Name: AI、機械学習、ディープラーニング、生成AIの解説 (AI, Machine Learning, Deep Learning and Generative AI Explained)
Uploaded: 2024-11-29T08:26:52.000Z
Duration: 10 min 1 s

現在進行形

Everybody's talking about artificial intelligence these days, AI.

最近、誰もが人工知能（AI）について話している。

Are they the same thing or are they different?

同じものなのか、それとも違うものなのか？

もしそうなら、その違いは何なのか？

And deep learning is another one that comes into play.

そして、ディープラーニングもそのひとつだ。

I actually did a video on these three, artificial intelligence, machine learning, and deep learning, and talked about where they fit.

実は、人工知能、機械学習、ディープラーニングの3つについてビデオを制作し、それぞれの位置づけについて話した。

And there were a lot of comments on that, and I read those comments, and I'd like to address some of the most frequently asked questions so that we can clear up some of the myths and misconceptions around this.

この件に関する神話や誤解を解くために、よくある質問をいくつか取り上げたいと思います。

In addition, something else has happened since that video was recorded, and that is this, the absolute explosion of this area of generative AI.

さらに、このビデオが録画されて以来、別のことが起こっている。

Things like large language models and chat bots have seemed to be taking over the world.

大規模な言語モデルやチャットボットといったものが世界を席巻しているようだ。

そして、ディープフェイクのようなものもある。

These are all within the realm of AI, but how do they fit within each other?

これらはすべてAIの範疇にあるものだが、互いにどのような関係にあるのだろうか？

We're going to take a look at that in this video and try to explain how all these technologies relate and how we can use them.

このビデオではそれを見て、これらの技術がどのように関連し、どのように使えるかを説明しようと思う。

まず最初に、少し免責事項がある。

I'm going to have to simplify some of these concepts in order to not make this video last for a week.

このビデオが1週間も続かないように、これらのコンセプトのいくつかを単純化しなければならないだろう。

So those of you that are really deep experts in the field, apologies in advance, but we're going to try to make this simple, and that will involve some generalizations.

だから、この分野に造詣の深い皆さんには申し訳ないのだが、私たちはこの話をシンプルにしようと思っている。

Artificial intelligence is basically trying to simulate with a computer something that would match or exceed human intelligence.

人工知能とは基本的に、人間の知能に匹敵するか、それを超えるものをコンピューターでシミュレートしようとするものだ。

Well, it could be a lot of different things, but generally we tend to think of it as the ability to learn, to infer, and to reason, things like that.

まあ、いろいろなことが考えられるが、一般的には学習能力、推論能力、推理能力、そういったものと考えることが多い。

So that's what we're trying to do in the broad field of AI, of artificial intelligence.

だから、私たちはAI、人工知能の広い分野でそれをやろうとしている。

And if we look at a timeline of AI, it really kind of started back around this timeframe.

そして、AIの年表を見ると、AIはこの時期から始まっている。

And in those days, it was very premature.

そして当時は非常に時期尚早だった。

ほとんどの人は聞いたことすらなかった。

基本的には研究プロジェクトだった。

But I can tell you as an undergrad, which for me was back during these times, we were doing AI work.

しかし、学部生として、つまり私にとってはこの時代に、私たちはAIの研究をしていたと言える。

In fact, we would use programming languages like Lisp or Prolog.

実際、私たちはLispやPrologのようなプログラミング言語を使うだろう。

And these kinds of things were kind of the predecessors to what became later expert systems.

こういったものが、後のエキスパート・システムの前身のようなものだ。

And this was a technology, again, some of these things existed previous, but that's when it really hit kind of a critical mass and became more popularized.

この技術は、それ以前にもいくつか存在していたものだが、ある種の臨界点に達し、より一般化したのはこの時だった。

So expert systems of the 1980s, maybe in the 90s.

1980年代、あるいは90年代のエキスパート・システムだ。

And again, we use technologies like this.

そしてまた、私たちはこのような技術を使っている。

All of this was something that we did before we ever touched in to the next topic I'm going to talk about.

これらすべては、これからお話しする次のトピックに触れる前に行ったことです。

Machine learning is as its name implies, the machine is learning.

機械学習とはその名の通り、機械が学習することである。

I give it lots of information and it observes things.

多くの情報を与え、観察する。

So for instance, if I started doing this, if I give you this and then ask you to predict what's the next thing that's going to be there, well, you might get it, you might not.

例えば、僕がこれをやり始めたとして、これを君に渡して、次に何が出てくるか予想するように頼んだら、まあ、分かるかもしれないし、分からないかもしれない。

You have very limited training data to base this on.

その根拠となるトレーニングデータは非常に限られている。

But if I gave you one of those and then ask you what to predict would happen next, well, you're probably going to say this, and then you're going to say it's this.

でも、そのうちのひとつをあげて、次に何が起こると予想するかと尋ねたら、おそらくこう答えるだろうし、次にこう答えるだろうね。

And then you think you got it all figured out.

そして、あなたはすべてを理解したと思っている。

そして、こんなものを目にする。

And then all of a sudden I give you one of those and throw you a curve ball.

そして突然、そのうちのひとつを与えて、カーブボールを投げるんだ。

So this, in fact, and then maybe it goes on like this.

So a machine learning algorithm is really good at looking at patterns and discovering patterns within data.

だから機械学習アルゴリズムは、パターンを見て、データの中からパターンを発見するのが得意なんだ。

The more training data you can give it, the more confident it can be in predicting.

より多くのトレーニングデータを与えれば与えるほど、予測に自信を持つことができる。

So predictions are one of the things that machine learning is particularly good at.

つまり予測は、機械学習が特に得意とすることのひとつなのだ。

Another thing is spotting outliers like this and saying, oh, that doesn't belong in, it looks different than all the other stuff because the sequence was broken.

もうひとつは、このような異常値を見つけ、ああ、これは入らない。

So that's particularly useful in cybersecurity, the area that I work in, because we're looking for outliers.

私が担当しているサイバーセキュリティの分野では、異常値を探しているので、これは特に役に立つ。

We're looking for users who are using the system in ways that they shouldn't be or ways that they don't typically do.

私たちは、あるべきでない方法で、あるいは通常行わない方法でシステムを使用しているユーザーを探しています。

So this technology, machine learning is particularly useful for us.

だから、この技術、機械学習は私たちにとって特に有用だ。

And machine learning really came along and became more popularized in this timeframe, in the 2010s.

そして機械学習が本格的に普及したのは、2010年代のこの時期だ。

And again, back when I was an undergrad, riding my dinosaur to class, we were doing this kind of stuff.

そしてまた、私が学部生だったころ、恐竜に乗って授業に通っていたころ、私たちはこのようなことをしていた。

We never once talked about machine learning.

機械学習の話は一度もしなかった。

It might have existed, but it really hadn't hit the popular mindset yet.

存在したかもしれないが、まだ一般的な考え方には浸透していなかった。

But this technology has matured greatly over the last few decades.

しかし、この技術はここ数十年で大きく成熟した。

And now it becomes the basis of a lot we do going forward.

そして今、それは今後私たちが行う多くのことの基礎となっている。

The next layer of our Venn diagram involves deep learning.

ベン図の次のレイヤーは、ディープラーニング（深層学習）である。

We use these things called neural networks.

私たちはニューラルネットワークと呼ばれるものを使っている。

Neural networks are ways that in a computer, we simulate and mimic the way the human brain works, at least to the extent that we understand how the brain works.

ニューラル・ネットワークとは、人間の脳の働きをコンピューターでシミュレートし、模倣する方法である。

And it's called deep because we have multiple layers of those neural networks.

ニューラルネットワークを何層にも重ねるからディープと呼ばれるんだ。

And the interesting thing about these is they will simulate the way a brain operates.

そして、これらの興味深い点は、脳が作動する方法をシミュレートすることだ。

But I don't know if you've noticed, but human brains can be a little bit unpredictable.

でも、気づいているかどうかわからないけど、人間の脳はちょっと予測できないことがあるんだ。

You put certain things in, you don't always get the very same thing out.

あるものを入れても、いつも同じものが出てくるとは限らない。

ディープラーニングも同じだ。

In some cases, we're not actually able to fully understand why we get the results we do because there are so many layers to the neural network.

ニューラルネットワークには非常に多くのレイヤーがあるため、なぜそのような結果が得られるのかを完全に理解できない場合もある。

It's a little bit hard to decompose and figure out exactly what's in there.

分解して中身を正確に把握するのは少し難しい。

But this has become a very important part and a very important advancement that also reached some popularity during the 2010s.

しかし、これは非常に重要な部分となり、2010年代にはある程度の人気も獲得した。

And as something that we use still today as the basis for our next area of AI.

そして、私たちが次のAI分野の基礎として現在も使用しているものとして。

The most recent advancements in the field of artificial intelligence, all really are in this space, the area of generative AI.

人工知能の分野における最近の進歩は、すべてこの分野、つまりジェネレーティブAIの領域にある。

Now, I'm going to introduce a term that you may not be familiar with.

さて、あまり聞き慣れない言葉を紹介しよう。

ファンデーションモデルのアイデアだ。

Foundation models is where we get some of these kinds of things.

ファウンデーションモデルは、この種のもののいくつかを手に入れる場所だ。

For instance, an example of a foundation model would be a large language model, which is where we take language and we model it.

例えば、基礎モデルの例としては、大規模な言語モデルがある。

And we make predictions in this technology, where if I see certain types of words, then I can sort of predict what the next set of words will be.

この技術では、ある種の単語を見れば、次に出てくる単語を予測することができる。

I'm going to oversimplify here for the sake of simplicity.

ここでは簡単にするために単純化しすぎている。

But think about this as a little bit like the autocomplete.

しかし、これはオートコンプリートのようなものだと考えてほしい。

When you start typing something in, and then it predicts what your next word will be.

何かを入力し始めると、次の単語を予測してくれる。

Except in this case, with large language models, they're not predicting the next word.

ただしこの場合、大規模な言語モデルでは、次の単語を予測することはできない。

They're predicting the next sentence, the next paragraph, the next entire document.

次の文章、次の段落、次の文書全体を予測しているのだ。

So there's a really an amazing exponential leap in what these things are able to do.

だから、これらの機器ができることは本当に驚くほど飛躍的なのだ。

And we call all of these technologies generative because they are generating new content.

そして、これらのテクノロジーはすべて、新しいコンテンツを生成するものであるため、私たちはジェネレイティブと呼んでいる。

Some people have actually made the argument that the generative AI isn't really generative, that these technologies are really just regurgitating existing information and putting it in different format.

実際に、ジェネレーティブAIは本当のジェネレーティブではない、これらのテクノロジーは既存の情報を再利用して別のフォーマットに変えているだけだ、と主張する人もいる。

If you take music, for instance, then every note has already been invented.

例えば音楽を例にとれば、すべての音符はすでに発明されている。

So in a sense, every song is just a recombination, some other permutation of all the notes that already exist already, and just putting them in a different order.

だからある意味、すべての曲は、すでに存在するすべての音符を別の順番で並べ替えただけなんだ。

Well, we don't say new music doesn't exist.

まあ、新しい音楽が存在しないとは言わない。

People are still composing and creating new songs from the existing information.

人々は今なお、既存の情報から新しい曲を作り、作曲している。

AIも似たようなものだと思う。

It's an analogy, so there'll be some imperfections in it, but you get the general idea.

例え話なので、不完全な部分もあるだろうが、大まかなイメージはつかめるだろう。

Actually, new content can be generated out of these.

実際、これらから新しいコンテンツが生まれることもある。

And there are a lot of different forms that this can take.

そして、これにはさまざまな形がある。

Other types of models are audio models, video models, and things like that.

他にも、オーディオモデル、ビデオモデル、そういったものがある。

Well, in fact, these we can use to create deepfakes.

まあ、実際、これらはディープフェイクを作るのに使える。

And deepfakes are examples where we're able to take, for instance, a person's voice and recreate that and then have it seem like the person said things they never said.

ディープフェイクとは、例えばある人の声を取り出してそれを再現し、その人が言ってもいないことを言ったように見せかけることができる例だ。

Well, it's really useful in entertainment situations, in parodies and things like that.

まあ、エンターテインメントの場面では、パロディとか、そういうことにすごく役立つんだ。

Or if someone's losing their voice, then you could capture their voice and then they'd be able to type and you'd be able to hear it in their voice.

あるいは、声が出なくなっている人がいれば、その人の声をキャプチャして、その人がタイピングすれば、その声で聞くことができる。

But there's also a lot of cases where this stuff could be abused.

しかし、これが悪用されるケースもたくさんある。