ドメイン（対象分野）の知識を持って取り組むことが大変重要である。そして、いちばん簡単な線形モデル（重回帰）から始まって、ロジスティック回帰、サポートベクター回帰、そして様々なアンサンブル学習の手法（学習器を組み合わせる手法）、例えばランダムフォレストやXGboostなどのマシンラーニング系の手法を使ってやってみる。

表現力の高い深い関数を用いるため、データと計算量さえ多ければ精度が上がるという特徴を持つ（もちろんドメインの知識も重要ではある）。ただし、ディープラーニングに適したデータは限定的で、すでにデータベース化されているものよりも、画像そのものや音声そのもの、（大量にある場合の）テキストなど、生データに近いデータの扱いに優れている。

ドメインの知識、一般的な背景知識等を必要とする問題に対しては、それらの知識をうまく組み込むことが難しい。

どうやってデータを取得するか、そのデータにどうやってアノテーション（ラベルやメタデータを与えて正解データを作ること）をするかがポトルネックになる。そして、最新の技術を使ってモデルを構築し、実際にやってみて、またデータの取り方から改良をしていくという、試行錯誤のサイクルを続けることになる。

「エンド・トゥ・エンド(end-to-end)学習」がある。端から端を一気通貫で学習するという意味である。

国及び地方公共団体はデータのオープン化への取組みが義務づけられた。これによりオープンデータ化は進んできており、社会問題の解決、新サービスヘの利用による経済活性化が期待されている。

オープンデータの重点8分野（電子行政、健康・医療・介護、観光、金融、農林水産、ものづくり、インフラ・防災・減災、移動）が定められ、整備が進められている。

必要なデータは利用すべきである（データカタログサイト※41によると2018年7月現在で21,647データセットが公開されている）。

情報処理推進機構(IPA)はオープンデータの利活用性の向上を目指して、「共通語彙基盤」を整備している※42

この法律では、改正個人情報保護法で要配慮情報に該当する医療情報も、オプトアウト方式により第三者提供を可能としている。

GDPRの主目的は、市民と居住者が自分の個人データのコントロールの主権を取り戻すことであり、国際的ビジネスの規制を定めることである。

上記は企業間のデータ共有・共用の枠組みであるが、個人から（同意を得て）個人データの預託を受け、個人が許可したデータを必要とする企業に仲介、提供する「情報銀行」も課題の検討と並行して、具体的事業も始まっている。

政府もこの動きを推進しており、データ流通、利活用促進の枠組みとして期待される。

情報銀行は「個人が自分の個人データのコントロール権をもつ」ことを前提とし、その実現が図られたときにデータの範囲は大になる。この権利はEUのGDPRの中心理念であり、具体的にはデータ・ポータビリティの権利と関わる。EUのGDPRをはじめとする「個人が自分の個人データのコントロ

ール権をもつ」との思想は最近ではMyDataとも称されている。

MyDataと称するイベントは最初2016年にヘルシンキで行われ、日本でも2017年、2018年に行われた。

このMyDataの思想に深く関係するのがPersonalData Storage (PDS)であり、個人が自分の個人データを自分で保持し管理するストレージである。情報銀行とも深く関係する個人データの管理形態であり、情報銀行は個人から同意を得たPDSの個人データの預託を受けることになる。

2018年7月時点で英語版は記事数で567万、日本語版で記事数111 万となっている。内容は中立的観点から記述すべきとの方針がとられており、情報の質も2005年の百科事典エンサイクロペディア・ブリタニカとの比較で大差はなかったという調査結果も示された（その一方で、査読制度がなく、問題ある記述はコミュニティでの管理に委ねられているので、信頼性の担保が弱い部分もあるとの意見もある）。

Wikipedia情報をコンピューターによる意味把握を容易にするLOD (Linked Open Data)形式にしたのがDBpedia※48である(LODについては後述する） 。

セマンティックWebの上位目標(Proof、Trustなどあり）は高く、研究開発や標準化は継続しているものの、なかなか普及するまでに至っていない。

セマンティックWebの甚礎となるデータ記述形式はRDF(Resource Description Language)であり、これにもとづいてコンピューターに意味が判読でき、Webのようにオープンにアクセスできるようにしたのが、2007年からLODと呼ばれるようになったデータのWebである。データであるものの、概念や事物間を豊富な関係で結んでおり、知識化されているとも言える。

記述形式のRDFは主語(subject)、述語(predicate)、目的語(object)の三つ組(triplet)でデータ／知識を表す。図2-4-3にRDFの例を示すが、下がグラフ表示であり、上がNotation3(N3)というXMLをベースとするRDFのシリアル化記述形である（他のシリアル化記述形も存在する） 。

どのような対象領域があるかと言うと、大別すると以下のようなサブドメインである。

Cross-Domain (領域間共通）、Geography(地理）、Government(政府）、LifeScience（生命科学）、Linguistics(言語学）、Media、Publication(出版）、SocialNetworking、User-Generated (ユーザー生成コンテンツ）

LOD全体では1,000データセット以上にもなり込み入ってしまうので、図2-4-4にはLinguisticsサブドメインのLODを例示する。各ノードがデータセットを表し、関係づけがあるノード間にリンクが張られている。

主にWikipediaのInfobox(右上のボックス部分）の情報がRDF形式で記されている(DBpediaJapaneseも存在しているが※51、規模は大きくはなく範囲も限定されている）。

WikipediaをもとにしたLODにWikidata※52も存在する。DBpediaがWikipediaの主にInfoboxから情報抽出しているのに対し、WikidataはWikipediaの内容に関して共同編集されたRDFを集積している(DBpediaはBerlin自由大学とLoipzig大学で始められ2007年に公開されたが、WikidataはWikimedia財団で2012年から開始された）。

WordNet※” は（英語の）上位・下位語、同義語等を定義した語彙データセットだが、このWordNetもLODとして公開されている（日本語WordNet*54も存在し、LOD化が図られている） 。

RDFのクエリ言語としてSPARQL※” があり、RDFにより記述されたLOD空間は、SPARQL Endpoint (LODの標準検索API)からSPARQLによって検索可能である。

なおここではLODの記述形式としてRDFを記したが、RDFはオープンでないプライベートな三つ組構造で関係付けられたデータ／知識の集合を表すのにも用いられる（その場合はLinked Dataと呼ばれる） 。RDFという規格化された表現形と、それに付随する各種ツールも利用できることが利点となる。

RDFではデータ／知識は三つ組(triplet)及びノードと関係リンクによるグラフで表現される。同じようにデータ／知識をグラフ表現したものであるが、RDF表記は用いない知識グラフ(Knowledge Graph)がある。

キーワード検索の検索エンジンはWeb情報空間利用に不可欠のツールであるが、雑多な情報の選別など、アクセスには不十分な点も多い。

GoogleのKnowledgeGraphは、Web等から抽出したオブジェクト（事物）間の関係を意味ネットワーク形（オブジェクトをノードとし、ノード間を意味的関係を付したリンクで結んだグラフ）で知識化して表したものである。

これにより単なるキーワードでなく、オブジェクト間の意味的関係も考慮した検索を可能にしている。

このGoogleKnowledge Graphは2012年の発表時点で5.7億件のオブジェクトと、それらオブジェクト間の180億の意味的関係を有していた。2016年には700億件のファクト関係に拡大しており、検索と共に機械翻訳の品質向上にも利用されている。

これはGoogleKnowledge Graph Search API※56から検索で利用することができる。

2016年に発表があったMicrosoftのConceptGraphは、テキスト理解に必要な概念をやはりノードとし、ノード間を確率を伴う関係で結ぶグラフとしている。この概念ノード数は540万程であり、テキスト文の常識に照らした確率的解釈に役立つ。

Microsoftはこの他にもGoogleKnowledge Graphのような知識グラフSatoriも、検索エンジンBing用や対話システム用に開発している。Satoriは2012年時点で3.5億項目、8億の関係記述をもつ。

FacebookもEntitiesGraphという仮称で、膨大な利用者のプロファイル情報をノードとそれらを関係のリンクで結ぶグラフ形状のデータ／知識ベースで管理して活用している※570

データが膨大になることで、グラフ形状のデータ／知識ベースの処理の高速化も、解決すべき課題になっており、米国防高等研究計画局(DARPA)は、「HierarchicalIdentify Verify Exploit ;H IVE」と呼ばれる高速化の研究に取り組んでいる※580

制約は知識の基本的なものであり、随所に使われ、充足可能解あるいは最適解を導出するアルゴリズム（一種の推論）が使われる。

フレーム名のオブジェクトが関係をもつ要素をスロットして表すフレームの機能は、前述した三つ組(triplet)表現をとるRDFやその類似形で代替されてきている感がある。

一方、データの重要性が注目されている中でいわゆる知識ベースの形態や実体では、LODなど標準化されオープン化されているものは把握できるが、企業内のもの等は様々な形態であり、全体像を把握しにくくなってきている。

先にも述べているように、深層学習(DL)等の機械学習によって得た、認識／識別の用途に代表的に使われる学習済みDNN等は一種の知識であり、これらの獲得した知識の流通・共有の枠組みは、データの流通・利用と並行して今後の課題である。

学習済みDNNについては、訓練データとは違うが類似性のある新たな認識対象に対して、転移学習による利用が可能ではある。

しかし、実際に転移学習に利用されるのはImageNetで学習されたVGG16を代表とした限られた範囲である。

学習済みDNNをはじめとするデータから学習によって得た知識の広範囲な利用を可能にする枠組みは、適用範囲や品質の保証をどうするかなど、今後の課題である。※61

(a)自己身体の発見

(b)道具使用による適応的身体表現

(c) VIPニューロンの働き：頭部身体周辺空間の表現の獲得

・これからの「読み・書き・そろばん」であるAI技術を使いこなすITリテラシーを誰もが持ち、ヒューマンフレンドリーなAI技術を活用することで、ニーズに合った物・サービスの提供、病気にならないヘルスケア、自由で安全な移動等を実現

・サイバーセキュリティが確保され、AI技術の社会受容が進み、産業から生活まで様々な分野で活用されることで、質の高い新たな雇用やサービスを創出が挙げられており、

・2025年までに先端IT人材を年数万人規模、IT人材を年数十万人規模で育成・採用できる体制を確立（関係府省庁の施策での育成規模を2018年度中に設定）

・2032年までに初等中等教育を終えたすべての生徒がITリテラシーを獲得

・初等中等から大学までの課程における一般教養としての位置づけ

・産学官連携による産業ニーズを踏まえた学校教育

・高度な研究開発プロジェクトによる場の提供

・社会人のAI・データ人材への学び直しやリカレント教育

「データサイエンス領域」及び「セキュリティ領域」を対象とした形で2017年4月に公開、

2018年4月には「IoTソリューション領域」及び「アジャイル領域」を追加している。

AIに関連する「データサイエンス領域」は、企業等の業務において大量データを分析し、その分析結果を活用するための一連のタスクとそのために習得しておくべきスキルを取りまとめたものであり、

タスクはIPAと「一般社団法人データサイエンティスト協会スキル委員会（委員長：安宅和人ヤフー株式会社CSO)」の協業で策定している。

「ディープラーニングの基礎知識を有し、適切な活動方針を決定して事業応用する能力を持つ人材」すなわちディープラーニングを含むAIの知識・リテラシーを持ったビジネスサイドの人材と、

「ディープラーニングの理論を理解し、適切な手法を選択して実装する能力を持つ人材」すなわちエンジニア人材

数理・データサイエンス教育強化拠点コンソーシアム<http://www.mi.u-tokyo.ac.jp/consortium/index.html>

・教育機関側と産業界側それぞれに対する要望について、大学協議体と産業界の実務レベルによる意見交換

・産学協働による教育プログラムの構築・実施や調査等にもとづく政策提言の取りまとめ

「産業界のニーズと高等教育のマッチング方策」、「産学連携教育の推進」、「リカレント教育（技術者の継続教育）の推進」といった論点で議論

今後不足が見込まれるIT分野としてデータ・AI人材が挙げられる部分もあるが、現段階では基本的には枠組みの検討が中心である。

この枠組みを通じて、AI・データ関連業界のニーズが大学側に伝われば、リカレント教育を含めた人材育成の推進が期待される。

産学官による実践的な教育ネットワークを構築し、文系理系を問わず様々な分野ヘデータサイエンスの応用展開を図り、それぞれの分野でデータから価値を創出し、ビジネス課題や社会課題に答えを出す人材（データサイエンティスト）を育成する大学を支援する。

・研究活動を通じて高度なデータの扱いに親しんだ博士課程学生や博士号取得者等を対象

・企業や大学等が人材の発掘・育成・活躍促進を目的としたコンソーシアムを形成

・インターンシップやPBL(課題解決型学習）等の実践的な研修プログラムを開発・実施

「AI白書2017』では、大手企業におけるAI開発に関する人材確保や組織体制強化に関する動向を紹介しているが、この流れは現在も継続している。

例示

AI開発に関する人材確保や組織体制強化については海外企業が先行している印象があるが、この1年においても国内外に研究所を設置し、AI研究者を確保しようという動きがみられる。

例示

1)全結合層

2)畳み込み層

1)大規模システムの背景と並列化

1)計算ノード

2)計算ノードの冷却

経済産業省、総務省、文部科学省にそれぞれ人工知能(ArtificialIntelligence ;AI)研究のためのセンター（産業技術総合研究所、情報通信研究機構、理化学研究所）があり、それぞれAI研究を推進するとともに、連携して研究開発に当たることとなっている。

民間企業でも、自動運転や生産ロボットなど一部の業界において本格的な研究開発に取り組み始めている状況である。

我が国のAIに関わる研究開発の今後の発展に向けて、アルゴリズムの基礎研究、応用研究をさらに振興するとともに、ロボティクスや計算用のデバイスなどものづくりの強みを活かした研究開発が有効と考えられる。

ICTを最大限に活用し、サイバー空間とフィジカル空間（現実世界）とを融合させた取組みにより、人々に豊かさをもたらす「超スマート社会」を未来社会の姿として共有し、その実現に向けた一連の取組みをさらに深化させつつ「Society5.0」※98として強力に推進し、世界に先駆けて超スマート社会を実現していくこととした。

それを受けて、AIの研究開発・イノベーション政策の司令塔となる「人工知能技術戦略会議」が平成28年4月に発足し、総務省、文部科学省、経済産業省の3省が連携してAI技術の研究開発と成果の社会実装の加速に当たることとなった。

この中では、「生産性」、「健康、医療・介護」、「空間の移動」の3分野及び横断的分野として「情報セキュリティ」が重点分野とされ、3センターが連携して研究開発に取り組むとともに、産学官が有するデータ及びツール群の環境整備を行い（表2-10-1)、さらに内閣府のSIP(戦略的イノベーションプログラム）を含め、厚生労働省、国土交通省、農林水産省など出口産業を所管する関係府省のプロジェクトと連携、人工知能技術の研究開発について民間投資を促進することとした。

経済産業省の産業構造審議会産業技術環境分科会研究開発・イノベーション小委員会ではイノベーションを推進するための取組みについて議論が行われた。

新エネルギー・産業技術総合開発機構(NewEnergy and Industrial Technology Development Organization; NEDO)では、平成27年度から「次世代人工知能・ロボット中核技術開発」をスタートし、次世代AI技術分野として①データ駆動型のAIと知識駆動型のAIの融合や計算論的神経科学の知見を取り入れた脳型AIを目指した研究開発、②様々な次世代AIのモジュール化と、それを統合するためのフレームワークの研究開発、③注力するタスクを設定し、研究成果の集約と連携のための標準的ベンチマークやデータセットの整備、⑦人工知能に関するグローバル研究拠点を活用する等による次世代人工知能の社会実装、⑧米国の卓越した研究者を招へいする等により人工知能技術開発を加速するための日米共同研究開発を実施している（表2-10-2)。

また、革新的ロボット要素技術分野として④革新的なセンシング技術、⑤革新的なアクチュエーション技術、及び⑥革新的なロボットインテグレーション技術の研究開発を実施している（表2-10-3)。

また、「IoT推進のための横断技術開発プロジェクト」では、アナログ型抵抗変化素子を用いた脳型推論集積システムの開発や、革新的アニーリングマシンの研究開発等を実施している※103。さらにAI技術の社会実装促進を目的とした「次世代人工知能・ロボット技術の中核となるインテグレート技術開発」及び「人工知能技術適用によるスマート社会の実現」を平成30年度から開始している。

■表2-10-2「次世代人工知能・ロポット中核技術開発」の次世代人工知能技術分野の研究開発項目

■表2-10-3「次世代人工知能・ロボット中核技術開発」の革新的ロボット要素技術分野の研究開発項目

経済産業省が所管する産業技術総合研究所では、平成27年5月に人工知能研究センター(Artificial Intelligence Research Center; AIRC)を設立した（表2-10-4)。

主要な目的基礎研究として、①人間の脳の情報処理原理に関する最新の神経科学の知見を包括的に取り入れた人間の脳に近い脳型AIと、②実世界の大量のデータにもとづくデータ駆動型のAIとWeb上の大規模な知識グラフなどにもとづく論理的・形式的な知識駆動型のAIの2つを融合して、大量かつ多様な実世界のデータを深く理解し、人間の意思決定を支援するデータ・知識融合型AIの研究を行うことを目標としている（図2-10-1)。

■表2-10-4 AIRCのチーム構成

これらの目標のため、AIフレームワーク上で要素技術を統合した先進中核モジュールを実装して、製造業やサービス産業などの幅広い分野での産学連携による実サービスから得られる大規模なデータを使った実証研究、研究用データセットなど、AI技術の研究の基盤となるリソースを整備する。

これを通じて、幅広い用途でのAI技術の有用性を提示し、産業競争力の強化と豊かな社会の実現に貢献することを目指している。

さらに、2018年5月に、日本が取り組むべき今後のAI基盤技術の方向について、①人間と協調できるAI、②実社会で信頼できるAI、③容易に構築できるAIを提案し、意見を募集した。

■図2-10-1AIRCにおける研究開発の取組み

本戦略では、我が国で注力していくべき研究開発分野として、8個のテーマが掲げられている（表2-10-5)。

総務省所管の情報通信研究機構(NICT)では、脳情報通信、音声認識、多言語音声翻訳、社会知解析、革新的ネットワーク技術等の研究開発をかねてより進めている。

例えば、高度言語情報統合フォーラム(ALAGIN)※110では、自然言語処理の研究に資する言語資源• 音声資源の整備を実施している。

また、脳情報通信融合研究センターでは、システム神経科学、情報通信技術、ブレインマシンインターフェース、ニューロイメージング技術やロボット工学の研究を実施している。

さらに、先進的音声翻訳研究開発推進センターでは、東京オリンピック・パラリンピック競技大会が開催される2020年までに、国内の鉄道などの交通機関やショッピング施設、観光地、医療の現場などで活用される実用性の高い多言語音声翻訳技術や、企業などにおいて他国の特許を自動で翻訳できる多言語テキスト翻訳技術などを開発※111するとともに、自動翻訳システムの様々な分野への対応や高精度化を進めるため、オールジャパン体制で翻訳データを集積する「翻訳バンク」の運用を開始した※112。

次世代人工知能推進戦略では、このようなNICTがこれまで整備を進めてきた言語情報データや脳情報モデルを基盤として、全国規模で利用可能とする「最先端AIデータテストベッド」の整備、脳機能に学び知能を理解・創造する次世代AI技術の研究開発、IoT/ビッグデータ/AI情報通信プラットフォームの開発等を推進することとしている。

文部科学省は「人工知能／ビッグデータ/IoT/サイバーセキュリティ統合プロジェクト」(Advanced Integrated Intelligence Platform Project ;AIPプロジェクト） ※113 を推進しており、その研究開発拠点として、理化学研究所に革新知能統合研究センター(AIP)を平成28年4月に設置した。

当センターでは、世界最先端の研究者を糾合し、革新的な基盤技術の研究開発や我が国の強みであるビッグデータを活用した研究開発を推進することとし、具体的には表2-10-6に掲げた3つの領域で研究開発を実施することとしている。

文部科学省は「人工知能／ビッグデータ/IoT/サイバーセキュリティ統合プロジェクト」(Advanced Integrated Intelligence Platform Project ;A IPプロジェクト） ※113 を推進しており、その研究開発拠点として、理化学研究所に革新知能統合研究センター(AIP)を平成28年4月に設置した。

当センターでは、世界最先端の研究者を糾合し、革新的な基盤技術の研究開発や我が国の強みであるビッグデータを活用した研究開発を推進することとし、具体的には表2-10-6に掲げた3つの領域で研究開発を実施することとしている。

2017年4月、AIPは、研究開発成果の実用化加速のために官業界等との連携を強化するため、東芝、NEC、富士通の3社各々との連携センターを開設し（設置期間は2022年3月31日まで）、各社が携わるソリューションを対象に、次世代人工知能基盤技術の開発から社会実装までの一貫した研究を担うこととした（表2-10-7)。

■表2-10-7理研AIP連携センターの研究課題

科学技術振興機構(JapanScience and Technology Agency; JST)では、戦略的創造研究推進事業（新技術シーズ創出）において、AIPプロジェクトに関連する研究領域をネットワークラボとして束ね、これをAIPと一体的に運営している（表2-10-8)。

■表2-10-8ネットワークラボの構成領域

国立情報学研究所(NII)は、「AIが人間に取って代わる可能性がある分野は何か」といった問題を考える際の指標になりうるAIの客観的なベンチマークを指し示すことを目的として、大学入試問題をAIが解くことに挑戦した「ロボットは東大に入れるか」プロジェクトを、他機関のグループとともに2011年から推進した。

2016年にはセンター試験模試で5教科8科目の合計で525点を獲得、偏差値は57.1に達し、国公立23大学、私立512大学で合格可能性80%以上との判定を得た※116。

NIIは、2017年11月に、AIをはじめネットワーク、クラウド、セキュリティなどの最先端情報技術の活用により医療分野の課題解決を推進するため「医療ビッグデータ研究センター」を設置した※117。

本センターを基盤として、NIIが構築・運用する学術情報ネットワーク「SINET5」※118を活用した医療画像ビッグデータのクラウド基盤の構築、AIによる医療画像解析の研究開発、匿名化した医療画像の収集に学会※119の協力を得つつ取り組むとしている（図2-10-2)。

追加ポイント

我が国の民間企業においては、特にディープラーニングに対する取組みについて現状では米国の情報系企業を中心とする取組みに比ベスタートが遅れたことは否めない。

そもそも国内のAI関連の人材は不足しており(「2.7.1 AI人材育成の全体イメージ」参照）、大手企業は米国への投資や直接研究所を開設することで研究開発を進めている事例が見られる。

例えば、ToyotaResearch Institute (米国）は、シリコンバレーに研究所を開設し、スタンフォード大学等との共同研究を実施している。

また、リクルートホールディングスは、データ分析の自動化技術を開発しているDataRobot (米国）に、トヨタ自動車及びファナックはPreferredNetworksに、ソフトバンクはFlipkart(印）、Fanatics(米）等に、NVIDIAはABEJA等に、各々出資している。

NTTグループは、AI関連技術群の総称としてcorevoをブランド名としたサービスを展開している。

corevoを構成するAI技術は、人の発する情報を捉えて意図・感情を理解するAgent-AI（コンタクトセンターや高齢者支援）、心身を読み書き深層心理・知性• 本能を理解するHeart-Touching-AI (スポーツ上達やメンタルウェルネス）、人・モノ・環境を読み書き、瞬時に予測・制御するAmbient-AI(運転支援や災害予測・復旧）、複数のAIがつながり社会システム全体を最適化するNetwork-AI(ネットワークの故障予知や社会最適化）の4種からなる※128※129。

他の特許出願数上位企業としてNEC、富士通、東芝が挙げられ、既存サービスにAI技術を導入した製品展開がなされている。

NECは、デジタルトランスフォーメーションを加速する最先端AI技術「NECthe WISE」を展開している※130。

富士通は、AIを活用したサービスZinraiを展開しており※131、また、物質の構造など実世界のデータの関係（グラフ構造）を直接学習する「DeepTensor」と学術論文など世界中に存在する膨大な知識を構造化したナレッジグラフを組み合わせてAIが行った判断結果にいたる根拠を提示する技術を開発した※132。

東芝は、製造現場等に適用するAI技術SATLYSと人と人のコミュニケーションをサポートするAI技術RECAIUSを展開している※133。

Preferred Networksは、Preferred Infrastructureからスピンアウトして設立されたスタートアップ企業であり、リアルタイム機械学習技術をIoT領域に適用している。

事例として、交通シスデム(2014年10月からトヨタ自動車と共同研究）、製造業(2015年6月からファナックと、2017年12月から日立製作所と共同研究）、バイオヘルスケア(2017年12月から国立がん研究センター棟と共同研究）を重点事業領域としている。

同社はニューラルネットワークのフレームワークChainerを公開しているのに加え、海外学会においても積極的に発表を行っており、高く評価されている。

LeepMindは、企業向けにディープラーニングエッジソフトウェア開発を行い、また、深層学習を実装したエッジデバイスの技術開発を行っている。

2017年6月に日本ディープラーニング協会※134が設立され、ディープラーニングについて、①産業活動の促進、②公的機関や産業界への提言活動、人材育成、国際連携活動、社会との対話、等の活動を行っていくとしている。

同協会は、ディープラーニングに関する知識普及と人材育成のため、ジェネラリスト向けのG検定及びエンジニア向けのE検定の2種類の資格試験を実施している(「2.7.2スキル標準／認定・検定制度」参照） 。

我が国では、昨今のAIの興隆への対応は少し遅れたものの、今後に関しては、AI及び脳科学等関連諸科学のアカデミックの研究者層の厚みを背景とした産官学連携の推進、リアル空間のデータを持つ製造業の強みを利用したビジネス開発など、既存の強みを活かした戦略が期待される。

※1 ソフトウェア開発において、開発(Development)と運用(Operations)が協力し、ビジネス要求に対して、より柔軟に、スピーディに対応できるシステムを作り上げるためのプラクティスをDevOpsと呼んでいる。

[3 ] 経済産業省、 Al・データの利用に関する契約ガイドライン、 http://www.meti.go.jp/press/2018/06/20180615001/20180615001-1.pdf

機械学習応用システムでは入出力の関係の厳密な仕様を書き下すことが不可能であり、これが品質保証を難しくしている。

入出力関係の厳密な仕様がないために、例えばテストケースを作ろうとすると、「仕様上正しい出カ」すなわちテストオラクルを与えることが困難となる。

また、出力がある不変量を満たしているかを保証することが難しい。さらに、出力が変わる境界のテストケース（いわゆるコーナーケース）をどのように定義するかも課題である。

機械学習モジュールは品質については、通常その精度で評価するために、定量的な評価を行いやすい。訓練データセットを作る際に、データの一部を評価に使うために取り分けておいて（これをホールドセットと呼ぶ）、これは訓練には使わない。

このホールドセットを用いて訓練後の機械学習モジュールの精度を評価すれば、客観的な評価が得られる。通常のプログラミングではできあがったモジュールの客観的な品質評価が難しく、多くはその開発プロセスを間接的に評価することになる。この点では機械学習モジュールの評価はより客観的であると言える。

代表的なものはTensorFlow、Chainer、PyTorchなどであり、いずれもオープンソースで開発が進められている。

(a)情報処理の問題設定と解決指針を与える計算理論

(b)そのために利用可能な表現とアルゴリズム

(c)実際の脳神経系のハードウェアによる実現