「AIとはどんなものだろう？」
「仕事に活かせるのかな？」
「データサイエンスと何が違うの？」

など、AI・人工知能についての疑問は多いかと思います。

今回は、AIの定義や基本情報、データサイエンティストとAIの関わり方について紹介していきます。

AI（人工知能）とは？

AIとは「Artificial Intelligence（アーティフィシャル・インテリジェンス）」の頭文字です。Artificial＝「人工的な」とIntelligence＝「知能」という意味で、人工知能とも呼ばれます。

AIという言葉がよく聞かれるようになり、なんとなくイメージは浮かぶけれど、詳細についてはよくわからないという方も多いのではないでしょうか。

解釈によって変わるAIの定義

AI（人工知能）の定義は、専門家や研究機関によって異なっており、残念ながらまだ定まっていないのが現状です。
時代によっても変化していることから、今後も変わっていくものと予想されます。

人工知能に関する書籍で名著とされる「人工知能は人間を超えるか ディープラーニングの先にあるもの」でも、研究者によってAIの定義は様々であることが紹介されています。

この本の内容によると、AIの定義は大きく分けて4つの潮流があります。

1. 人工的に作られた知能活動をするシステム
2. ”人間と同等の” 知能活動をする機械的なシステム
3. ”人間を超える”  知能を有する機械的なシステム
4. 心（情動）すら人工的に作り出せるシステム

例えば、この本の著者である松尾豊 先生（東京大学）はAIについて「人工的につくられた人間のような知能、ないしはそれをつくる技術（＝2）」と定義しています。

いっぽう、池上高志 先生（東京大学）は生物と触れ合うような情動の生成に重きを置いていますし（＝4）、山口高平 先生や栗原聡 先生（慶應義塾大学）は人の知能を超越するもの（＝3）と定義しています。

また、浅田稔 先生（大阪大学）は「知能の定義が明確でないので、人工知能を明確に定義できない」とさえしています。

このうち、現在多く使われている定義は「2」の「”人間と同等の” 知能活動をする機械的なシステム」になります。

とはいえ、「人間と同等の知能」についての解釈が人によって大きく異なるため、何をAIとするかの切り分けは依然難しい問題です。

主観を排した、最も広い意味でのAIの定義としては、「状況（入力）によって自律的に行動（出力）を変える機械」といえるでしょう。

出典：「人工知能は人間を超えるか ディープラーニングの先にあるもの」（KADOKAWA）p.45

AIの活用例

AIはさまざまな分野・領域で活用されています。

以下に、仕事や生活に身近な例を紹介します。

• 会員の閲覧履歴や購買パターンを分析し、売上向上につながるキャンペーンを実施する
• 機器の稼働率や気象条件などからトラブルを予測し、設備の稼働ロスを防ぐ
• 気候や土壌条件などから作物の生育を予測し、農作業を最適化してコスト削減する
• 検査画像データを解析し、医師（人間）が診断できなかった病気を発見する
• 会話内容をテキスト化し、文字起こしや引き継ぎ作業をなくす

このように、これまで人の手でおこなわれていた作業を素早く・精度高く実施できるようになったほか、場合によっては人間では判断が難しい内容についても対処できるようになっています。

AI（人工知能）には4つのレベルがある

AIを「状況（入力）によって自律的に行動（出力）を変える機械」という側面からみると、処理の仕組みによって4つのレベルに分けることができます。

レベル1　シンプルな制御プログラム

入力に応じ、あらかじめ決められたルールに忠実に従って出力するプログラムです。

ルールは条件分岐によって定義されており、”この状況の時はこの行動をする” という処理が事前に定められています。

エアコンの温度調整の自動化、洗濯機の洗剤投入や水量調整の自動化などが挙げられます。

レベル２　古典的な人工知能

探索、推論、知識データベースを利用したAIです。事前に設計された多数の行動パターンがデータベースに蓄積されており、その中から状況に応じた最適な行動を自ら選択することが可能です。

掃除用ロボットやチャットボット等が例として挙げられ、特定の専門分野に限った場合はユーザーを十分にサポートしてくれるレベルです。

レベル３　機械学習を取り入れた人工知能

機械学習の手法を取り入れたことにより、膨大な学習データから法則を見出すことができるようになりました。

データの特徴量を人間が設計する必要はありますが、レベル2よりもはるかに複雑な状況に対処が可能です。

スパムメール検知、検索エンジンのレコメンド、売上予測などが例に挙げられます。

レベル3のAIは、2000年以降のビッグデータの時代に躍進しました。

関連記事：機械学習とは？教師あり・教師なし・ 強化学習・半教師あり学習のアプローチ法も説明

レベル４　ディープラーニングを取り入れた人工知能

ディープラーニングは機械学習の一分野ですが、従来の機械学習で必須だった「特徴量の設計」が不要である点が特徴です。

この技術を取り入れることによって、文字列や画像などの特徴量の指定が難しかったデータでも、どのような情報に注目し対処すればよいかを直接判断させることができるようになりました。

画像検索、自動運転などが例に挙げられます。

AIとデータサイエンスの違い・関係性

AIとデータサイエンスはよく混同して捉えられる言葉ですが、似て異なるものです。

AIが「状況（入力）によって自律的に行動（出力）を変える機械」であるのに対し、データサイエンスとは「統計学と情報工学などの手法を組み合わせて、大規模なデータセットから問題解決に必要な知見を引き出す研究分野」です。

AIとデータサイエンスの最も大きな違いは、その主体です。

さまざまな状況に対し、AIは機械が判断し対処するのに対し、データサイエンスでは必ず人間が最終的な判断を行います。

	主体	目的
データサイエンス	人	問題解決の道筋を見出す
AI	機械	自律的な判断・タスクの実行

もちろん、データサイエンスでもAIを活用することは多々あります。

ディープラーニングを含む機械学習のアルゴリズムは、膨大なデータを分析する上で非常に強力なツールです。

ですが、データサイエンスの目的はAIによるデータの分析や可視化そのものではありません。

あくまでAIはツールの一つであり、そこから得られた結果をもとに「課題を解決する道筋を見出す」ことに重きを置いています。

データサイエンティストはAIを活かして「成果」を導く

AIによって、多様で膨大なデータを解析したり、処理を自動化することができるようになりました。

しかし、AIをただ使用してデータを収集・分析しただけでは、大きな成果を生むことはできません。

集積されたデータを解析して利益につながる知見を見出し、ビジネスの拡大という最終目的に貢献することがデータサイエンスの一番重要な役割と言えるでしょう。

高度な知識とスキルを有し、埋もれていた情報からビジネスの課題を解決する方法を見出すデータサイエンティストの需要は年々高まっています。

以下に、データサイエンティストに求められるスキルの一例を示します。

• 適切な分析手法を設定するための統計学
• 分析基盤の構築やデータ収集のための情報工学
• データビジュアライゼーション（データ視覚化）
• 解析する対象についての周辺知識

これらのうち、データの収集・分析に関わるAIについての知識は欠かすことができません。

AIの理解が、データサイエンティストの第一歩と言えるでしょう。

データサイエンティストの需要は高まっており、システムエンジニアがデータサイエンティストになった場合、年収が200万円はアップするといわれます。

また、AI の市場規模もどんどん大きくなっており、キャリア形成にも有用です。

AI（人工知能）の理解が、データサイエンティストの第一歩です。

いまはわかりやすく教えてくれるサイトや動画、講座などが多数あります。

興味があるくらいでは理解できないかも…なんて思う必要はありません。

ぜひ情報収集してみてください。