[論文レビュー] Machine Learning in Artificial Intelligence: Towards a Common Understanding

Niklas Kühl, Marc Goutier+2 more|arXiv (Cornell University)|Mar 27, 2020

Explainable Artificial Intelligence (XAI)被引用数 12

ひとこと要約

本稿は、機械学習（ML）と人工知能（AI）の関係を明確にするために、AIの実現に不可欠な技術としてMLを位置づける概念的枠組みを提案する。文献を統合し、MLがAI内での役割を定義することで、用語の明確化と、学際的研究の基盤を提供する。

ABSTRACT

The application of "machine learning" and "artificial intelligence" has become popular within the last decade. Both terms are frequently used in science and media, sometimes interchangeably, sometimes with different meanings. In this work, we aim to clarify the relationship between these terms and, in particular, to specify the contribution of machine learning to artificial intelligence. We review relevant literature and present a conceptual framework which clarifies the role of machine learning to build (artificial) intelligent agents. Hence, we seek to provide more terminological clarity and a starting point for (interdisciplinary) discussions and future research.

研究の動機と目的

• 科学的・一般論議におけるAIとMLの区別についての混乱が増加するのに対処する。
• 機械学習が、人工知能エージェントを構築するという広範な目標にどのように貢献するかを明確にする。
• AIとMLにおける学際的研究のための共通の概念的基盤を提供する。
• AI、ML、知能システムの関係を定義することで、用語の曖昧さを解消する。
• 文獻に基づく構造的枠組みを通じて、今後の研究の出発点を確立する。

提案手法

• AIおよびML分野における関連文献を包括的にレビューし、基盤的コンセプトと定義を同定する。
• 機械学習を知能エージェントの構築における重要な要素として位置づける概念的枠組みを構築する。
• AI（広範な分野）とML（AIを可能にする技術のサブセット）を系統立てて区別するアプローチを採用する。
• 知能エージェントを、環境を認識し、目的を達成するために行動するシステムとして定義し、MLを行動の学習に用いるメカニズムとして位置づける。
• 認知科学、コンピュータサイエンス、AIの知見を統合し、統一的な理解を構築する。
• 枠組みを用いて、ML技術をエージェントの能力（知覚、推論、適応）にマッピングする。

実験結果

リサーチクエスチョン

• RQ1 科学的・一般論議において、'人工知能'と'機械学習'という用語はどのように関係しているか？
• RQ2 機械学習は、知能エージェントにおける人工知能の実現に、具体的にどのような役割を果たすか？
• RQ3 共通の概念的枠組みは、AIおよびML研究における学際的コミュニケーションをどのように改善できるか？
• RQ4 知能エージェントの主要な構成要素は何か。また、機械学習は各要素にどのように貢献するか？
• RQ5 用語の明確化は、AIおよびML分野における今後の研究開発をどのように向上させられるか？

主な発見

• 機械学習は、知能エージェントを構築するための基盤的技術ではあるが、人工知能そのものとは等価ではない。
• 本稿は、AIがさまざまなアプローチを含む広範な分野であるのに対し、MLはエージェントにおける学習ベースの行動を可能にする特定の手法であると明確にした。
• 概念的枠組みは、知能エージェントが知覚、意思決定、行動の機能を有する必要があり、これらはしばしばML技術によって強化されることを明確にした。
• 著者らは、用語の不一致が学際的協働を妨げており、共通理解の構築が求められることを示した。
• 本稿の枠組みは、ML手法をエージェント知能への貢献に基づいて分類する構造的手段を提供し、例として教師あり学習を知覚に、強化学習を意思決定に割り当てる。
• 本研究は、用語の明確化がAIおよびML研究の進展と、学際的対話を促進するために不可欠であると結論づけた。