアプローチを、それらのグループ内で解決して比較する問題に従ってグループに分けます。もちろん、アプローチはグループ間で比較するのが難しいです（例えば、最終テストは特定の状況下ではカリキュラムと同等です）。 1つのグループ内であっても、要件（この図で定義する必要がある最初のもの）が大幅に異なる場合があります。 また、このフレームワーク内でアプローチの複雑さと完全性の分析を行うことができます。例えば、チームが1つ以上の未解決の問題を省略すると、チームはその特定の問題を考慮していない可能性があり、「大きな画像」の完全な概念なしに進んでいることを示しています。
問題の割り当て
私たちは、問題へのアプローチを割り当てて比較する試みを示したいと思います。まず、GoodAIとMikolov / Westonのアプローチを分析しました。後者はよく記述されています。下の図3の結果を見ることができます。
図3.異なるロードマップのための統合されたメタロードマップ（フルサイズ）
図が示唆するように、私たちはいくつかの共通の問題に取り組んでいます。我々は完全な分析をここでは提供しないが、メタロードマップの意味を証明するためにいくつかの観察を行うだろう。 Mikolovの「Machine Intelligenceに向けたロードマップ」によれば、ターゲットは人間の言語を理解できるエージェントです。 GoodAIのアプローチとは対照的に、テキスト以外のモダリティは重要ではないと考えられています。このカリキュラムでは、GoodAIはより人間中心的な方法でエージェントを教えたがっています。視覚的入力は最初に言語で、Westonのカリキュラム全体は言語指向のタスクで構成されています。 Mikolov et al。彼らのカリキュラムのロードマップを私たちのものと比較することができるように、彼らのアーキテクチャの開発計画を提供していませんが、図1のダイアグラムに必要なものを含めることはできません。
結論
私たちはメタロードマップとGoodAI開発ロードマップの3つの比較を提示しました。 この記事でGoodAIでこのプロセスをどのように開始したのかを垣間見ることができ、内部比較を超えてどのように改善および拡張できるのかについての議論が活発になることを願っています。 私たちは、ロードマップの完全性と人的AIを達成する可能性を見積もるための方法と同様に、私たちのメタロードマップの一般性についてさらに議論すべきです。
参考
https://medium.com/ai-roadmap-institute/roadmap-comparison-at-goodai-cfba094c645b#.706mqpaxy
ASILOMAR AIの原則
人工知能は、世界中の人々が毎日使っている有益なツールをすでに提供しています。以下の原則に基づいた継続的な開発は、何十年も何世紀にもわたって人々を助け、力を与えるすばらしい機会を提供します。
研究課題
1）研究目標： AI研究の目標は、指向していない知性ではなく有益な知性を創造することである。
2）研究資金： AIへの投資には、コンピュータサイエンス、経済、法律、倫理、社会学などの厄介な問題を含む、有益な利用を保証するための研究のための資金提供が伴われるべきである。
- 将来AIシステムをどのようにして非常に堅牢にして、誤動作やハッキングを起こすことなく、私たちが望むことをすることができますか？
- 人々の資源と目的を維持しながら、どのようにして自動化を通じて繁栄を育てることができますか？
- より公正かつ効率的に、AIに対応し、AIに関連するリスクを管理するために、法的システムをどのように更新できますか？
- AIとどのような価値観を結びつけ、どのような法的・倫理的地位を得なければならないのですか？
3）科学政策リンク： AI研究者と政策立案者との間に建設的で健全な交流が必要である。
4）研究文化： AIの研究者や開発者の間で、協力、信頼、透明性の文化を育むべきである。
5）競争回避： AIシステムを開発するチームは、安全基準のコーナーカットを避けるため積極的に協力する必要があります。
倫理と価値
6）安全性： AIシステムは、運用寿命を通じて安全で安全でなければならず、適用可能かつ実現可能な場合は検証可能でなければならない。
7）障害の透明性： AIシステムが危害を引き起こす場合、その理由を確かめることができるはずです。
8）司法の透明性：司法上の意思決定における自律システムの関与は、管轄の人権機関によって監査可能な満足のいく説明を提供するものでなければならない。
9）責任：アドバンストAIシステムの設計者およびビルダーは、その使用、誤用、および行為の道徳的影響に関わるステークホルダーであり、その影響を形作る責任と機会があります。
10）バリューアラインメント：高度に自律的なAIシステムは、目標や行動が人間の価値観と一致するように設計する必要があります。
11）人間の価値 AIシステムは、人間の尊厳、権利、自由、文化的多様性の理想に適合するように設計され運用されるべきである。
12）個人のプライバシー：人々は、AIシステムがそのデータを分析して利用することができれば、そのデータにアクセスし、管理し、制御する権利を持っている必要があります。
13）自由とプライバシー： AIの個人データへの適用は、人々の本当のまたは知覚された自由を不合理に縮小してはならない。
14） 共同便益： AI技術は、可能な限り多くの人々に利益をもたらし、権限を与えるべきである。
15）共通の繁栄：人類のすべてに利益をもたらすために、AIによって作られた経済的繁栄は広く共有されるべきである。
16） 人間のコントロール：人間は、人間が選択した目的を達成するために、決定をAIシステムに委譲する方法と選択するかどうかを選択する必要があります。
17）非破壊：高度AIシステムの制御によって与えられる力は、社会の健康が依存する社会的および市民的プロセスを覆すのではなく、尊重し、改善するべきである。
18）AIアームレース：致命的な自律的武器の武器競争は避けなければならない。
長期的な課題
19）能力注意：コンセンサスが存在しないため、将来のAI能力の上限に関する強力な前提を避けるべきである。
20）重要：高度なAIは、地球上の生命の歴史の中で重大な変化を表すことができ、そしてのために計画され、相応の注意とリソースで管理する必要があります。
21）リスク： AIシステムによってもたらされるリスク、特に壊滅的または実在のリスクは、予想される影響に見合った計画および緩和努力の対象となります。
22）再帰的自己改善AIシステムは、再現的に自己改善するか、または自己複製するように設計されているため、品質や量が急激に増加する可能性があります。
23）共通の良いもの：超インテリジェンスは広く共有された倫理的理想のために、また一つの州や組織ではなくすべての人類の利益のために開発されるべきである。
参考
5百万ドルの汎用AIチャレンジは、人間レベルのAIへの道です
概要：
・汎用AIを作成する私の目標に向かって働く。 すべてのドメインで検出を活用するツールになります
・GoodAIをブートストラップするためのゲーム開発の使用
・汎用AIチャレンジは、ヒューマンレベルのAIの検索を混雑させ、多様化させる方法です
私の子供時代から、私は人間レベルのAIを構築するという私の目標に向かって取り組んできました。
しかし、私はゲームプログラミングと人工知能の2つの主要な関心領域を持っていました。
私は、ゲーム開発のキャリアを目指して、コンピュータグラフィックス用のさまざまなリアルタイムアルゴリズムを開発していました。
この時期は、プログラミングとコンピュータアーキテクチャの理解を深めました。新しいアルゴリズムの開発、マシンレベルでのコードの最適化、数学と物理を使って世界をシミュレートしたり、ゲームエンジンを開発したり、アート、ゲームデザイン、サウンドデザインを行う方法を学びました。
私はもう少し年を取って、私は汎用AIを作成するという私の目標とゲームを作成するための私の情熱を組み合わせることができることを認識し始めました。ゲームを成功させて金持ちになれば、私は汎用AIを構築するために再投資することができたことに気付きました。反対方向（AIからゲームまで）は意味をなさない。
そこで私はゲームスタジオ、Keen Software Houseを創設しました。最初の学習曲線を克服し、いくつかの実験を行った後、私のチームと私は宇宙技術者を育てました。このゲームは大ヒットとなり、GoodAIを開始し、私の時間をより多くの汎用AIの研究と開発に費やしました。
私は現在、AIのフルタイムに焦点を当てるために、ゲームのアクティブな役割からメンターの役割へと移行しています。
ゲーム開発、プログラミング、起業家精神は、問題の複雑さとその解決策を減らすことで、私が挑戦的な目標を達成できることを教えてくれました。 つまり、効率的なショートカット、ハックや近似を探したり、特別なケースの背後にある一般原則を探したり、より有望な分野に投資したり多様なリソースを活用したりすることです。 私はまた、「不可能な」問題を「不可能なもの」に再加工し、永続的かつ執拗に解決することで解決できることも学びました。
なぜ汎用AIですか？
ヒューマン・レベルのAIは常にひとつの理由で私の注目の中心でした。それは他のすべてのツールを活用するツールになります。
人間の努力の他の分野を見るたびに、私はいつもAIによって革命を起こすような気がしました。それから私は自分自身に尋ねました、「私がこれを知っていれば、なぜその分野で働かなければならないのですか？
私は可能な限り少ないリソースで最大限の効果を出す方法を常に探しています。 AIはこれを完全に適合させるようです。 AIは自然に生まれたオプティマイザです。
定量的かつ定性的に高度でスケーラブルな自動化されたインテリジェンスにより、私たちは今日の社会に影響を及ぼす多くの問題を解決するだけでなく、宇宙探査、医学、科学などに革命を起こすことができます。それは他の方法では機能しません - より良い薬はあなたに人間レベルのAIを与えません。
私たちは自然AIを増強し、すべての人の人生を改善し、この世界を本当に理解するために汎用AIを使用することができます。そして、私たちの知性を最初にアップグレードしなければ、これらのことは達成可能ではないと思います。あるいは、それはそうであるかもしれませんが、はるかに多くの時間と労力を要しません。
インテリジェンスとは何ですか？
我々がそれらをある方法で見ると、すべての問題は検索と最適化の問題とみなすことができます。彼らに解決策を探すためのツールとして知能があります。私たちの研究を導く原則は、徐々にそして自己改善的な方法でスキルを蓄積できるAIを中心にしています。 AIは、学習したスキルを再利用できるだけでなく、新しいスキルを取得する際にスキルを向上させることができます。
新しいスキルはそれぞれ、ヒューリスティックのように機能し、与えられた問題に対する解決策の探索と絞り込みの両方を行います。いくつかのヒューリスティックは、より良いヒューリスティックを検索する能力を向上させます。いくつかのスキルは、新しい、より複雑なスキルを構築するブロックのように機能します。
有用なスキル（ヒューリスティック、ショートカット、トリック）を備えているインテリジェンスは、ダイナミックで複雑で不確実な環境でソリューションを検索できます。インテリジェンス（またはインテリジェントエージェント）の目標は、可能な限り少ないリソースで最高の利用可能なソリューションを見つけるために、検索スペースを狭めることです。
段階的でガイド付きの学習は、エージェントの検索スペースを狭めるのに役立ちます。エージェントが互いのスキルを構築し、環境によって与えられた手がかりに従うことができれば、候補ソリューションの数と検索スペースの複雑さを減らすことができます。限られたリソースはエージェントに最も有用なスキルと最も有望な道に集中するように強制します。
段階的かつ誘導された原則がなければ、エージェントは偶然に最良の解を完全に見つけることを期待して、探索空間を永遠に横切ることになります。
プロセスをより効果的にするために、私たちは一般AIエージェントが必要なスキルを段階的かつガイドに基づいて学習する環境であるAIスクールを構築しています。スクールでは、個々の学習課題を微調整して、AIが望む行動を教えることができます。
学校では、AIが今後の課題で再利用できるような行動やスキルをより詳細に制御できるため、より予測可能なAIを作成し、人間の偏見を教えることができます。 これは、最も重要なAIの安全上の課題の1つを解決するのに役立ちます。
私たちには未解決の問題や疑問がたくさんあります。
・自分自身を改善し続けるシステムが、積極的な自己改善の指定された道筋にとどまり、最終的に自己改善が不可能になるマイナスの未来に自己啓発する代わりに、新しい反復ごとに改善する能力を高めます。
・システムが人間の知能を増幅し、それを予期しない目標のセットに置き換えないようにします。
AIの再帰的な自己改善を延期したり停止したりすることができます。
・それが実際に到着したとき、超知性はどのように異なるでしょうか？ それはちょうど量的に異なるでしょうか？ あるいは、実際に新しい質的変化をもたらすときに、段階的な変化、ある程度の閾値が存在するのでしょうか？ これはどのように現れますか？ 知性以上のことがありますか？
私たちの主な原則はフレームワークのドキュメントに記載されています。
https://www.goodai.com/framework
GoodAI
私はGoodAIを2014年1月に設立し、その後約20人の研究者とエンジニアに成長しました。
私の同僚は、コンピュータサイエンス、機械学習、AI、深い学習、神経科学、心理学、行動科学などのさまざまな分野から来ています。
GoodAIの使命は、人類を助け、宇宙を理解するために、できるだけ早く一般的な人工知能を開発することです。
このプロジェクトの初期段階では、AIのランドスケープをマッピングし、潜在的な汎用AIアーキテクチャのセットを設計していました。
これにより、一連のロードマップを作成するために使用した重要なマイルストーンを特定することができました。
これらのロードマップを比較して分析して、潜在的なロードブロッキング、行き止まり、または大きなマップされていないギャップを特定することができます。
私たちは要約されたロードマップの1つを公開しました - しかし、これは主に学習段階をカバーし、アーキテクチャ構築フェーズに焦点を合わせません。
このプロセスでは、大画面の考え方の重要性を認識し、独立したAIロードマップ研究所を設立しました。現在、研究所の次の任務は、AI研究者が一連のロードマップを提案、設計、比較し、広範なコミュニティに役立つ比較レポートを発表するワークショップを組織することです。
現在、私たちのチームには3つのグループがあり、異なるAIアーキテクチャに取り組んでいます。それぞれに短期的および長期的な利点があります。誰もが望んでいるものの、彼らが望むところに自由に取り組むことができますが、計画された道が実際に最も有望で有望で最短であるかどうかを確認するために、ロードマップ研究所のプロセスを通じて進捗状況を追跡し、測定しています。
私たちの研究開発をサポートするために、Brain SimulatorとArnold Simulatorを公開しました。
GoodAIのサウンドトラックもあります🙂私たちはおそらく私がゲーム開発者であるためにこれを持っている宇宙の唯一のAI研究開発グループです。
次のステップ
汎用AIの検索を多様化する別の方法として、私たちはGeneral AI Challengeの最初の「段階的学習」ラウンドを開始しました。私たちは、この多年にわたる挑戦の中で賞金総額5百万ドルを提供しています。
我々は、追加的なプロパティを効率的に含めることを可能にするアーキテクチャプロパティとして「段階的学習」を特定し、これを論理的な出発点として構築しました。あなたの既存の知識を再利用する能力は、常にゼロから始めなければならない人と比べて、より効率的な問題ソルバーになります。
漸進的ラーニングラウンドの目的は、特定の課題を解決するために最善のエージェントを作成することではなく、最も高い数字を採点することです。漸進的学習とは、エージェントが新しく見えないタスク（できるだけ訓練データが少なく、できるだけ少数の計算リソースを使用して）を効率的に学習することです。本質的に、そのようなエージェントは、私たちが人間と同じように学習する方法になります。
私たち（汎用AI研究コミュニティ）は、汎用AIに到達するための軌道に乗っていると私は信じています。人々は時々、私がそこに着くと思うどのくらい早く尋ねます、そして私の正直な答えはわかりません。私たちは3年または30年後にそこに着くことができました。しかし、私はそれが今世紀に起こると信じています。
昨年、私たちは私たちのオフィスにカウントダウン・クロックを設定しました。それは汎用AI 3,4に対して3,482日と11時間を読みます
私と私のチームを目標に集中させ、私たちが世界にすべての時間を持っているわけではないことを思い起こさせるためにそこにあります。汎用AIがない毎日は、多くの困難な問題を抱える人類の闘いのもう一つの日を意味します。最終的には、人間レベルのAIが最終的に手の届くところにあり、統一された主導的な努力が現実となり、可能なものと不可能なものの間の線を再定義します。
参考
うまいと思った転職サイトの広告
転職のgreenさんのサイト
おっっ！って思ったのでメモ。
ちょっとしたあるあるを書き気にさせ
ファーストビューで下におりたくなる
下でメールを入れる欄にも普通と少し違うフォーマットで登録感を削除
冒険に出ようという文字が目に入り、ゲーム感覚で先に進みたくなる
真ん中に出てる企業名で信頼感が出てる。
かなりよくできたLPになってる。
デザインのことも少しくらいわかった方がいいと思った
2017年2月25日の人工知能ハッカソン
カラフルボードさんにお借りして勉強会をしました。
人工知能ハッカソン inカラフル・ボード「今回のテーマ：kaggle」 - connpass
kaggle初心者向けの資料はこちら http://qiita.com/taka4sato/items/802c494fdebeaa7f43b7
sparkについて
下記に資料を貼りました。 https://www.facebook.com/groups/1515619948454253/
トポロジーについて
http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/ http://colah.github.io/cv.pdf
kaggle脳波での行動判定のチャレンジについて
https://www.kaggle.com/c/grasp-and-lift-eeg-detection/leaderboard
1位の方のレポートを説明されていました。
脳波計 https://www.emotiv.com/insight/
脳波計自作 http://shop.openbci.com/collections/frontpage
脳波についての資料 http://www.cs.tut.ac.jp/~higashi/papers/bcisig.pdf
アンサンブル学習して結果を出してた アンサンブル学習のブースティングとバギングの違いについて | データ分析とインテリジェンス
Reconstructing Speech from Human Auditory Cortexjournal http://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.1001251 音声を聞いた脳の状態から元の音声をデコード（再現）
ニューラルネットワークによる脳波に基づくメンタルタスクの分類 http://dspace.lib.kanazawa-u.ac.jp/dspace/handle/2297/18409 脳波のスペクトルとニューラルネットワークによるBCIにおける特徴抽出と汎化能力について http://leo.ec.t.kanazawa-u.ac.jp/~nakayama/pub/file/sip_sym07_kaneda.pdf 同じ著者含む。脳波データセットのNN分類
脳マシンインターフェイスのための信号処理 http://www.cs.tut.ac.jp/~higashi/papers/bcisig.pdf BMIの基本的な解説から信号処理アルゴリズムまで載っています
Wordpair classification duringimagined speech using direct brain recordings http://www.nature.com/articles/srep25803 言葉を発話・聞く・イメージした脳の状態を２値分類してイメージした単語を推定
A Direct Brain-to-Brain Interface in Humansjournal http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0111332 Aさんのイメージした動作を遠隔地にいるBさんが実行（ボタンを押す）
Noninvasive Electroencephalogram Based Control of a Robotic Arm http://www.nature.com/articles/srep38565 ロボットアームの操作
kaggleのtaitanicをあえてkerasやってみた
pandasからデータの正規化など細い処理について話されていました。
kaggleの住宅価格の予想について
これもあえてkerasでやっていて、いい結果にはならないので
普通のXGboostとはランダムフォレストを使えという話になっていました。
あまり良くないと思いますが100%の精度を出す方法について紹介がありました。 https://www.kaggle.com/olegtrott/data-science-bowl-2017/the-perfect-score-script
来月のテーマが決まり次第次のイベントを立てます。 人工知能ハッカソン inカラフル・ボード「今回のテーマ：kaggle」 - connpass
弁護士はコンピュータで置き換えられる次の職業になる可能性がある
技術はしばしば、製造業や小売業などの分野で伝統的な労働者階級の職業を破壊することで非難されています。
しかし、ブルーカラーの仕事だけでは危険にさらされていません。
法的専門職（伝統に縛られ労働力が重い）は、人工知能プラットフォームが法的業務の仕組みに劇的に影響する変革の最中です。
これらのプラットフォームは、訴訟、契約の見直しと作成、潜在的な不正行為やその他の不正行為の特定や法的調査を行い、法人買収前にデューディリジェンスを行うための赤旗を立てるための証拠を得るための文書を採掘します。
それは、少なくとも瞬間的には、主に肉血人弁護士の責務です。
法律業界の自動化が進むにつれ、効率性が向上し、顧客のコストが節約されることが期待されますが、技術が現在人間によって実行されているタスクを担当するため、セクターの雇用を削減する可能性もあります。
しかし、AIの支持者は、この技術がコストを削減し、より多くの人に法律サービスを手頃な価格で提供するため、セクターの労働力が実際に増加する可能性があると主張している。
法律契約の審査のためのAIの強力なプラットフォームであるLawGeexのCEO、Noory Bechor氏は、「初めの初めのようなものです。
「法的には、旅行のように他の産業が10年前と15年前のようだったと思う」
思いやりのある仕事を置き換える
Bechorが弁護士からAIの弁護士に移行したのは、イスラエルの大手法律事務所で働いていた彼自身の経験の結果であった。
「私は中小企業や投資家や多国籍企業に多くの契約を結んでいました。
この作品は甘味のようなもので、しばしば機械的なものでした。
「私にとっては、契約を結ぶ必要があるたびに、あるいは契約を見直す必要があるたびに、私が車輪を作り直す必要があったことは驚くべきことでした」
そして、「私はこの痛みを日々感じていて、この狂った時間を過ごしました。
しかし、Bechorはまた、ますます多くの契約を見直しながら、退屈な仕事をすることがより良くなったことを認識し始めました。
“あなたはそれをぶつけます"と彼は言った。 「あなたは契約に含まれるべきでないべきことをあなたの頭の中に持っています。
「それが私に、これの重要な部分が自動化できると確信していた」とBechor氏は語った。
LawGeexプラットフォームは、「以前は見たことのない新しい契約を結び、それを読んだ後、これまでと同じような契約のデータベースと比較することができる」と述べた。
他のAIプラットフォームと同様に、LawGeexはBechorや職業の他の人間が若い弁護士として学んだように、実行する各レビューから学びます。
人よりも優れたマシン
AIの法的プラットフォームの導入によって提起された1つの質問は、彼女のベルトの下で長年の経験を持っている肉血の弁護士と比較して、彼らの仕事をどれくらいうまくやっているかです。
マシンは、多くの経験を持つ弁護士が他の方法で捉えることができないものを逃しますか？支持者はそうは思わない。
NexLPの創設者であり管理メンバーのJay Leibは、「これはかなり反論された議論です。 Leibのシカゴに本拠を置く同社は、訴訟やその他の訴訟に関連する情報を文書で検索するAIプラットフォームであるeDiscoveryを提供しています。
LeibはAIの法的ツールについて “何も見逃すことはできますか？”
「しかし、1985年以来、人間はキーワード検索にあまり良くないことがわかっています。 「文書を見ている人間が金本位制であるというこの誤解があります。
彼はまた、今日生成された電子データの量の爆発は、人間の労働者が追いつくことを困難にしているとも述べた。
「海を沸騰させるためにこれらの技術が必要になった今、データが非常に多く」関連する資料を見つけることができるとLeib氏は述べています。
Leib氏は、NexLPは文書や電子メールの「テキストを見るだけではない」と述べている。訴訟の審理のために項目にフラグを立てるべきかどうかを確認するために、「それは会話の色調を見ている。
Leib氏はまた、コンピュータは「疲れない、空腹にならない、寝ない」と指摘した。
「人間に起こりうる生物学的問題のすべては、コンピュータには起こり得ません。」 大手国際法律事務所のリードスミスは最近、RAVN SystemsのAIプラットフォームであるRAVN ACEのテストにこの疑問を投げかけました。 リードスミスはRAVNに数百ページの文書のレビューを実施させました。
Reed Smithのチーフ・ナレッジ・オフィサーであるLucy Dillonは、「私たちは既に手作業で行っていた取引をしました。 「それをRAVNシステムで比較して比較したところ、非常に有利でした」
Dillon氏は、RAVNプラットフォームは契約上の特定の品目を特定して引き出すよう求められたときに「必ずしも正しいとは限らない」と述べた。 しかし、弁護士は質問に情報を追加して結果を改善することができました。
また、人間がドキュメントを最初にレビューしたときにプラットフォームが「見逃したことをいくつか見つけました」と彼女は言いました。 「システムの精度は高く、使用するには素晴らしいツールでした」
そして、RAVNは人間のそれより速いです。 ずっと速い。
「我々は数分から数日を話している」とディロンは語った。
船に乗りはじめた大企業
法律部門は、技術的に、または他の方法で変更が遅れています。
しかし、それは企業、特により大きな企業がAIの利点を見始めるにつれて変化しています。
ROSS Intelligenceは、IBMの認知コンピューティング・システムであるWatsonに基づいた法的リサーチ・プラットフォームを構築しています.Watsonは、DentonsやLatham＆Watkinsなどの世界最大の法律事務所で使用されています。
ROSS IntelligenceのCEOで共同設立者のAndrew Arruda氏は、自社、社内、大規模、中規模、小規模、独立した弁護士、法律学校、弁護士会などあらゆる種類の組織の弁護士と協力していると語った。
同氏は、まだ若いプラットフォームのクライアントは、すでにクライアントのために「ケースごとに20〜30時間の研究時間を節約している」と述べている。
NexLPのLeibは、法的なケースやレビューに関連する情報を交換するプロセスである「発見コストの約70％」が「人件費、文書や電子メールなどあらゆるものを見ている人々」と述べています。
「これを70％から2％に減らすことができれば、大幅なコスト削減が見込まれています。
「それは企業やビジネスの手に戻ったばかりのお金です」とLeib氏は言います。 「それは本当に結論を攻撃する」
Leibは、法律事務所がAIプラットフォームをどれだけ迅速に採用するかは、パートナーではなく顧客が決定すると考えています。
Leib氏は、企業は膨大な量の文書を人間が選別しているため、これらの技術を利用するよう求めていると考えている。
Leib氏は、AIが法律業界全体で広く使用されると考えているときに質問したところ、「私はここでの時間枠は2020年から2025年の間だと思う」と述べた。
LawGeex社のBechor氏は、現時点では法律事務所でAIを広く採用していないことが、法律部門における価格を高く維持する効果があると述べた。 「この非効率性にはコストがかかります」とBechor氏は言います。
「法律は現在、プレミアム製品とみなされています。 「これは、多くの人や企業が手に入れることのできるものではありません。
“もしあなたが"それを打つことができないなら… ”
AIソリューションが普及すれば、法律事務所はスタッフを削減する可能性があります。
2016年に発表されたDeloitte Insightの報告書によれば、今後10年間で法律部門では、法律分野の雇用の約40％が長期的には自動化される可能性があると見積もっている。
2013年のオックスフォード大学の論文、「雇用の未来：雇用がコンピュータ化するにはどのように影響を受けますか？」法律事務所の低レベルの従業員は、少なくとも近い将来、AI技術の結果としてダウンサイジングの影響を感じる可能性が高いことを示唆しています。
“私たちはパラリーガルと法律上の助手が高リスクのカテゴリーにいることに気付いています"と同紙の著者は書いています。
「同時に、弁護士は、弁護士からの労働投入に頼っており、リスクの低いカテゴリーに属している」と著者らは書いている。
LawGeexのBechorも同意します。
「AIがすべての弁護士を置き換えることができるというロマンチックな考えがある」と彼は語った。 「今後数年間で起こることではない」と語った。
ROSS IntelligenceのArrudaは、AIが法曹界の雇用総数を増加させると考えて、さらに楽観的です。
Arruda氏は、「ROSSが開催されている企業では、より多くの作業が行われ、より多くの顧客がサービスを受けることができ、従業員数の減少ではなく、生産性とアウトプットの増加につながる」と語った。
彼はまた別の利点を見た。
“現在、弁護士を必要とする個人の大半は、弁護士を必要としない人の大半は、弁護士を雇用することができませんが、法定卒業生は負債に陥って仕事を見つけることができません。
LeibとArrudaは法務部門でのAIの拡大は、若い弁護士がブルートフォース・グラントワークを通じて必要な経験を得ることを困難にするとの懸念を却下した。
「理論的には、弁護士はテクノロジーのために1日目より効率的になる可能性がある」とLeib氏は語った。
Arruda氏は次のように述べています。「新しい技術が登場すると、この質問には多くの質問が寄せられます。
「しかし、本当に間違った質問だと思う」とArruda氏は語った。 「AIが優れている活動は、一般的には優れているものではなく、データの取得を考えている」
おそらく、最高のテイクは、アメリカ弁護士協会の法律技術資源センターの弁護士および理事であるソフィア・リンゴス氏からのものでした。昨年、アメリカ弁護士協会主催の円卓会議で、弁護士は弁護士が人工知能によって恐れるべきか奨励すべきか尋ねました。
「どちらも」、リンゴスは答えた。
Lingos氏はIBMのコグニティブ・コンピューター・システムに言及して「Watsonと競合することは誰も望んでいない」と述べた。
しかし、あなたがそれらを打ち負かすことができない場合、それらに参加しよう！
雇用の未来：コンピュータ化への雇用はどの程度影響を受けますか？ http://www.oxfordmartin.ox.ac.uk/downloads/academic/future-of-employment.pdf
オートメーションが法的職業をどのように変えているか http://www.americanbar.org/publications/youraba/2015/october-2015/5-questions-on-automation.html
参考
知性の核心に戻る...実際に未来は
20年前、私はマシンインテリジェンスの測定基準を作成し始めました。その時までに、第二AI冬の氷期に、AIが完全に欠いていたものを測定することに本当に興味があった人はほとんどいませんでした。 David L. Doweと私のように、エージェントと世界の相互作用のモデルが一連のビットであり、知性がSolomonoffとWallaceの理論を用いて作成されたアルゴリズム情報理論にリンクされた知性のメトリクスに興味があった帰納推論の その間、毎年数十種類のTuringテストのバリエーションが提案され、CAPTCHAが導入され、Davidは大きなスイッチアプローチに基づく非常に単純なプログラムを使用していくつかのIQテストを簡単に解決することを示しました。
そして、今日、新しいAIの春が到来しました。機械学習のフィールドが満開になり、より多くのAIベンチマークと競技会でAIへの実験的なアプローチがもたらされました（このブログの前回の記事を参照してください）。 この20年の見通しを考えると、昨年は多くの点で特別でした。汎用AIの評価に関する一連のワークショップの第1回は、様々なタスクに多様なソリューションを見つけることができる人工総合情報システム（AGI）システムの評価への関心が高まっていることを示しています。これらのシステムを評価することは、ロボットクリーナー、クレジットスコアリングモデル、機械翻訳機、自家用車など特定のシステムの従来のタスク指向の評価とは異なり、より困難です。ビデオゲームを使って汎用AIシステムを評価するというアイデアがありました。アーケード学習環境（Atari 2600ゲーム）またはより柔軟なビデオゲーム定義言語および関連する競争は、AGIおよびその最近のブレークスルーの評価にますます人気が高まっています。
去年も、Microsoftのマルメ、GoodAIのスクール、OpenAIのジムとユニバース、DeepMindのラボ、FacebookのTorchCraft、CommAI-envなど、さまざまな種類のAI評価プラットフォームの導入を目撃しました。これらのプラットフォームは、強化学習（RL）設定に基づいて、多くの異なるタスクを作成し、標準インタフェースを介してRLエージェントに接続することを可能にします。これらのプラットフォームの多くは、AIの新しいパラダイム、例えば深層強化学習や一部のオープンソースマシン学習ライブラリに適しています。数千回のエピソードや新たな作業に対する数百万歩のステップを経て、これらのシステムは人間のパフォーマンスよりも優れた性能を発揮します。 このパラダイムから導き出された多数のアプリケーションと画期的な進歩にもかかわらず、主な未解決の問題は、AIエージェントが表現とスキルをあるタスクから新しいタスクに再利用して、人間が行うように、いくつかの例を挙げれば、新しい仕事をはるかに早く学ぶことが可能です。これは、マッピング問題（通常は移転学習という用語の下で）と見なすことができますし、順次問題（通常は段階的、累積的、増分的、連続的またはカリキュラムの学習という用語の下で）と見ることができます。
以前の概念よりも新しい概念やスキルを構築するシステムのこの機能に関連する重要な概念の1つは、通常、「構成性」と呼ばれ、幼児期から人間によく記録されています。システムは、新しい問題を解決するために以前に学習された表現、概念、またはスキルを組み合わせることができます。例えば、エージェントは、部屋の外に出る可能性のある方法として、はしごを登る能力を組み合わせたり、エージェントが追加を学習した後に乗法を学習することができます。 私の意見では、以前のプラットフォームのうちの2つが合成性に適しています：MalmöとCommAI-env。 Malmöは3Dゲームのすべての要素を持ち、人工知能研究者は視覚と3Dナビゲーションを使ってエージェントを試して評価することができます。これは現時点でAIのホットな話題なので、Malmöを使った多くの研究論文がこれまで行ってきたことです。しかし、私にとって、マルメの最も興味深い機能は、複雑なものを作成するためにエージェントが必然的に以前のコンセプトとスキルを結合しなければならない建築と工芸です。 CommAI-envは明らかにこのプラットフォーム群の外れ値です。 2Dまたは3Dのビデオゲームではありません。ビデオやオーディオには何の役割もありません。インタラクションは、ちょうど+1、0、-1の入出力ビットと報酬のストリームによって生成されます。基本的に、行動と観測はバイナリです。 CommAI-envの背後にある論理的根拠は、コミュニケーションスキルに注目することですが、「さらに複雑さを最小限に抑えながら」、豊かな相互作用、パターン、およびタスクが可能になります。
General AI ChallengeがウォームアップラウンドにCommAI-envを使用していたことを知ったとき、私は情緒的でした。参加者は視覚とナビゲーションの複雑さなしにRLエージェントに集中することができました。もちろん、視覚とナビゲーションはAIアプリケーションにとって非常に重要ですが、徐々に学習することを理解し（評価する）ためには、さらに多くの複雑な問題が生じます。例えば、壁のテクスチャが変化する2つの等しいタスクは、同じテクスチャを有する2つのわずかに異なるタスクよりも高い転送労力を必要とすると見ることができる。言い換えれば、これは、タスク転送およびタスク依存性の分析をより困難にする余分な混乱要因となります。ウォームアップラウンドからこれを除外することが賢明な選択です。ビジョン、ナビゲーション、および他の種類の複雑な実施形態を含む他のラウンドの挑戦の機会があります。エージェントが段階的に学習できるかどうかを評価するための最小限のインターフェースから始めることは、一般的なAIにとって困難であるが重要な未解決の問題である。 また、ウォームアップラウンドでは、ビットが8ビット（1バイト）の文字にパックされるようにCommAI-envが変更されました。これにより、タスクの定義がより直感的になり、ASCIIコーディングがエージェントに対して透過的になります。基本的には、行動と観測のセットは256に拡張されています。興味深いことに、観察と行動のセットは同じであり、これらのサブセットが異なる強化学習では多くの可能性があります。例えば、 “入力を出力にコピー"や他のシーケンス変換演算子のようなプリミティブを持つエージェントは、タスクを解決するためにそれらを合成することができます。変数、および他の種類の抽象化は、重要な役割を果たします。
これは、チューリングマシンと象徴的なAIに戻っているという印象を与えるかもしれません。ある意味では、これが当てはまり、彼の1950年の論文でTuringのビジョンと非常に一致しています。「象徴語などの言語で与えられた命令に従うために罰と報酬によって機械を教えることは可能です。しかし、2017年には、ほんの数年前に利用できなかったさまざまな技術があります。例えば、ニューラルチューリングマシンやシンボリックメモリを持つ他のニューラルネットワークは、この問題に非常によく適しています。 これは決して深層強化学習愛好者の軍団がこのウォームアップラウンドに装置を持ち込むことができないことを示すものではありません。実際に、彼らはこの問題に深く学ぶために本当に熱心に取り組むなら、この挑戦に失望することはありません。視覚パターン認識のためにチューニングされた畳み込みネットワークは必要ないでしょうが、このような設定で深層学習を行うには、多くの可能性や課題があります。例。
プラスとして、シンプルで象徴的なシーケンシャルインターフェイスは、AIの多くの他の領域、すなわちリカレントニューラルネットワークだけでなく、自然言語処理、進化的計算、圧縮インスパイアされたアルゴリズム、または帰納的プログラミングなどの強力な文字列非常に少数の例を用いて問題に対する適切性を保証する。 私は上記のすべてがこのウォームアップラウンドを独特の競争にさせると思う。もちろん、私たちは過去に何も似ていないので、いくつかの驚きがあるかもしれません。予期せぬ（あるいはナイーブな）テクニックが他のもの（そして人間）よりもはるかに優れた動作をするか、現時点で何か意味のある技術を行うことができないことがあります。 私はこのラウンドがどのように発展し、参加者がマイクロタスクとミニタスクのシーケンスを解決するために統合し、発明することができるかを見たいと思っています。私はこれからたくさんのことを学ぶと確信しています。私はマシンもそうだと思う。そして、私たち全員が次のラウンドに進むでしょう！
