「機械学習」タグアーカイブ

ガートナーの「ハイプサイクル」(2017年版)の注目トレンドは「AI」「没入感のある体験」「デジタルプラットフォーム」|テクノロジーを知ることでワクワクする未来を描こう!

【目次】




■ガートナーの「ハイプサイクル」の注目トレンドは「AI」「没入感のある体験」「デジタルプラットフォーム」|テクノロジーを知ることでワクワクする未来を描こう!

Gartner Identifies Three Megatrends That Will Drive Digital Business Into the Next Decade
Gartner Identifies Three Megatrends That Will Drive Digital Business Into the Next Decade

参考画像:Gartner Identifies Three Megatrends That Will Drive Digital Business Into the Next Decade(2017/8/15、Gartnerニュースリリース)|スクリーンショット

Gartner Identifies Three Megatrends That Will Drive Digital Business Into the Next Decade

(2017/8/15、Gartnerニュースリリース)

Artificial intelligence (AI) everywhere, transparently immersive experiences and digital platforms are the trends that will provide unrivaled intelligence, create profoundly new experiences and offer platforms that allow organizations to connect with new business ecosystems.

Gartnerは「Hype Cycle for Emerging Technologies, 2017」(新興技術ハイプサイクル2017年版)を公開し、今後10年間のデジタルビジネスをひっぱる注目トレンドとして「人工知能(AI)活用」「透過的で没入感のある体験」「デジタルプラットフォーム」の3つを挙げています。

ハイプ・サイクル|ガートナー
ハイプ・サイクル|ガートナー

参考画像:ハイプ・サイクル|ガートナー|スクリーンショット

ハイプ・サイクル|ガートナーによれば、ハイプ・サイクルは、ある技術が登場してから成熟するまでのどの段階にあるかを検討する材料となるもので、テクノロジーのライフサイクルを黎明期、「過度な期待」のピーク期、幻滅期、啓蒙活動期、生産の安定期の5つのフェーズに分けて分析されています。

■AI Everywhere(あらゆる場面でAIを活用する)

Why Artificial Intelligence is the Future of Growth
Why Artificial Intelligence is the Future of Growth

参考画像:Why Artificial Intelligence is the Future of Growth – Accenture|スクリーンショット

人工知能とその他関連技術が融合した産業化のイメージ
人工知能とその他関連技術が融合した産業化のイメージ

参考画像:人工知能の研究開発目標と産業化のロードマップ(2017/3/31、人工知能技術戦略会議)|スクリーンショット

AIとその関連技術の融合によって、生産性分野、健康/医療・介護分野、空間の移動分野での産業化が期待されます。

AIは、このブログとも関りが深い、健康/医療・介護分野での活躍も期待されています。

人工知能とその他関連技術の融合による産業化のロードマップ(健康/医療・介護分野)
人工知能とその他関連技術の融合による産業化のロードマップ(健康/医療・介護分野)

参考画像:人工知能の研究開発目標と産業化のロードマップ(2017/3/31、人工知能技術戦略会議)|スクリーンショット

世界で最初に高齢化社会を迎えている日本においては、医療・介護に関するビッグデータとAIを活用することにより、医療・介護に関する新しい試みを世界に先駆けて行ない、治療ではなく予防に重点を置く予防医療によって、できる限り病気にならないようにしていく方法を構築していくことが期待されます。

【関係する技術】

Enterprises that are seeking leverage in this theme should consider the following technologies: Deep Learning, Deep Reinforcement Learning, Artificial General Intelligence, Autonomous Vehicles, Cognitive Computing, Commercial UAVs (Drones), Conversational User Interfaces, Enterprise Taxonomy and Ontology Management, Machine Learning, Smart Dust, Smart Robots and Smart Workspace.

ディープラーニング(深層学習)、深層強化学習、人工知能、自動運転車、コグニティブコンピューティング、ドローン、会話型ユーザーインターフェース、企業向けタクソノミー&オントロジー管理、マシンラーニング(機械学習)、スマートダスト、スマートロボット、スマートワークスペース

【参考リンク】

【関連記事】




■Transparently Immersive Experiences(透過的で没入感のある体験)

【関連する技術】

4D Printing, Augmented Reality (AR), Computer-Brain Interface, Connected Home, Human Augmentation, Nanotube Electronics, Virtual Reality (VR) and Volumetric Displays.

4Dプリント、AR(拡張現実)、ブレインコンピュータインターフェイス(BCI)、コネクテッドホーム、ヒューマンオーグメンテーション、ナノチューブエレクトロニクス、VR(仮想現実)、立体ディスプレイ

【参考リンク】

【関連記事】

■Digital Platforms(デジタルプラットフォーム)

5G, Digital Twin, Edge Computing, Blockchain, IoT Platform, Neuromorphic Hardware, Quantum Computing, Serverless PaaS and Software-Defined Security.

5G、デジタルツイン、エッジコンピューティング、ブロックチェーン、モノのインターネット(IoT)プラットフォーム、ニューロモーフィックハードウェア、量子コンピューティング、サーバーレスのプラットフォーム・アズ・ア・サービス(PaaS)、ソフトウェア定義セキュリティ。

ディープラーニング,深層学,人工知能,自動運転車,コグニティブコンピューティング,ドローン,タクソノミー,オントロジー,マシンラーニング,機械学習,スマートダスト,スマートロボット,スマートワークスペース,4Dプリント,AR,拡張現実,ブレインコンピュータインターフェイス,BCI,コネクテッドホーム,ヒューマンオーグメンテーション,ナノチューブエレクトロニクス,VR,仮想現実,立体ディスプレイ,5G,デジタルツイン,エッジコンピューティング,ブロックチェーン,IoT,ニューロモーフィックハードウェア,量子コンピューティング,PaaS
【参考リンク】

【関連記事】

■まとめ

これらの技術を見ると、技術はより人間を中心としたものとなり、人間と技術をつなぐ橋渡しのような技術(デジタルプラットフォーム)が今後10年にわたって注目されるのではないでしょうか?

「少子高齢化による高齢化社会は日本にとってのビジネスチャンス(医療・介護など)になる!」と発想を転換してみない?では、世界に先行して高齢化社会に突入している日本は、医療費削減のアイデアやよりよい介護の方法を実行できる立場にあり、それらのやり方をスタンダードにすることができるというビジネスチャンスがあるのではないでしょうかと書きました。

テクノロジーも同じことで、例えば、ロボット・AIの話題の場合、「仕事が奪われるかもしれないから不安だ」という人もいれば、「つまらない仕事を早く奪ってほしい」という人もいて、同じテクノロジーであってもその人の受け取り方によって変わってきます。

これからの未来が不安だという人も未来に対して期待しかないという人もこうしたテクノロジーを一つ一つ理解すると、これからどのような社会になっていくのかの一端がわかり、それに向かって行動をしていくと、不安だという人も漠然とした想像の未来ではなく、よりリアルな想像の未来が見えてくるでしょうし、ワクワクしている人にとってはさらにワクワクした未来が描けるのではないでしょうか。







【参考リンク】
続きを読む ガートナーの「ハイプサイクル」(2017年版)の注目トレンドは「AI」「没入感のある体験」「デジタルプラットフォーム」|テクノロジーを知ることでワクワクする未来を描こう!

ヘルスケアアプリ「カロミル」において食事画像データを自動的に判別する人工知能(AI)を自社開発|ライフログテクノロジー




■ヘルスケアアプリ「カロミル」において食事画像データを自動的に判別する人工知能(AI)を自社開発|ライフログテクノロジー

ヘルスケアアプリ「カロミル」において食事画像データを自動的に判別する人工知能(AI)を自社開発|ライフログテクノロジー
ヘルスケアアプリ「カロミル」において食事画像データを自動的に判別する人工知能(AI)を自社開発|ライフログテクノロジー

参考画像:「カロミル」|スクリーンショット

ヘルスケア アプリ「カロミル」において食事画像認識AIを自社開発。8割超えの識別率を確認

(2017/8/8、ライフログテクノロジー PR Times)

サービス開始以降、ヘルスケア アプリ「カロミル」を通してユーザーから取得した食事画像と、当社で保有する食事画像を合わせた約20万件を用いて、機械学習を開発してきました。
今回、ユーザーから収集した食事画像のうち、機械学習に用いていない写真をテストデータとして無作為に15,000件を選び、開発した食事画像認識AIに料理判定(食製品を含む)させたところ、その識別率は82%となりました。

ライフログテクノロジーは、日々の食事や運動の記録・管理ができるヘルスケアアプリ「カロミル」のユーザーから取得した食事画像データを自動的に判別する人工知能(AI)を自社開発したと発表しました。

ユーザーの食事記録のステップがこれまで以上に短縮化される見込みですで、今後は蓄積されたライフログからユーザー一人一人に最適な食事や運動の提案する機能も実装予定なのだそうです。

以前、糖尿病アプリで行動が変化し、空腹時血糖値や収縮期血圧が試験前より改善|東大病院では、糖尿病患者向けの生活習慣の改善や糖尿病の自己管理のためのアプリ「DialBetics」には、食事の記録に関して、撮影画像を認識して料理を提示し、ユーザーの入力を補助する機能を備えているというニュースをお伝えしましたが、この機能に近いものですね。

【糖尿病予防】ウェアラブルデバイスで健康データを記録し生活習慣を改善するモデル事業|経済産業省(2016/6/20)では、ヘモグロビンA1c値が高いが腎機能障害がない糖尿病一歩手前の人にウェアラブルデバイスをつけてもらい、心拍数・歩数・消費カロリー・睡眠の深さ・興奮・リラックス状況などのデータを計測し、そして血圧・体重・食事内容などを半年間記録してもらい、状態が悪化すると警告が出て、医師や看護師、管理栄養士が情報を提供し、生活習慣を改善するモデル事業が行われるというニュースを取り上げました。

ただ、こうした記録を続けることは大変であり、食事データを自動判別する機能があると、食事記録をつける上で大変便利でしょうね。

【関連記事】




■まとめ

「#NOOM」|人工知能(AI)と専門コーチが行動変容をサポートするヘルスケアアプリ|特定保健指導プログラムも開始では、人工知能(AI)とトレーニングコーチを組み合わせたアプリを紹介しました。

フィットネスアプリ「Fysta」|パーソナルトレーナーが監修した運動プログラムの動画&体重管理・ランニング機能|キングソフトでは、パーソナルトレーナーの動画と体重のレコーディング機能やランニング機能を搭載した無料フィットネスアプリを紹介しました。

先程紹介したのはレコーディング機能にAIを組み合わせたアプリであり、現在のトレンドとしては、AIとパーソナルトレーニングと動画・レコーディング機能をどのような組み合わせで提供するかというものになっているのではないでしょうか?







Apple ARKitと機械学習を活用して相手の生存期間を予測し表示するアプリ版「#デスノート」のアイデアを活かした健康管理アプリができる!?




■Apple ARKitと機械学習を活用して相手の生存期間を予測し表示するアプリ版「#デスノート」のアイデアを活かした健康管理アプリができる!?

Death Mask – an AR experiment
Death Mask – an AR experiment

参考画像:Death Mask – an AR experiment|YouTubeスクリーンショット

Death Mask – an AR experiment

Apple ARKitと機械学習を用いて相手の生存期間を予測し表示するiPadアプリ「Death Mask」の実験映像が登場

(2017/11/29、Seamless)

Apple ARKitと機械学習を用いて相手の生存期間を予測し表示するiPadアプリ「Death Mask」の実験映像が登場しました。

映像では、iPadを相手にかざし、相手のデスマスクと同時に相手が何年生きられるかの年数がオーバーレイして表示されます。

「Death Mask」とは、Apple ARKitと機械学習を用いて相手の生存期間を予測し表示するiPadアプリなのだそうです。

このアイデアを聞くと、マンガやアニメ、映画で人気となった「Death Note(デスノート)」を想像する人も多いのではないでしょうか?

実際にこのアイデアが実装されるというのは倫理的にはないと思いますが、この考えに近いものが病気予防に活用されることは考えられます。

CARDIOLENS|HOLOLENSを使って相手のバイタルサインをリアルタイムで可視化するAR・MRアプリで紹介した論文によれば、MicrosoftのHoloLensを用いて”相手のバイタルサイン”をリアルタイムに見ることができるツールが考え出されているようです。

この論文の中では、リアルタイムで血流を視覚化することが手術する外科医にとって有益であるとありましたが、血行状態が視覚化することができれば、病気になる前に病気のサインを見つける未病対策にも役立つのではないでしょうか。

以前、血行状態が映る「魔法の鏡」開発|将来的には自律神経指標に基づく未病対策が目的|東北大学では、ビデオカメラとコンピューターを内蔵した鏡型ディスプレーの前に立つだけで、その時の血行状態などが分かる血行状態モニタリング装置「魔法の鏡」を開発したというニュースを紹介しましたが、健康状態をわかりやすく表示するものというアイデアはすでにスタートしています。

また、第一生命、スマホアプリ「健康第一」に健康年齢測定やカロリーチェック機能などを追加には、「Face AI」という未来の顔がわかる機能があり、「年齢・BMIの変化」に加え、「若返り・老化」「メタボ」「喫煙習慣」「飲酒習慣」「白髪化」のシミュレーションができるそうです。

未来の顔をもとに生活習慣を見直すきっかけにするというものですが、今後はこうした健康状態をわかりやすく表示するというアイデアに注目が集まっていくのではないでしょうか?




■まとめ

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よれば、現在進行中の研究の重要な要素は、正常値またはベースライン値を確立することなのだそうです。

Verily(元Google X)のProject Baseline studyの目的は、病気のサインを見つけ病気の予防をすること!?で紹介したプロジェクト「Baseline Study」では、尿・血液・唾液・涙といった成分からデータを収集・解析し、健康の基準値(ベースライン)を見つけることで、生体の状態や病態を示す指標「バイオマーカー」を発見し、健康維持や病気の早期発見に役立てることを目指していました。

病気が発症してからではなく、健康な体が病気になりそうなサインを見つけるというアイデアは、東洋医学における「未病」という考え方に近いものです。

人によっては、健康診断などの検査結果で異常がないにもかかわらず、体がだるい、疲れやすい、頭痛、肩こり、めまい、眠れないなどといった体の不調に悩まされた経験もあるのではないでしょうか。

「はっきりとした症状はでていない」「数値には現れないけどなんだか体調がよくない」というときを、健康な体から病気の身体へと向かう途中だと考えるとすれば、その途中で起きる「サイン」に着目して、何らかの対処を行なうことが最も効果的な医療になっていくのではないでしょうか。

そのためにも、病気かそうではないかの「Baseline(ベースライン)」を見つける研究に注目が集まっていると考えられます。

ただ、健康管理がどんなに大事だとわかっていても、情報にあふれる現代では数字だけで表現されていても直感的には理解できずに、継続できなければ意味がありません。

健康管理に対する関心は高いのに、なぜウェアラブルデバイス市場の成長は鈍化しているのか?|「リストバンド型」から「腕時計型」へでも取り上げましたが、ウェアラブルデバイスが「リストバンド型」から「腕時計型」へ移りつつあるのも、リストバンド型では直感的に理解できないことが関係しているのかもしれません。

そのため、これからは健康管理をする上で、いかにその情報(言葉、画像、テキスト、動画など)をわかりやすく、受け取りやすい形に編集して、製品やサービスを利用を通じて得られる体験であるUX(ユーザーエクスペリエンス)をよいものにするかが重要だと思います。







【関連記事】
続きを読む Apple ARKitと機械学習を活用して相手の生存期間を予測し表示するアプリ版「#デスノート」のアイデアを活かした健康管理アプリができる!?

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?

インドに機械学習を活用した目のケアのための人工知能ネットワークを立ち上げ|Microsoft

> 健康・美容チェック > 目の病気 > 近視 > インドに機械学習を活用した目のケアのための人工知能ネットワークを立ち上げ|Microsoft




■インドに機械学習を活用した目のケアのための人工知能ネットワークを立ち上げ|Microsoft

Microsoft

by Mike Mozart(画像:Creative Commons)

Microsoftがインドで目の健康のために機械学習を活用、Google DeepMindに対抗

(2016/12/20、TechCrunch)

Microsoft Indiaは、GoogleのDeepMindのやり方に倣って、インドにデータドリブンの視覚障害者支援サービスを導入するための研究グループ、Microsoft Intelligent Network for Eyecare(目のケアのための人工知能ネットワーク)を立ち上げた。

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)の診断に活用によれば、グーグル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(糖尿病網膜症加齢黄斑変性症)の診断に活用するシステムの構築を目指していますが、マイクロソフトはインドに目のケアのための人工知能ネットワークを立ち上げたそうです。

【関連記事】

【参考リンク】

DeepMindの眼科医学へのアプローチはイギリスがターゲットだったが、Microsoftは必ずしも対象国を限定しない。同社はアメリカ、ブラジル、オーストラリア、そしてもちろんインドの研究者たちの協力を求めながら、機械学習モデルを教育訓練し、失明の原因となる症状をシステムが同定できるようにする。

Microsoftの中心的なパートナーとなるハイデラバードのL V Prasad Eye Instituteは、インドの名門病院のひとつだ。このプロジェクトはとくに子どもに力を入れ、屈折矯正手術の結果や、子どもの近視率の変化の予測、といった意欲的な課題に取り組んでいく。

マイクロソフトは、L V Prasad Eye Institute(ハイデラバード・インド)、Bascom Palmer(マイアミ大学)、Flaum Eye Institute (ロチェスター大学・アメリカ)、Federal University of Sao Paulo (ブラジル) 、Brien Holden Vision Institute (オーストラリア)の協力を得て、視覚障害の予測モデルを機械学習するために、地理的に異なる患者のさまざまなデータを入れ、子供の近視の変化率、子供の視力に影響を及ぼす条件、屈折矯正手術の予測結果、最適な手術パラメータ、手術をパーソナライズし成功の確率を最大化する方法に取り組んでいくそうです。

最近医療分野、特に目の病気に対して人工知能を活用した研究が進んでいるように感じましたが、今回の記事にその理由が書かれていました。

アイケア(eyecare, 目のケア)は、これまで医学とは無縁だったような企業が、保健医療分野で機械学習のポテンシャルをテストするための、人気分野になりつつある。人間の健康状態の中でも目の状態や症状は、画像分析によくなじむからであり、それはイコール、機械学習の当面の得意分野でもある。

目の状態や症状が画像分析になじむそうで、それが機械学習の得意分野でもあり、機械学習のポテンシャルを図るものであるため、急速にその研究が進んでいるようです。







【関連記事】
続きを読む インドに機械学習を活用した目のケアのための人工知能ネットワークを立ち上げ|Microsoft