NASA、ソフトウェアのカタログを公開、地球上のアプリケーションのための公開されていないアクセスを許可
NASAは2017-2018年のソフトウェアカタログを発表しました。ソフトウェアカタログは、著作権や著作権料なしで、幅広い種類の技術アプリケーション用の広範なソフトウェア製品ポートフォリオを無償で公開しています。
ハードコピーとオンラインの両方で入手可能なこの第3版の出版物は、データ処理/ストレージ、ビジネスシステム、運営、推進、航空宇宙に関するすべての代理店のセンターから寄せられたものです。 これには、NASAがスペースを探索し、宇宙についての理解を深めるために使用する多くのツールが含まれています。 はじめてのリリースのために多数のソフトウェアパッケージが提供されています。 各カタログ項目には、それが何をしているのかを明記した言語記述が付いています。
NASAの宇宙技術ミッション・ディレクター（STMD）の管理責任者であるSteve Jurczykは次のように述べています。「ソフトウェアカタログは、起業家、中小企業、学界、産業界に今日のトップ航空宇宙専門家が使用するツールへのアクセスを許可することにより、ワシントン。 「これらのソフトウェアコードへのアクセスは、アメリカの雇用を創出し、収益を上げ、命を救う具体的な利益を生み出す可能性を秘めています。
NASAは、2014年4月にソフトウェアカタログの初版を公開し、連邦政府機関（カスタムコードの最大の作成者）によって編集される公に利用可能なソフトウェアの最初の包括的なリストになった。それ以来、NASAは数千のソフトウェアプログラムを学生、業界、個人、その他の政府機関と共有してきました。
「ソフトウェアは、NASAのミッション成功と科学的発見のそれぞれの重要な要素でした。 NASAの技術移転プログラムの幹部であるダン・ロッキニー（Dan Lockney）は、実際には、すべてのNASAの革新の30％以上がソフトウェアであると述べています。 「これらのツールを他のセクターに移して、新しく創造的な方法でそれらを実現する見通しに興奮しています。
入手可能なソフトウェアには、より高度なドローン用のコードと静かな航空機用のコードがあります。いくつかのコードにはアクセス制限が適用されますが、NASAは過去2年間にソフトウェアのリリースプロセスを自動化して更新し、できるだけ迅速かつ簡単に、簡単に実行できるようにしました。
ソフトウェアカタログはNASAの技術移転プログラムの製品であり、STMDの代理店で管理されています。このプログラムは、探査と発見のミッションのために開発された技術が国民に広範に利用可能であることを保証し、国家への利益を最大化する。
ソフトウェアカタログの検索可能なPDFについては、以下をご覧ください。
NASAの技術移転プログラムの詳細については、をご覧ください。
参照
2017年論文リサーチ
解釈可能な構造 - 進化するLSTM(Interpretable Structure-Evolving LSTM)
https://arxiv.org/abs/1703.03055 本稿では、Long Short-Term Memory（LSTM）リカレントニューラルネットワークを用いた階層グラフ構造上の解釈可能なデータ表現を学習するための一般的なフレームワークを開発する。LSTMモデルを事前固定構造で学習するのではなく、LSTMネットワーク最適化中にデータから漸進的かつ確率的に中間解釈可能なマルチレベルグラフ構造をさらに学習することを提案する。したがって、このモデルを構造進化型LSTMと呼びます。特に、各ノードが小さなデータ要素である初期の要素レベルのグラフ表現から開始して、構造を発展させるLSTMは、スタックされたLSTM層に沿って高い互換性を有するグラフノードを確率的にマージすることによって多段階グラフ表現を徐々に進化させる。各LSTM層において、我々は、対応するLSTMゲート出力からの2つの接続されたノードの互換性を評価し、これはマージ確率を生成するために使用される。したがって、候補グラフ構造は、ノードが、それらの合併確率を有するクリークにグループ化されるところで生成される。次に、確率確率を用いた確率的サンプリングによって局所的最適に詰まるリスクを軽減するMetropolis-Hastingアルゴリズムを用いて新しいグラフ構造を生成する。グラフ構造が受け入れられると、分割されたクリークをノードとすることにより、より高いレベルのグラフが構築される。進化するプロセスでは、冗長な情報がフィルタリングされ、より長期間のデータ依存性のより効率的な伝播を可能にする上位レベルで表現が抽象化されます。
深層ネットワークの高速適応のためのモデルに不可欠なメタ学習(Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks)
https://arxiv.org/abs/1703.03400 我々は、勾配降下で訓練され、分類、回帰、および強化学習を含む様々な異なる学習問題に適用可能なモデルと互換性があるという意味で、モデルに依存しないメタ学習のアルゴリズムを提案する。メタ学習の目標は、少数の訓練サンプルのみを使用して新しい学習タスクを解決できるように、さまざまな学習タスクでモデルを訓練することです。我々のアプローチでは、モデルのパラメータは明示的に訓練されているため、新しいタスクからの少量の訓練データを伴う少数の勾配ステップがそのタスクに対して良好な一般化性能を生成する。実際には、私たちの方法はモデルを微調整しやすいように訓練します。このアプローチにより、少数の画像分類ベンチマークで最先端のパフォーマンスが得られる。
ニューラルネットワークに対するジェネティックポイズニング攻撃法(Generative Poisoning Attack Method Against Neural Networks)
[1703.01340] Generative Poisoning Attack Method Against Neural Networks 中毒攻撃は、機械学習アルゴリズムに対する重大なセキュリティ上の脅威と認識されています。例えば、多くのアプリケーションでは、深いニューラルネットワーク（DNN）モデルは、入力データが被害を受けうる再トレーニングを実行するための入力としてパブリックデータを収集します。サポートベクターマシン（SVM）に対する中毒攻撃は、これまで広範に研究されてきたが、そのような攻撃がニューラルネットワーク（NN）、特にDNNにどのように実装されるかに関する知識は非常に限られている。本研究では、まず、従来の勾配法（直接勾配法と呼ばれる）を適用して、NNに対して被毒モデルデータを生成する可能性を調べる。次に、被毒データの発生率を高めるための生成方法を提案する。被毒データの生成に用いたオートエンコーダ（ジェネレータ）をロスの報酬関数で更新し、対象NNモデル（弁別子）が被毒データを受信してノーマルデータの損失を計算する。本発明者らの実験結果は、直接的な勾配法と比較して、生成法が被毒データ発生速度を最大239.38倍高速化することができ、モデル精度がわずかに低下することを示している。ターゲットモデルの喪失をチェックすることによって、そのような被害の攻撃方法を検出する対策も設計されています。直接勾配法と比較して38倍であり、モデル精度がわずかに低下している。ターゲットモデルの喪失をチェックすることによって、そのような被害の攻撃方法を検出する対策も設計されています。直接勾配法と比較して38倍であり、モデル精度がわずかに低下している。ターゲットモデルの喪失をチェックすることによって、そのような被害の攻撃方法を検出する対策も設計されています。 ＞DNNに対して毒のデータを学習させることで精度を低下させる。
Inception-v4、Inception-ResNetと学習に残る接続の影響(Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning)
非常に深い畳み込みネットワークは、近年の画像認識性能の最大の進歩の中心であった。 1つの例は、比較的低い計算コストで非常に良好な性能を達成することが示されているインセプションアーキテクチャである。最近では、より伝統的なアーキテクチャと連携した残存接続の導入により、2015年のILSVRCの課題に最先端のパフォーマンスがもたらされました。その性能は最新世代のInception-v3ネットワークに似ていました。これは、インセプションアーキテクチャを残存接続と組み合わせることに何らかの利益があるかどうかの問題を提起する。ここでは、残留接続を伴うトレーニングがインセプションネットワークのトレーニングを大幅に加速するという経験的な証拠を明確にしています。残余のインセプション・ネットワークが同様に高価なインセプション・ネットワークよりも性能が優れているという証拠もいくつか残っている。我々はまた、残余および非残余のインセプションネットワークのためのいくつかの新しい合理化されたアーキテクチャを提示する。これらのバリエーションは、ILSVRC 2012分類タスクの単一フレーム認識性能を大幅に向上させます。さらに、適切なアクティブ化スケーリングが非常に広い残差インセプションネットワークのトレーニングを安定させる方法を示します。 3つの残差と1つのInception-v4のアンサンブルで、ImageNet分類（CLS）チャレンジのテストセットで3.08％のトップ5エラーを達成します。 ＞ネットワークの安定をさせる。3つの残差と1つのInception-v4のアンサンブルを使用。
実行の習得(Learning to Execute)
http://arxiv.org/abs/1410.4615 長い短期記憶単位（LSTM）を有するリカレントニューラルネットワーク（RNN）は表現力があり、訓練が容易であるため広く使用されている。私たちの関心は、伝統的にニューラルネットワークにとって複雑すぎると見なされている短いコンピュータプログラムを評価するためにそれらを訓練することによって、シーケンス間シーケンスのLSTMの表現力と学習可能性を経験的に評価することにあります。定数メモリを使用して単一の左から右へのパスで評価できる単純なクラスのプログラムを検討します。私たちの主な結果は、LSTMがそのようなプログラムの文字レベルの表現を正しい出力にマップすることを学ぶことができるということです。特に、カリキュラムの学習を使用する必要があり、従来のカリキュラムの学習は効果がないと判明しましたが、私たちはすべての実験条件でネットワークのパフォーマンスを改善した新しいカリキュラムの変種を開発しました。改善されたカリキュラムは追加問題に劇的な影響を与え、99％の精度で2つの9桁の数値を追加するようにLSTMを訓練することを可能にしました。 https://github.com/fchollet/keras/blob/master/examples/addition_rnn.py
微分可能な境界木を用いた最近接近傍表現の学習(Learning Deep Nearest Neighbor Representations Using Differentiable Boundary Trees)
https://arxiv.org/abs/1702.08833 最近（kNN）法は、ハードウェアの進歩とアルゴリズムの効率を考慮して、近年普及している。今日から選択する方法は、それぞれ長所と短所があります。すべてのkNNに基づく方法間で共有される1つの要件は、サンプル間の良好な表現および距離測定の必要性である。 我々は、深いkNN表現を学習することを可能にする微分可能な境界木と呼ばれる新しい方法を紹介する。効率的な最近傍分類、回帰および検索を可能にする最近提案された境界木アルゴリズムを構築する。ツリー内のトラバーサルを確率論的事象としてモデル化することにより、我々はツリーの予測に関連する微分可能なコスト関数を形成することができる。深いニューラルネットワークを使用してデータを変換し、ツリーを逆拡散することで、kNNメソッドの良い表現を学ぶことができます。 我々の方法は、明確に解釈可能な構造を持つ非常に効率的な木を可能にする適切な表現を学ぶことができることを実証する。
DeepNAT：細分化神経解剖のための深畳み込みニューラルネットワーク(DeepNAT: Deep Convolutional Neural Network for Segmenting Neuroanatomy)
https://arxiv.org/abs/1702.08192
我々は、T1加重磁気共鳴画像におけるNeuroAnaTomyの自動セグメンテーションのための3D Deep畳み込みニューラルネットワークDeepNATを紹介する。DeepNATは、脳のセグメンテーションに対するエンドツーエンドの学習ベースのアプローチであり、抽象的なフィーチャー表現とマルチクラス分類を共同して学習します。我々は、パッチの中心ボクセルだけでなく、マルチタスク学習として策定された近隣のボクセルも予測する、3Dパッチベースのアプローチを提案する。クラスの不均衡問題に対処するために、2つのネットワークを階層的に配置します。最初のレイヤーではフォアグラウンドを背景から分離し、2つ目のレイヤーではフォアグラウンドで25の脳構造を識別します。パッチには空間的な文脈がないので、それらを座標で補強する。この目的のために、本発明者らは、脳容積の新規な固有パラメータ化を導入し、Laplace-Beltrami演算子の固有関数によって形成される。ネットワークアーキテクチャとしては、プーリング、バッチ正規化、および非線形性を備えた3つの畳み込みレイヤーと、完全に接続されたドロップアウトレイヤーを使用します。最終的なセグメンテーションは、クローズドボクセル間のラベル合意を確実にする、完全に接続された3次元の条件付きランダムフィールドを有するネットワークの確率的出力から推測される。ネットワーク内の約270万のパラメータは、確率的な勾配降下で学習されます。我々の結果は、DeepNATが最先端の方法に匹敵することを示しています。最後に、純粋に学習ベースの方法は、訓練されたネットワークを目的のアプリケーション上の小さな訓練サンプルで微調整することによって、若年者、老人、または罹患した脳への適応の可能性が高くなります。
GamerGateを測定すること：嫌悪、性欲、そしていじめの話(Measuring #GamerGate: A Tale of Hate, Sexism, and Bullying)
ここ数年の間に、オンラインの攻撃や虐待行為は、さまざまな形態やさまざまなプラットフォームで発生してきました。極端な場合、これらの事件は憎しみ、差別、いじめに発展し、実際の脅威や個人や団体に対する攻撃にもなりました。本稿では、Gamergateの論争を研究する。オンラインゲームの世界で2014年8月に開始され、さまざまなソーシャルネットワーキングプラットフォームに急速に広まり、最終的にはサイバー攻撃やサイバー攻撃の多くの事件につながった。私たちは、340kのユニークユーザーと1.6Mのツイートのデータセットの測定調査を発表し、これらのユーザーのプロパティ、投稿するコンテンツ、およびランダムなTwitterユーザーとの違いを調べます。この「Twitter戦争」に関わるユーザーは、より多くの友人やフォロワーを持つ傾向があり、一般的には従事していて、負の感情を伴うつぶやき、ランダムなユーザーよりも喜び、そして嫌いです。また、Twitterのサスペンドメカニズムがそのような虐待行為をどのように処理するかについて予備的な測定も行います。私たちはGamergateに焦点を絞っていますが、積極的でいじめの活動に関連するつぶやきを収集して分析する方法論は、独立した関心事です。 ＞データサイエンス的内容。 https://arxiv.org/abs/1702.07784
教師なし画像 - 画像変換ネットワーク(Unsupervised Image-to-Image Translation Networks)
1つの領域の画像を別の領域の対応する画像にマッピングする既存の画像 - 画像変換フレームワークの大部分は、教師あり学習に基づく。すなわち、2つの領域の対応する画像の対が翻訳を学習するために必要とされる関数。2つの異なる領域に対応する画像をキャプチャすることは、しばしば困難な作業であるため、これは主にアプリケーションを制限します。この問題に対処するために、私たちは、変分的な自動エンコーダーと生成的な対立ネットワークに基づく、UNIT（Unsupervised Image-to-Image Translation）フレームワークを提案する。提案されたフレームワークは、2つの領域に対応する画像なしに翻訳機能を学習することができる。我々は、重み共有制約と敵対的な訓練目的とを組み合わせることによって、この学習能力を可能にする。さまざまな監督されていない画像翻訳タスクからの視覚化結果を介して、提案されたフレームワークの有効性を検証する。切除研究は、重要な設計選択肢をさらに明らかにする。さらに、UNITフレームワークを教師なしドメイン適応タスクに適用し、ベンチマークデータセットで競合するアルゴリズムより優れた結果を達成します。
https://arxiv.org/abs/1703.00848
非負行列の因子分解の導入(Introduction to Nonnegative Matrix Factorization)
本稿では、非負行列分解（NMF）の概要を簡単に紹介します。NMFのいくつかの側面、すなわち、ハイパースペクトルイメージングにおける応用、NMF解の幾何学的および一意性、複雑さ、アルゴリズム、および多面体の拡張された処方との関連について議論する。NMFを視点に入れるために、制約のある低ランク行列近似問題のより一般的な問題クラスをまず簡単に紹介する。
深いエネルギーに基づく政策による強化学習(Reinforcement Learning with Deep Energy-Based Policies)
https://arxiv.org/abs/1702.08165
私たちは、以前の表ドメインでしか実現できなかった、連続した州や行為に対する表現力豊かなエネルギーベースの政策を学習する方法を提案します。我々は、ボルツマン分布を介して最適な方針を表すソフトQラーニングと呼ばれる新しいアルゴリズムの結果、最大エントロピー方針を学習する方法を適用する。我々は最近提案された償却されたスタイン変動勾配降下を使用して、この分布からのサンプルを近似する確率的サンプリングネットワークを学習する。提案されたアルゴリズムの利点は、水泳と歩行ロボットとの模擬実験で確認されるタスク間のスキルの移転を可能にする改善された探索と構成性を含む。我々はまた、対応するエネルギーベースのモデルについての近似推論を実行することができるアクター評論手法への接続を描く。
PMLB：機械学習のための大規模ベンチマークスイート評価と比較(PMLB: A Large Benchmark Suite for Machine Learning Evaluation and Comparison)
https://arxiv.org/pdf/1703.00512.pdf データマイニングにおける機械学習方法の選択、開発、または比較は、特定の研究の目標の問題および目標に基づいて困難な作業となり得る。実際の実世界とシミュレーションされた多数のベンチマークデータセットが異なるソースから出現していますが、標準としての組織と採用が一貫していません。そのため、特定のベンチマークを選択してキュレーションすることは、本研究では、さまざまな機械学習手法の長所と短所を容易に識別できるように、アクセシブルで、キュレーションされた、開発中の公開ベンチマークリソースを紹介します。このリソースの現在のベンチマークデータセットのメタ特徴を比較して、利用可能なデータの多様性を示します。最後に、多数の確立された機械学習手法をベンチマークスイート全体に適用し、データセットとアルゴリズムがどのようにパフォーマンスを集約するかを分析します。この作業は、一般的なベンチマークスイートの限界を理解し、既存のベンチマーキング標準を将来のより多様で効率的な標準に結びつけるリソースを開発するための重要な第一歩です。キーワード：機械学習、ベンチマーク、データリポジトリ、分類
着色（P6、ダイヤモンド、K4）フリーグラフ(Coloring (P6, diamond, K4)-free graphs)
https://arxiv.org/pdf/1703.00606.pdf 我々は、単純グラフ、有限グラフ、および無向グラフを考える。 ここで定義されていない表記法や用語については[22]を参照してください。
Xception：深度分離可能な深い学習(Xception: Deep Learning with Depthwise Separable)
https://arxiv.org/pdf/1610.02357.pdf 我々は、畳み込みニューラルネットワークにおけるインセプションモジュールの解釈を、規則的な畳み込みと深さ方向の分離可能な畳み込み演算（奥行き方向の畳み込みとその後のポイント畳み込み）との間の中間ステップとして提示する。この光では、深さ方向に分離可能な畳み込みは、最大数のタワーを有するインセプションモジュールとして理解することができる。この観察は、Inceptionモジュールが深さ方向に分離可能な畳み込みに置き換えられている、Inceptionに触発された新規な畳み込みニューラルネットワークアーキテクチャを提案する。我々は、Xceptionと呼ばれるこのアーキテクチャが、ImageNetdataset（Inception V3が設計された）上のInception V3をわずかに上回り、3億5000万の画像と17,000クラスを含むより大きな画像分類データセットでInceptionV3を大幅に上回ることを示す。 XceptionアーキテクチャはInceptionV3と同じ数のパラメータを持つため、パフォーマンスの向上は容量の増加によるものではなく、モデルパラメータの効率的な使用によるものです。
畳み込みと分離可能な畳み込みとの間の連続体
この強力な仮説に基づいて、Inceptionモジュールの「極端な」バージョンでは、最初に1x1畳み込みを使用してクロスチャネル相関をマップし、各出力チャネルの空間相関を別々にマッピングします。これは図4に示されている。我々は、この極端な形態のインセプションモジュールは深さ方向の分離可能なコンボリューションとほぼ同じであると言い、2014年の早い時期にニューラルネットワーク設計で使用されており、 2016年のTensorFlowフレームワーク[1] .TensorFlowやKerasなどのディーププレイングフレームワークで一般に「分離可能な畳み込み」と呼ばれる深度分離可能な畳み込みは、深さ方向の畳み込み、すなわち入力の各チャンネルで独立して実行される空間畳み込みすなわち、1x1畳み込み（convolution）であり、深度畳み込みによって出力されたチャネルを新しいチャネル空間に投影する。これは、空間的に分離可能な畳み込みと混同してはいけません。これは画像処理コミュニティで一般に「分離可能な畳み込み」とも呼ばれます。インセプションモジュールと高度に分離可能な畳み込みとの間の2つの小さな相違点は、
- 操作の順序：通常実行される（例えば、TensorFlowにおける）深さ方向に分離可能な畳み込みは、最初にチャネルワイズ空間畳み込みを行い、次に1x1畳み込みを実行するが、Inceptionは1x1畳み込みを最初に行う。
- 最初の操作後に非線形性があるかどうか。 インセプションでは、両方の操作の後にReLUの非線形性が続きますが、通常、奥行き方向の分離可能な畳み込みは非線形性なしで実装されます。
図1：カノニカルインセプションモジュール（インセプションV3）。
図2：簡略化されたインセプションモジュール
図3：簡略化されたInceptionモジュールの厳密に同等の再構成。
図4：Inceptionモジュールの「極端な」バージョン.1つの空間畳み込みがある
1x1コンボリューションの出力チャネル。
AIは80/20ルールを変更しようとしています。
MITライターの書いた記事。 AIを使って２０パーセントの高い収益を上げてる要素を簡単に抽出できる。 AIがパレードの法則を崩壊させてる場所もある。
多くの高性能組織は、イタリアのエンジニアとエコノミストであるVilfredo Paretoに熱心に取り組んでいます。彼らは80/20の原則、つまり効果（売上、収入など）の80％が原因の20％（製品、従業員など）に由来するという考えに触発され続けています。機械学習とAIアルゴリズムの革新が分析を変えるにつれ、私は次世代アルゴリズムがパレートの経験的に挑発的なパラダイムを超過することに賭けている。 AIと機械学習がパレート原理を使って収益性の高いイノベーションを従来の分析を超えてデジタルで推進する方法を再定義する3つの重要な方法があります。
スマートパトス
第1に、より多くの量とさまざまなデータがアルゴリズムがよりスマートになるために必要なトレーニングを受けることを保証します。その結果、デジタルネットワークは、変数の重要なベクトルを新しい価値に変換するパレートプラットフォームになります。
例えば、新しい職場分析では、製品、プロセス、ユーザーエクスペリエンスに80％の価値を寄与する従業員の20％をより容易に特定できる企業が増えています。ビジネスプロセス、プラットフォーム、および顧客経験の継続的なデジタル化は、同様に創造的なParetoの視点を招いています。プラットフォームのアップグレードの20％がその影響の80％を作り出しますか？顧客体験の20％が喜びや嫌悪感の80％を呼び起こしますか？深刻なCスイートは、データ駆動型の質問にアルゴリズム的に対処したいと考えています。
スーパーパトリス
第二に、従来のディストリビューションは破壊的に変化しました。大きなデータの小さな生産性秘密は、パレートの80/20の洞察が経験的な時代遅れに崩壊しているということです。分析的に積極的な企業は、10/90、5/50、2/30、1/25に近いパレート率をますます認識しています。データがデジタルスライスされ、ダイスされ、定義される程度に応じて、1/50、5/75、そして、はい、10/150パロットが出現します。パレートの「重要な少数」は「重要な少数」になります。
極端なディストリビューションは業界を凌駕し、支配しています。例えば、飲酒者の10％未満が、販売されている硬酒の半分以上を占める。さらに極端なことに、ゲームゲーマーの0.25％未満がすべてのゲーム内収益の半分を占めています。
しかし、「スーパーパロット」を明確に特定し、コシェートすることは、分析的には十分に進んでいない。これらの記述統計が予測統計量と規範統計量につながることを要求している。言い換えれば、これらのデータセットをスマートアルゴリズムの「トレーニングセット」に変換します。
組織は、パレートの傾向を特定する必要もあります。アルゴリズムを使用して、規模の小さいビジネスへの影響を促進する小さな調整でコードをクラッキングする必要があります。マネージャーとそのデータサイエンスチームは、より多くの優れたデータだけではなく、極端なパレートの可能性と可能性について再構成する必要があります。
たとえば、2,000以上のSKUを持つ数百万ユーロの産業機器会社は、そのオファーの4％未満が売上高の3分の1、収益性の約半分を占めていると判断しました。しかし、サービスとメンテナンスを含むように分析を拡張すると、約100の製品が収益性の3分の2以上を占めることが明らかになりました。その結果、同社は価格設定とバンドル戦略を根本的に再考しました。
製品そのものだけではなく、製品の属性や機能を中心としたより細かいパレート分析は、より洞察的な洞察を提供しました。同社のエンジニアリングチームとアカウントチームは、製品そのものではなく、必要な機能や機能セットを中心にデータ駆動型の再設計を検討しました。異なる分析単位を処理することで、さらに貴重なパレートの洞察が得られました。例えば、目標を絞った機能の削除はコストを削減するだけでなく、測定可能なユーザーエクスペリエンスを直接向上させ、増加する顧客セグメントのシェアを増加させました。
スーパーパロット
第3に、データがより細かくなり、アルゴリズムが複雑なパターンをよりスマートな方法で処理するようになると、Paretoのポートフォリオ管理が変更されました。分析的にも運用上でも、すでにパレート・ポートフォリオ、つまり企業全体でさまざまなパレートの洞察を管理しています。 KPIのダッシュボードが主要なパレート情報のデータ駆動型ルックを容易にしない場合、人々は将来の最適化と価値創造の機会を盲目に思っています。
個々のプロセスオーナー、プロダクトマネージャー、セールスチームが、一度独自のコアParetosを最適化することを強調した時点で、他の人のParetosを突き刺し、プローブし、プレイします。深刻な管理者と経営幹部は、分析サイロから壊れて破裂します。彼らは、彼らのパレオが分析的に交差し、重なり合って、企業全体でパレオスと生産的に再結合できることを認識しています。
ますます、パレートを再考し再生する最も確実な方法は、パレートを別のパレートにリンクすることです。データが豊富でアルゴリズムを意識した企業が、数十の重要なパレート指標を個別に管理することから、数千、数千もの企業KPIを監視するようになり、勇敢な新しいパレートアンサンブルが登場します。どのアンサンブルが新しい創造と捉えに最大の洞察と機会を提供しますか？
結果的に、ネットワークパトリオスは、私が見る最も刺激的で生産的な分析イニシアチブの1つになっています。 KPIクラスタの10％は、新規顧客、成長、または利益率の90％を説明しますか？超パレートの創造性への挑戦は、データ主導の多機能なコラボレーションを必要とします。企業全体の洗練された管理者と企業内者は、重要な少数を革新的に融合させたいと考えています。
あるグローバル通信会社では、記述的、予測的、規範的なあらゆる種類のパレート分析が開発され、解約を予期し、防止し、最小化しました。チャーン管理チームは、何百万人ものリスクのある顧客を文字通りに識別して保持する優れた作業を行っていました。しかし、リターンの縮小は始まった。パフォーマンスは高まりました。
グループが広がることに決めた時、すべてが変わった。顧客満足度、苦情、またはサービスに関するパレートの洞察力を強調する代わりに、彼らはアップセルを重視するいくつかのセールスマーケティングパレートデータセットを発見しました：購入した新規サービスの80％を占める顧客の20％新しいラインまたはデータプランの75％を担当する顧客の25％。
分析的にこれらのParetosで武装し、チャーンチームは、実際に顧客をアップセルできるかどうかを尋ねました。簡単な回帰分析と簡単なエージェントベースのモデリング手法は、パレートチャーナーとパレートの「アップセルラー」の間に有意なプロファイル相関を示しました。
スクリプトの作成や実験的なテストの提供は、かなり高速で、簡単で、安価でした。究極の結果は革命的ではありませんでしたが、それは増分をはるかに超えました。保持数は改善されただけでなく、チャーンチームはそれを保つのに費やす労力が少なく、成功率は2〜3％上昇しました。
しかし、このパレト・アンサンブルは、明らかにビジネス上のボーナスである場合には、思いがけないものです。 Churnチームの新しいParetosは、アップセルのセールスおよびマーケティング機能に役立っています。彼らの革新的なアンサンブルは、顧客満足度とNPS数を高めながら、自分の解約率を引き下げました。誰もが勝った。
Paretoアンサンブルの初期の成功は、Netflix Prizeの競争からの批判的な洞察を思い起こさせます。最良の結果は、個々のモデルのパフォーマンスの向上ではなく、最良の属性がまとめて増幅されたアンサンブルの作成によるものです。皮肉なことに、しかし適切に、パレート分析は最も価値のあるアンサンブルを決定することができます。
ここでの教訓は、競技に勝つために必要な段階的な結果には、多くのモデルを持つことが有用であることですが、実際には、うまく選択された数少ないモデルだけで優れたシステムを構築できます。
パレート分析をPareto分析に厳密に適用することは明らかですが、毎日その規律を示す組織はほとんどありません。それは変わらなければならない。戦略計画と技術ロードマップは、「パレート経路」によって分析的に情報を提供する必要があります。重要な将来を予測する能力、企業全体のKPIを組み合わせる機会は、効率性だけでなく破壊的な要因価値創造。
よりスマートにあなたのアルゴリズム、より多くの彼らとあなたの組織 - パレートとの間で学ぶ必要があります。
ライター
MITスローンスクールのデジタルビジネスセンターの研究員であるMichael Schrageは、書籍「Serious Play」（HBR Press）の著者であり、あなたの顧客は誰ですか？ （HBR Press）とInnovator’s Hypothesis（MIT Press）を参照してください。
参考
AI革命：超インテリジェンスへの道
注：この記事が完成するまでに3週間かかる理由は、私が人工知能に関する研究を掘り下げたとき、私が読んでいたものを信じることができなかったことです。 AIの世界で起きていることは、重要な話題ではなく、私たちの未来にとって最も重要な話題であることを、私はかなり早く打ちました。 だから私はそれについてできるだけ多くのことを学びたいと思っていました。そして私がそれをしたら、この全体の状況を本当に説明したポストを書いていることを確認したかったのです。 驚くことではないが、それはひどく長くなったので、私はそれを2つの部分に分けた。 これは第1部 - 第2部がここにあります。
私たちは、地球上の人間生活の台頭に匹敵する変化の最前線にいます。 - Vernor Vinge
ここに立つのがどんな感じですか？
立っているのはかなり激しい場所のようですが、時間のグラフに立っていることについて何かを覚えておく必要があります。あなたの右に何があるかを見ることはできません。 それで、実際にそこに立つのが実際にどのように感じられるのです：
おそらくかなり普通の感じです…
遠い未来 - 来る
世界が恒久的な停電にあった1750年までのタイムマシンを想像してください。長距離通信は大声で大声で叫ぶか、空気中で大砲を発射することを意味し、すべての輸送は乾草で走っていました。あなたがそこに着くと、あなたは男を拾い、彼を2015年に連れて行き、その後彼を歩き、彼がすべてに反応するのを見ます。高速道路で競争する光沢のあるカプセルを見たり、海岸の向こうにいた人々と話をしたり、1000マイルも遊んでいたスポーツを見たりすることは、私たちにとっては不可能です。 50年前に起こった音楽のパフォーマンスを聞き、実際のイメージを撮り、生きる瞬間を記録するのに使うことができる私の魔法のウィザードの長方形で遊んで、彼がどこにいるのかを示す超常的に動く青い点を持つ地図を生成する彼らが国の反対側にいるにもかかわらず、誰かの顔を見て、彼らとチャットし、他に想像もできない魔法の世界がある。あなたが彼にインターネットを見せたり、国際宇宙ステーション、大型ハドロンコライダー、核兵器、一般相対性理論のようなことを説明する前に、これはすべてです。
彼のこの経験は驚くべきことでも衝撃的なものでも、心に吹かれるものでもないでしょう。彼は実際に死ぬかもしれない。
しかし興味深いのは、彼が1750年に戻って彼の反応を見て欲しいと嫉妬して、同じことをやりたければ、タイムマシンを使い同じ距離に戻って、 1500年ごろ、彼を1750に連れて行き、彼にすべてを示す。そして1500人の人は、多くのことにショックを受けますが、彼は死ぬことはありません。 1500と1750は非常に異なっていましたが、1750年から2015年とははるかに違いはありませんでした.1500人の人間は、宇宙と物理学について何か心が疲れたことを学ぶでしょう。ヨーロッパがその新しい帝国主義の流行になっていることが判明したことに感心し、彼は彼の世界地図構想のいくつかの大きな改正をしなければならないだろう。しかし、日常生活を見ることは、交通、通信など1750年になります。間違いなく彼は死ぬことはありません。
いいえ、1750人の男が私たちと同じくらい楽しい時間を過ごせるようにするためには、最初の農業革命が最初の都市を生み出す前に、彼はずっと遠くに、そして文明の概念へ純粋に狩猟採集民の世界の人が、人類が多かれ少なかれ、他の動物種であったときから、崇高な教会や海洋渡りの船舶、1750年の人間の帝国を「内部、そして彼らの巨大な集団的で蓄積された人間の知識と発見の山は、おそらく死ぬでしょう。
死にかけた後、彼は嫉妬を覚え、同じことをしたいと思ったらどうでしょうか？彼が12,000年前に紀元前24,000に戻って男を得て、紀元前12,000に彼を連れてきたら、彼はその男にすべてを示し、その人は “あなたの気持ちは何か？"同じ楽しみ、彼は10万年以上戻って、初めて彼に火と言葉を見せてくれる人を手に入れなければならないだろう。
誰かが将来に輸送され、彼らが経験するショックのレベルから死ぬためには、彼らは「進歩のダイレベル」、すなわちDPU（Die Progress Unit）が達成されるまでに十分な年月を経なければなりません。だから、DPUは狩猟採集民の時代に10万年を費やしましたが、農業革命後の時代には約12,000年しかかかりませんでした。産業革命後の世界は急速に変わり、1750人がDPUが起こるのに数百年しか前進する必要はありません。
このパターン - 人間の進歩は、時間の経過と共により迅速かつ迅速に動く - 未来的なRay Kurzweilが人類歴史の「加速を加速させる法則」と呼ぶものです。これは、先進的な社会は先進的な社会よりも速いスピードで進歩する能力を持っているためです。 19世紀の人類は15世紀の人類よりも多くを知り、優れた技術を持っていたので、19世紀には人類がはるかに進歩したのは驚くことではない15世紀〜15世紀の人類は19世紀の人類には一致しませんでした11。
これは小さなスケールでも機能します。映画「Back to the Future」は1985年に発売され、「過去」は1955年に行われた。映画では、マイケル・J・フォックスが1955年に戻ったとき、彼はテレビの新しさ、ソーダ、シャリルエレクトリックギターへの愛の欠如、そしてスラングの変化などがあります。それは別の世界でしたが、映画が今日作られ、過去が1985年に行われた場合、映画ははるかに大きな違いを伴ってはるかに楽しくなりました。このキャラクターは、90年代後半に生まれた10代のマーティ・マクフライ（Marty McFly）が、1955年のマーティ・マクフライ（Marty McFly）よりも1985年にはるかに外れていた。
これは私たちが議論したのと同じ理由で、返品を加速する法則です。 1985年から2015年までの平均進出率は、1955年から1985年にかけてのそれよりも高かった。前者が先進国であったためである。
進歩はますます大きくなり、ますます急速に起こっています。これは、私たちの将来についてかなり激しいことを示唆しています。
Kurzweilは、20世紀全体の進展が2000年の進歩率でわずか20年間で達成されたことを示唆しています。言い換えれば、2000年までに、進捗率は平均進捗率の5倍20世紀。彼は2000年から2014年の間に20世紀の別の進歩が起こったと考えており、2021年までには20世紀の進歩がわずか7年で起こると考えています。数十年後、彼は20世紀の進歩は同じ年に何度も、さらには1ヶ月足らずで起こると考えています。結局のところ、Kurzweilは、21世紀が20世紀の進歩の1,000倍を達成すると信じています.2
Kurzweilと彼に同意する他の人が正しいとすれば、1750人が2015年までに2030年までに爆破される可能性があります。次のDPUは数十年しかかからないかもしれません.2050年の世界は、今日の世界とは大きく異なる可能性があります。
これはサイエンスフィクションではありません。これは、多くの科学者が、あなたや私がしっかりと信じているよりもスマートで知識が豊富なことです。歴史を見れば、論理的に予測する必要があります。
だから、なぜ、あなたが私に「今から35年後の世界は全く認識されないかもしれない」と聞くと、「クール…しかしナハハハッ」と思っていますか？未来の奇妙な予測が疑わしい3つの理由：
1）歴史に関しては、私たちは直線で考える。
次の30年の進展を想像すると、前の30年の進捗状況が、どのくらい起こるかの指標となります。 世界が21世紀にどの程度変化するかについて考えると、20世紀の進歩を踏まえて2000年に足していくだけです。これは1750年の人が1500年の 彼自身が同じ距離を先に吹き飛ばされたほどに彼の心を吹かせる。 私たちが指数関数的に考えなければならないとき、直線的に考えるのは最も直感的です。 誰かがそれについてもっと賢明であれば、彼らは過去30年間を見てではなく、現在の進歩率とそれに基づいて判断することによって、次の30年間の進歩を予測するかもしれません。 彼らはより正確ではあるが、それでもやり遂げるだろう。 将来を正しく考えるためには、今動いているものよりもはるかに速い速度で動くものを想像する必要があります。
2）非常に最近の歴史の軌跡は、歪んだ話をしばしば伝える。
第一に、急な指数関数的な曲線でさえも線形に見えます。小さな円で見ると、巨大な円の小さな部分を見ると同じように、ほぼ直線のように見えます。 第二に、指数関数的成長は完全に滑らかで均一ではありません。 Kurzweil氏は、「S字曲線」の進展が次のように説明しています。
Sは、新しいパラダイムが世界を掃討するときの進歩の波によって創造されます。曲線は3つの段階を経る：
1.低成長（指数関数的成長の初期段階） 2.急成長（指数関数的成長の後半、爆発的な段階） 3.特定のパラダイムが成熟するにつれて平準化3
直近の歴史だけを見ると、Sカーブの部分があなたの現在のスピードを知覚しにくくなります。 1995年から2007年の間に、インターネットの爆発、Microsoft、Google、Facebookの普及、ソーシャルネットワーキングの誕生、携帯電話、スマートフォンの導入などが見られました。それは第2段階でした：成長は2008年から2015年にかけては、少なくとも技術面では画期的なものではありませんでした。今日の将来について考えている人は、現在の進歩率を測るためにここ数年を調べるかもしれませんが、それはより大きなイメージを欠いています。実際には、新たな巨大なフェーズ2の成長スパットが今、醸成されているかもしれません。
3）私たち自身の経験は、私たちを将来について頑固な老人にする。
私たちは、私たちの個人的な経験に基づいて世界についての私たちのアイデアを立てています。その経験は、最近の過去の成長率を「起こる方法」として頭に浮かび上がらせました。将来の予測を喚起するためにそれを使用しますが、私たちが知っていることは、単に将来について正確に考えるツールを提供するものではありません.2私たちは、経験がどのように機能しているかという概念に矛盾する未来についての予測を聞くと、本能は予測が素朴でなければならないということです。このポストの後半に、あなたが150、250、または全く死んでいないと言ったら、あなたの本能は、 “それは愚かです。もし私が歴史から知っていることがあれば、誰もが死にます。 "そして、はい、過去に誰も死ぬことはありませんでした。しかし飛行機が飛行機になる前に飛行機を飛ばす人はいなかった。
あなたがこの記事を読んでいるとき、nahhhhhが正しいと感じるかもしれない間、それはおそらく実際には間違っています。事実、私たちが真に論理的であり、歴史的パターンが続くことを期待しているならば、私たちは直感的に予想するよりもずっと多くのものが今後数十年間に変わるはずだと結論づけるべきです。ロジックはまた、地球上の最も進化した種がどんどん大きく飛躍すると、ある時点で飛躍を遂げて、それが知っているように人生を完全に変えてくれると考えていますどのような生物が惑星地球上に生きているのかを完全に変えてしまったのは、人間のような大きな飛躍を遂げるまで、進化がどのように知性に飛躍していったかのような人間的なものであるということです。今日、科学技術で何が起こっているのかを読んでいれば、次に来る飛躍に耐えられないことを私たちが現在知っているので、静かにその人生を暗示している多くの兆候が見え始めます。
スーパーインテリジェンスへの道
AIとは何ですか？
あなたが私のような人なら、人工知能は愚かなSF概念だと思っていましたが、最近は深刻な人たちの言葉を聞いてきました。
多くの人々がAIという用語について混乱している3つの理由があります。
1）AIと映画を関連付ける。スターウォーズ。ターミネーター。 2001年：スペースオデッセイ。ジェットソン。ロボットキャラクターもそうです。だから、AIは少し私たちに架空の音を出します。
2）AIは幅広い話題です。それはあなたの携帯電話の電卓から自走車に至るまで、世界を劇的に変えるかもしれない将来のものまであります。 AIはこれらのすべてを指しており、混乱しています。
3）私たちは日々の生活の中で常にAIを使用しますが、しばしばそれがAIであることを認識しません。 1956年に「Artificial Intelligence」という言葉を作ったJohn McCarthyは、 “それが動作するとすぐに誰もそれをAIと呼びません"と訴えました4。この現象のため、AIはしばしば現実よりも神話的な将来の予測のように聞こえることがあります。同時に、決して実現しなかった過去のポップコンセプトのように聞こえます。 Ray Kurzweilは、AIは1980年代に枯れ、2000年代のドットコム・バストでインターネットが死んだと主張していると言われていると聞きました。
だから、物事を明確にしよう。まず、ロボットの考え方をやめてください。ロボットはAIのコンテナであり、時には人間の姿を模倣することもありますが、AI自体はロボット内部のコンピュータです。 AIは脳であり、ロボットは身体を持っていればその身体です。たとえば、Siriの背後にあるソフトウェアとデータはAIであり、私たちが聞いた女性の声はそのAIの人格化であり、ロボットはまったく関わっていません。
第二に、おそらく、「特異性」または「技術的特異性」という言葉を聞いたことでしょう。この用語は、通常の規則がもはや適用されない漸近線のような状況を表すために数学で使用されています。物理学では、無限に小さい、密なブラックホールのような現象や、ビッグバンの直前に押しつぶされた現象を記述しています。ここでも、通常の規則が適用されない状況。 1993年に、Vernor Vingeは、私たちが知っているような人生が永遠に変わり、通常のルールはもはや適用されなくなると、私たちの技術の知性が自分自身を超えている時代に、 。 Ray Kurzweilは、その後、加速を加速させる法律が急速に進歩し、技術進歩が無限のペースで起こっている時を特異点と定義して少し混乱させた後、我々はまったく新しい世界。私は、今日のAI思想家の多くがこの言葉の使用をやめてしまったことがわかりました。とにかくそれは混乱しています。私はここでそれをあまり使用しません。
最後に、AIは幅広い概念であるため、多くの異なるタイプまたはAIのAIが存在しますが、我々が考える必要のある重要なカテゴリはAIの口径に基づいています。 AIの3つの主要なカテゴリがあります：
AIキャリバー1）人工狭い知能（ANI）：弱いAIと呼ばれることもありますが、人工狭い知能は1つの領域に特化したAIです。チェスで世界のチェスチャンピオンを打ち負かすことができるAIがありますが、それが唯一のことです。ハードドライブにデータを保存するためのより良い方法を見つけ出すよう依頼してください。それはあなたを空白で見ます。
人工総合知能（AII）：人工総合知能（AII）：人工AIと呼ばれることもありますが、人工総合知能とは、人間全体と同じくらいスマートで、知的タスクを実行できるマシンを指します人間ができること。 AGIを作成することは、ANIを作成するよりもはるかに難しい作業です。まだ実行していません。 Linda Gottfredson教授は、知性を、「とりわけ、理性を立て、計画し、解決し、抽象的に考え、複雑な考えを理解し、素早く学び、経験から学ぶ能力を含む、非常に一般的な精神的能力」と説明します。できるだけ簡単にすべてのことをやりなさい。
AIキャリバー3）人工超知能（ASI）：オックスフォードの哲学者でAIの思想家でもあるニック・ボストロムは、超知性を「科学的創造性、一般的知恵、社会的スキルなど、あらゆる分野で最高の人間の脳よりずっと賢い知性」と定義しています。スーパーインテリジェンスは、人間よりもわずかにスマートなコンピュータから、賢く何千倍ものスマートなものまで、幅広く取り揃えています。 AIの話題がそのようなスパイシーなミートボールであり、なぜ「不滅」と「絶滅」という言葉がこれらの投稿に複数回出現するのかという理由がASIです。
今のところ、人間はAI-ANIの最も低い口径を多くの点で征服しています。どこにでもあります。 AI革命は、ANIからAGIを経てASIに至る道です。我々は生き残ってもいなくてもよい道ですが、いずれにしてもすべてを変えるでしょう。
現地の有力な思考家がこの道を見ていること、そしてなぜこの革命があなたが考えるかもしれないより早く起こるのかを見てみましょう：
私たちが現在どこにいるのか - ANIで実行中の世界
人工狭いインテリジェンスは、特定の事柄で人間の知性や効率と同等かそれ以上の機械インテリジェンスです。いくつかの例：
アンチロックブレーキが燃料噴射システムのパラメータを調整するコンピュータに取り込まれるべきであることがわかるコンピュータから、車はANIシステムでいっぱいです。現在テスト中のGoogleの自家用車には、周囲の世界を認識して反応することができる堅牢なANIシステムが搭載されます。 あなたの携帯電話は少しANIの工場です。地図アプリを使用してナビゲートしたり、Pandoraからのおすすめの音楽のおすすめを受信したり、明日の天気をチェックしたり、Siriに話を聞いたり、その他数多くの日常活動をANIを使用しています。 あなたの電子メール迷惑メールフィルタは、迷惑メールと迷惑メールが何であるかを把握する方法についての知識を積んだり、特定の嗜好を経験したときに覚えたり調整したりする典型的なタイプのANIです。ネストサーモスタットは、それがあなたの典型的なルーチンを把握し、それに従って行動するのと同じことをします。 あなたは、Amazonで商品を検索したときに起こる気まぐれなことを知っています。そして、別のサイトの「あなたにおすすめの」製品として、またはFacebookが何者かのように友人？これは、ANIシステムのネットワークであり、一緒に仕事をして、自分が誰で、何が好きであるかを互いに知らせ、その情報を使って何を見せるかを決定します。同じことがAmazonの「これを買った人たちも購入した…」ということになります。これは何百万という顧客の行動から情報を収集し、その情報を巧みにアップセルしてより多くのものを購入することになるANIシステムです。 Google翻訳はもう一つの古典的なANIシステムです.1つの狭い作業には印象的です。音声認識は別のもので、タグチームとしてこれら2つのANIを使用する一連のアプリケーションがあり、ある言語で文章を話し、別の言語で同じ文を吐き出させることができます。 あなたの飛行機が着陸するとき、どのゲートに行くべきかを決める人間ではありません。ちょうどあなたのチケットの価格を決めたのは人間ではありません。 世界最高のチェッカー、チェス、スクラブル、バックギャモン、オセロのプレイヤーはすべてANIシステムになりました。 Googleの検索は、ページをランク付けし、特にあなたに何を表示するかを把握するための、非常に洗練された方法を備えた大規模なANIの脳です。 FacebookのNewsfeedも同じです そして、それらは消費者の世界にあります。洗練されたANIシステムは、軍事、製造、金融などの分野や業界で広く使用されています（アルゴリズム市場の高頻度AIトレーダーは、米国市場で取引される株式の半分以上を占めています6）。最も有名なのは、十分な事実を含んでいて、恥ずかしがりなトレベックを理解していたIBMのワトソンです。 彼らが現在行っているANIシステムは、特に恐ろしいことではありません。最悪の場合、不具合やプログラムの悪いANIは、電力グリッドをノックアウトしたり、有害な原子力発電所の不具合を引き起こしたり、金融市場の災害を引き起こしたりするような孤立した大災害を引き起こす可能性があります（ANIプログラムが間違った予期せぬ状況に陥り、株式市場が一時的に暴落し、1兆ドルの市場価値が奪取されたが、そのうち一部は訂正されたときに回収された）。
しかし、ANIには存在する脅威を引き起こす能力はありませんが、現在進行中の世界変化のハリケーンの先駆けとして、比較的無害なANIのますます大きく複雑な生態系が見られるはずです。新しいANIの革新によって、静かにAGIとASIの道に別のレンガが追加されます。あるいは、アーロン・サエンツが見ているように、私たちの世界のANIシステムは、「地球初期の泡立ちのアミノ酸のようなものです。」という無意味な人生が起きました。
ANIからAGIまでの道
なぜそんなに難しいの？
私たちのようにコンピュータを賢明に作成しようとするのは信じられないほど挑戦的なことを学ぶのと同じように、人間の知性に感謝するものはありません。超高層ビルを築く、人間を宇宙空間に入れる、ビッグバンがどのようにダウンしたかの詳細を理解することは、私たち自身の脳を理解することよりもはるかに簡単です。今のところ、人間の脳は、既知の宇宙で最も複雑な物体です。
興味深いのは、AGI（一般的に人類のようなスマートなコンピュータで、狭い専門分野だけでなく）を構築しようとすることの難しい部分が、直感的にあなたが思うものではないということです。非常に簡単に2つの10桁の数字を2つに増やすことができるコンピュータを構築する。犬を見ることができ、それが犬であろうと猫であろうと驚くほど難しいと答えているものを作りなさい。チェスの人間を打ち負かすAIを作る？完了しました。 6歳の絵本からパラグラフを読んで、その言葉を認識するだけでなく、その意味を理解できるものを作ってください。 Googleは現在、それをしようとしていると何十億ドルも費やしている。計算力、計算力、戦略性、言語翻訳などの難しいことは、コンピュータでは簡単ではありませんが、視覚、動き、動き、知覚などの簡単なことは非常に困難です。あるいは、コンピュータ科学者ドナルド・クヌス（Donald Knuth）は次のように述べています。「AIは本質的に「思考」を必要とするすべてのことを成功させましたが、人々や動物が思考せずに行うことのほとんどを達成できませんでした。
これについて考えるとすぐに分かることは、私たちにとっては簡単に思えるものは信じられないほど複雑で、数百万年の動物進化によってそれらのスキルが最適化されているためです。オブジェクトに向かって手を伸ばすと、肩、肘、手首の筋肉、腱、骨が即座に一連の物理的操作を目に合わせて実行し、手をまっすぐに動かせるようにします三次元を通って線。それは、あなたがそれを行うためにあなたの脳のソフトウェアを完成させたので、あなたには楽に見えます。サイト上で新しいアカウントを登録するときに、単語の認識テストがうまくいかないことがあるため、マルウェアが気にならない理由は同じです。
一方、大きな数字を増やしたり、チェスをすることは、生物の新しい活動であり、能力を発揮する時間がなかったので、コンピュータは私たちを打ち負かすためにあまりにも熱心に働く必要はありません。それを考えてください。大きな数字を掛けるプログラムやBの本質を理解できるプログラムを作って、何千もの予測不能なフォントや手書きのいずれかにBを表示することができます。すぐにそれがBだったことを知っていますか？
1つの楽しい例 - これを見ると、あなたとコンピュータの両方が、2つの異なる色合いの矩形であることが分かります。
これまでに結ばれている。しかし、あなたが黒を拾い、全体像を明らかにすれば…
…様々な不透明で半透明なシリンダー、スラット、3次元コーナーを完全に記述することは問題ありませんが、コンピューターは悲惨に失敗します。 それは、何が見えるのかを記述します。さまざまな2次元のさまざまなシェイドが、実際にはそこにあるものです。 あなたの脳は暗黙の深み、陰影の混合、部屋の照明を描写しようとしています。下の図を見ると、コンピュータは2次元の白、黒、灰色 コラージュ、あなたはそれが本当に何であるかを簡単に見ている間、完全に黒い3次元の岩の写真です：
私たちが言及したことは、依然として停滞した情報を取り込んで処理しているだけです。 ヒューマン・レベル・インテリジェントであるためには、微妙な表情の違い、満足感、満足感、喜び、そしてなぜBraveheartが素晴らしかったのか、The Patriotがひどかったのかといった違いを理解する必要がありました。
ダウニング。
だから、どうやってそこに着くの？
AGI作成の第一歩：計算力の向上
AGIが可能になるためにはっきりと起こる必要があることの1つは、コンピュータハードウェアのパワーの増加です。 AIシステムが脳と同じように知性を持つようになるなら、脳の生の計算能力と同等である必要があります。
この能力を表現する1つの方法は、脳が管理できる1秒あたりの総計算量（cps）です。脳内の各構造の最大cpsを計算し、それらをすべて一緒に追加することによって、この数に達することができます。
Ray Kurzweilは、1つの構造のcpsとその構造の重みを全脳のそれに比べてプロの推定値を取ってから比例的に掛け合わせることで、ショートカットを作り出しました。ちょっと聞こえるかもしれませんが、彼はこれをさまざまな地域の様々なプロの見積もりで数回行いました。その合計は常に同じ球場に到着しました.1106、つまり10兆兆cpsです。
現在、世界最速のスーパーコンピュータである中国の天河2号機は、実際には約34兆兆cpsで計上されています。しかし、天河2号は、24メガワットのパワー（脳はわずか20ワット）を使って720平方メートルのスペースを占め、ビルドに3億9,000万ドルのコストをかけている。特に、幅広い使用法、あるいはほとんどの商業的または工業的用途には適用されません。
Kurzweilは、1,000ドルで購入できるcpの数を見て、コンピュータの状態を考えていることを示唆しています。その数が人間のレベルに達すると10兆分の1 cpsになると、それはAGIが人生の本当の部分になることを意味します。
ムーアの法則は、世界最大のコンピューティングパワーがおよそ2年に倍増するという歴史的にも信頼できるルールであり、コンピュータハードウェアの進歩は歴史を通じた一般的な人間の進歩と同様に指数関数的に増加しています。これがKurzweilのcps / 1,000ドルメトリックとどのように関係しているかを見ると、現在のところ、このグラフの予測軌道に沿ったペースで、約10兆cps / 1,000ドルです。
だから、世界の1000ドルのコンピュータは現在、マウスの脳を襲っており、彼らは人間のレベルの約1000分の1にいる。 これは、私たちが1985年に約1兆分の1、1995年に10億分の1、2005年に100万分の1になったことを覚えていない限り、あまり好きではありません。2015年に1000分の1になると、手頃な価格 脳の能力に匹敵する2025年までのコンピュータ。
ハードウェア側では、AGIに必要な生の電力は現在中国で技術的に入手可能で、10年以内に手ごろな価格で普及したAGI対応ハードウェアの準備が整います。 しかし生の計算力だけではコンピュータを一般的にインテリジェントにすることはできません。次の問題は、ヒューマンレベルの知性をどのようにすべての力にもたらすのでしょうか？
AGI作成の第2の鍵：スマート化
これは厄介な部分です。真実は、誰もそれをスマートにする方法を本当に知っているわけではありません。私たちは、コンピュータをヒューマン・レベルでインテリジェントにする方法と、犬と奇妙な書かれたBと普通の映画が何であるかを知ることができる方法について議論しています。しかし、そこには遠くからの戦略がたくさんあり、ある時点ではそのうちの1つが機能します。ここに私が遭遇した3つの最も一般的な戦略があります：
1）脳を剽窃する。
これは、授業中に隣に座っている子供がとてもスマートで、テストでうまくやっていることを科学者が指摘しているようなものです。彼らが勉強を続けているにもかかわらず、彼らは最終的に “私はちょうどその子供の答えをコピーするつもりだkを決める"それは意味がある - 我々は超複雑なコンピュータを構築しようと困惑していると、私たちの頭のそれぞれに完璧なプロトタイプが存在する。
科学の世界は、脳をリバースエンジニアリングして、進化がどのようにしてラッドなものになったかを理解するために努力しています。楽観的な見積もりでは、2030年までにこれを行うことができると言われています。強力かつ効率的に、そして我々はそれからインスピレーションを引き出し、革新を盗むことができます。脳を模倣するコンピュータアーキテクチャの一例は、人工ニューラルネットワークである。それは入力と出力でお互いに接続されたトランジスタ “ニューロン"のネットワークとして始まり、幼児の脳のように何も知らない。それが "学ぶ"ということは、手書き認識と言う仕事をしようとすることです。そして、最初に、各文字を解読する際の神経の発火とその後の推測は完全にランダムになります。しかし、何か正しいことが言われたら、その答えを生み出すために起こった発火経路のトランジスタ接続が強化されます。それが間違っていると言われると、それらの経路のつながりは弱まる。この試行とフィードバックの多くの後、ネットワークはそれ自体でスマートな神経経路を形成し、マシンはそのタスクのために最適化されています。脳はこのように少し習得しますが、より洗練された方法で学習し、脳の研究を続けながら、神経回路を活用するための斬新な新しい方法を発見しています。
より徹底した剽窃には、「脳全体のエミュレーション」という戦略があります。実際の脳を薄い層にスライスし、それぞれをスキャンし、ソフトウェアを使用して正確な再構築3Dモデルを構築し、強力なモデルコンピューター。私たちは、脳が可能なすべてのものを正式にコンピュータに持たせることができます。情報を覚えて収集するだけでよいのです。エンジニアが本当に得意であれば、脳のアーキテクチャがコンピュータにアップロードされると、脳の完全な個性と記憶が損なわれないような正確な精度で実際の脳をエミュレートすることができます。彼が亡くなる直前に脳がジムに所属していたなら、コンピュータはジム（Jim）として目を覚ますだろう。これは丈夫な人間レベルのAGIとなるだろう。今はジムを想像を絶する賢明なASIに変える作業をすることができる。おそらく本当に興奮しているだろう。
脳全体のエミュレーションを達成するまでにどれくらいの時間がかかりますか？今のところ、私たちはまだ最近、1mm長のフラットワーム脳を模倣することはできませんでした。これはわずか302のニューロンで構成されています。人間の脳には1000億人が含まれています。それが絶望的なプロジェクトのように思えるなら、小さなワームの脳を征服したばかりの指数関数的進歩の力を覚えていて、あまりにも長い間前に蟻が起こり、マウスの後に突然起こる可能性があります。 2）前回と同じように進化させてください。
スマートな子供のテストをコピーするのが難しいと判断した場合、代わりにテストのために学習する方法をコピーすることができます。
ここに私たちが知っているものがあります。脳と同様に強力なコンピュータを構築することは可能です。私たち自身の脳の進化は証明です。また、脳が複雑すぎてエミュレートすることができない場合は、代わりに進化をエミュレートすることができます。事実、たとえ私たちが脳をエミュレートすることができたとしても、それは鳥の羽ばたき動作をコピーして飛行機を作りようとするようなものかもしれません。機械は、生物学を正確に模倣するのではなく、 。
それでは、AGIを構築するための進化をどのようにシミュレートできますか？ 「遺伝的アルゴリズム」と呼ばれるこの方法は、何度も何度も繰り返されるパフォーマンスと評価のプロセスが生まれます（生物の生き物が生きているのと同じ方法で、彼らは再現するかどうかを管理する）。あるグループのコンピュータはタスクを実行しようとし、最も成功したものは、それぞれのプログラミングの半分を一緒に新しいコンピュータに統合することによってお互いに育てられます。あまり成功していないものは排除されるでしょう。多くの繰り返しにわたって、この自然選択プロセスはより良い、より良いコンピュータを生むでしょう。課題は自動化された評価と繁殖サイクルを作り出すことであり、この進化プロセスはそれ自身で実行できる。
進化をコピーすることの欠点は、進化は何十億年もかかることが好きであり、数十年後にこれをやりたいと考えています。
しかし、我々は進化よりも多くの利点があります。まず、進化には先見性がなく、無作為に働きます。有用な変異よりも有益な突然変異を生成しますが、プロセスを制御して有益な不具合と目標を微調整するだけです。第二に、進化はインテリジェンスを含む何かを目指すものではありません。時には環境がより高い知能に対して選択することさえあります（それは多くのエネルギーを使用するためです）。一方、われわれは、この進化的プロセスを具体的に知能向上に向けることができた。第三に、インテリジェンスを選択するために、進化は、細胞がエネルギーを作り出す方法を改革するなど、インテリジェンスを促進するための他の多くの方法で革新しなければなりません。進化よりずっと速くなることは間違いありませんが、これを実行可能な戦略にするために進化を十分に改善できるかどうかはまだ分かりません。
3）この全部を私たちの問題ではなくコンピュータの問題にする。
これは、科学者が必死になり、テストを自分自身にするようにプログラムしようとするときです。しかし、それは私たちがもっとも有望な方法かもしれません。
アイデアは、AIの研究と変更のコーディングを2つの主要なスキルで行うことで、独自のアーキテクチャを学ぶだけでなく改善することができるコンピュータを構築することです。コンピュータをコンピュータ科学者に教えて、自分たちの開発をブートストラップすることができます。そして、それは彼らの主な仕事 - 自分をよりスマートにする方法を考え出すことでしょう。これについては後で詳しく説明します。
これのすべてはすぐに起こりうる
ハードウェアの急速な進歩とソフトウェアによる革新的な実験が同時に行われており、AGIは次の2つの主な理由により、
1）指数関数的な成長が激しく、カタツムリの進歩のペースのように見えるものは、急速に上昇する可能性があります。このGIFは、この概念をうまく示しています。
2）ソフトウェアに関しては、進歩は遅く見えるかもしれませんが、1つのエピファニーが即座に進歩の速度を変えることができます（人間が宇宙が地球中心であると思っている間、科学が宇宙の働きを計算するのが難しい しかし、それが突然心地よいという発見は、すべてをずっと簡単にしました）。 それとも、自分自身を改善するコンピュータのようなものになると、遠く離れているように見えるかもしれませんが、実際には1,000倍の効果があり、人間レベルのインテリジェンスに向かって拡大していくというシステムのほんの一歩です。
AGIからASIへの道
ある時点で、我々は人間レベルの一般知能を備えたAGIコンピュータを達成するでしょう。平等に一緒に住んでいる人々とコンピュータのちょうど束。
ああ、実際には全く。
事実、人間と同じレベルの知能と計算能力を持つAGIは、人間よりもまだ大きな利点があります。次のように：
ハードウェア：
速度。脳のニューロンは約200Hzで最大になりますが、今日のマイクロプロセッサー（AGIに達するときよりもはるかに遅いマイクロプロセッサー）は、2GHz、つまりニューロンよりも1000万倍高速です。約120m / sで動くことができる脳の内部通信は、光の速度で光学的に通信するコンピュータの能力によってひどく凌駕されています。 サイズと保管。脳は頭蓋骨の形でその大きさに固定されていて、とにかく大きくならないか、120m / sの内部通信が脳構造から別の構造に到達するには時間がかかりすぎるでしょう。コンピュータを物理的なサイズに拡張することで、はるかに多くのハードウェアを稼働させることができ、作業メモリ（RAM）を大幅に増やすことができます。 信頼性と耐久性。より正確なコンピュータの思い出だけではありません。コンピュータトランジスタは生物学的なニューロンよりも正確であり、劣化する可能性は低い（修復または交換が可能な場合）。人間の頭脳も疲労しやすく、コンピュータは最高のパフォーマンスで24時間365日連続して動作することができます。 ソフトウェア：
編集可能性、アップグレード可能性、幅広い可能性。人間の脳とは異なり、コンピュータソフトウェアは更新や修正を受けることができ、簡単に実験することができます。アップグレードは、人間の脳が弱い領域にも及ぶ可能性があります。人間のビジョンソフトウェアは高度に高度化していますが、その複雑なエンジニアリング能力はかなり低いレベルです。コンピュータは人間の視覚ソフトウェアとマッチすることができますが、エンジニアリングやその他の分野でも同様に最適化することができます。 集合的能力。人間は広大な集団知性を構築する上で、他の種を押しつぶす。言語の開発や、執筆や印刷の発明を通じた大規模で密集したコミュニティの形成から、インターネットのようなツールによって強化されてきた人類の集団情報は、私たちがこれまでに得た大きな理由の1つです他のすべての種よりはるかに先行しています。そして、コンピュータは私たちよりも優れているでしょう。特定のプログラムを実行しているAIの世界的なネットワークは、それ自体と定期的に同期することができ、その結果、あるコンピュータが習得したものは、他のすべてのコンピュータに即座にアップロードされます。このグループは、人口の中にあるように意見や動機、自己利益に反するとは必ずしも言えないので、1つの目標として1つの目標を達成することもできます。 自己改善のためにAGIになる可能性のあるAIは、「人間レベルの知性」を重要なマイルストーンとは見なしませんでした。これは、私たちの立場から見ると唯一の関連するマーカーであり、何の理由もありません。私たちのレベルで “停止"。また、人間の知能でも同等のAGIが持つ優位性を考えれば、優れた人間の知能の領域に向けてレースを行う前に、ただちに人間の知性に打撃を与えることは明らかです。
それが起こると、これは私たちのたわごとを衝撃するかもしれません。その理由は、私たちの見解では、A）さまざまな種類の動物の知性が異なる一方で、動物の知能について我々が知っている主な特徴は、それが我々のものよりはるかに低いことであり、B）愚かな人間よりもスマートです。このようなもの：
だから、AIが私たちの知能を上向きにすると、動物のために単純に賢くなると見なされます。 それで、人類の最低能力に当たったとき、ニック・ボストロムは「村の馬鹿」という言葉を使っています。私たちのようなものです。「ああ、うわー、それは愚かな人間のようだ。 かわいい！」唯一のことは、諜報の壮大なスペクトルの中で、村の馬小屋からアインシュタインまでのすべての人間が非常に小さい範囲内にあることです - 村の馬小屋レベルに当たってAGIと宣言された直後に、 アインシュタインよりも賢くて、私たちが何を打つのか分かりません。
その後、どうなるの？
知能爆発
この話題が不規則で恐ろしいものになっているので、通常の時間を楽しんでいただければ幸いです。私がここで取り上げたいのは、私が言うつもりのことは、最も尊敬されている思想家や科学者からの真実の科学と未来の本当の予測です。それだけを覚えておいてください。
とにかく、私が上記のように、AGIに近づくための私たちの現在のモデルのほとんどは、AIが自己改善によってそこに到達することを伴います。そして、それがAGIに到達すると、自己改善を伴わない方法で形成され成長したシステムでさえも、自分が望むなら自己改善を開始するのに十分なほどスマートになります3。
ここでは、再帰的な自己改善という強烈なコンセプトに到達します。このように動作します。
あるレベルのAIシステム（人間の村の馬鹿馬鹿より言ってみましょう）は、自分の知性を向上させるという目的でプログラムされています。それが終わると、それはよりスマートになります。アインシュタインのレベルにあります。アインシュタインレベルの知性を持って、知性を向上させるために働くとき、より簡単な時間があり、より大きな飛躍を遂げることができます。これらの飛躍はどんな人間よりもずっと賢くなり、より大きな飛躍を可能にします。飛躍がますます大きくなり、より迅速に起こるにつれて、AGIはインテリジェンスを高め、すぐにASIシステムのスーパーインテリジェントなレベルに到達します。これは知性爆発と呼ばれ、11究極の復帰法則の例です。
AIがどのくらい人間のレベルの一般的な知性に到達するかについて、いくつかの議論があります。数百人の科学者を対象としたアンケートでは、AGIに達していない可能性が高いと信じていた年の中央値年は204012でしたが、今からわずか25年です。この分野の思想家は、AGIからASIへの進行が非常に迅速に起こる可能性が高いと考えています。このようなことが起こる可能性があります：
最初のAIシステムが低レベルの汎用インテリジェンスに到達するまでには数十年かかりますが、最終的に発生します。コンピュータは、周囲の世界だけでなく、4歳の人間を理解することができます。突然、そのマイルストーンを打つ1時間以内に、システムは、一般相対性理論と量子力学を統一する物理学の壮大な理論を汲み出します。人間が決定的に行うことはできませんでした。その90分後、AIは人間よりも17万倍も知的なASIになりました。
その大きさの超インテリジェンスは、我々が遠隔地で把握できるものではなく、バンブルビーがケインズ経済学の頭を覆うことはできません。私たちの世界では、スマートは130 IQを意味し、愚かなことは85 IQを意味します.IQは12,952です。
私たちが知っていることは、この地球上の人間の完全な支配が明確なルールを示唆しているということです。つまり、私たちがそれを作ったとき、ASIは地球上の生命の歴史の中で最も強力な存在になり、人間を含むすべての生き物は完全に気まぐれになり、これは数十年後に起こるかもしれません。
われわれの貧弱な脳がWi-Fiを創造することができたなら、我々よりも賢く100倍、1,000倍、または10億倍の何かが、いつでも好きな方法で世界中の各原子の位置を制御する上で問題にならないはずです。魔法を考えてみましょう。最高の神が持っていると想像するすべての力は、軽いスイッチでフリップすることが私たちのためのものであるため、ASIの活動としては平凡であるでしょう。人間の老化を逆転させ、病気や飢えや死亡を治癒する技術の創造、地球上の人生の未来を守るために天候を再プログラミングすることは突然可能です。地球上のすべての人生のすぐ終わりも可能です。私たちが考える限り、ASIが現れれば、地球上には全能の神がいます - そして、私たちにとって非常に重要な質問は、
素敵な神ですか？
参考
http://waitbutwhy.com/2015/01/artificial-intelligence-revolution-1.html
自律武器：専門家とのインタビュー
私はライフ・インスティテュート・オブ・ライフのアリエル・コネです。今日、私は自治兵の分野の専門家であるHeather Roff博士とPeter Asaroと話をする特権を持っています。ロフ博士は、アリゾナ州立大学のグローバル・セキュリティ・イニシアチブの研究科学者であり、オックスフォード大学の上級研究員です。彼女は最近、国際社会に自律兵器の現在の状態をよりよく理解させるために、あるレベルの自律的能力を発揮する武器システムのデータベースを集めた。アサロ博士は、ニューヨーク市の新学院で科学、技術、メディアの哲学者です。彼はすべての自律システムで責任と責任に関する根本的な問題を検討していますが、国際兵器規制委員会の共同創設者と副議長でもあり、キラーロボットを止めるキャンペーンのスポークスパーサーです。
ロフ博士、私はまずあなたから始めたいと思います。データベースに関しては、どのような情報を作成するか、どの情報を提供するのか、どのように使用するのですか？
ヘザー
データベース作成の主な原動力は、同じ自律型（少なくとも半自律型または自動化された兵器システムが何度も何度も繰り返し議論されてきたという気持ちであった。だから、誰もが話すことになるのは同じ2つか3つのシステムのようなものだったし、それは基本的に心配することが他にないように思えた。したがって、同じ2つまたは3つのシステムが一貫して例として出てきました。だから2015年に、慣習的な武器に関する倫理上の武器に関する非公式会合に関する国連条約で、国際赤十字委員会（ICRC）が出てきて、基本的には「もっとデータが必要です。私たちは何を持っているのか、私たちがすでに取り組んでいることを知る必要があり、遊びの状態を理解するのに役立つ必要があります」と述べています。私たちが現在取り組んでいることやそれらのシステムの自動化の状態を知りたいと思った人物を提供することが、政策立案者やNGOに提供することでした。
そこで私は、現在配備されているシステムである約250システムのデータベースを作成しました。そこには発達的な武器システムがいくつかありますが、それはそのように言われており、主に軌道がどこに行くのかを示すために含まれています。したがって、現在のフィールドと開発されたものを確認し、開発システムとその違いを確認することができます。このデータセットは、ストックホルム国際平和研究所が指摘しているように、ロシア、中国、アメリカ、フランス、ドイツの5大武器輸出国を調べています。SIPRIは軍備管理と武器貿易に関する多くの作業を行っているので、誰に何を誰に送るかについては基本的に取り組んできましたが、これらはトップ5の輸出国であり、各国の武器製造業者です。私は各国の主要な販売および主要防衛産業のメーカーを見ています。そして、トップメーカーが製造している国々によって現在配備されているすべてのシステムを見て、それらを約20種類の変数に沿ってコード化します。すべてのものから、自動ターゲット認識を持っているか、GPSを使って飛行するか、GPSを使ってナビゲートするか、取得機能を持つか、空域にいるか、海域にいるか、彼らは何ですか？操作の日付、展開の初期日付。そして、私は、システムが本当に何であるか、誰がそれをどこで作るのか、そしてどこにいるのかに関する文脈に関する情報を持っています。
そして、それらのデータポイントをすべてまとめると、それらを異なる指標で組み合わせます。そして、一つの指標は自己移動性に関するものであり、システムが自らの環境でどの程度うまく動き回ることができるかです。私は、自己指向と呼ぶものとは異なる機能の別の指標を持っています。これは、それがどれくらいうまくターゲットにできるかということですから、与えられたx、y、z、または一連の場所や座標 - それがどれくらいうまくその場所に到達し、その場所を見つけるか、そのターゲットを見つける。そして、私が自己決定と呼んでいることに関連する別の指標があります。これは、自分の目標を変えること、自分の目標や目標を更新できるという認識能力の向上です。より強固な認知能力。だから私はこれらのすべてに沿ってコード化し、次にそれらを正規化するためにさまざまな方法で重み付けします。そして、既存のシステムがこれらのインデックスのどこにあるかを確認します。
これは何をしているのか、それは誰でも自律性がバイナリだけではないことを理解できるようにしています。はい、いいえではありません。実際には、私の見解では、緊急財産であるものだけでなく、自動化に深く根ざしたものもあります。それで、私たちはどのようなものを自動化しているのか、どのような作業を自動化しているのかを理解する必要があります。GPSの場合はナビゲーション、移動の場合はターゲットID、防火の場合は右のような種類の個別化された機能があります私たちが自律システムで話しているときに意味することをより詳細に理解することができます。
私は現在配備されているシステムを見ているので、これらはレガシーシステムなので、これは何十年も使用されてきたシステムです。何年も前から行ってきたことは、システム上のさまざまなコンポーネントを実際にアップグレードすることでした。だから新しい武器はない。少なくとも米国の場合はブロックシステムと呼ばれているので、ブロック1、ブロック2、ブロック3、ブロック3のシステムが最も進歩しており、それらのシステムで最もアップグレードされています。その意味で、これはこのプロジェクトができることです。「見て、1967年に何をやったのか、今は何をしているのだろう？そして、自治はどこで始まりますか？自律性は、現在の状況とはどう違うのですか？そして、それはこのデータプロジェクトがやろうとしていることのようなものです。「見て、世界の多くの人々が、現代軍がどんな戦いをしているか、彼らが戦う方法、そしてその戦闘のどれだけが、自動機能を備えた賢明な弾薬でどれだけ進んでいるかをよく理解しているわけではない。 ' ですから、問題は、これらを今プレイしている場合、自律武器とは何が違うのでしょうか？
優れた。あさとろ先生、すぐにあなたにも行きたいです。あなたの研究は、自律武器に関するものではなく、一般的な自律システムの責任に関するものですが、あなたは自律武器を使って作業します、そして、私は責任がどのようにこの中でどのような役割を果たすか知ることに興味があります。自発武器と間違ったターゲットで偶発的に発砲する無人機を監督する人間との違いはどうですか？
ピーター
右。私の仕事は、自律武器と他の種類の自律システムのさまざまな側面を見ています。実際には、倫理的側面と法的側面のインタフェースを見ています。特に、自律武器を持っているときは、殺害の倫理、武力紛争の国際的な法律上の法的要件は本当にそれの中心です。だから私はこの10年間でいくつかの記事を読んだり、この問題のさまざまな側面を見ています。私は、倫理問題の最強の根源は、こうした自律的なシステムは、人間と同じように実際に合法で道徳的なエージェントではないということだと思うので、殺す権限を委任することは妥当ではありません。それで、なぜ我々は説明責任と責任と責任と法的枠組みと倫理的枠組みのシステムを持っているのか、そして何らかの重要な行為をしたり決定を下す自律的な代理人を持つことが何を意味するのか目標とするものと武器を発射することについて。そして、人類倫理や法的要件に関する私たちの考え方は、これらの新しい種類の自律エージェントに、AIや自動車、自律武器など、実際には同じように適用されません。だからあなたが本当にそれに入るのを始めたら、責任と説明責任の感覚が違うのです。
アカウンタビリティの1つの側面は、間違いが生じた場合に、人々にその間違いを説明させることです。そして、そのエラーが将来発生するのを防ぐためのある種のフィードバックメカニズムがあります。しかし正義の要素もあります。正義の要素は、あなたが損失を埋めようとする正義の正義です。そしてアカウンタビリティの他の形式は、実際にはそれ自体の罰を見る。あなたが自律システムを持っているとき、システムを本当に罰することはできません。システムを改革したい場合は、そのシステムを設計している人々を見て、フィードバックが確実に得られるようにする必要があります。しかし、あなたが罰を見ようとしているなら、それはシステムの指揮官かもしれません。しかし、もっと重要なことは、システムがもたらす効果を誰も本当に意図していないなら、システムの動作に誰かが責任を持つことを非常に困難にすることです。意図がない場合は、例えば、戦争犯罪を誰かに告げることはできません。犯罪行為の法的枠組みのほとんどは刑罰であり、本当に意図に依存しています。
だから、もしあなたがそれをもっと広く見ていたら、国連と非武器兵器禁止条約で行われている議論の中で私たちがやっていることは、この説明責任のギャップについて疑問を投げかけています。ですから、これらの自律型武器をフィールドに入れることを許可すれば、間違いを犯すと誰が責任を負わせるのかははっきりしません。あなたは厳密な責任などを課すことができ、うまく言えば、システムを配備した人がそのシステムで何が起こるのか完全に責任を負うように扱うだけですが、実際にはそうしません。私たちは予期せぬ事態に責任がある人はいません。だから実際に合法的に再生されるかどうかは、これらのシステムのさまざまな行為や、法的枠組みが人々の責任を追及しようとしていることを見るまで、未解決の問題です。
そして、ニュースで多くのことを聞いていることの1つは、人間を常にループの中に置くという考えです。そして、私は一種の好奇心を持っています。一つは、それが負債の考え方にどのように影響しますか、二つは物理的にも可能です。そして、この質問は、あなたと人間のチームとして働く自律武器のアイデアの両方を意味します。それは現実的にはどういう意味ですか？
ヘザー
だから、私は人間のループ、人間のループ、そしてループから抜け出して、私は実際には役に立たないヒューリスティックだと思っています。実際に自律システムの問題や、何が間違っているのではなく、潜在的に危険で危険なものか、意図しない結果を招く可能性があるのかを考える能力を実際に妨げていると思います。ここでは例を挙げます：イギリスでは、英国の国防省がこれを空のハンガー問題と呼んでいます。そして彼らが意味することは、彼らが飛行機のハンガーに歩いて行く可能性は非常に低く、彼らは内部を見て、彼らは "ねえよ！飛行機はどこですか？ああ、今日は戦争に行くことに決めました」と言いました。
これらのシステムは常に人間によって使用される予定であり、人間はそれらを使用することに決めようとしています。それでは、問題は、まあ、ループの大きさはどれくらいですか？それで、ループシステムで人について話しているときには、人間のことをループの中で考えることができるように思えます。ループの意味は次のようになります。非常に小さく、非常にタイトです。そして、力を使うという決定、引き金の発射、そしてその力の実際の効果は非常に小さく、非常に縛られており、時間と空間によって制約されています。それはそのループについて考える1つの方法です。
しかし、そのループについて考えるもう1つの方法は、ターゲットプロセスであり、これははるかに広いループです。少なくとも米国内とNATO内のターゲッティングプロセスでは、ターゲットドクトリンと呼ばれるものがあります。これには多くの人が関わり、さまざまな目標が形成され、さまざまな目標が検討され、人間司令官によるそれをするために、これを行うためにここに行く。特定の兵器システムの使用は、司令官が引き受けるプロセスの一部です。そして、そういうことを言うならば、「まあ、私はそのループについて話しています。」あなたは、「まあ、システムはループしています」と言ったときに、一種の概念的な心配になります。 ？だから私は実際には、ループ、ループ、ループ、ループの中から考える...それは、私たちが何が起こっているのかを視覚化するのに役立つヒューリスティックだが、そのヒューリスティックの結果は、自律的技術のニュアンスの一部を見せる私たちの能力。
私はこれを提出します。これについて考えるもっと良い方法は、タスク割り当てという点です。すべての自律システムが単独でタスクを実行し、そのタスクを単独で実行できると思っているなら、タスクの内容は何か、タスクの範囲は何か、どの程度の情報とそのシステムをデプロイする前に人間のコントロールが実行されますか？そして、決定に力を入れてから力を加えるまでの間に多くの時間と空間と距離があると、物事が変化する時間が増えます。人間が基本的に呼び出す時間が増えます。彼らは何が起こるのかを知りませんでした。あるいは、これが起こることを意図していなかったので、実際に結果に責任を負う人がいないかもしれないこの問題に遭遇します。そして、これはピーターが話していたことです。あなたはそれを厳しい責任と呼ぶことができますが、責任について話し合っているすべての種類の法制の下では、通常は何らかの害を引き起こす意図がなければなりません。これ以外の部分は、「まあ、大丈夫ですが、何らかの制度、法的、道徳的な制度があり、その意図は重要ではありません」と、それは厳しい責任となります。しかし、私たちは戦争で厳しい責任を本当に好きではなく、私たちは戦争で過失の教義を持っていません。たとえば、武力紛争の法律にトルテ法はありません。実際に誰かを責任あるものにするために、無謀と過失では不十分です。だから私はそれがピーターの仕事が本当に面白いところだと思う。自律性を仕事に関連して考えると、「うーん、いくつかの仕事では大丈夫ですが、他の人には大丈夫ではありません」と言うことができます。しかし、私は仕事について話すのがはるかに一貫していると思いますこのシステムが、ループ内またはループ外のいずれかのカテゴリに該当するかどうか、および人間が関連するカテゴリのいずれかに当てはまるかどうかを判断するために、マシンまたはシステムに与えることを許可または譲渡しているそれ。なぜなら、あまりにも多くの質問をしてくれるからです。
あさろ先生、あなたもそれに重きを置くことができますか？
ピーター
[笑い]ヘザーはそれをとてもうれしく思いました。私はどれくらいそれに追加するのか分かりません。繰り返しますが、この種の事実上の責任は、多くの法的構造が目にしていることです。あなたが知っているように、戦争法には法律がないという事実があります。したがって、これは自律型車両では異なります。したがって、自走車が人を乗り越えるようになると、人々は会社、製造業者を訴えるでしょう。そして、時間の経過とともに、これらのシステムの安全性が向上します。しかし、国際法には、爆弾やミサイルの犠牲者、潜在的には自律的武器がこれらのシステムの製造者を訴えるための仕組みはない。それだけでは起こりません。そのような種類の間違いに基づいてシステムの安全性と性能を必ずしも向上させるためにそれらを製造する企業にも、いかなるインセンティブもありません。彼らを配備している軍隊がそれらのシステムの開発者に圧力をかけるだけで、あなたは「よく握っておきなさい、その圧力はどこから来ているのかについていくつか質問がありますか？私的な球。
だから、私はちょっと不思議だと思うが、事故が起こる可能性が最も高い場所はどこにあるのだろう？私は、それ自体が開発段階で起こるのだろうか、それとも軍隊がそれを展開したときに起こり、正しく展開されなかったのか、何らかの誤解があったのだろうか？そこで起こる可能性があるプロセスは何ですか？
ピーター
それは可能性の巨大な範囲ですよね？これらは非常に複雑なシステムなので、さまざまなレベルの開発と展開で障害や故障が発生する可能性があります。そして、伝統的な砲弾でさえ、あらゆる種類の方法で失敗し、車両は故障する。問題は、それらが深刻になり、その後、民間人や民間インフラに深刻な影響を与える場合です。だから、あらゆる種類のシナリオが考えられますが、実際の兵器システムで起こった出来事をすでにテストしています。だから、米国は1980年代に小動物ミサイルをテストし、その地域の商船に追いついて一部の人を殺害した。2000年代初頭の南アフリカでの自動兵器システムテストがあったが、それは実際に観測台に多数の人を射殺し、かなりの数の人を殺害した。だから、それはテストの早い段階で起こることがあります。しかし、私は、この種の武器を大量に艦隊に配備しているときに大きな心配があると思っています。それから大虐殺を犯す可能性があります。それは、人々が法的責任を負わずに残虐行為をするための一種の方法を提供することができます。私はそれが実際の心配だと思います。最終的には、法的責任から抜け出すための方法として、「まあ、そうです、ロボットはその日にそれをやったのです。申し訳ありません。 "そして、責任を負う仕組みがない。
ヘザー
うん。だから私は、システムがお互いにどのように相互作用するかを考え始める方法があるというピーターの反応に加えて考えると思います。したがって、自律型兵器システムを、他のシステムに接続されていない、ペイロードが限られていて、再ロードできない単一のプラットフォームと見なした場合、深刻な被害の可能性は低くなります。しかし、システムの大規模なシステムやシステムのシステムのシステムのネットワーク化されたシステムと考える場合、物事はちょっと違うものになり始めます。そして、さまざまな虐待の分野について考えることができます。設計段階で、これらのシステムがどのようにテストされ、検証され、検証されているか、それが実現された方法が現実を反映しているかどうか、それらが導入される時期とシミュレーションの忠実度が高いかどうか、そしてシミュレーションがネットワークシステム間の相互作用を考慮に入れるかどうかが決定されます。だから私はそれがあなたが何らかの失敗を見るかもしれないかについて考えるための一つの方法だと思う。私が話すことになるもう一つの種類の失敗は、システムの能力を上回る過失な委任です。それで、司令官は、実際にはできないことをすることができると考えてシステムに踏み込んでいます。したがって、システムは民間の物体であるか、または間違っているものに追いつきます。あなたは、システム上で正しく訓練されていない人やシステムのオペレータがそれを理解していないと考えることもできます。そして、人間とロボットチームを一緒に見てみると、さまざまな演習で人間とロボットのチームが一緒になってくると、オペレータ/ハンドラ側がますます重要になり、人間とロボットをひとつの単位として評価する必要があり、ロボットの失敗や人間やその両方の不具合が発生する可能性があります。だから、私たちは、ネットワークシステムについて話しているときや、人とマシンが一体として働いていることについて話しているときに、さまざまな場所や障害の可能性があると思います。自律的兵器システムが孤立して行動する単一のプラットフォームであるという考え方から自分自身を離すことのように、この失敗のポイントがどこに存在するのかを再度知ることができます。
浅呂先生、あなたに戻って、もしこれを定義するだけの問題があれば、その責任はどのように果たしていますか？
ピーター
私は、オペレータがシステムの能力に過度に依存しているかもしれないという話をしているときに、Heatherが少し触れたと思うのは、重要なことのひとつだと思います。私は、国際武力紛争の法律は、人間が決定を下す決定者であること、特に武力紛争における標的決定または人命の奪取についてかなり明確だと思います。もう一度、意思決定をどの程度正確に行うのか、何らかの意味で決定の程度はどうなるのかという疑問がありますが、人間が決定を下す人物であることは明らかであり、したがって、民間人がそれらの決定で保護されており、それは国際法で枠つきされているように個々の攻撃のためです。
ですから、何マイルも何日もかけてさまざまな目標を達成できるシステムを持つというこの問題は、事態が明らかに問題を抱えていると思うところです。だから私は定義の一部は、どのようにターゲット決定を構成するかを正確に把握し、人間がその決定をどのようにしていることを確実にしているかということです。そして、私はそれが本当に国連での議論が進んでいるという方向だと思うのは、自律的なシステムを定義しようとするのではなく、システムの境界が何であるか、本当に目標とする決定と発射の決定です。個々の攻撃のための武器。そして、私たちが持っているものと私たちが獲得したいものは、それらの決定に対する意味のある人間のコントロールです。そして、あなたのシステムは機能しますが、自律的な機能を利用して、人間が意図的に個々の攻撃の標的と発砲を制御していることを実証しなければなりません。私は、自律性に関するこれらのより大きな問題のいくつかを解決することなく、システムの限界がどんなに大きいシステムに埋め込まれているのか、さらにはシステムの限界人間の意思決定は、意思決定と指揮系統のより大きな人間の制度に組み込まれている。しかし、これらのコマンド連鎖システムは、誰がどのような決定をどういう責任を負うのかを明確にするために作られています。これは歴史的にこの問題に対する社会的解決策のようなものです。今私たちは人間を置き換えることができる技術を持っているので、私たちは伝統的、倫理的、法的思考の一部を短絡していると思います。それは、人間の責任とリーダーシップについての他の多くの仮定と一緒に果たすことができます。
だから私は本当に意味のあるコントロールの考え方に興味があります。何ヶ月も前に私がロフ博士と話したことと、目立つものの1つと話したので、私はまだ会話から覚えています。意味のあるコントロールによって具体的にはどういう意味ですか？Roff博士は、私があなたと話をしてから数ヶ月がたっていると言ったように、あなたはこれについてどう考えているのか分かりません。私たちが望むように定義されていますか？
ヘザー
うん。だから、私は、意味のある人間のコントロールであるフレーズを作ったNGOである第36条といくつかの仕事をしてきました。このプロジェクトの成果の1つは、実際に意味のある人間のコントロールがどのように見えるかというフレーミングペーパー、コンセプトペーパーでした。そして、私たちが決めたやり方は、あなたが望むならば、入れ子になった人形のアプローチのようなものです。
あなたが3つの同心円を考えるならば。だから、戦前のコントロールであるサークルのセットを1セット持つことができます。これは、州や当事者が戦争に参加する前に行うすべてのことになります。そして、これはあなたが兵士を訓練する方法からIHL（国際人道法）に従うシステムを持っていることを確かめるために行う兵器レビュープロセスまでのすべてになります。指揮統制構造、通信リンク、訓練と練習を行うことができます。また、武器や人員だけでなく、暴力の手段や方法を制御しようとするこれらすべてのことは、武力を展開するときに可能です。それはそれについて考えている一つの方法です。
それから、戦闘状態にあるベロプロセスがあります。これは、武力紛争の法則や、特定の武器の使用だけでなく、他の武器ではなく武器を使用することが適切な場合には、婚約規則予防と必要性の原則がここで治まるでしょう。また、指揮責任のようなものもあります。攻撃中に何かがうまくいかない場合、または司令官が違法な攻撃を命じる場合、武力紛争中に暴力を使用する責任や責任の場所を見つけることができる何らかの仕組みもある。そして、敵対行為の終了後、これらの措置が実施される後ベルムの説明責任措置が必要であると判明した場合には、さらに広範な懸念がある。ICCのようなものです.Nuremburgのような軍事裁判所のようなもので、戦争中に犯した犯罪に責任を負う国家や指導者や個人を抱きたい場所です。これは意味のある統制の総称です。それでは自律的な武器がどこに当てはまるのでしょうか？それはPeterが触れたように、攻撃のレベルにあるので、in belloインスタンスでの直接的攻撃に対する人間のコントロールは意味があります。指揮官は、IHLの下で、比例性と予防措置を講ずる義務があります。彼女はその比例計算をする必要があります。彼女はIHLの下で彼女の義務を守るために良い先見性と良い情報を持っている必要があります。もし彼女が攻撃から攻撃に向かうことができる武器を彼女と一緒にチェックしなければ、状況は変わり、事実上、比例計算が行われ、彼女は事実上、権限を委譲され、義務を機械に委任した。それはIHLの下で禁止されています。私は道徳的に禁止されているとも言いますが、私は率直に言って、概念的にも不可能だと言っています。あなたは道徳的な義務を非道徳的なエージェントに負担することはできません。
だから私は、意味のある人間のコントロールに関する私たちの仕事は、人間の指揮官は各攻撃の予防と比例性を実行する道義的義務を負っていると思うのです。この攻撃は、弾丸が1回発射されるたびに行う必要はありません。それは攻撃のより広い概念となりうる。しかし、それは国が攻撃の概念によって何を意味するのかを理解するためのものです。しかし、ある種の閾値があり、特に時間と空間の攻撃に対する人間のコントロールが重要であると言えば、システムが機能する能力があります。
だから私たちは少し時間がたっていますし、私はあなたに依頼したいと思っている2つの質問があります。これは国際的な問題であることは明らかですが、私は国際社会が自律武器の問題にどのように反応しているのか、それが米国の行動や米国の行動とどう一致するのかが不思議です。
ピーター
だから、私は国際討論の面で、国連のCCWで3回の専門家会議を行ったと思います。人権理事会はまた、任意の執行の特別な要約のための特別なレパートリーを通じて、何回も問題を提起した。国連総会でも声明がありましたが、小規模、かつそれ以前の会合でも述べられています。しかし、その後、議論が進行中です。今年はもっと公式なステージに移ることを願っています。CCWが12月に3週間の政府専門家会議を開催するかどうかについての検討会議が数週間で開催されます。これは条約交渉会議の前奏となります。望みでは。しかし、私たちはまだ会合が起こるかどうか、そして会合から出てきたものが何かになるかどうかを待っています。そして、私はその会場での議論の多くは、意味のある人間のコントロールとそれが何を構成するのかというこの問題に引き続き焦点を当ててきたと思います。
私自身の見解では、これら3つの言葉のそれぞれを決定的に重要視しています。制御は、実際にはシステムを積極的に制御し、必要に応じてシステムを呼び出すことができる人間を持つ必要があり、システムは制御できません。意味のある部分は本当に重要な部分です。つまり、ヘザーの言葉通り、人々は行動の意味を考え、その行動に責任を取ることができなければなりません。そして、彼らはそのシステムがどこにあるのか、何が起きているのかについての状況認識を十分に持たなければなりません。システムが潜在的なターゲットとしてターゲットを指定している場合、そのシステムがどのように動作するかを理解していないシステムによって指定されたという事実だけでなく、あまりにも多くの不透明性。あなたはどこかの部屋に座って誰かが光が当たるたびに、その状況や力を使う妥当性についての情報を実際に持っていないため、ボタンを押してマシンを起動させる権限を与えます。そして私は、人間は実際には意味や行動の意味、そして法律的・道徳的な意味で正当化されているかどうかについて考える能力をたくさん持っているため、人間はこれらの決定に関わっているのです。
ちょうど最後の1〜2分で、追加することが重要だと思いますか？
ヘザー
まあ、私はFLIの観点から、これらのシステムにおける人工知能という概念には、AIに限界があることを認識することが重要だと思います。私たちはAIの本当にすばらしいアプリケーションを持っています.AIには盲目的なアプリケーションがあります.AIコミュニティにとっては、信頼性と予測可能性を備えた能力と能力があると思うところが本当に必要でしょう。そのようなシステム。そして、それらのテクノロジーやアプリケーションが確実に、そして予測可能に配備できると思っていないならば、彼らは起きて言いたいことがあります。
ピーター
ええ、私は、さまざまな種類のシステムの自律的運用や広範な民間/軍事アプリケーションの人工知能の開発と応用を禁止しようとしているわけではないが、特定のアプリケーション、特に致命的なもの力と暴力の使用を伴うもので、実際には私のものである必要のある道徳的、法的要件の基準が高くなっています。そして、私たちはそれらを盲目的に自動化し、それを規制する最善の方法を真に考えずにこれらの技術を実現する最悪の可能性のあるアプリケーションを実現することなく、適切な決定を下すことができ、暴力や国際紛争への武器の使用を支配する人間と関連して最大の効果を発揮する。
ヘザー
同上
アサロ先生とロス先生、今日私たちにご参加いただきありがとうございます。
ピーター
ありがとうございました。
ヘザー
確かに。
参考
https://futureoflife.org/2016/11/30/transcript-autonomous-weapons-interview-experts/
AIの金融界
自動化されたアルゴリズムは現在、米国株の取引量の半分以上を管理しており、AIが改善するにつれて、重要な財務上の決定を引き続き支配することになります。しかし、これらのシステムは絶対確実ではありません。小さな不具合が株価を押し下げ、投資家に数十億ドルのコストをかける可能性があります。
企業にとって、このリスクを受け入れるという決定は簡単です。自動化されたシステムのアルゴリズムは、どの人間よりも高速で正確です。最先端のAI技術を導入することで、企業はビジネスを続けることができます。
しかし、社会の残りの部分では、その結果は明らかではありません。人工知能は企業に競争優位をもたらしますが、これらの急速に進歩するシステムは安全で堅牢なままですか？彼らは間違いを犯すとどうなりますか？
自動化されたエラー
ミシガン大学のコンピューターサイエンスの教授であるマイケル・ウェルマン（Michael Wellman）はAIの金融システムに対する脅威について研究しています。彼は次のように説明しています。「金融システムは、AIが物事を自動化している最先端の1つであり、特に脆弱な分野でもあります。それは容易に混乱することがあり、悪いことが起こる可能性があります。
ナイトキャピタルの話を考えてみましょう。2012年8月1日、Knightは新しいトレーディングプールで競争力を維持するために新しいソフトウェアを試すことにしました。ソフトウェアは安全テストに合格しましたが、Knightがそれを展開したとき、アルゴリズムはライブ取引プログラムの代わりにテストソフトウェアを起動しました。テストソフトウェアは、Knightがそれを止めることを熱狂的に試みたため、数分の間に数百万の悪い注文を送った。しかし、その被害は終わった。
45分でナイトキャピタルは4億4,000万ドルの損失となりました。これは1行のコードのため、2011年にはほぼ4倍の利益を上げました。
この場合、損害はKnightに制限されましたが、1行のコードが金融システム全体に影響を与える場合はどうなりますか？
自律的トレーディングエージェントの理解
Wellmanは、自律的な取引エージェントは、前例のないスピードで情報を処理し、応答するため、制御が難しく、大規模に簡単に複製でき、独立して行動し、環境に適応できると主張しています。
ますます一般的な機能のために、システムは、プログラマーが意図したことのない危険な方法でお金を稼ぐことを学ぶかもしれません。以下のようローレンスPingree、ガートナーのアナリストは、騎士のメルトダウン後に語った、「コンピュータは、彼らが語っているものを行います。彼らが間違ったことをするように言われたら、彼らはそれをやろうとし、本当に、本当にそれをやろうとしている」
AIシステムが市場の透明性と安定性を損なうのを防ぐため、政府機関や学者はこれらのエージェントがどのように機能するかを学ばなければなりません。
市場操作
AIの巧妙な使用は市場の透明性を妨げる可能性がありますが、WellmanはAIシステムが市場を操作する方法を学ぶことを心配しています。
自律取引エージェントが悪用で特に効果的で裁定機会が同時に価格差から利益を、資産を購入し、販売して- 。例えば、1つの市場で30ドル、2つ目のマーケットで32ドルの取引をすると、代理店は30ドルの株式を購入し、2ドルの利益で2番目の市場で32ドルで即座に売ることができます。
市場の非効率性は当然裁定取引の機会を創出する。しかし、AIは利益を生み出すために市場を動かす誤解を招くような行動を取って、価格の不一致を作り出すことを独力で学ぶかもしれません。
1つの操作技法は、実行前に入札を取り消そうとしている在庫品に対する入札行為である「なりすまし」です。これは市場を特定の方向に動かし、詐欺師は偽の信号から利益を得る。
Wellmanと彼のチームは最近、スプーフィングが効果的な状況を理解するための一環として、実験室モデルでのなりすましを再現しました。彼は次のように説明しています。「私たちは実験室でこれをやって、AIのシグネチャを特徴付けることができるかどうかを確かめ、確実に検出し、脆弱性を減らすために市場を設計します。
代理店が改善するにつれて、市場に人為的なアイテムを作成してトレーダーを誤解させることによって、またはマーケットを動かす誤ったイベントを報告するためにアカウントをハッキングすることによって、裁判所をより悪意のあるものを悪用することを学ぶ可能性があります。Wellmanの研究は、そのような操作行動を制御するのに役立つ方法を作り出すことを目指しています。
金融界の秘密
しかし、財務の秘密の性質は、学者がAIの役割を完全に理解することを妨げる。
Wellman氏は次のように説明しています。「AIと機械学習をかなりの程度使用し、アルゴリズムを改善しようと常に努力しています。マーケット操作やスプーフィングなどの作業は現在どの程度自動化されているのかはわかりませんが、自動化が可能で、マーケットマニピュレータと監視システムを検出して実行しようとするシステムとの間で何らかの武器競争が起こる可能性があることはわかっています。市場の悪い行動。
証券取引委員会（Securities and Exchange Commission）などの政府機関は金融市場を監視していますが、「技術が進歩すれば実際には驚異的です」とWellman氏は指摘する。「業界でどれほど速く変化しているかに対応するための専門知識やインフラストラクチャはありません」
しかし、学者が助けることができます。Wellmanによれば、「自分たちで取引をしなくても、金融界で何が起こっているのかをリバースエンジニアリングして、何が起こるか把握することができます。
高度なAIの準備
Wellmanは現在のAIと近いAIを研究していますが、高度な一般AIの脅威に心配しています。
「遠方のAIを理解するためにできることの1つは、近い将来のAIを扱う経験を積むことです」と彼は説明します。「それで、私たちは、地平線や電流に非常に近い自律的なエージェントの規制を見たいのです。私たちが後にスーパーインテリジェンスが登場したときに適用できるいくつかの教訓を学ぶことが期待されます。
AIシステムは急速に改善しており、金融機関間で競争が激化しています。金融におけるAIの役割を理解し、追跡することは、金融市場の安定と透明性を維持するのに役立ちます。
Wellman氏は、「私たちは100％の信頼性でこの脅威を管理することはできないかもしれない」と認めている。しかし、私はAIをより安全にし、武器競争のいくつかの形態を排除するために市場を再設計することができ、最も厳しい行動のいくつかを防ぐための良い手がかりを得ることができます」
参考
ディープラーニングのウオッチリスト
定番
コーネル大学 論文アーカイブ
gitのアーカイブ
aiプロジェクトのリスト
startup ml
ざっくりした盛り上がり具合
http://news.startup.ml/
盛り上がってるものが一目瞭然
https://www.reddit.com/r/MachineLearning/
論文ランキング
論文リスト
https://github.com/arXivTimes/arXivTimes
ネイサン・ベナイッチ
技術産業、研究室、ベンチャーキャピタル市場からの人工知能と機械学習のニュースのダイジェスト。 このニュースレターは、人工知能に関する最も幅広いニュースレターの1つです。各号で、Nathanは現場、研究、およびVC市場における最新の調査結果について議論します。このニュースレターには、おそらくAI世界で何が起こっているかに関する最も包括的なニュースとレビューが含まれています。
https://www.getrevue.co/profile/nathanbenaich
Azeem Azhar - 指数関数的なビュー
指数関数的変化：テクノロジー、ビジネスモデル、政治経済、社会 Azeemはトップユーザーの1人であり、その理由があります。現時点では、彼は彼のニュースレターに約1万2000人の人々を購読しています。しかし、最も重要なことに、彼はすばらしいキュレーターにいます。彼は、彼が含むすべての作品の下に要約と解説を置く。テクノロジーと未来、政治問題、ビジネスなどとは異なるトピックについては、そのような詳細なキュレーションがあることは注目に値することです。自分のダイジェストをどのように管理しているか、メールでの彼の見方などについてもっと知りたい場合は、こちらをご覧ください。
デニー・ブリッツ - AIのワイルド・ウィーク
AIのワイルドウィークは週刊AI＆ディープラーニングのニュースレターです Dennyのダイジェストは、最新のニュース、研究論文、投稿、チュートリアルなどの情報が満載です。それは定期的に外出し、貴重な洞察力を保持する体系的なニュースレターです。AIで何が起きているのかを最新のものにしたい場合は、これがあなたのニュースレターです！
https://www.getrevue.co/profile/wildml
ディープハント
Avinash Hindupurによって慎重にキュレーションされたArtificial Intelligenceの一番ホットなものに関する週刊ニュースレター このダイジェストは、AIの世界で動向と起こっていることに関するものです。人工知能に関連する最も関連する出来事をカバーする多くの資料とソースがあります。各号の終わりには、分野の研究に特に注意を払うセクションもあります。Avinashは簡単な要約を下に示しています。これはすでに構造化されたニュースレターの完璧なフィニッシングタッチです。
https://www.getrevue.co/profile/hindupuravinash
ディープ・ラーニング・ウィークリー
深い学習の分野における新しい展開の激しいペースで、彼らは研究結果や業界のアプリケーションとして、ちょうど追いつくための雑用になることができます… あなたがディープラーニングに興味があるなら、これはあなたにとって正しいダイジェストかもしれません！このニュースレターの背後にある覗き見は、毎週新しい問題を出し、その分野の重要なニュースをすべて慎重に管理し、「ライブラリ＆コード」のような本当に貴重なセクションを追加します。ディープ・ラーニングと関連した面白い論文や出版物でダイジェストを終わらせます。
http://digest.deeplearningweekly.com/
CinematicVR
@ CinematicVRから毎週VR / 360°を検索してください。没入型ストーリーテリングの新しい現実を探る。 VRはすべて経験についてです。また、このニュースレターは、それ自身の経験です。あらゆる問題には、ニュース、アイデア＆思考、ヒント、チュートリアルが含まれています。しかし、それは良くなる。また、「週の写真」と呼ばれるかなりラッドのセクションがあり、通常、いくつかのクールな人々が素晴らしいVR活動に参加しています。
http://newsletter.cinematicvr.org/
Peter Rojas - VRリンク
Peter Rojasによってキュレーションされた、バーチャルリアリティに関する手のひらのリンク。 ピーターのニュースレターを表現できる言葉は単にエレガントで整然としたものです。彼はVRについては非常に精通しており、明らかに非常に熟練したキュレーターでもあります。彼のニュースレターは面白く、魅力的で、あなたの時間に最も合うものです。彼はVRについての本当にリベットな記事をエキサイティングなイメージと、しばしば問題のピースの要約を組み合わせています。これは、あなたが期待できることの概要を知っているので絶対に驚きです。
https://www.getrevue.co/profile/vr-links
ゲルト・レオンハルト - 明日から今日まで
未来派とヒューマニスト。グローバル基調講演者。著者。映画制作者。先物取引所の最高経営責任者（CEO）。チューリッヒ/スイス 私の焦点は人類の未来です。 私たちのプラットフォームにGerd Leonhardを迎え入れることは大変喜ばしいことです！彼は問題を送信するたびに、読者に非常に関連性のある魅力的なコンテンツを提供します。彼のニュースレターを特別なものにするのは、ダイジェストへの個人的な接触を広告するという彼の解説です。彼はテクノロジー、人類、未来、AI、その他の魅力的なトピックについて学んでいます。
有名なサイト
http://deeplearning.net/reading-list/
ニュース関連
https://futureoflife.org/ai-news/ http://www.kdnuggets.com/
チュートリアル
Contents — DeepLearning 0.1 documentation
脳神経関連
[https://medicalxpress.com/news/]
有名人
Geoffrey E. Hinton ディープラーニングのゴットファーザー Home Page of Geoffrey Hinton ヒントン先生の授業 https://www.coursera.org/learn/neural-networks
Ilya Sutskeverさん ヒントン先生の教え子 Ilya Sutskever's home page
visual geometry group vggの開発したグループ http://www.robots.ox.ac.uk/~vgg/rg/
Andrew Ng アンドリュー先生の授業 Machine Learning - Stanford University | Coursera
