AI.Map 時限人工知能


データベースエンジン

人工知能
AI.Map

汎用高速人工知能エンジン

始めに ディープラーニングとの位置づけ
 最新のAI技術では、ディープラーニングの登場により、人間を上回る複雑な予測ができるようになり、こちらが現在主流になりつつあります。
 一方、AI.Mapにおいても予測値を多層化することによって、最新のAI技術に劣ることなく性能向上をすることができます。
 これらの方式の違いは、ディープラーニングが予測結果の間違いを修正していくものに対して、AI.Mapは、古い学習値を消去することで予測結果の精度向上を図っているため、結果的に両者の違いはありません。
 AI.Mapは、C言語から直接構築できる軽量・高速の人工知能であり、そのアルゴリズム構築のノウハウは今後も重要な位置づけを示しています。


究極の理論  高度人工知能概略  (一部極秘解除事項)
 AI.Mapの高度人工知能構築手法には、独自のアルゴリズムが用いられます。
 それはロジックや数値計算による一般的な予測手法ではなく、統計学的に予め因果付けられた要素間同士の出現比率をfifty-fiftyとして捕らえた場合、その比率の偏りから因果の有無を分析し、 コンピューター予測上の判断基準として利用するというデータマイニング的手法を利用します。
 一方、データマイニングとは異なり、数学的要素あるいは数値的意味よりもクラスタ分析・閾値化された固有データの出現比率に意味付けをすることにより、従来の人工知能では不可能であった全要素間の因果分析を達成可能となります。
 そこで、fifty-fiftyのみによる要素間同士の因果の有無には、1/2程度の予測確率を元々有しているとすると、各々の要素を数十通りのカテゴリーのいずれか1つに属しているものとして見立てた場合、 1つの要素の持つ因果の数は、対となる該カテゴリーの数と同じだけ多く取ることができます。このように因果の有無を全カテゴリーに対して適用すれば、1/2程度の確率を幾層にも積み重ね合わせることになり、その予測精度も比例して高くすることができます。
 また、例えば0と1がfifty-fiftyで出現するサイコロを考えた場合、ある事情によって複数個の該サイコロが同時に現れたとして、1つのサイコロが少なくとも1つのカテゴリーの因果の有無の影響を少しでも有していると仮定すれば、その結果の偏りを統計することによりある事情の存在確率を得ることができます。 さらに、該カテゴリーの有する複数の尺度からなる時間軸から見た該要素を、それぞれ別の要素として併せて因果分析することで、未来の事情に対しても予測することができます。
 すなわち、このfifty-fiftyの概念を設計理論とし、因果の有無の1要素としてテキストデータ・数値データのクラスタ分析・閾値化・多層化学習に適用していくことで理論上あらゆる事情の予測をすることができるようになります。
 AI.Mapは、この究極の設計理論により、人間の思考判断を必要とするすべての場面において蓄積されたデータに基づくコンピューター予測を行うことができる最も優れた汎用人工知能システムです。
 それはスーパーコンピューターやグリッドコンピューティングでしか得られなかった複雑で高度な作業をパーソナルコンピューター上で簡単に構築できるばかりではなく、究極の設計理論による無限大の応用範囲を将来永久に得られることを意味します。
 AI.Mapの実証実験では、9割の投資家が市場から退場すると言われている為替取引において、15GBの容量で100万個の要素から10億通りの因果の有無を高速分析し、ここに若干の先読みの計算と動作基準を設定することで年利20%もの予測と完全自動売買取引を達成しました。
 この結果は、テキストデータ・数値データのみからで、人間の想像を超える優れた予測結果を利用できることを意味し、またあらゆる場面において利用可能であることが想定できます。勿論、観測装置ネットワークを構築すれば気象、地震、医療等の多様な分野への応用だけでなく、難病治療や宇宙の謎、政治経済社会の本質的解析まで簡易化する確立された唯一の人工知能・方法論が我々に用意されています。


1.汎用高速人工知能エンジン 開発目的

 ソフトウェア開発分野では、データベース・データマイニング技術により、人工知能のAIアルゴリズムを使ったネット検索や注文予測が可能になり、従来では複雑に考えられていた分析が、簡素、シンプルに利用することができるようになりました。
 それはC言語から直接的に構築するアルゴリズム手法により、その10年間に及ぶ人工知能の研究実験によって、未だ実現困難とされている領域においても、より簡素に設計することが可能で、あるいはその効率性に基づいた飛躍的な処理速度の向上と、信頼性のある新しい規格の人工知能-構築技術に成功しました。
 コンピューターソフトウェアは今、新しい時代を迎えています。
 それは、一般的なデータベースからも柔軟に対応でき、そして二次元最適化分析に優れた時限化学習アルゴリズムとしても利用され、最大の目的である時限人工知能システムの開発に有用な汎用高速人工知能エンジン・ツールを開発者に提供できます。
 この特徴的なデータベース機能をそれぞれのクライアントソフトウェアから利用するために、DLL(ダイナミックリンクライブラリ)及びLIB(ライブラリファイル)が用意されています。
 AI.Map 時限人工知能・時限化学習アルゴリズム。画像診断や環境変化などの要素によりコンピューターでは実現困難となっているコンピューター予測領域において、無期限の状態の学習データを時限化によって平面的にマップする二次元最適化分析は、この時限人工知能ライブラリを通じてプログラマブルな高速なAIと時限化学習アルゴリズムを実現します。
 大規模な処理能力を要求する分析システムは、スーパーコンピューターや分散ネットワークコンピューターでしか開発できませんでしたが、汎用高速人工知能エンジンを誕生させたAI.Map時限化学習アルゴリズムによる新しいアーキテクチャーによって、すべてのエンジニアが膨大な過去データからのAI予測を構築することができるでしょう。
 もちろん、通常のデータベースと比較すれば数倍から数十倍以上の高速な処理を実現し、世界トップレベルの国産データベースとしても機能します。時限人工知能を応用したシステムが新しい未知のコンピューター予測領域で活躍する日も近いはずです。
 AI.Mapに依存する様々な人工知能の開発に応じて、今後も並行的に拡張される可能性があります。そのため、バージョン間での互換性よりも幅広い分野での実験に耐えられるように、非商用目的での実験システムとして一般公開しております。

AI.Map使用GAIANET動作試験
Download
32ビットOS動作時(Windows/Linux)
テーブル最大起動数   16
テーブル定義フィールド数  2 - 256(可変長)
テキストフィールドサイズ 4Byte - 256M Byte(可変長)
最大データベースサイズ 1.8ギガバイト程度(4000万レコード相当)
16ギガバイトメモリ内蔵64ビットOS動作時(Windows)
テーブル最大起動数   16x8
テーブル定義フィールド数  2 - 65536(可変長)
テキストフィールドサイズ 4Byte - 256M Byte(可変長)
最大データベースサイズ 1.8x8ギガバイト程度(3億レコード相当)

・ハードディスクを停止しても、メモリ上で動作することができます

 予め指定したディレクトリを人工知能エンジン上にキャッシュすることができます。
 人工知能エンジンは、新たな分析学習が行われない限り、ハードディスクにアクセスすることはありません。

・ライセンス契約

 当サイトが新開発したAI.Mapアーキテクチャーに基づく汎用高速人工知能エンジンを利用できます。
・時限人工知能を使用したシステム・分析ソフトウェアの開発
・ディープラーニング技術の代用と拡張
・集合コンピューターにおける分散処理



2.AI.Map 基本動作

 AI.Mapにおける一連のプロセスは、起動、学習、予測の3段階によって完成されます。
 起動プロセスではまず、必要なAiTABLEを起動します。
 次に、DATA BASEを処理して学習サイクルを繰り返し、学習値を蓄積していきます。  例えば、二次元最適化分析された学習データ郡について、学習値をTRUE又はFALSEとして記憶します。
 このように蓄積するデータがキャッシュ容量を越えた場合、AI.Mapは一時的に停止し、保存・再確保を行ってメモリデータを正規化します。
 AI.Mapにおける人工知能の最終的な時限化学習アルゴリズムは、これらの蓄積された学習データの学習値によって得ることができます。
 HOWは、分析学習された情報を元に、予測値を得ます。
 Add/AddFinishは、任意のテキストデータを互いに関連づけて学習します。
 これらの完結したプロセスがAI.Mapの基本的な動作です。
 また、プロセスを構造化することにより、これらのAI機能は、深層学習として代用することができます。
 以下の主要関数により、テキストベースで操作することができます。
>GetID テキストデータからデータIDを取得
>How データID配列から関連づけられたキーフィールド郡の学習値を合算して取得
>Add
>AddFinish
任意のテキストデータからなるキーフィールドを作成して学習値を追加・更新します。古い学習値は同時に消去されます。
時限人工知能による成長学習方法
 データマイニングでは、一般的に、ある1つの状況について、様々な観点から見た観測値(カテゴリー)を、その状況を表す状況値(閾値)として互いに関連づけて学習します。
 時限人工知能による成長学習方法では、左右1対のテキストデータ(状況値)と結果(学習値)(真否)をAdd/AddFinishメソッドにより学習させていきます。
 これらは、予測段階において同様のテキストデータ(状況値)を用いることで、GetID/Howメソッドにより予測結果(学習値)を取得することができます。
 得られた複数の予測結果は、再び別のカテゴリによってクラスタ化し、新たな状況値として再学習することで多層化されます。
 これらは状況値の閾値化によって学習量が制御されます。ビッグデータの質的・量的限界と、コンピューターの性能限界に比例した設計が必要です。
 また、状況値は、最も正解に近いものを真,正反対のものを否として学習することで、古い学習値は適切に消去され、時限人工知能の設計思想に基づく高度な予測が可能となります。
 これらの点以外は、一般的な人工知能と同じです。


3.AI.Map コマンドリファレンス

3-1.AI.Map保守 メソッド一覧表
3-2.DATA BASE処理 メソッド一覧表
3-3.コマンドリファレンスマニュアル

AI.Map 環境設定
AI.Mapの環境設定は、実行ファイルのあるディレクトリにAI.Map.conf ファイルとして記載するか、またはコマンドプロントから引数として 指定できます。

AI.Map [CACHE=xxxx] [LIMIT=xxxx] [DIRECTRY=xxxx]

CACHE= キャッシュサイズをキロバイト単位で指定します。 デフォルトは512です。
LIMIT= このエンジンで使用する最大メモリをメガバイト単位で指定します。
デフォルトは512です。
DIRECTRY= ファイルを保存するディレクトリを指定します。

3-1.AI.Map保守 メソッド一覧表
コマンド パラメータ ライブラリ関数の説明
OPEN TABLE_ID AiTABLE_NAME データベーステーブルを起動します。
SAVE TABLE_ID FREE_MEMORY
AiTABLEを保存し、FREE_MEMORYに応じてメモリを開放します。
SetDirectry [ディレクトリ名] 保存先ディレクトリを変更します
3-2.DATA-BASE処理 メソッド一覧表
学習

Add 配列型 学習データをリレーショナルバッファに追加し、現在のバッファサイズを返します。
AddFinish 学習値(真否) リレーショナルバッファの学習データを、指定した学習値で学習し、古い学習値を消去します。
汎用

GetKeyRecord ID値 キーIDからキーレコード(配列)を取得します。
GetKeyID 配列型 データID(配列)からキーIDを返します。
AddFinish/SetKeyRecord 配列型 N1 キーレコード(配列)と学習値(真否又は48bit値)を追加/変更します。
DeleteKeyID ID値 キーIDからキーレコード(配列)を削除します。
DeleteID ID値 データIDを含む全てのレコードを削除します。
分析/検索
GetData ID値 データIDからデータ内容(Binaly)を取得します
GetID 配列型 N1
データ内容からデータIDを返します。
HOW 配列型 
キーレコードから学習値(48bit)を返します。
DataFind [N1] 配列型 [N2[N3[N4[N5[N6]]]]] キーレコード又はデータレコードを検索します。
変数

DATAS データレコード総数を返します
KEYS キーレコード総数を返します
MEMORY メモリーの合計を返します
LIMIT [N1] AiTABLEの学習最大メモリを設定する

3-3.コマンドリファレンスマニュアル
 当サイトの独自技術に興味のある方からのご連絡をお待ちしています。まずはライセンス契約のメール相談予約を行ってください。
patent_chinen@yahoo.co.jp