アルゴリズム: 定義

AI の出現と GAFAM の優位性により、アルゴリズムは誰もが知っているようになりました。しかし、私たちは日常生活でアルゴリズムについていくら聞いても、アルゴリズムが実際に何であるかを無視しています。このトピックにすでに興味がある場合は、以下で質問に対する答えを見つけてください。

今日、「アルゴリズム」という用語は新しいテクノロジーと関連付けられていますが、決して最近のものではありません。モハメッド・イブン・ムーサ＝アル・クワリズミの作品で初めて登場します。この数学者は代数学の父であり、紀元前 9 世紀に生きていました。以上のことから、歴史は中世よりはるか昔にまで遡ることができます。しかし、その起源が古代にまで遡るこのフレーズが、どうして今、時事問題の中心になっているのでしょうか?

アルゴリズム：重要なポイント

アルゴリズムは、問題を解決することを目的とした、順序付けられた一連の操作として定義されます。簡単に説明すると、アルゴリズムを料理のレシピに例えることができます。ここでは、自由に使える食材を使っておいしい料理を作るための各手順を詳しく説明します。同様に、アルゴリズムを使用すると、特定の数の操作を実行することで、非常に具体的な結果を得ることができます。

アルゴリズムを実行するたびにパラメーターが変化するという事実は変わりません。多くの外部要因が影響する可能性があるため、アルゴリズムの設計にはあらゆる事態に備えた計画を立て、実際の命令ツリーを構築する必要があります。コンピューター エンジニアは、どんな状況であってもアルゴリズムが正常に機能するよう、細部が偶然に任せられないようにする必要があります。

アルゴリズム: この用語の由来は何ですか?

前述したように、この用語はムハンマド・イブン・ムーサ・アル・フワリズミーによって造られました。実を言うと、私たちはこの古代の学者に多くの借りがあります。今日に至るまで、人類は 10 進法を使用しています。彼の発見は数学の基礎となっています。

彼の著作を通じて、この学者は高い評判を獲得し、すぐに中東の国境を越えました。しかし、言語の壁により、この優秀な数学者の名前は、フワリズミからアルゴリトミへと徐々に歪められました。このローマ字化された名前は、英語話者にとって「ステップバイステップのレシピ」に近い意味を持つ「アルゴリズム」という言葉を与えます。長年にわたり、この用語は徐々に技術用語としての地位を確立してきました。

アルゴリズムとコンピューターサイエンスのつながりを理解する

まず、コンピュータがどのように動作するかを理解する必要があります。これらは、コンピュータ プログラムを起動することを目的としたデバイスです。これらは、コンピュータに命令を送り、あらゆるタスクを実行するように設計されています。この際、プログラムは、問題のタスクを正常に完了するために実行される操作を段階的に実行します。あなたならそれを理解したでしょう！多くのコンピューター ツールはアルゴリズムに基づいて設計されています。

技術的な観点から見ると、アルゴリズムは入力を出力に変換します。したがって、検索エンジンの場合、検索する語句が入力となり、取得したアドレスが出力となります。日常生活では、アルゴリズムはニーズをコンピューター言語に変換し (入力)、コンピューター手段を使用してそれに応答します (出力)。したがって、関数を実行するには、コードで記述する必要があります。特定の用途を許可するには、プログラミング言語を慎重に選択する必要があります。

アルゴリズム: 何のためにあるのか?

アルゴリズムはコンピューティングの分野に遍在しています。プログラムを作成するには、開発者は多数のアルゴリズムを設計してコンパイルします。これらにより、どのような状況であっても注文が適切に実行されることが保証されます。したがって、エラーによってアプリケーションの適切な機能が中断されないように、できる限りのことを行う必要があります。

新しいテクノロジーによってあらゆる可能性がもたらされるため、アルゴリズムは今日どこにでも存在します。これらは、開発者が探索を楽しめる広大なアプリケーション分野を提供します。それにもかかわらず、彼らは特定の数の分野で際立っています。

アルゴリズムに依存するサービスの概要

インターネット大手は、自社のアルゴリズムのパフォーマンスを成功の基盤にしてきました。顧客のニーズを完全に満たすサービスの提供を可能にしたアルゴリズム。ここでは、これらの有名なアルゴリズムのほんの一部を紹介します。

Google ページランク: すべての Web コンテンツのインデックス付けと分類を目的としたこのサービスは、優れたアルゴリズムに基づいています。これらは、検索に対応するページを表示することだけを目的として設計されているわけではありません。これらは、コンテンツの品質、閲覧習慣、さらには Web 上で話題になっているトピックさえも研究する実際のエコシステムを提供します。

Facebook のタイムライン: Facebook ニュース フィードには、自分の興味に関連した投稿が常に表示されていることにお気づきですか?良い ！これは偶然の結果ではありません。アルゴリズムは、このソーシャル ネットワーク上でのやり取りを追跡します。この情報により、確実にあなたの注意を引く投稿を提示できるようになります。

トレーディングロボット : ほとんどの人が金融の世界に抱く魅力がますます高まっているため、取引プラットフォームの出現が好まれています。同時に、取引ロボットも登場しました。これらのアルゴリズムはトレーダーに代わることを目的としています。彼らは市場シグナルをリアルタイムで分析し、人間の介入なしに利益を上げることを目的として資産を売買します。

有名なラウンドロビンアルゴリズム : このアルゴリズムは一般の人にはあまり知られていませんが、開発者の間では広く知られています。事実上、リソースを過度に消費することなくデバイスが適切に機能するように、さまざまなプログラムが実行される順序をコンピュータのプロセッサに送信します。

機械学習がアルゴリズムの可能性を開発するとき

機械学習はアルゴリズムに新たな次元をもたらしました。これにより、入力の性質に応じてデータを処理しコマンドを実行する、多かれ少なかれ自律的なプログラムの開発が可能になります。したがって、タスクの実行方法について具体的な指示を与える必要はありません。新世代のツールは、その分野で優れていることを「学習」し、使用するにつれて進化します。このプロセスは人間の介入をほとんどまたはまったく行わずに行われます。これにより、効率的で信頼性の高いプログラムが実現します。

これらの進化するアルゴリズムは、現在ではあらゆる用途に適しています。ただし、ビッグデータでは完全に目立ちます。作成されたモジュールは、正確な予測を提供したり、継続的に更新される膨大なデータベース内で特定の基準を満たすプロファイルを特定したりすることもできます。この目的を達成するために、ビジネス インテリジェンス ツールはこのテクノロジーに依存しています。この独創的なシステムにより、あらゆるマネージャーの意思決定を支援できます。

しかし、私たちは日常生活でもこれらのツールに遭遇します。したがって、Facebook や Instagram のプロフィールにアクセスすると、機械学習アルゴリズムに直面することになります。 Netflix で提案を表示する場合も同様です。アルゴリズムが私たちの習慣を分析し、私たちが興味を持ちそうなコンテンツを提示します。

したがって、これらのアルゴリズムはどこにでも存在します。機械学習には 3 つの主要なアルゴリズム モデルが区別されるという事実は変わりません。

開発者またはユーザーが最初にラベルを付けて入力データを並べ替える必要がある教師あり学習アルゴリズム。これらのツールはこのデータを処理して、最終的に望ましい結果が得られるようにします。通常、これらは予測を提供することを目的としたソフトウェアの基礎となります。たとえば、会社の予測ステートメントを自動的に作成するソフトウェアを挙げることができます。これを行うために、活動の季節性をより深く理解するために、前年の売上を分析します。次に、指定された期間ごとの売上高、支援する経費などを指定する必要があります。

教師なし学習アルゴリズムは、入力データを並べ替えなくても機能します。これらのツールは通常、傾向分析に重点を置いています。目的は、数値の分布を決定する変数を「推測」することです。問題のモジュールはその後、入力されたデータ間の相関関係を確立します。このプロセスにより、データ集合体のすべての要素に優先順位を付けるモデルを作成できるようになります。実際には、これらのアルゴリズムは統計的シーケンスの理解を容易にし、クラスタリング、数量の削減、または相関ルールの確立に関連する問題を解決します。したがって、たとえば取引シグナルの分析を自動化するために使用できます。

半教師ありアルゴリズムは、両方の世界の中間を表します。ソートおよびラベル付けされているデータもあれば、ソートされていないデータもあります。これにより、モデルはこのデータを独自に順序付けし、必要に応じて予測を提供できるようになります。この図により、最小限の精度を保証しながら、ツールを比較的自律的にすることができます。これは、分類または回帰のためにビッグ データで広く使用されているモデルです。

アルゴリズムを分類するにはさまざまな方法があることに注意してください。それらの動作モードを考慮することで、たとえば、回帰、クラスタリング、さらには正則化のために設計されたものを区別します。ただし、決定木やベイジアン アルゴリズム、さらには人工ニューラル ネットワークや次元削減モデルについても触れます。

データを暗号化するアルゴリズム

自分の個人データに対する誰もが懸念しているため、シリコンバレーの企業はこのデータを暗号化するアルゴリズムの開発を余儀なくされています。これらは、侵入やデータ漏洩に対する追加の保護層を提供します。これを行うには、データが入力として処理され、一連の英数字が出力として取得されます。こうすることで、データを盗んだサイバー犯罪者にとってデータは解読できなくなります。

自動化のためのアルゴリズム

アルゴリズムによってもたらされる自動化の可能性は明らかです。実際に、さまざまな治療を自動化するための指示を与えることもできます。現在、これらは多くの自動化ソフトウェアの中心を形成するために使用されています。

たとえば、これらのツールを使用すると、見込み客から電子メールで送信された請求データを自動的に取得できます。この場合、電子メール アドレスを経由するメッセージが入力データとして機能します。ユーティリティは請求データを認識し、それをスプレッドシートにコピーできます。

この場合、アルゴリズムは受信した各電子メールを分析して重要な用語を見つけます。これらの用語を含むメッセージは、データの抽出とコピーのために自動的に処理されます。

アルゴリズムの大量使用を恐れるべきでしょうか?

アルゴリズムは非常に実用的なツールですが、絶対確実というわけではありません。アルゴリズムのパフォーマンスは主に、設計者のノウハウと選択した言語に依存します。特定の状況に対処するように設計されていない場合、または設計中にミスがあった場合、エラーが表示されたり、不適切なコマンドが実行されたりします。その際、これらの機能障害を特定するのは必ずしも簡単ではありません。

前述したように、アルゴリズムは意思決定ツールとして機能します。したがって、それらはあなたの現実認識を変え、疑わしい決定を下すよう促す可能性があります。アルゴリズムが人事マネージャーにアドバイスすると想像してみましょう。企業データに基づいて、彼は採用担当者にマイノリティーの女性ではなく白人男性を採用するよう提案できます。実際、その分析により、最初のグループの方が効率的であることが示される可能性があります。これは、社会に有色人種よりも白人の方が多い場合に当てはまります。

知覚に関連するこの懸念は、AI にとってさらに問題となるでしょう。これらのアルゴリズムにデータを入力すると、深く根付いたバイアスによって同じ間違いを繰り返す危険があります。民族的多様性が欠如した構造では、アルゴリズムは少数派が会社の基準を満たしていないと推定します。

想像に反して、この問題はニュースの中心となっている。アルゴリズムは差別を助長しているようです。したがって、顔認識アルゴリズムは有色人種を犯罪者とみなし、チャットボットは人種差別的な発言を採用する可能性があります。

アルゴリズムの認識バイアスを修正するにはどうすればよいでしょうか?

これらの問題を解決するために正しい決定を下せるかどうかは設計者にかかっています。現時点では、これらの偏見を排除するために適切な実践を採用することが問題です。最初は本当に重要なデータに集中し、たとえば各人の出自を考慮しないことが適切です。近年採択された法文はこの方向に進んでいるが、GAFAMがこの傾向に従うかどうかはまだ分からない。

IT エンジニアや開発者は、自分の作成物に対してより責任を持ち、悪用を予期する必要もあります。したがって、技術者は、何らかの技術が他の目的に使用された場合には抗議しなければなりません。これは軍事分野での HoloLens の使用に反対した Microsoft の従業員にとってはすでに当てはまり、Google の従業員も殺人ドローンを作成するプロジェクトに反対を表明しています。

偏見に関連した問題にはもっと真剣に取り組む必要があります。特定のパラメータが削除された場合でも、アルゴリズムはそれらの存在を推定して考慮に入れることができます。これが、Amazon が人材採用に AI を使用しないことに決めた理由の 1 つです。あらゆる予想に反して、女性だけでなく有色人種も差別されました。こうした状況は、企業がこれらのバイアスを特定するために、より詳細なテストを導入することを奨励するはずです。