人工知能こうしてできた子遺伝子にこうして親遺伝子を交叉

人工知能を核とした高度なシステムを維持

それでも、さらにビジネスを変えたいのであれば、これまで暗黙的に信じられてきた前提から覆してしまうしかありません。
その前提とは、「何かの判断をするのは人間である」ということ。そもそも本来、情報システムとは人が何かを判断するための仕組みを指します。文字や数字や記号の羅列であるデータから、人間が何かを判断するための情報Informationを作り出す仕組みが、情報システムです。これまでもITを駆使した自動化や情報伝達によって、ビジネスプロセスを高度化してきました。
その前提が覆るとき-つまりA1が「人の判断/認知の一部分を置き換える」ことができるようになるとき、そもそもAIや機械学習って、何ができるものなの?という概念が共有されていないと、上手く話が噛み合いません。
ビジネスは変わるはずです。
ただし、この話をするときに.本章では、AIや機械学習って何なの?
人工知能で解析しどの顧客向けのどの製品がどこにあるか

テクノロジーがもたらすイノベーションのことです

というところから始めて、A1時代のビジネス改革の現実解を考えていきます。

シンプルな例で理解する機械学習

機械学習という概念はA1という大きな概念に包含されることは序章でも触れました。IFTHEN文の組合せで作られたブログラムもAIと呼ぶことがあり、ルールベースのAIと表現されます。一方で、機械学習とは、大量のデータで学習させるA1です。

 

IoTが組み込まれれば

そういったものはこの推論モデルがあれば、植物学者が判断しなくてもアヤメの花の種類を当てることができますA1が「人の判断/認知の一部分を置き換える」ようになることを何度か説明してきましたが、その最もシンプルな事例といえます。機械学習に関わるアルゴリズムを知らなくても、パブリッククラウドベンダー各社が提供している機械学習エンジンを使うと、ここで見たようなアヤメの花の分析は簡単に試せます。
アヤメの花のデータでは入力値が4次元、出力値が3次元と、とてもシンプルですが、これをもっと複雑にしたものが最近の流行りです。例えば、画像解析。入力するデータが画像で、画像に写っている物体が何であるかを出力させる場合、入力値も出力値も次元数は膨大になります。
テクノロジーである?ニューラルネットであるこのような場合、上図のニューラルネットワークの推論モデノレにある工夫を施すと精度が劇的に高くなることが経験的に知られています。その工夫とは、中間層は1層ではなく、数十層と深い(Deep)階層とするモデルにすることです。このように多層構造のニューラルネットワークを使う機械学習が、巷でよく聞くディープラーニング(深層学習:DeepLearning)です。ディープラーニングが使われるようになって画像解析や音声解析の分野での認識精度等に飛躍的な向上がもたらされました。
ディープラーニングは、その認識精度の実績は素晴らしいのですが、ビジネス改革を考える場合にアルゴリズムやコンセプトまで知る必要はありません。

    1. AInerです近隣の医療機関を表示する
    1. AIによって患者の情報を解析する
    1. ディープラーニングによる高い認識率の実現

ロボットに分がある上すこしずつすこしずつ減っていく

ただ、画像や動画らそこに映っている物体や人の顔を判断したり、音声から単語を判断してテキストに変換したりするのが得意な機械学習なのだと理解すれば、それで良いと思います.そてこれらの画像解析や音声解析も「人の判断/認知の一部分を置き換える」という一つの例といえます(2)教師なし機械学習とは?
話はアヤメの花のデータに戻ります。アヤメの花では、「花びらの長さ」、「花びらの幅」、「がく片の長さ」、「がく片の幅」の四つのパラメーターの数値が分かれば、その「種類(setosa,Virginica.Versicolorのどれか)」を推論できることが分かりました。
テクノロジーである?
人工知能ALphaGoのよう

AIの機能は単純な

そうすると次に知りたくなることは、どのパラメーターの寄与が最も大きいか?となるはずです。企業のデータを例にすると、商談成功への寄与が最も大きいパラメーターは訪問頻度、商談開始からの経過日数、見積提示までの日数など様々ある中のどれであるかと興味が出てくるはずです。
ここで登場するのが教師なし学習です。教師なし学習とは、あらかじめ与えられた学習データ入力値のみに内在する構造をつかむために用いられる技術です。