Tweet

Pocket

◆制作ノート

前稿（『みんなで機械学習』第14回）からは、「データにとっての技術と自然」について考えている。ひとにとっての技術と自然は、歴史の底流であって、哲学のテーマとしても様々に議論されてきた。ひととコンピューターが共生・共進化する近未来において、「データにとっての技術と自然」という本論考を、「コンピューターにとっての自然はデータである」という意味不明なテーゼから始めてみよう。機械（コンピューターやロボット）が自発的にデータを収集・分析すること、機械自身の機能や状態もデータ化することなど、機械にとっての自然がデータとなるための技術的な課題を設定することは可能だろう。しかし、機械にとっての自発性や、機械自身といった言葉は、未定義な意味不明な言葉で、どのようにでも解釈できる。そもそも、データ論の立場では、データによって言語を拡張する、もしくは、データの意味を言語では把握しきれない、ということが出発点になっている。機械が人びとのように言語でコミュニケーションするようになるのは遠い未来のことだと仮定して、機械と機械、もしくは機械とひとは、データでコミュニケーションするのが近未来のイメージだ。データによるコミュニケーションは、言語によるコミュニケーションの初歩的な機能を模倣（もほう）したものでしかない。コミュニケーションという意味では、データは言語以下であって、言語の拡張ではありえない。しかし、データはコミュニケーション以外にも、未来予測や自己制御など、機械にとって大切な機能を実現するために不可欠な「何か」でもある。その「何か」を、「機械にとっての自然」として、意味不明なままに探求しようとしている。 記事全文>>

Tweet

Pocket

◆制作ノート

前稿（『みんなで機械学習』第13回）では、集団の個体差を機械学習することが可能になった場合、わたしたちは機械から学ぶことができるのか、という仮想の話を考えてみた。例えば集団における経済合理性について、人間的な経済学ではなく、自然科学における熱力学の法則を応用した経済学、経済化学を機械から学ぶことができるのだろうか。経済化学によって、正確な予測が可能な市場(precision market）が出現するという考えは、正確な薬効予測が可能な薬剤（precision medicine）から借用しているので、わたしにとっては20年間考えている課題の応用問題でもある。この課題を、40年間考えた「個体差とは何か」という哲学的な設問ではなく、データの機械学習という技術的な課題として、社会・経済の文脈の中で、課題自体を再定義することから始めている。 記事全文>>

Tweet

Pocket

◆制作ノート

前稿（『みんなで機械学習』第12回）では、集団の個体差について考えてみた。個人の個体差から集団の個体差へと議論を展開するこの部分が、本論の主要な主張であり、難解かつ仮説でしかない試論である。理想気体の熱力学と統計力学をモチーフとしていて、個人主義と集団主義（正確には組織の周辺主義）を矛盾なく統合しようという、野心的な試みだ。予想通り、難解な文章になってしまったので、多少解説を加えてみたけれども、もっと難解になったような気がする。難解だということだけを理解していただけばよいのかもしれない。実際は、論理や文章ではなく、データと試行錯誤によって、理解を深めるしかないのだろう。 記事全文>>

Tweet

Pocket

前稿（『みんなで機械学習』第11回）では、個体差の機械学習について考えてみた。哲学の文脈で、概念としての個体差について考えると、少なくとも言語の範囲では、定義矛盾となってしまう。個体であるということは、言語の範囲では、属性や概念ではないことを意味するからだ。一方で、データの世界では、属性に与えられた「所与」（データの哲学的な表現）の集合体が、個体の意味となる。すなわち、個体差は言語ではなく、データの世界で理解することが適切といえる。データの世界において、個体における複数の属性間の構造が明示的に与えられているのであれば、統計モデルによる解析が可能で、統計専門家が活躍する。しかし、医療技術や株価の変動など、個体差に伴う不確定性が問題となる場合、適切な統計モデルが不明で、どのようなデータを収集するのか、どのような構造のデータベースが適切なのかなどの検討が不可欠で、データ解析以前の段階であるデータマネジメントにおいて試行錯誤することになる。機械学習とは、そのようなデータマネジメントとデータ解析を統合して自動化している、最新のAI（人工知能）プログラミング技術だ。技術的には、音楽のレコメンドなど。個体差の機械学習はありふれた課題なのだけれども、医療やヘルスケア、特に新薬開発の「バイオマーカー」における個体差の機械学習は、データ収集の段階から、従来の統計解析とは異質の社会的コンセンサスを考慮する必要がある。さらには、個体差を明示的に取り扱うことで、機械学習技術自体を再考するきっかけになりうるし、AIの新たな技術革新となる可能性もある。 記事全文>>

Tweet

Pocket

今後の世界経済はリセッション（景気後退局面）となることが確実視されている。筆者が製薬企業の臨床開発部門に所属していた20年前、新薬開発、特に認知症や脳卒中などの、加齢とともに発症リスクが高まる脳疾患の治療薬開発が行き詰まっていた。筆者たちのグループは、薬効評価を質問票の点数（スコア）で行っていることに問題があると考えて、医療画像などの「測定」できる数値（バイオマーカー）による薬効評価に取り組んでいた。FDA（米国食品医薬品局）は製薬企業の活動と呼応して、白書”Innovation or Stagnation”（※参考１）を公表している。残念ながら、その後の新薬開発では、イノベーションではなくスタグネーション（停滞）の予想が的中してしまった。例外は、ガン治療薬などにおけるバイオ医薬品で、とても高価だけれども有効な新薬が、次々に開発されている。最近、エーザイは認知症の重症化予防効果があるバイオ医薬品（抗体医薬）の開発に成功した。バイオ医薬品の開発において、当時開発していたイメージング・バイオマーカー（FDG・PETやアミロイドPET）が活用されているので、全面的なスタグネーションではないとしても、新薬開発におけるバイオマーカーの活用は、期待には応えられなかったといわざるを得ない。新薬開発だけではなく、経済全体においても、金融やITのイノベーションは社会・経済の期待には応えられず、リセッションとなってしまうのだろうか。 記事全文>>

Tweet

Pocket

『みんなで機械学習』は、第9回を最後に1年ほど中断してしまった。その1年の間に、世界が政治経済的に分断され、ビジネス環境が大きく変化している。第9回の「ビジネス関連特許の9画面表現モデル」は、筆者が40年以上考え続けているデータ論としては、ひとつの到達地点だったと思う。西欧哲学的な、真・偽、敵・味方、など2項対立の論理はとても強力で、データの統計解析においても、2×2分割表などの形で様々に利用されている。こういった単純な古典論理が有用であることは疑いない。しかし、自然や社会のデータが、古典論理に従っている、古典論理で理解できるというのは単純すぎるし、量子力学などの複素数でしか記述できない現象には、古典論理では無力としか言いようがない。「9画面表現モデル」は、3×3分割表のように見えるけれども、中心となる特異点の周りをまわる「廻（まわ）る論理」を表現している。すなわち、データ論を「表現論」として再構築しようという試みだ。 記事全文>>

Tweet

Pocket

山口行治（やまぐち・ゆきはる）

株式会社Pラーニング研究所設立準備中。元ファイザージャパン・臨床開発部門バイオメトリクス部長（臨床試験データベースシステム管理、データマネジメント、統計解析）。ダイセル化学工業株式会社、呉羽化学工業株式会社の研究開発部門で勤務。ロンドン大学St.George’s Hospital Medical SchoolでPh.D取得（薬理学）。東京大学教養学部基礎科学科卒業。中学時代から西洋哲学と現代美術にはまり、テニス部の活動を楽しんだ。冒険的なエッジを好むけれども、居心地の良いニッチの発見もそれなりに得意とする。趣味は農作業。日本科学技術ジャーナリスト会議会員。

「みんなで機械学習」第1回では、CAPDサイクル（ビジネスのPDCAサイクルを、機械学習との組み合わせでCheckから始める加速モデル）を紹介して、4回転半のゴールを設定した。前稿までのCAPDサイクル2回転目では、大量の特許データをインターネットから無料で入手して機械学習してみた。AI（人工知能）プログラムを使って「みんなで機械学習」するのはCAPDサイクルの前半で、後半は中小企業経営者が自習する。自習して「ふりだし」に戻る。「みんなで機械学習」するのは、AI技術によって近未来のビジネス環境が激変することへの準備であり、できればビジネスのチャンスにしたい。単純に言って、ほぼ全てのビジネスにおけるサービスにおいて、AI技術による自動化が導入されるだろう。AI技術にとってサービスの自動化は難しい課題ではない。ヒトよりも心地よいサービスとなるかどうかは疑問だけれども、ヒトが作り出して、ヒトが解決できない多くの社会問題・地球環境問題にチャレンジすることがAI技術に期待されているので、ヒトも機械も忙しいのだ。

Tweet

Pocket

山口行治（やまぐち・ゆきはる）

株式会社Aデコード研究所設立準備中。元ファイザージャパン・臨床開発部門バイオメトリクス部長（臨床試験データベースシステム管理、データマネジメント、統計解析）。ダイセル化学工業株式会社、呉羽化学工業株式会社の研究開発部門で勤務。ロンドン大学St.George’s Hospital Medical SchoolでPh.D取得（薬理学）。東京大学教養学部基礎科学科卒業。中学時代から西洋哲学と現代美術にはまり、テニス部の活動を楽しんだ。冒険的なエッジを好むけれども、居心地の良いニッチの発見もそれなりに得意とする。趣味は農作業。日本科学技術ジャーナリスト会議会員。

「みんなで機械学習」するために、jamoviとjaspというオランダ・アムステルダム生まれの無料兄弟ソフトを紹介している。CAPDサイクル2回転目では、大量の特許データをインターネットから無料で入手してみた。筆者の仕事では、高価な統計解析ソフトと、貴重な臨床試験データを用いているけれども、無料であっても、機能や価値は劣っていないどころか、技術的には最先端でもある。有料サービスでは、デジタル技術の進歩に追いつかないのだ。一時代前のGAFAのサービスであれば、無料サービスでユーザーを獲得し、時代を先回りして、最終的にはゴッソリと利益をあげた。GAFAも超大型企業となり、社会的責任が問われ、規制が強まった。それでも、AI（人工知能）技術の進歩は止まらないので、社会の仕組みそのものを変えないと、無料サービスの利益を社会に還元できなくなる。「みんなで機械学習」して、技術や大量消費が生み出した数限りない社会的課題を、気長に解決してゆきたい。

Tweet

Pocket

前稿では「機械学習を使ったビジネス関連特許」6042件のデータを、「小学生」程度に機械学習で分析（A）してみた。いよいよ2回転目のプラン（P）、ヒトの出番だ。6042件のデータをクラスター分析して、全体を俯瞰（ふかん）したとしても、中小企業経営者にとって重要なのはビジネスの目標となる一つの特許、もしくは先願のないビジネスアイデアだ。中小企業経営者は大学の研究者ではないし、役人や大企業のように優等生ではない。より具体的には、筆者自身のビジネスのことを考えている。人工知能（AI）技術が発展すれば、コツコツとプログラムを書いてデータ解析をする仕事は不必要になる。それはデータ解析のコストがゼロになり、プログラマーの労働から解放されるという意味では喜ばしいことだけれども、筆者のような職業は後継者がいなくなる。後継者がいなくても、「みんなで機械学習」して、アマチュアリーグを作ろうというわけだ。 記事全文>>

Tweet

Pocket

「機械学習を使ったビジネス関連特許」6042件のデータを、「小学生」程度に機械学習で分析（A）してみよう。初めてやってみたら、結構面白かったなら成功だ。こういう問題を本格的な人工知能（AI）技術で分析する場合、特許相互の関連性をネットワーク分析することになる。特許相互の関連性は、様々に定義できるけれども、多くの場合、請求事項に含まれる「トピック」（単語の集合）をテキストマイニングすることから始める。小学生は特許を読まないので、テキストマイニングは大学生以降の仕事だろう。小学生らしく、特許のビルディングブロック（国際特許分類コード）を適当に並べ直して、面白そうな形にすることを試みよう。本格的な人工知能研究者は、大企業が儲かるような話題を好むので、初等教育を飛び越えて難しい課題に取り組む傾向がある。小学生程度に楽しく学習できなければ、中小企業経営者は「みんなで機械学習」することができない。おそらく中小企業のビジネスの役にも立たないだろう。 記事全文>>