AI素养需要什么？

　　受始于2013年的AI（人工智能）热影响，2015年成为AI一词广泛渗透社会的一年。RIETI也举办了BBL论坛、重点课题讨论会等许多与AI相关的研究活动，关注AI的各个领域的研究人员参加了这些活动。RIETI还在最新的重点课题期刊（1）中专门介绍了活动内容。AI是指让计算机通过学习而拥有像人类一样的智能。第3次AI热的核心技术是探索分析大数据的数据挖掘（data mining）和机器学习中的深度学习（deep learning）方法。为了理解AI，必须了解机器学习，但是一般来说，机器一词的印象与AI具有的高科技印象很难联系在一起。如果说机器是指计算机、进而指操纵计算机进行特定作业的算法或软件的话，两者的印象就有可能吻合。决定使用机器进行什么作业、安装在什么载体（计算机、机器人、汽车等）上以后，研发相应的算法或软件。为了让研发出的机器（AI）学习先例和类似事例，进而对下次出现的事物自行判断，关键在于提高AI技术时用于学习的数据的质量和数量。目前的AI擅长分类、反复、探索、整理、最佳化的学习和执行。

　　目前的AI并非自动运转，设定假说、决定算法、学习内容和程度、结果评估和解释等涉及根本的事项都是由人来决定的。而且使用大数据需要了解其特点。小西（2014）（2）的研究对大数据与现有官民调查获得的数据举出了3点不同之处。例如虽然"不行动时就不包含在数据之内"，但AI学习越多精确度越高，不擅长对未知和稀少事物进行判断，这点需要注意。经济分析被认为可以对AI技术作出下述贡献：1）可以用于对稀少事物的定性信息和事先信息；2）根据假说和议题设定制作理论模型；3）引进判别和分类的因果关系。为了进一步理解现状，本课题组于2015年12月1日举办了"把AI技术用于人与社会的大数据"研究报告会，邀请产业技术综合研究所人工智能研究中心的本村阳一先生和野村证券金融工学研究中心的山本裕树先生进行了讲演。以下笔者想通过总结两者在AI领域的最新动向和分析的具体事例，来充实对AI与经济分析的合作可行性的印象。

　　本村先生以"下一代人工智能技术与大数据的运用"（3）为题，介绍了产业技术综合研究所的研究。该研究所为了发展AI核心技术的深度学习，非常重视"可与人类的相互理解"和"不仅提高预测精确度，还能够解释现象"。本村先生介绍了许多AI的学习事例，他指出，为了提高AI技术，关键在于能否增加可利用数据的质量和数量，他对数据的收集和共享的预见令人印象深刻。利用IoT（Internet of Things）使物品具备传感器或收集数据功能，就可以从生产者、提供服务现场、消费者那里自动收集大量数据。为了使更多的企业和研究人员共享这些数据，需要在不严重损坏每个信息的前提下，利用匿名化方法保证个人隐私不被侵害。把个人信息保护法修改法案也纳入视野，事先展开讨论并研发保护手段，可以为安全安心地利用个人数据和超级微型数据作出贡献。

　　把社会上大量存在的关于企业的公开信息尽快地、精确地以低成本收集和加工，然后提供给顾客，对于证券公司来说具有本质上的重要性。山本先生把内阁府的"经济观察家"作为示范数据，应用深度学习，高度精确地判别了关于经济状况的文章的感觉（正面或负面）。在这里让深度学习的机器（AI）阅读《日本银行金融经济月报》和内阁府《月例经济报告》等文章，把各篇文章的经济预测进行了指数化，进而又对得出的各种"野村AI经济状况感觉指数"与宏观指标之间的关系进行了分析，分析结果在水门、山本、木下（2015）（4）中做了介绍。据山本先生介绍，学习了"经济观察家"的机器（AI）已经成长到小学高年级的智力，可以24小时随时阅读人需要花费大量时间阅读的资料，对于宏观经济的文章，可以90%左右的精确度判断经济状况。在分析现场，算法、"学习了"程序、"成长了"等拟人化的词语也成为AI领域的特点。

　　探索分析数据，并理解其现象的数据挖掘需要数据素养，在机器学习中为了分析大数据，需要统计素养。鉴于目前AI的核心技术是数据挖掘和机器学习，数据素养和统计素养依然是必须的素养。第3个AI素养是什么呢？日常我们进行深度学习的算法不是自己制作，也不需要立即具备这方面的能力。AI素养虽然在日常被标准化和形式化，但由于数量太多，因此可能存在被放弃的作业。人们可能很在意是否为"分类、反复、探索、整理、最佳化"花费了太多的劳力、资金和时间成本，我们应该把这种在意改为思考某个事物能不能使用AI的习惯。AI学习的东西不仅限于数量数据，记录文本、音声、图象等各种信息都具有价值。例如把母亲的烹饪法做成文本，将来如果"厨师机器人"问世，也许作为派生用途，哪怕只有一个菜谱，或许也能带来再现母亲味道的商机。笔者希望开始逐步考虑自己持有的信息能否产生高附加值，从心理上准备好把AI可以代替自己的工作交给机器人，向机器人无法代替的自己的强项进行投资和学习。