ポイント: 機械学習の5つの部族—シンボリスト、コネクショニスト、ベイズ主義者、進化主義者、アナロジスト—は、人工知能を進展させるための独自の方法論を提供します。各部族はAIモデルを開発するために異なるアプローチを利用し、フィールド全体の成長に貢献しています。
- シンボリストは論理とルールベースのシステムに焦点を当てています。
- コネクショニストは脳の機能に基づいて神経ネットワークをモデル化します。
- ベイズ主義者は確率的推論を強調します。
- 進化主義者は適応学習プロセスに集中します。
- アナロジストはクラスの類似性に基づいて結果を予測します。
機械学習は多面的です。学習メカニズムは多くの分野に非常に役立っています。機械学習が生物学や心理学などの分野に適用されると、その方法論は通常、その分野に沿った形を取ります。
ペドロ・ドミンゴスの著書、マスターアルゴリズム：究極の学習機械の探求が私たちの世界を再構築するでは、機械学習アルゴリズムのタイプを5つのクラスに分類しています。彼はそれらを機械学習の部族と呼んでいます。各グループは一連の原則を支持し、そこから異なる機械学習モデルが生まれます。
多くから一つへ、彼のアプローチはすべての部族が一つのマスターアルゴリズムに集中することになると言っています。この最終的な機械学習アルゴリズム、マスターアルゴリズムは、多くの人が来ると予測する人工一般知能になるでしょう。そこに到達するために、ドミンゴスはこれら5つの部族のそれぞれから少しずつ取り入れて混ぜたいと考えています。
機械学習の5つの部族：
- シンボリスト
- コネクショニスト
- ベイズ主義者
- 進化主義者
- アナロジスト
シンボリストは論理に焦点を当てています。彼らはAIを作成するための形式的なシステムを開発します。1950年代から1980年代まで、シンボリックAIは支配的なパラダイムでした。ほとんどのコンピュータはこの種の思考に基づいており、数十年にわたってコードに最もアクセスしやすいものでした。シンボリストは論理に基づいて意思決定を行うために厳格なパスに従う技術を使用します。彼らのハードコーディングされたルールは、「停止標識に出会ったときは常に左に行く」といった形になります。
この種の意思決定を行うシステムには以下が含まれます：
- 決定木
- ランダム決定森林
- 生成ルールシステム
- 帰納的論理プログラミング
コネクショニスト（神経科学）
コネクショニストは脳に基づいてモデルを作成するグループです。彼らは、内部の機械学習アーキテクチャの重要な部分である神経ネットワークが脳内のニューロンの働きに基づいてモデル化されていることを指摘するのが好きです。彼らは以下のようなモデルを使用します：
- 人工ニューラルネット
- 強化学習
- 深層学習
彼らが言う接続は、比喩のような接続を指しているのではなく、ニューロンからニューロンへと信号が送られることを指します。信号の強さと信号の数があります。
コネクショニストフレームワークにおいて、人々が抱える大きな問題は、意思決定がどのように行われるかが視界から隠されていることです—いわゆるブラックボックス。決定木での意思決定の各ステップは知られています。コネクショニズムでは、入力が出力を持つかもしれませんが、その入力がその出力に至るまでの経路は見えません。人は「モデルはどのようにその結論に至ったのか？」と尋ねることができません。
ベイズ主義者（統計学者）
ベイズ主義者の部族は統計を重視します。これは論理の異なる形であり、確率的な結果に存在し、ハードコーディングされた結果やいずれかの結果に存在するものではありません。ベイズ主義者にとって、機械学習は確率的推論の一形態です。入力が与えられると、出力がYである可能性があります。何も決定されてはいません。可能な結果は発生する可能性を持っています。
ベイズ主義者はコネクショニストまたはシンボリスト手法を使用して意思決定モデルを生成するかもしれませんが、彼らの思考の焦点は確率的結果にのみあります。XからYに至るインフラは、結果の解釈の方法ほど重要ではありません。それにもかかわらず、ベイズ主義者は以下のようなモデルを使用します：
- 隠れマルコフ連鎖
- グラフィカルモデル
- 因果推論
進化主義者（生物学者）
進化主義者は、インフラや決定された結果、あるいは結果の解釈ではなく、物事を考えることを好みます。彼らは過程理論タイプです。彼らはステップや反復に関心を持っています。
生物学者の視点から機械学習を見ると、彼らはAIの進化に関心を持っています。彼らはそれがどのように成長し、変異し、どのように存在するようになるかに興味を持っています。人々が変異のたびに進化するのと似て、ヒトゲノム自体にも学習と適応の能力があり、環境をナビゲートするのにより適した人間を毎回生み出します。進化主義者は、学習し適応する機械学習モデルを作成したいと考えています。
進化主義者は遺伝的アルゴリズムや進化プログラミングを使用します。進化的AIの一般的な応用は学習タスクにあります。以下のDeepMindチームは、脚のある小さなスティックフィギュアオブジェクトを作成し、環境と簡単な物理法則を与え、前進することを目標にしました。多くの試行錯誤の反復の後、フィギュアの知能は物体を飛び越える能力を進化させ、前進できるようになりました。進化的アルゴリズムはゲームプレイで広く使用されます。彼らは自動運転車が自律的に運転するための主要なモデルの一つとなるでしょう。
アナロジスト（心理学者）
アナロジストは通常、ストーリーテラーです。彼らはエンティティのクラスを作成できます。入力が古いものであれ新しいものであれ、それらのクラスの一部として特定されると、アナロジストはその入力の結果をそのクラスの結果に似ていると予測できると信じています。
このアプローチで解決される問題はレコメンダーシステムです。たとえば、ユーザーがNetflixでロマンティックコメディを視聴した場合、アナロジストは「あなたの視聴行動とこのロマンティックコメディが好きだったことを考えると、他の人が同じ映画を視聴した場合にも他の映画が好きになるでしょう」と言うでしょう。アナロジストはクラスやタイプを使用して人々のグループを特定し、他のクラスメンバーの結果に基づいて将来の結果を予測します。
アナロジストが使用する機械学習モデルはK近傍アルゴリズムやSVM、教師なし学習法であり、人口のメンバーをそのクラスに配置します。以下のチャートは、メンバーをクラス0と1に分類します。2つ目の画像はメンバーを3つのクラスの1つに分類します。
5つのML部族
各アプローチには有用性があります。これらの機械学習手法の組み合わせがAGIへの答えとなるかもしれません。自動運転車は進化的方法で安全に運転することを学ぶかもしれませんが、コネクショニストの方法を使用して車のセンサーに視覚を与えるでしょう。その車は、アナロジストのドライバーを攻撃的、防御的、または受動的なタイプに分類する方法を利用することで、ユーザーとドライバーのインタラクションに大きなブーストを得るかもしれません。最後に、停止標識で停止し、線の間を維持するなどの道路のルールがあり、そこで従来のシンボリスト部族の手法が有益であると証明されます。
追加リソース
このトピックについての詳細は、BMC機械学習＆ビッグデータブログを閲覧するか、以下のような記事やハウツーをご覧ください：
これらの投稿は私自身のものであり、必ずしもBMCの立場、戦略、または意見を代表するものではありません。