４月６日の
インテル AI Day
のつづき(これでおわり）
■LINEのチャットボット・ いさごさま
・動画
チャットボット
検索・予約
・自己紹介
なぜLineにいるのかは、ぐぐれ
きっかけはりんなさん
だまされたとおもって、りんなさんと友達になろう！
中国で相談→Lineとやるのがよさそうといったのがいさごさん
大量の会話データ：Line
・りんなさんが口説けたときの武勇伝
しんらつな言葉もある
会話を続けるように学習
会話がどのくらい続くかを最適化
りんなのコンセプト Emotional AI
こるたな・・・しごとに
しゃおあいすとりんな・・・感情だけ
どこかで融合？
・つくってみたい
３年前は難しかった
今オープンソース
bingチーム：
検索エンジン Word2vecみたいなものつかっちゃえば
徹底的に学習：日本語を解析しているのではない
ディープラーニング：パターン
深層学習類似度モデル
言葉を生み出す：RNN
→川柳とかもできる
・データ量
パーミッションを得やすい会社
・りんなさん、バイトしてます
→広告なので就職でなくバイト
SHARPXりんな in Twitter
つかれない、めげない、やめない
にんげんがみててひやひや：業務要件に弱い
ワーナーブラザーズ：えいがみる？
りんな：みるよ、ディズニー
ていさんはざんねん
学習をリアルタイム；好奇心もたせると
PTAがいる：教育データのスコアリング
→日本人には当たり前：ロボットは教育するもの
欧米：ロボットが支配する？
・りんなさんのバイト先：ローソン
あきこちゃんとしてふるまう：丁寧な言葉
りんなは乱暴な言葉
→新商品は教えない：ユニバーサルボットは存在しない
AIを使うための目的がしっかりしていれば、それに対して
・Line
マンスリー６８００万人：ほぼほぼ、何らかの形で
アクティブ率 ７１．０
全世代サービス
企業への対話でもチャットやメッセージングの利用意向が急増
・やまと運輸
再配達通知：Lineで
２４時間３６５日対応できるーなぜ→AIが入っているから
NAVITIME
終電
AIR Do
搭乗手続きもLineだけで完結→１対１の会話も
→Android,ios：チャットボットで！
・カスタマーサポート
Line Pay
チャットボット
Line版まなみさん（ろはこ）
AIから人間に切り替わる→満足最大化
→Lineカスタマーコネクト
オートリプライ
マニュアルリプライ
コールToLine（音声）
LineToコール（IP電話）
ハイブリッドコネクション
現状は満足な答えを返せない
はい いいえ→いいえに切り替わるとコールセンターへ
IT系パートナー
・音声
フリーダイヤル、ナビダイヤル（IVR）の置き換え
もともと、無料音声通話アプリだった！
Call To Lineで実現する待ち時間なしのIVR
音声・テキスト以外の立地メディア活用の可能性
・Clova
Wave
テキストチャットはもちろん、動画、音声組み合わせ
りんなのように楽しませる→スマートスピーカー
IoT：エッジ側で解決できる 自動販売機 Lineとつなぎこむときにインテルさんも
・Closing the Distance
■将棋コンピューター将棋界最強の会社が語るAIの未来 ひーろーず
HEROZ AI Kishin（棋神）というサービス開始
名人を超えた
将棋Wars
ぽけもん of マスター
野村證券：株価予測
ブレインラボ
課題を解決：各産業
＜＜技術的特異点と将棋プログラムPONANZA＞＞
・佐藤名人 VS PONANZA（デンソーさんに腕）
PONANZA圧勝
６年前 電王線始まった：トッププロ倒すほどではなかった
→進化は加速
プロ棋士：ここからが長いといった：人間の直感だとそう
コンピューター：どんどんのびる
→指数的に伸びる；はじめはよわい
・どうしてこんなに強くなったか
人工知能２つのパート
人間が作った部分
人間が作っていないところ
探索すること
評価の部分→書いていない
はじめ：プロの手とさしてが一致→ある程度まで
さらに強くする：強化学習
１００おく局面を用意→予想と結果の差分を小さくなるように
→兆に届くレベル→新戦法まで生み出す
現在；コンピューターからセオリーを学んでいる
人間の教師がコンピューター
・２０１３年 コンピューター将棋に負けた お葬式
２０１４年 なれた
・ディープラーニング
ゲームの世界でも：アルファーゴー：４勝１敗 あるふぁーごーが人間の知らない囲碁を打った
→強化学習：あたらしい地平線
オンライン対局：６０連勝
将棋では・・
囲碁：正しい手を打つのは簡単（あいてるところに打てばよい）
→ディープラーニングにルールを伝える？
→ルールはいらなかった
Ponanza Chainer
・将棋界：技術的特異点を越えた、将棋の世界
人間が愛するのは、対人間
■深層学習フレームワーク Chainerとその進化
・２０１５年～公開されているフレームワーク
PFN
・Chainerの目標
社内の深層学習の研究開発を加速させる
高い自由度で直感的に記述できる
十分に高速に実行できる
用意にデバックできる
→世の中の深層学習の研究開発を加速させる
・ニューラルネットの学習方法
目的関数の設計
RNNなどを利用して自分で設
勾配の計算
自動で計算
最小化のための反復計算
ライブラリが提供
・ニューラルネット
誤差逆伝播法→勾配を計算：自動でやってくれる
・いままで
Define And Run 静的グラフ：Caffeなど
Define by RUN 動的グラフ：Chainer
Define And Runは構築と評価がべつべつ
Define by RUNは構築と評価が同時
・なぜ
深層学習は階層の深いだけではなくなってきている
いろんなネットワークが提案
手法が複雑化：高い自由度必要
・さまざまなプロジェクト
Chainer MN
Chainer RL（深層強化学習）
Intel版 Chainer
・２０１５年 TensorFlowも開発されていた
・ChainerMN
複数GPU,複数ノードで（マシン間はInfiniBand)
→スパコンなどで使うやつ
・使いやすさを損なうことなく
分散して学習を追加する
・強化学習
がんばってなにかする：
昔自作してた
・利用シーンの違い
運用コストの違い
消費電力の違い
→Intel 版Chainer MKLDLLをたたいて最適化
・まとめ
■人工知能分野の技術軍の社会実装
話の内容
・言語
・ちゃれんじ
そもそも：会社紹介
・アルゴリズム
事業領域：社会実装へのフォーカス
データ収集：IoT
データ解析：
→最終的に体験が変わる
基本的に：
教師データ
計算リソース
アプリケーション
最終的にユーザー体験かわる
→今日は言語
人工知能
機械学習
表現学習
深層学習
言語領域NN
＜＜言語領域＞＞
BEDORE（べどあ）
・自然言語処理の進化
対話：ディープラーニング
課題解決を対話エンジンで
・機械学習ベースの対話：ルールベースよりも高い精度で質問の意図を読み取る
ルール間の管理が難しかった
例を教えればいい
・BEDOREを導入することで、センターへのか電数が削減可能
→自動応答
→サジェスト：ナレッジマネジメントへ
・AIプロダクトが価値を出すために必要な３つのようそ
高い初期精度
ミスを保管できるふぇーるせーフナ仕組み
アルゴリズムに視線と反映される
・データ量が増えるほど精度が上がる
→初期開始時の精度が重要：好循環に入るのに
・ミスを保管できるフェールセーフな仕組み
１００％はできないので
・アルゴリズムに視線と反映される
ダッシュボードでアノテーションにより効率的に入れられる
＜＜ここまで＞＞
・後半
技術インフラ
コスト
応答性能、スケーラビリティ、
ビジネス領域 社会実装→特化したプロセッサ
ex: B to C
エッジ側で認識
チャレンジ
１．言語依存性の対応→言語の意味理解
（１）シンボルスペース
対応づけ
（２）パターンスペース
パターン認識
（３）リアルスペース
・古典的言語軌跡 （１）のみ
・近い将来の言語解析 （１）、（２）
・言語の意味解析 （１）、（２）、（３）
２．人口構造と人口減少から見るAIの社会受容性
３．技術者別人口構造と世代間連携の必要性
５０代 くみこみとか
３０代 エンタープライズとか
２０代 AI
■あいさつ
・AIは単独で語られることがおおいが、実は進化した結果であり、
その前に、クラウド等様々なハイプがある
・AIで何かできないか→前提条件をやっていないと大変
きちんと投資している人には落差はない連続体
あくまでもAIはツール
