人工知能が無形の未来的な概念のように見える日々を覚えておくのは難しい。 今日、 AIはどこにでもあります 。 しかし、これは何十年も前から行われてきました。過去90年間は、研究分野のルネッサンスと冬の両方が見られました。
現在、AIは自転車やインテリジェントなパーソナルアシスタントの登場により、私たちの個人的な生活への永続的な浸透を開始しています。 企業では、同様にAIが適応型マーケティングとサイバーセキュリティの頭を養うのを見ています。 AIの登場はエキサイティングですが、技術的な能力を正確に反映するのではなく、頻繁に専門用語をビンゴのビンゴに挑戦しようとしています。 特にサイバーセキュリティでは、市場に出回っているすべてのAI技術が平等に作成されているわけではなく、ベンダーとしてAIや機械学習を宣伝するために、蛇のオイルを流し込むのは簡単です。
機械は人間と同じように学ぶ
事実を別の事実と区別する最善の方法は、AIが本当に何であり、どのように機能するのかを理解することです。 私は、人工知能を説明する最も簡単な方法は、それを我々が非常によく知っているもの、すなわち人間の知能と比較することであることを発見しました。 人間の知能には、入力、処理、出力という単純な情報フローシステムモデルがあります。 入力は、（目、耳、鼻などを介して）感知または知覚の形で行われます。 処理は途中で行われます。 知識や記憶が形成され、取り出され、決定と推論が行われ、学習が行われる場所です。 脳が情報を処理すると、その結果は、行動や発話などの何らかの出力形式になります。
たとえば、あなたは道を下っており、停止標識に出ます。 あなたが交差点の近くにいるとき、あなたは停止標識を知覚し、ブレーキを掛け、完全な停止に来る。 この場合、停止標識は入力であり、車を止めるための行動は出力です。 間のすべてが処理されます。 あなたは勉強と練習で学んだので、停止標識に応答する方法を知っています。停止標識はあなたが停止する必要があるということです。
人工知能は、人間の知能と類似した類似の技術を集めたものです。 機械では、入力を扱う技術は、しばしば、視覚または音声認識、自然言語処理などによって例示される。 出力は、これらのマシンが私たちや他のマシン（Siriの音声生成システムやナビゲーションシステムなど）とやり取りする方法です。 処理または学習は間にあります。
ニューラルネットワークは、機械がより深いレベルで学習するのを助ける
機械学習では、この「機械学習」と呼ばれています。機械学習には多くのアルゴリズムがありますが、今日のバージニア技術の1つは深い学習です。 ニューラルネットワーク 。 人間の生物学にインスパイアされたニューラルネットワークは、ニューロン群の数学的シミュレーションです（高校の生物学から思い出されると、人間の知能に不可欠です）。 下の画像では、円形ノードは人工的な「ニューロン」を表し、線はあるノードの出力から別のノードの入力への接続を表します。 信号は左から右へ発射される。
これらのネットワークは、入力として提示されたデータセットを所望の結果または出力に照合することによって学習する。 これは、出力を計算し、シミュレートされた出力を所望の結果と比較する数学的方程式を必要とする。 結果の差は接続強度の調整をもたらし、出力が所望の結果に合理的に近くなるまで強度を反復的に修正する。 その点に達すると、ネットワークは「学んだ」と言います。
上記の画像のニューラルネットワークは非常に簡単です。 ニューラルネットワークは、通常、数千の異なる計算を容易にすることができる数千のノードと数百のレイヤーを含むかなり大きく複雑なものです。 これらの大規模なニューラルネットワークは、より複雑な予測を行うことができるディープラーニングとして知られているものを容易にする。
戦闘に適した武器を選択する
しかし、深い学習は銀色の弾丸ではありません。 手元の仕事に適したアルゴリズムと正しいデータの両方を選択することが重要です。 私がこれについて議論するときはいつでも、1980年代のペンタゴンの主張された実験についての話が思い浮かぶ。 による 人気のある逸話 ペンタゴンは、ニューラルネットワークを用いてカモフラージュタンクを特定しようとした。 1つのメインフレームだけで、研究者は100枚のタンクと100本のツリーの200枚の写真を使用して比較的小さなニューラルネットワークを訓練しました。 実験は実験室で顕著な成功を収めましたが（ほぼ100％の精度です）、現場では悲惨な結果に終わりました。 晴れた日には、曇った日にはすべてのタンク写真を撮影し、樹木の写真はすべて撮影していたと言われています。 結果的に、ニューラルネットワークは、タンクではなく、日光を識別することを学んだ。
もちろん、深い学習による視覚的認識は現実のものとなっていますが、この寓話は正しいデータと正しい原則を一致させる必要があることを教えています。 サイバーセキュリティでは、この痛みが頻繁に見られます。 サイバーセキュリティ市場における機械学習技術の大部分は、教師付き機械学習と呼ばれる非常に特殊な学習方法を活用しています。 教師付き機械学習は、人間が例によって学ぶ方法と似ています。 アナリストは、コンピュータを訓練するのに役立つラベルを持つデータセットを提示します。 たとえば、 “rhino”や “giraffe”というラベルの付いたデータセットでは、サイの角が長く、キリンの首が長いことをコンピュータが知るのに役立ちます。
あまり一般的ではないがおそらくより効果的な機械学習のタイプは、監督されていない機械学習として知られています。 この方法は観察による学習に非常によく似ており、コンピュータがデータを取り込んでパターンを独自に区別することに似ています。 後者の方法は、通常、データセットが限定されていてラベルがない、内部脅威検出などのセキュリティ使用の場合に適しています。
結局のところ、この会話は、AIが良い/悪い、良い/悪いということではなく、AIのさまざまなアプリケーションを理解し、それらが最も有用な場所です。 理想的な世界では、最も効率的なAIが、仕事のための適切な方法を適用します。これは時には機械学習方法の組み合わせかもしれません。 教師付き学習と教師なし学習はどちらもその応用がある。 重要な点は、相違点、最も効果的な結果を得るための方法と時期をそれぞれ理解することです。
Stephan Jou氏のCTOです Interset 、データ分析会社。