当社のコア技術

私達は、「将棋ウォーズ」、「CHESS HEROZ」、「BackgammonAce」の開発を通じて蓄積した機械学習等のAI関連の手法を固有のコア技術とし、現役将棋プロ棋士に勝利した将棋AIの開発者などトップエンジニアをはじめとするAIエンジニアが日々開発に取り組んでおります。また、一般社団法人 日本ディープラーニング協会の正会員、及び一般社団法人「人工知能学会」の賛助会員、AIについて最先端の動向を把握するなど、AIを戦略的な重点分野と位置づけております。
当社のAIは頭脳ゲームだけではなく、大手金融機関等でも導入されるなど、様々な業界で活用されています。

頭脳ゲームプログラミングの歴史

AI開発の一分野として、古くから研究。

チェス(1910年代~)

指し手の可能性= 10120

DeepBlue(’97)が人間に勝利

将棋(1970年代~)

指し手の可能性= 10220

当社エンジニア開発のAIが現役プロ棋士に勝利(’13)

囲碁(1970年代~)

指し手の可能性= 10320

AlphaGoが現役プロ棋士に勝利(’16, ’17)

将棋におけるAI開発の歴史

2004年に機械学習によるイノベーション、その後10年で一気にトッププロと同等の実力に。

コンピュータ将棋ソフト 強さの変遷イメージ図

グラフ:プログラミングは1990年代から始まり、2004年に機械学習の導入でアマ初段級の実力に。その後強化学習とDLの出現で、2013年HEROZエンジニア開発のAIが現役プロ棋士に勝利。

AIに求められる要素

コンピュータの特性上、将棋における「判断・意思決定」が長年の課題。

模式図:ツリー構造模式図。1.先読み 2.評価関数による判断・意思決定

「機械学習/ディープラーニング」のイノベーション

将棋AIの開発は、機械による自動学習とマシンパワー(クラウド、クラスター接続)の世界へ。

機械学習導入以前

機械学習導入以前

将棋&プログラムに精通必要

将棋を将棋と捉え、プログラマが手作業で人間の思考を言語化

機械学習導入以降

例:玉/金/銀が直角2等辺三角形なら10点

機械学習導入以降

将棋の知識なしで開発可能
他分野に応用可能な技術

将棋を図を捉え、ビックデータから機械学習で判断・意思決定を行う評価関数を生成

機械学習による評価関数生成イメージ

模式図:過去の実戦データベース 約50万、うち1対局あたりの画面数 約120万、三駒関係等の特徴量 約1億

判断・意思決定を行う評価関数f(x)を機械が学習して生成

当社では、頭脳ゲームの開発を通じて、他分野への応用が可能なビッグデータを用いた
深層学習(ディープラーニング)を含む機械学習による
AI関連の手法を蓄積し、各産業に提供しております。