人工知能の研究者兼実務家両方の顔をもつ芦原さんの世界観と目指すもの

大学院在学中に今の会社でインターンをしていました。
当時全脳アーキテクチャの勉強会に参加していて、今の会社に出会いました。

実は、弊社の社長の息子さんは、高校時代の同級生で、同じ部活でした。
そのため、社長の顔はちょっと知っていました。社長だとは知らなかったのですが。
以前部活の試合に来ていたことがあるな、この親父さんは、なんて思って声をかけました（笑）
声をかけたら、『人工知能の会社をやっている』とのことでした。
そこでつながりができたので、研究室に1回遊びにきてもらったら、「うちにインターンに来い」、「鍛えなおしてやる」と言われました。

当時の研究室では、僕以外にニューラルネットワークをやっている人がいなかったので、やっている人たちとの環境を欲していた僕とのニーズが合い、行くことにしました。
当時のクロスコンパスは、技術者が3名しかおらず、田町に小さなオフィスがありました。
インターンといえど人数も少なく、みんなとても忙しそうで、バタバタやっておりました。
それが大学院2年生の時で、1年間くらいインターンをしました。

インターンをしていたら、自然と内定通知書が届きました(笑)
ただ、博士に行こうと思っていたので相談したところ、両方やればいいと言われました。
そんなやりとりがあって、実は今博士後期課程の2年生でもあります。
だから研究員という名刺をもっています。

この分野で新しいことをやろうとすると、外に出なければ、見つからないこともたくさんあるので、研究をしながら仕事をするのは理にかなっている部分もあると思います。
データを使って新しいことをするような職場の環境は、研究室の中にだけいたら出会えない発見や、実現できないこともあると思っています。

弊社は、新しいことにどんどんチャレンジさせてくれるため、働くならここがいいなと思っていたので、比較はしていません。 例えば、論文を読んできて、使いたいような方法があると話をすると、すぐやらせてくれます。
そういう意味では、圧倒的にスピードが早いです。

弊社の社員は、論文をちゃんと読む人が多いので、おすすめとしてタイトルや中身をざっくり会議の場で紹介すると、会議の次の日には読んだうえで質問がくることもしばしばあります。
情報が入ってきたらすぐ消化して、自分のものにしたがるという貪欲な人が多いので、そういう切磋琢磨できるような環境は貴重だなと思います。
だから働くならここがいいとはじめから思っていました。

例えば、『こういうデータを持っている』、あるいは『このデータからこういうことをしたい』というような要望に対して、ソリューションの提供（実装を含む）を行っています。
データとゴールを結びつけるようなコンサルティングと実装がメインですね。

もうひとつ、発表されてから1週間たっていないような新しい論文も含め、技術的に重要になりそうな論文をいくつか読み、社内に向けて使えそうなものを皆さんに共有しています。
論文は探すのも大事な能力だと思っています。
例えば、論文を探す際、著者で探すなどいろいろな方法がありますが、僕は会社で他のメンバーが行っているプロジェクトも知りつつ、 論文で発表された新しい技術を合いそうなプロジェクトに向けて共有することを意識しながら読んでいます。

自然言語処理にそこまで興味がないと言いましたが、目は通しています。
当然、画像や音声もですが。
最近のDeepLearningの勢いで、画像や自然言語などそれぞれの分野でDeepLearningで処理しましょう、という風潮はでたものの、画像や言語処理はもともと違う分野ですよね。
そのため基本的にはそれぞれの分野の中で、要所技術を持っている先生を見つけておくことがまずひとつです。

面倒だったら、何をやっているかを早めにおさえてリスト化をしてしまうことです。
具体的には、概要と導入と結論だけでもとりあえず読んで、何をしているのかを把握しておくのがいいかと思います。
そして、読むか読まないかのリストに早めにストックしておけば、後でじっくり読む時にも、何千もある中からでなく、ストックしておいた中から探せて、早く読めると思います。

最近は言葉を聞いてきている人たちが多く、例えば強化学習を使ってみたいという要望などプラスアルファのご注文をいただくことが多くなってきました。
間違っていない事前知識があることはとてもありがたく、機械学習が流行ってくれたおかげか、話がスムーズになることはありがたいなと思います。
打ち合わせの中で、お客さんの、「こういうことがしたい」という状態は結構具体化されてきたようにも思います。
仕事をしているとものすごいスピードで変化していて、1年前と現在では皆さんが使う言葉が変わってきていると感じますね。

プログラミングは必要で、それは勉強していくしかないと思います。
ほかに大事なことは、人にちゃんと今の技術の状態を伝えられる人材です。
この市場では、新しい知識が常に入るので、勉強はみなさん当然やりますが、人に情報を共有できる、伝えられる人があまり多くないように感じます。
基礎勉強ができていてプログラムが書けると、困ることはないですが、さらに求められるレベルは人に伝えられるところですね。

コンサルティングの現場では、自分たちの技術に嘘をつかず相手に納得してもらえるように伝えられるか、というのがあります。
AIエンジニアって呼ばれる人たちは、単にコードが書けるだけでなく、技術説明を含めなんでもできる実力がついた上で、何かを人に伝えられる人だと思います。
コードが書けるだけの人をすごいAIエンジニアとは思っていません。
知識があるまでは前提で、伝えられる人がステップアップすると思います。自分もそうなりたいと思っています。

個人の付加価値を高めるという意味では『このAIエンジニアはなにをやっているのだろう？』って謎のままで終わらないようにすることかなと思います。
誰ふり構わず、臆することなく、自分のために、いろんなことを「今すごい人」に聞いてほしいと思っています。
すごい人がいるなって見つけたうえで、その人たちとしっかり話してみることです。
人を見て、目線が鍛えられていくことが重要だと思います。

外に出て人と話せることって大事で、 どんな質問でも怖がらずに聞き、何でも勉強して吸収しにいくことです。
『相談のレベルが低いと、この講師に失礼なんじゃないか』とか思うかもしれないですが、それは風習としてよくないと思います。
付加価値を高めたいなら臆せず質問することが重要で、最初から変に前置きを入れたりして（初心者で申し訳ないのですが、みたいなこと言って）、自分のレベルを下げないことです。

起こりうることはいろんな人が予言しているのですが、僕が思うのは、その予言よりも早く予言されたことが終わるっていうことですね。
2045年のシンギュラリティに関しては、シンギュラリティなものって紆余曲折あってどこがポイントなのかわからず、気づかないからシンギュラリティだと思っています。
各々の情報が思ったよりスムーズに、気づかないうちに実現されるって思います。
人工知能という技術を聞いて期待する人たちは、うちは3年後に導入できるかもって考えがちですが、案外1年で実現できることもあります。

人工知能技術の面白さは、人間の見立てよりもスムーズに実現されることだと思います。
悲観的な未来はあまり考えておらず、これからこういうのが実現されるという憶測よりもっと早く実現する、それが近未来だと思います。
そして、個人的には先々はそんなに予測をしたくないです。
3年でこれ作りましょうってなったとき、次の1カ月にやることが決まってしまうので、1日の過ごし方が変わってしまうのがいやだと感じてしまいます。

転移学習は個人的には注目しています。
転移学習は、事前にあるデータで学習しておいて、そのあと人からもらったデータで解析し、そのモデルを最初に別のデータで学習させた状態でほかのデータに使うと、性能が良くなる技術のことです。

転移学習は、技術的には結構前から出ているのですが、ビジネスの場であまり活用されておらず、注目されるべき技術のひとつだと思っています。
転移学習の世界でみると、データ同士、関連がなさそうに見えても実は学習という側面では使えるデータになる可能性が（低いですが）あるので、使えないゴミデータだと思っていたものが宝になるチャンスがあります。

もうひとつは、強化学習は面白いなとずっと思っています。
ビジネスで使えるシーンがまだ多くないと言われますが、強化学習は研究に値する考え方を持っていると思います。
特に、自律学習が重要な技術になってきていると感じています。
ただ、意味をはき違えてはいけなくて、データや環境がずさんでも自律的に学んでくれるわけではないので、いろいろ誤解は招かない説明が必要です。

強化学習については、難しいと思いつつも、もう少しビジネスに進展できそうなところは色々ありそうです。
世界の大学の研究でも、実世界に向けた強化学習の話については増えてきています。
囲碁やゲームなどのクローズドな世界ではなく、オープンな世界への強化学習がだいぶ増えてきて、要注目です。