芸能活動引退の会見で小室哲哉さんが最後にメッセージを伝えた「高齢化社会」「介護の大変さ」「社会のストレス」についてみんなで考えてみよう!




■芸能活動引退の会見で小室哲哉さんが最後にメッセージを伝えた「高齢化社会」「介護の大変さ」「社会のストレス」についてみんなで考えてみよう!

2040年の日本の社会構造・課題
2040年の社会構造|無人化、自動化、ロボットとの協働、高齢者の見守り等、人口減少日本を支える社会経済基盤が必要

参考画像:IoT新時代の未来づくり検討委員会事務局資料(2017/11/17、総務省)|スクリーンショット

小室哲哉「お騒がせした償い=退く」/一問一答2

(2018/1/19、日刊スポーツ)

たった1人の言動で日本、社会が動くとは全く思ってはいませんが…何となくですが高齢化社会、介護の大変さ、社会のストレスであったりとか少しずつ、この10年で触れてきたと思うので、こういうことを発信することで、皆さんも何かいい方向、幸せになる方向に動いてくれたら良いと心から思っています。微力ですが。少しでも響いたらいいなと思います。

小室哲哉さんが芸能活動引退の会見で行なった最後のスピーチが印象的ですよね。

小室哲哉さんは病気(C型肝炎)の治療を行なったり、KEIKOさんの介護があり、会見では自身の音楽のピークからすると下がったような、枯渇したような感覚などあったとおっしゃっていました。

【関連記事】

小室さんが感じているような高齢化社会・介護の大変さ、社会のストレスというのは決して他人事ではなく、私たちのすぐ目の前まで来ているといっても過言ではないでしょう。

■高齢化

日本の構造変化
日本の人口は2008年をピークに減少し、2040年には人口が約1億1千万人を下回り、毎年100万人近く減少。2042年には団塊ジュニア世代が高齢者となり、高齢者人口がピークになり、アジア諸国より約20年先行して超高齢化を経験。経済成長率が段階的に低下。
2040年の日本の社会構造・課題
2040年の社会構造|無人化、自動化、ロボットとの協働、高齢者の見守り等、人口減少日本を支える社会経済基盤が必要
未来の年表
未来の年表によれば、少子高齢化の深刻化により、今後日本の労働力人口が大幅に減少→ICTによる労働力人口減少への対策が必須

参考画像:IoT新時代の未来づくり検討委員会事務局資料(2017/11/17、総務省)|スクリーンショット

【参考リンク】

■老後の不安

日本の人口の推移|平成28年版情報通信白書|総務省
日本の人口の推移|平成28年版情報通信白書|総務省

参考画像:少子高齢化の進行と人口減少社会の到来|平成28年版情報通信白書|総務省スクリーンショット

少子高齢化の進行と人口減少社会の到来|平成28年版情報通信白書|総務省

総務省の国勢調査によると、2015年の人口は1億2,520万人、生産年齢人口は7,592万人である。。国立社会保障・人口問題研究所の将来推計人口(出生中位・死亡中位推計)によると、総人口は2048年に1億人を割り、2060年には8,674万人にまで減少すると推計されている

総務省の国勢調査によれば、日本では少子高齢化が進んでおり、生産人口が減少し、総人口も減少を始めています。

Population of Japan|日本の人口ピラミッド
Population of Japan|日本の人口ピラミッド

参考画像:Population of Japan|PopulationPyramid.net

2045年の人口ピラミッドを70-74歳代が最も多く、その下の若い世代はどんどん少なくなっていくと予想されます。

高齢化社会をイメージする図としてよく紹介されるのがこのような図です。

2000年は65歳以上1人を20-64歳3.6人で支える。2050年は65歳以上1人を20-64歳1.2人で支える。
2000年は65歳以上1人を20-64歳3.6人で支える。2050年は65歳以上1人を20-64歳1.2人で支える。

参考画像: [将来の税はどうなるの?] 少子・高齢化|国税庁スクリーンショット

性別(男性・女性)・年齢階級別にみる悩みやストレスの原因からわかることによれば、男性は、25歳から54歳にかけては、1位「仕事に関すること」、2位「収入・家計・借金」と悩みの順位は変わらないのですが、55歳以上になると、「自分の健康・病気」や「老後(介護・収入)」への悩みが大きくなっていきます。

【男性】性・年齢階級別にみた上位5位までの悩みやストレスの原因|悩みやストレスの状況|平成13年 国民生活基礎調査の概況|厚生労働省
【男性】性・年齢階級別にみた上位5位までの悩みやストレスの原因|悩みやストレスの状況|平成13年 国民生活基礎調査の概況|厚生労働省

参考画像:表22 性・年齢階級別にみた上位5位までの悩みやストレスの原因|悩みやストレスの状況|平成13年 国民生活基礎調査の概況|厚生労働省

女性は、45歳以上から「自分の健康・病気」や「老後(介護・収入)」への悩みが大きくなっていきます。

【女性】性・年齢階級別にみた上位5位までの悩みやストレスの原因|悩みやストレスの状況|平成13年 国民生活基礎調査の概況|厚生労働省
【女性】性・年齢階級別にみた上位5位までの悩みやストレスの原因|悩みやストレスの状況|平成13年 国民生活基礎調査の概況|厚生労働省

参考画像:表22 性・年齢階級別にみた上位5位までの悩みやストレスの原因|悩みやストレスの状況|平成13年 国民生活基礎調査の概況|厚生労働省

老後に不安なこと|平成28年版厚生白書
老後に不安なこと|平成28年版厚生白書

参考画像:老後に不安なこと|平成28年版厚生白書|スクリーンショット

厚生労働省で行った意識調査で40歳以上の男女に「あなたにとって、老後に不安が感じられるものは何ですか?」と質問に対して、「健康上の問題(73.6%)」が最も多く、次いで「経済上の問題(60.9%)」となっています。

【関連記事】




■重介護問題

「#重介護問題」とは?|#介護 の問題は遠い未来の問題ではなく、今目の前にある問題!によれば、少子高齢化に伴って、介護される側(要介護者・寝たきり高齢者・患者)・介護する側(家族・社会)への重く厳しい負担がかかる「重介護問題」を解決を目指すことが求められています。

要介護者等と同居の主な介護者の年齢組み合わせ別の割合の年次推移平成28年国民生活基礎調査の概況|厚生労働省
要介護者等と同居の主な介護者の年齢組み合わせ別の割合の年次推移平成28年国民生活基礎調査の概況|厚生労働省

参考画像:平成28年国民生活基礎調査の概況|厚生労働省|スクリーンショット

75歳以上同士の「老老介護」初の30%超|65歳以上同士の「老老介護」は過去最高54%に|平成28年国民生活基礎調査によれば、介護をする側と介護を受ける側の両方が高齢者の組み合わせである「老老介護」が話題になっていますが、平成28年国民生活基礎調査で発表された、同居の主な介護者と要介護者等の組合せを年齢階級別にみると、60歳以上同士70.3%、65歳以上同士54.7%、75歳以上同士30.2%となっており、また年次推移でみると、上昇傾向にあるのがわかります。

介護予防・生活支援サービス市場は2025年に1兆3000億円によれば、今後高齢者人口と高齢者世帯の増加に伴いサービス市場は拡大し、介護予防・生活支援サービス市場は2025年に1兆3000億円に迫るそうですが、介護職員は2025年には約38万人不足するおそれがあるそうです。

介護福祉士ピンチ!?介護福祉士を養成する大学や専門学校への定員に対する入学者の割合が約46%によれば、公益社団法人「日本介護福祉士養成施設協会」の調査によれば、2016年度の介護福祉士を養成する大学や専門学校への定員に対する入学者の割合が約46%だったそうです。

アメリカのプライム世代の女性の36%が「介護」を理由に仕事に就けない!?|働き盛り世代が無償の介護をしなければならない問題を解決するアイデアで紹介した米ブルッキングス研究所(Brookings Institution)のハミルトン・プロジェクト(The Hamilton Project)が発表した報告書によれば、アメリカでは2016年、成人の3分の1(37.2%)以上が仕事に就いておらず、そのうち「働き盛り世代」(25~54歳)に当たる人たちの5分の1近くが就業しておらず、女性の36%が介護を理由に仕事に就けないそうです。

要介護(要支援)認定者数の推移|平成28年版厚生白書
要介護(要支援)認定者数の推移|平成28年版厚生白書

参考画像:要介護(要支援)認定者数の推移|平成28年版厚生白書|スクリーンショット

要介護(要支援)認定者数は2015年には約608万人|要介護者にならない段階(フレイル)で食い止める対策が重要で紹介した平成28年版厚生白書によれば、要介護(要支援)認定者数は、2000年の約218万人から2015年には約608万人と増加しています。

その理由としては、生活習慣病(慢性疾患)中心への疾病構造の変化や高齢化が進んでいることが挙げられています。

実際に高齢者人口は増加しており、高齢化率(65歳以上人口割合)は1950年4.9%→1985年10.3%→2005年20.2%と上昇し、2015年には26.7%と過去最高となっており、今後の予測としては、2025年30.3%となるなど、2060年まで高齢化率はずっと上昇していくことが見込まれているそうです。

年齢3区分別人口及び高齢化率の推移|平成28年版厚生白書
年齢3区分別人口及び高齢化率の推移|平成28年版厚生白書

参考画像:年齢3区分別人口及び高齢化率の推移|平成28年版厚生白書|スクリーンショット

つまり、この予測をもとにして、現状のままの仕組みで行くとすれば、要介護者の数は増加していくでしょう。

「重介護問題」は遠い未来の問題ではなく、今目の前にある問題なのです。

■まとめ

小室哲哉さんからの会見からは、病気・体力の低下・年齢による健康への不安や介護する側への重い負担、社会のストレスといったこれから日本が直面するであろう問題が濃縮されていたような感じがしました。

「インクルージョン」という考え方を知れば、あなたの周りの世界はやさしくなる!?で紹介した「インクルージョン(Inclusion)」とは、包含・含有・包括性・包摂・受け入れるといった意味を持ち、誰も排除せず、様々な人を受け入れるという考え方があります。

これからの私たちは、それぞれの問題を一人一人で抱えるのではなく、少しずつを分け合って、テクノロジーやアイデア、つながりをフル活用して、苦手なところは任せながら、自分の得意とするところでは率先して解決をしていくことが必要になってくるのではないでしょうか。







【関連記事】
続きを読む 芸能活動引退の会見で小室哲哉さんが最後にメッセージを伝えた「高齢化社会」「介護の大変さ」「社会のストレス」についてみんなで考えてみよう!

フィットネストラッカーのデータから心房細動は脳卒中によるものと判断され救われたケースがある

> 健康・美容チェック > 脳卒中 > 脳梗塞 > フィットネストラッカーのデータから心房細動は脳卒中によるものと判断され救われたケースがある




■フィットネストラッカーのデータから心房細動は脳卒中によるものと判断され救われたケースがある

Can Your Fitness Tracker (Fitbit®) Save Your Life in the ER?
Can Your Fitness Tracker (Fitbit®) Save Your Life in the ER?

参考画像:Can Your Fitness Tracker (Fitbit®) Save Your Life in the ER?|YouTubeスクリーンショット

Fitbitのおかげ。世界初、フィットネストラッカーが人命救助

(2016/4/20、ギズモード)

患者の検査の際に、腕に付けるアクティビティトラッカー(Fitbit Charge HR)を着用していることが確認されました。それは患者のスマートフォン上のアプリケーションと同期されており、フィットネス・プログラムの一環として彼の心拍数が記録されていました。このアプリケーションを患者のスマートフォンを通じて閲覧したところ、彼の心拍数のベースラインが毎分70から80回であり、脳卒中が発生した大体の時間において突如、持続して毎分140から160回の幅へと上昇していたことが分かりました。心拍数はジルチアゼムを投与するまで上昇した状態が続きました。

Fitbitのデータのおかげで、心房細動は脳卒中によって引き起こされたものであり、電気的除細動を行って良いことが確認されたということです。

フィットネストラッカー「Fitbit Charge HR」に記録されている心拍数のデータを参考に、医師は心房細動は脳卒中によって引き起こされたと判断し、電気的除細動を行なったそうです。

Can Your Fitness Tracker (Fitbit®) Save Your Life in the ER?

通常心臓は一定のリズムで一分間に60から100回拍動しますが、心房細動になると、心臓は不規則に300回以上拍動します。

心房細動が起きると、心臓の中の血がよどんで血のかたまり(血栓)ができやすくなり、それが血流にのって、脳の血管に詰まると脳梗塞を引き起こします。

→ 脳梗塞とは|脳梗塞の症状・原因・予防 について詳しくはこちら

高齢化に加えて、高血圧糖尿病などの生活習慣病の人が増加傾向にあるため、心房細動になる人が増えていると考えられるそうです。

つまり、脳梗塞を予防するためにも、心房細動のチェックと生活習慣の見直しをすることが重要になります。

フィットネストラッカーの精度については医療の判断材料となりうるのかどうかは疑問もありそうですが、今後こうしたケースは増えていきそうです。

→ スマートウォッチは病気の早期発見に役立つ|正常値とベースライン値の確立が重要|スタンフォード大 について詳しくはこちら







【関連記事】
続きを読む フィットネストラッカーのデータから心房細動は脳卒中によるものと判断され救われたケースがある

Google、人工知能(AI)「DeepMind」を目の病気(糖尿病網膜症と加齢黄斑変性症)の診断に活用

> 健康・美容チェック > 目の病気 > 加齢黄斑変性症 > Google、人工知能(AI)「DeepMind」を目の病気(糖尿病網膜症と加齢黄斑変性症)の診断に活用




■Google、人工知能(AI)「DeepMind」を目の病気(糖尿病網膜症と加齢黄斑変性症)の診断に活用

DeepMind Health – Moorfields Eye Hospital London Collaboration
DeepMind Health – Moorfields Eye Hospital London Collaboration

参考画像:DeepMind Health – Moorfields Eye Hospital London Collaboration|YouTubeスクリーンショット

グーグル、人工知能「DeepMind」を目の病気の診断に活用へ

(2016/7/6、CNET Japan)

ロンドンのMoorfields Eye Hospitalと共同で、DeepMindは、糖尿病性網膜症と加齢性黄斑変性症という2つの特定の疾患の兆候検出に取り組む予定である。Googleによると、2つの疾患を患う患者は合わせて世界中に1億人以上いるという。

Googleは英国営保健サービス(NHS)と提携し、人工知能(AI)プロジェクト「DeepMind」を目の病気の診断に活用するシステムの構築を目指すそうです。

対象となる目の病気は、糖尿病網膜症加齢黄斑変性症

■糖尿病網膜症とは?

糖尿病網膜症は、糖尿病の三大合併症の一つ。

糖尿病網膜症、糖尿病性神経障害糖尿病性腎症を3大合併症と呼びます。

糖尿病網膜症は、日本の中途失明原因の第2位で、年間約3000人がこの疾患で失明しているともいわれるそうです。

網膜は、瞳から入った光の明暗や色を感知する組織で、細かい血管が密集しています。

そのため、高血糖状態が続くと血管の閉塞障害と血液凝固異常がおき、眼内の血管が徐々に詰まって、網膜に栄養や酸素が届かなくなります。

そのような状態になると、網膜に新しい血管が生まれ、酸素不足などを補おうとします。

しかし、この新生血管はもろく、少しの刺激でも出血し、重篤化(じゅうとくか:病気がより悪い状態になること)すると網膜剥離を起こし、失明してしまいます。




■加齢黄斑変性症とは?

「黄斑部(おうはんぶ)」は網膜の中心にあり、ここが物を見る中心となっています。

黄斑部は直径2mm、厚さ0.2mmにすぎませんが、黄斑部が私たちの視力を支えています。

正常な黄斑部には、カロテノイド系色素ルテインとゼアキサンチンが集中的に分布しています。

加齢黄斑変性症の患者の場合、黄斑部のルテインとゼアキサンチンが減少しています。

加齢黄斑変性症とは、この黄斑部が何らかの原因で変性し、黄斑部を再生しようと網膜の外側の脈絡膜から細かい血管(脈絡膜新生血管)が発生します。

「新生血管(しんせいけっかん)」は、正常な状態では存在しないのですが、血管がつまり、網膜のすみずみまで酸素が行き渡らなくなると、網膜が酸欠状態になり、新しい血管を生やして酸素不足などを補おうとします。

この新生血管は構造がもろく、容易に出血してしまい、これにより網膜に障害が起こります。

■DeepMindの技術がどう役立つのか?

DeepMind Health – Moorfields Eye Hospital London Collaboration

GoogleはDeepMindの技術に、2つの疾患のスキャン結果の分析を学習させる方法を調査する。2つの疾患の診断は、その複雑さのために眼科医にとって時間のかかる作業だという。この調査は、患者の早期診断を実現する可能性があり、そうなれば、早期に治療を開始できるため、その後の視力低下を抑えることができる。

糖尿病網膜症と加齢黄斑変性症という2つの病気の診断は複雑なために眼科医にとっては時間のかかる作業なのだそうです。

そこで、人工知能(AI)によって、早期診断をすることができれば、早期治療につながることが期待できます。

DeepMindがNHSと手を組むのはこれが2度目である。DeepMindは、ロンドンにある他の病院と共同で腎臓分析ツールの開発にも取り組んでいる。

DeepMindは腎臓分析ツールの開発にも取り組んでいるそうですが、人工知能をはがん検診にも役立つのではないかと期待されています。

ディープ・ラーニングでがんを見つける?|がん検診を人工知能が行なう時代になる!?で紹介したベンチャー企業Enliticは、Deep Learningを医療データに応用したシステムを開発しています。

レントゲン写真、MRI、CTスキャン、顕微鏡写真などイメージデータをDeep Learningの手法で解析し、検査結果に悪性腫瘍などがあるかどうかを高速にかつ正確に判定するというものです。

IBMの「WATSON」によってがん治療がスピードアップする!?によれば、Watsonは膨大な量の医療データや論文などのデータベースが格納されており、患者のデータを高速で解析し、医療データを照らし合わせることで、患者に最も最適と思われる治療方針を提案することで、医師や患者が意思決定の支援をするシステムです。

【関連記事】

■まとめ

人工知能+病気診断の組み合わせはここ数年で飛躍的に増えていくのではないでしょうか。







【関連記事】
続きを読む Google、人工知能(AI)「DeepMind」を目の病気(糖尿病網膜症と加齢黄斑変性症)の診断に活用

生理日の記録や排卵日の予測、基礎体温管理ができる、女性向け体調管理スマホアプリ「楽天キレイドナビ」を開始|楽天生命




■生理日の記録や排卵日の予測、基礎体温管理ができる、女性向け体調管理スマホアプリ「楽天キレイドナビ」を開始|楽天生命

生理日の記録や排卵日の予測、基礎体温管理ができる、女性向け体調管理スマホアプリ「楽天キレイドナビ」を開始|楽天生命
生理日の記録や排卵日の予測、基礎体温管理ができる、女性向け体調管理スマホアプリ「楽天キレイドナビ」を開始|楽天生命

参考画像:楽天キレイドナビ|App Store|スクリーンショット

国内生保初、スマホを活用した女性向けヘルスケアサービスを開始~ 体調管理アプリ「楽天キレイドナビ」で、女性の健康増進をサポート ~

(2017/1/23、楽天生命 PRTIMES)

「楽天キレイドナビ」は、生理日の記録や排卵日の予測、基礎体温管理などが簡単にできるほか、カレンダー・BMI計算・マタニティモードなど多くの機能を備えたスマートフォンアプリです。

楽天生命保険株式会社は、スマホを活用した女性向けヘルスケアサービスとなる、無料の体調管理アプリ「楽天キレイドナビ」の提供を開始しています。

「楽天キレイドナビ」では、生理日の記録や排卵日の予測、基礎体温管理などができるそうです。

基礎体温をつける習慣を持つことで、ホルモンバランスの変化も早期に気づくこともでき、更年期障害などの体調の変化にも早めに気づくことができます。

基礎体温を測り、グラフをつけると、例えば、「低温期が短くなった」「高温期が短くなった」などあなたの体の変化に早めに気づくことにつながると思います。

【関連記事】

楽天生命は保険(Insurance:インシュランス)とTech(Technology:テクノロジー)を組み合わせた融合分野である「Insurtech (インシュアテック)」を推進していて、「楽天キレイドナビ」ユーザーのヘルスケアを支援したり、「ライフログデータ(生理日サイクルや基礎体温など)」を分析して、女性向け保険商品の開発を行なっていくそうです。

楽天生命のネット販売チャネルにおいて、女性顧客の比率と申込件数は直近1年間で顕著に増加しており、約60%がスマートフォンからの申込です。

楽天生命は、スマホへの親和性が高いと思われる女性顧客へのプロモーションを行ない、そこから女性の支持を集めて顧客の拡大につなげようと今回のサービス提供を開始しました。

1.App Storeから

楽天キレイドナビ
https://itunes.apple.com/jp/app/le-tiankireidonabi/id588963562?mt=8

2.Google Playから

楽天キレイドナビ
https://play.google.com/store/apps/details?id=com.rakuten.kidona.android&hl=ja

→ 生理(月経)|生理のメカニズム について詳しくはこちら




■まとめ

最近の傾向として、保険会社が「保険」×「健康」×「テクノロジー」を組み合わせたサービスに取り組むことが増えています。

今後は、保険会社が持つ知識とライフログデータの分析により、一人ひとりの健康状態や生活習慣に合わせた発症リスクの軽減・予防、健康増進に役立つ効果的なアドバイスを提供していくことにより、病気になってからの保険から、予防型の保険という形に変わっていきそうです。







【関連記事】
続きを読む 生理日の記録や排卵日の予測、基礎体温管理ができる、女性向け体調管理スマホアプリ「楽天キレイドナビ」を開始|楽天生命

AI(人工知能)と機械学習(マシンラーニング)と深層学習(ディープラーニング)の違いとは?




■AIと機械学習(マシンラーニング)と深層学習(ディープラーニング)の関係

機械学習(マシンラーニング)と深層学習(ディープラーニング)の関係
機械学習(マシンラーニング)と深層学習(ディープラーニング)の関係

参考画像:Introduction to Deep Learning: Machine Learning vs Deep Learning|YouTubeスクリーンショット

人工知能、機械学習、ディープラーニングの違いとは

(2016/8/9、NVIDIA)

その関係を考えるとき、同心円で表すのが一番簡単でしょう。まず、最初に生まれたアイデアが「AI」です。これは、もっとも包括的な概念です。次に、「機械学習」が発展し、最後に「ディープラーニング」が登場しました。今日のAIの急速な成長を促すディープラーニングは、AIと機械学習に含まれています。

NVIDIAの説明では、AIという概念の中に「機械学習(マシンラーニング)」があり、深層学習(ディープラーニング)は、AIと機械学習に含まれています。

Machine Learning and Human Bias|YouTube

機械学習において重要なことは、多くの学習データを用意することなのですが、例えば、Googleは、機械学習用データを集めるために、落書きをしてもらうサービスを提供しています。

ビッグデータとは何か|平成24年版情報通信白書|総務省によれば、ICT(情報通信技術)の進展により、多種多量なデータ(ビッグデータ)を生成・収集・蓄積することが可能になったのですが、このことも機械学習が注目されるようになった背景としてあります。

AIの成長の理由は、速く、安く、強力な並列処理を実現できるGPUの普及と膨大なデータ(ビッグデータ)という2つの要素が登場したことが関係しており、また、ディープラーニング(深層学習)と呼ばれる人工知能の学習手法が考えられたことによって、AI自身がデータから学習するようになったことから、AIが様々な分野に活用されるようになったと考えられます。

次に、機械学習(マシンラーニング)と深層学習(ディープラーニング)の違いについてみていきましょう。




■機械学習(マシンラーニング)と深層学習(ディープラーニング)の違い

Introduction to Deep Learning: Machine Learning vs Deep Learning

機械学習(マシンラーニング)と深層学習(ディープラーニング)ともに、学習データを分類することに使われる技術ですが、違う点は人間が特徴を定義するか、コンピュータが特徴を抽出し、ルールを決めていくかの違いがあります。

人工知能の動向(2016/3/17、NRI)では、機械学習とディープラーニングの違いについて次のように紹介しています。

従来の機械学習とディープラーニングの違い
従来の機械学習とディープラーニングの違い

参考画像:人工知能の動向(2016/3/17、NRI)

従来の機械学習とは、人間が特徴を定義するため、複雑な特徴を表現できないという弱点があります。

ディープラーニング(深層学習)とは、機械学習の手法の一つで、人工知能が学習データから特徴を抽出、つまり、AI自身がデータからルールと知識を獲得していく方法です。

ディープラーニングは「音声認識」「画像認識」「言語処理」などで用いられていて、画像認識に関しては、例えばECサイトでの商品画像による商品検索に活用されているそうです。

AI活用事例|ディープラーニングの商品検索への応用
AI活用事例|ディープラーニングの商品検索への応用

参考画像:人工知能の動向(2016/3/17、NRI)

ディープラーニングを理解するうえで最も大事なのは、答えや本質的にうまくいっている理由はわからないけど、うまくいっているということだけはわかるという点です。

天才プログラマーが予測する「AIが導く未来」 人間の「なんとなく」は合理的に判断される

(2017/8/24、東洋経済オンライン)

言い方を変えると、今までのコンピュータによる最適化の能力では、答えは基本的に1つしかない。それがディープラーニングだと、答えがそもそもないのです。「確たる答えはないけど、なんとなくこう」っていうのがディープラーニングです。

電王・Ponanza開発者が語る、理由がわからないけどスゴイ“怠惰な並列化”

(2016/10/26、ASCII.jp)

体感で言えば、LazySMPは実はプログラマーには人気がない手法です。なぜかと言えば、前述のように結局のところどうしてうまくいくのか、その正確なところがプログラマーにはわからないからです。ディープラーニングも本質的にどうしてうまくいくのかわかっているプログラマーがいません。あくまで将棋プラグラム業界では、という話ですが。

そのため、これからの時代は、コンピュータが出した答えに対して、人間が後付けで理論や因果関係を考えていくことが増えるのではないかと考えられているのです。

電王・Ponanza開発者が語る、“自転車置き場の議論”に陥った指し手生成祭り

(2016/11/29、ASCII.jp)

人間は難しい問題に直面してしまった時、簡単な切り口を探しがちです。それ自体はまったく間違った行為ではないのですが、いつまでも簡単な切り口を求め続けることは必ずしも正しい判断ではないでしょう。人間はわからない状態をわからないままにしておくことにもストレスを感じ、わからないところに無理やり理由をつけようと考えるのが常です。

人工知能はどのようにして 「名人」を超えたのか?―――最強の将棋AIポナンザの開発者が教える機械学習・深層学習・強化学習の本質

新品価格
¥1,620から
(2018/1/11 14:55時点)

難しい問題の時には議論が起こらないのに、自分の理解ができる問題の時には議論が白熱するようなことを「パーキンソンの凡俗法則」や「自転車置き場の議論」という呼び方をするそうですが、これからは、「わからない」「理解できない」ことに対して、安易に答えを出すことなく、あきらめずにわからないままの状態で真正面から向き合い続ける姿勢が重要になってくるのではないでしょうか。

まずは理解できない自分を認め、それでもそれに向き合い続けることが、現代科学を理解して紐解く鍵となるでしょう。理解できると傲慢になるのではなく、理解できないと空虚に走るでもなく、ただ見えないものを見ようとし続けることこそが、唯一この先を見る方法になると私は信じています。

わからないまま向き合い続けるというのはストレスがかかることかもしれませんが、これから先の未来では必要な資質となるのではないでしょうか。

AI(人工知能)と機械学習(マシンラーニング)と深層学習(ディープラーニング)を知ったうえで、様々な企業が提供しているサービスがどのような特徴を持つのか、チェックしてみましょう!







【参考リンク】
続きを読む AI(人工知能)と機械学習(マシンラーニング)と深層学習(ディープラーニング)の違いとは?

このブログは、 テレビやニュースの健康情報を “ばあちゃんの台所レベル”まで落とし込み、 実際の料理と生活にどう使うかをまとめた記録です。本サイトでは、 栄養学・食事指導・健康情報を、 家庭料理の実践・調理工程・生活習慣という観点から再構成し、 再現可能な生活知として整理・記録しています。