ここから本文です
AI(人工知能)& IoT
AIとIoTについて、ともに学びましょう。

書庫AI

記事検索
検索

全6ページ

[1] [2] [3] [4] [5] [6]

[ 次のページ ]

『信用スコア』?!

 「信用スコア」は、簡単にいうと、「各個人の信用度合いを、様々な個人のデータを元に、独自のアルゴリズムを用いて、スコアリングしたもの」。言い換えれば、「あなたはこれくらい信用できますね」という信用のレベルをスコア化(数値化)することによって、信用力を見える化した数字といえる。

 米国では「FICOスコア」、中国では「芝麻信用」という信用スコアがそれぞれ普及。そして、その信用スコアが日本でも広がり始めている。中でも市場のけん引役として、すでに信用スコアサービスを展開している「J.Score(ジェイスコア)」が注目を集めている。

イメージ 1

 「J.Score」は2017年9月にみずほ銀行とソフトバンクが立ち上げたフィンテックベンチャー。同社が提供する信用スコアサービス「AIスコア」はユーザーが入力したさまざまなデータを分析した上で、信用スコアを提示してくれるのだが、その分析にAI技術とビッグデータが活用されている。

 実際には、いくつかの質問に答えるとAIによって自分の可能性が“スコア”として算出される。「AIスコア」の診断は無料かつ個人が特定される情報は不要。名前はニックネームでよく、個人信用情報機関に記録が残ることもない。

 スコアは1000点を上限として、年収や職業などの基本情報から、性格や趣味まで幅広い項目を分析して算出。スコアの算出は、スマホ上で簡単かつ迅速に行うことができる。最初にスコアを算出するためには、年齢、職業などの簡単な18問程度の質問に応えるだけでOK。

 しかし、この時点でJ.Scoreのマイページに表示される情報の入力状況は5%。さらに追加情報を入力することで、「AIスコア」を変化させていくことができる。そして、その追加で入力する内容は、収入や毎月の支出、資産などから、今後やってみたい趣味や習い事、洋服やアクセサリーを買うときに重視するポイントといった、生活習慣、趣味嗜好、語学力など、非常に幅広いものとなっている。

 J.Scoreでは、このスコアをもとに「リワード」と呼ばれる様々な特典を受けることもできる。旅行代理店の割引や百貨店の特別優待、英会話やジムなどの優待など様々なものがある。

 信用スコアは多くのメリットもあり、日本でも拡散していくと思われるが、すでに中国では、中国政府が進める「人々の社会的な信用度をスコアとして数値化するシステム」が、浸透し始めており、スコアが上がればローン金利が下がったり病院で優待されるなどのメリットがある反面、信用度が下がれば公共交通機関の利用が制限されるなどの厳しい“罰則”も待っている。

 クレジットスコア(金融機関が与信審査で参考にする数値)はクレジットカードやローンの申請の判断にしか使われない。しかし中国では、政府がより広範な「社会信用システム」なるものの構築を進めており、人々を日々の行動などさまざまな基準で採点し、14億人いる中国国民の「信用度」を査定することが最終的なゴール。

 中国ではこの社会信用システムのせいで航空券や鉄道のチケットを売ってもらえなかったり、NPOなどの組織の立ち上げが禁止されたり、特定のデートサイトが利用できなくなるといった事態が現実に起きている。

 中国政府は14年にこのプロジェクトに着手。20年までの全国展開を見込んでおり、個人の行動を追跡して採点するだけでなく、民間企業や政府職員の業務なども評価対象とする計画。

 システムが完成すれば、すべての中国国民は公的および私的機関から提供された自分の個人データの統合ファイルをもつことになる。

 中国政府の独裁的な性質から、社会信用システムを、中国共産党への絶対服従を確実にするための社会監視制度だと批判する意見もある。

【アリババの「芝麻信用」が急速に普及】
 社会信用システムは政府主導である一方、民間セクターのシステムに頼っている部分も多くある。アリババグループの金融部門アント・フィナンシャルサービスグループは15年、「芝麻信用(セサミ・クレジット)」というシステムを導入。これは中国初となる実用的なクレジットスコアサービスで、同時に社会的信用の保証システムや、決済サービス「Alipay(支付宝)」のユーザーロイヤリティーを高める仕組みとしても機能する。

 芝麻信用のスコアは最低が350点、最高が950点で、点数が高ければ低金利でローンを組めたり、賃貸物件の契約で敷金が不要になったりといった特典がある。またレンタルサービスを利用する際にデポジットを払わなくてもいいなど、恩恵はさまざまな分野に及ぶ。

 こうした民間企業の提供するクレジットスコアサービスと、中国政府の準備する社会信用システムとの境界は曖昧になっている。例えば、中国の裁判所はアリババと協力していることが明らかになっている。裁判所が科した罰金の滞納者の情報をアリババと共有することで、該当者は芝麻信用でのスコアが下がるという仕組み。

 官民どちらでもクレジットスコアの対象分野が急速に拡大するなか、こうしたシステムが世界でも例を見ない「ITを活用した独裁制」につながるのではないかという懸念が生まれつつある。

【社会組織の立ち上げも監視】
 社会信用システムが国民の監視強化につながるのではないかという懸念を裏付ける証拠のひとつとして、「違法な社会組織」の取り締まりに利用されている点が挙げられる。行政事務などを担当する民政部は5月、組織名に「国際」「中国」といった単語を使うことで政府機関とつながりがあるかのように装う違法組織が増えており、こうした組織にかかわったものは社会信用システムのスコアに影響が出るだけでなく、ブラックリストにも記載されると発表した。

 IoTの進展により、無意識のうちに、個人情報がネットを通して監視、管理されてしまう可能性は高い。恐れる必要はないが、しっかりと見極める必要はあると思われる。


参考
WIRED:中国で浸透する「信用スコア」の活用、その笑えない実態
https://wired.jp/2018/06/26/china-social-credit/

dataway:信用スコアとは?信用スコアの仕組みやメリット、利用データについて
https://www.dappsway.com/entry/all-about-credit-scores

BLOGOS:自分の信用度はいくつ?注目の信用スコアサービス「AIスコア」
https://blogos.com/article/358566/

開くトラックバック(0)

 昨今のAI・IoTの発展は、指数関数的な成長を示しており、ITの進展と同様、「ムーアの法則」が論じられることが多い。

【ムーアの法則】
 ムーアの法則とは、コンピューターのCPU等に使われる「半導体のトランジスタ集積率は18ケ月で2倍になる」という経験則に基づいた指標で、インテル創業者のひとり、ゴードン・ムーアが提唱した半導体進化の法則。

 「18ケ月でトランジスタ集積率が2倍になる」を言いかえれば、「1.5年で集積回路上のトランジスタ数が2倍になる」ということ。

 n年後のトランジスタ倍率=pとすると、
イメージ 1

 2年後に2.52倍、5年後に10.08倍、10年後に101.6倍、20年後には10,321.3倍と加速度を増し、指数関数的に倍率が急上昇していく。

 「集積回路上のトランジスタ数が2倍になる」ということは、「処理能力が2倍になる」ことを意味する。また、同じ面積の集積回路上に2倍のトランジスタが実装できるということは、「コストが半分になる」ということ。
 したがって、導体に関わる製品や部品を生産する企業にとっては、無視することのできないものとなっている。

 ムーアの法則は、1965年にゴードン・ムーアが論文で提唱してから、既に50年以上経過しており、その間、半導体の集積率はほぼ法則通りの進化を遂げてきているといえる。

 現在、半導体製造プロセスは10nm(1nm=10億分の1メートル)に移行しつつあり、トランジスタのサイズが原子サイズまで微細化されることを意味し、物理的な限界が近いとも言われる。

 一方、「テクノロジーの進化は技術革新を含めて指数関数的に成長を続ける」という「収穫加速の法則」が提唱され、ムーアの法則を継承するものとして注目を集めている。

【収穫加速の法則】
 収穫加速の法則とは、「進化の速度は本質的に加速度を増していく」という、アメリカの発明家・未来学者、レイ・カーツワイルが提唱している法則。

 「新たな技術が生み出す産物は、次の新たな技術のために使われ、産物に成果を重ねることで、指数関数的に進化する」と捉えられている。言いかえれば「技術革新による新たな技術が、次世代の技術革新をもたらすまでの時間間隔は、時の経過とともに短くなる」ということを意味している。

 人間は直線的な変化は予測できるが、指数関数的(エクスポネンシャルな)変化は予測できないので、劇的な変化に柔軟に対応できる体制造りが重要。AIにおける「シンギュラリティ」が騒がれている所以でもある。


参考
BOXIL:ムーアの法則とは | その現状・限界って?収穫加速の法則も徹底解説
https://boxil.jp/mag/a2994/

開くトラックバック(0)

 RNN(Recurrent Neural Network)は、時系列データの予測でよく使われるディープラーニングの代表的手法であり、時系列のデータポイントは、各層の入力として利用される。また、各層の出力は、次の層の入力としてだけでなく、ユーザーが使用可能な出力としても利用される。
イメージ 1

 ニューラルネットワークの出力を別のネットワークの入力として利用するような再帰的構造を持ったニューラルネットワークのことをRecursive Neural Networkと呼び、こちらも「RNN」と略すが、一般的に「RNN」といえば「Recurrent Neural Network」を指す。

 Recursive Neural Networkの中でも、隠れ層同士の結合が時系列に沿って直線的であり、かつその隠れ層が同一構造のものであるような場合を「RNN(Recurrent Neural Network)」という。

 「時系列データ」とは、特定の情報について、時間順序を追って取得されたデータのことで、データ分析上の特徴としては、データポイントそれぞれを独立したものと見なすのではなく、「ある時点のデータが、それ以降に発生するデータに何らかの影響を及ぼしている」と考えることであり、自然言語も時系列データとしての性質を持っているといえる。例えば文章中で最初に「私」という単語が来たら、その次に来るのは「は」や「の」といった助詞が来ると予想できる。

参考
deepinsider:RNN(Recurrent Neural Network)の概要を理解しよう(TensorFlow編)
https://deepinsider.jp/tutor/introtensorflow/whatisrnn

開くトラックバック(0)

 畳み込みニューラルネットワーク(Convolution Neural Network)とは、AIが画像分析を行うための学習手法の1つで、略してCNNとよばれることもある。

 CNNは、「畳み込み層」「プーリング層」という2種類の層を繰り返して構成される。

【畳み込みニューラルネットワークを利用した画像処理の流れ】
①入力画像の全体に対して畳み込み層でフィルター処理を行う。
②処理した画像をプーリング層に流し込む。
③プーリング層で画像の解像度を下げる処理を行う。
④出力層で、1次元の列データにフラット化し、全結合のニューラルネットワークにより、10個のノードに集約する。
⑤SoftMax関数により、それぞれのノードを確率に変換する(全て足すと1になる)。
 ※非線形な要素を入れるため、畳み込み層の後に「活性化関数」が挿入される。 (参考:AI人工知能テクノロジー 「やっぱりよく分からない活性化関数とは」)

【SoftMax関数】
参考ページ:Qiita:softmax関数を直感的に理解したい


イメージ 2

【畳み込み(Convolution)】
 「畳み込み(Convolution)」処理では、画像の特徴を見つけるためにフィルターをかける。すなわち、素性(Feature)マップを生成する。画像をインプットとしてフィルターをかけ、フィルターの枚数分の画像を出力する。コンボリューション(Convolution)は数学用語で、日本語では「畳み込み」。掛け算の結果を足し集める演算からなり、コンボリューションを画像処理に使うと、画像を滑らかにしたり、シャープにしたりできる。掛け算の係数は、3×3などのサイズのマトリックスで指定。これをオペレーター、フィルター、マスク、カーネルなどと呼ぶ。

イメージ 7

【フィルター】

[具体的な処理]
◆入力画像例

イメージ 8

◆ゼロパディング
 入力画像と出力画像のTensor(テンソル)を同一にするために、周囲をゼロで埋める処理を「ゼロパディング」という。
イメージ 9

◆フィルター例
イメージ 10

◆掛け算と足し算
イメージ 6

あとは、ひとつずつずらして計算を繰り返す。

【プーリング(Pooling)】
 素性マップの局所的なパッチに対して、そのパッチに含まれる素性の「プール」(かたまり)を作り、その中で最も値の大きいものだけを取り出し、特徴を粗く整理する。

[具体的な処理]
◆画像例(プーリング処理前の畳み込み)
イメージ 1

◆プーリング
イメージ 3


イメージ 4

イメージ 5



参考
Qiita:【入門者向け解説】畳み込み処理入門(TensorFlowで説明)
https://qiita.com/FukuharaYohei/items/702eb2430ee9dfbe763a

Qiita:【入門者向け解説】プーリング処理入門(TensorFlowで説明)
https://qiita.com/FukuharaYohei/items/73cce8f5707a353e3c3a

Udemy:畳み込みニューラルネットワークとは?手順も丁寧に解説
https://udemy.benesse.co.jp/ai/convolution-neural-network.html

CodeZine:コンボリューションを用いた画像の平滑化、鮮鋭化とエッジ検出
https://codezine.jp/article/detail/129

開くトラックバック(0)

 人間の脳と同じように様々な知的振る舞いをこなすことのできる「汎用人工知能」が2030年頃には完成すると言われている。仮に実現すれば、私たちの生活は一変する。鍵となるのは、「全脳アーキテクチャ」

 今騒がれている人工知能の多くは「特化型人工知能」。一つのタスクしかこなせないのが特徴。たとえば、Googleのような検索エンジンやSiriなどの音声認識が当てはまる。インプットしたある特定の分野には高い能力を発揮するが、人間の脳のように「自律的に考え判断し行動する」というようなアウトプットはできない。

 一方、「汎用人工知能」「自律的に物事を考え判断する」という特徴を持っている。

 「汎用人工知能」を完成させるためには、人間の脳をモデルとした機械学習器をつくる必要がある。汎用人工知能は2つの方式のいずれかによって実現されると言われている。

 1つ目は、「全脳エミュレーション方式」。これは、1000億のニューロンと100兆のシナプスから成る脳の神経系のネットワーク構造をすべてデータ化してコンピュータ上にソフトウェアとしてすべて再現するという方式。

 2つ目は、「全脳アーキテクチャ」。脳の構造を模倣した「人工脳」を作ることで実現される方式。「全脳アーキテクチャ」は、おおよそ2030年には完成されると言われており、もし実現できれば一人の人間の知性を凌駕する「汎用人工知能」が生まれるとされている。

 人工知能による影響を経済学の観点から研究する井上智洋氏は、「全脳アーキテクチャ」による汎用人工知能が誕生するとされる2030年を「第4次産業革命の始まり」と語る。

 第4次産業革命は、「ビッグデータ」「IoT」「人工知能」によってもたらされる産業革命。産業革命の歴史をたどると、1770年には、蒸気機関による第1次産業革命が起き、1865年には内燃機関や電気モータによる第2次産業革命が起きた。そして、1995年にはパソコンやインターネットが引き金となった情報革命である第3次産業革命が起きた。

 井上氏は、これら産業革命の歴史を俯瞰して「第4次産業革命は、第1次産業革命に匹敵するほどの大きな変化になる」と語る。

 第4次産業革命が起きると、経済構造に大きな変化が訪れる。これまでの資本主義経済を形成していた「機械化経済」が、人工知能やロボットが生産活動に必要なインプットを主導する「純粋機械化経済」へと変わっていくとされる。

【機械化経済】
 産業革命以前には、技術の進歩が穀物収穫量を増大させても、同じ分だけ人口も増加し、1人あたりの食い扶持が変わることはなかった。これを「マルサスの罠」という。ところが産業革命はそれまでと違って、爆発的な人口増大をさらに上回るスピードで生産性を増大させ、マルサスの罠からの「劇的な脱却」をもたらした。この産業革命以降の資本主義の経済を「機械化経済」と呼び、2つの特徴的な構造を持つ。

 1つは「規模に対して収穫一定」。労働と機械(資本)をインプットとして、工業製品やサービスといった生産物がアウトプットとしたとき、インプットを倍にすると比例してアウトプットも倍になる。

 もう1つが「限界生産量遁減」。インプットにおける機械だけを増やしても、労働者の人数が変わらなければ、生産力は増大しない。

【純粋機械化経済】
 最初の産業革命では「生産の機械化」がなされたが、汎用人工知能の出現は「労働」をも機械化すると予想される。機械が「生産手段」から「生産の主体」に変わる。
 「機械による機械の生産」が無限に繰り返され、生産規模がどこまでも拡大。「限界生産量遁減」からの脱却が起こる。

 「労働者の多くが雇用されず、汎用AI・ロボットが生産活動に全面的に導入されるような経済、機械が生産の主力になり代わる経済」が「純粋機械化経済」。


参考
Biz/Zine:「人工知能の経済学」視点で考える第4次産業革命――雇用なき経済成長と認知アーキテクチャ
https://bizzine.jp/article/detail/1890

文藝春秋:井上智洋著「人工知能と経済の未来 2030年雇用大崩壊」

開くトラックバック(0)

全6ページ

[1] [2] [3] [4] [5] [6]

[ 次のページ ]

本文はここまでですこのページの先頭へ
みんなの更新記事