HUMAN Protocolがどのようにして知識ピラミッドへのアクセスを可能するのか
著：Charlie Child
データラベリングに関する記事を読んだ事がある方は、データラベラーはブルーカラーの部類に入る仕事だと思い込んでいるのではないでしょうか。
多くの記事では、世界中で行われている大量のデータラベリング、特に発展途上国で行われているデータラベリングに焦点を当てられていて、データラベリングは大規模に行われる雑多な作業と思われがちです。自転車や自動車、歩行者への画像認識など、これらは機械が私たちの社会を理解する為の基本的な作業です。現在のデータラベリングはそうかもしれませんが、将来は違ったものになるでしょう。知識には様々なグラデーションがあり、専門的な知識があれば、より深く、より精密な機械学習が可能になるとういう事を無視してはいけません。
これまでは、データラベリングや人間のフィードバックにおいて、質の異なる知識にアクセスする手段がありませんでした。例えば、医師がデータをラベリングする例は多くありますが、そのタスク自体を管理する為の効果的なプラットフォームはまだ存在していません。
この記事では、HUMAN Protocolがどのようにして知識ピラミッドの全セグメントへの機械学習タスクのリクエスターによるアクセスを可能するのかについて探っていきます。
賢い機械を作る事はできなくても、最も賢いラベラーにアクセスする事で、例えそれが一見非線形的であっても、機械は暗黙の内にその提供物の中から利益を得る事ができます。言い換えれば、機械は賢明な学習を確実に反映する事ができるのです。
知識のピラミッド
ここでは、より解りやすくする為に、知識ピラミッドと呼んでいきぶます。従来のデータラベリングの考え方は、ピラミッドの下から2段目に焦点を当てています。
ここでのデータとは、次のように定義されます：
“物体や事象、及びその環境の特性を表す記号であり、観察による産物”
データは当然、情報につながります。情報とは、ある分野の「誰が、何を、どこで、いつ、どれだけ」に関連するものです。これらの知識はキャプチャーアプリケーションにマッピングされていきます。
つまり、人間の観察（データ）は、ラベルという形式での提供物（情報）に繋がります。
ピラミッドへの移行
これは、より優れた知識を発見するというケースではなく、ピラミッドのデザインが示唆するように、人々の間でより希少な知識のカテゴリーを発見するという事を意味します。
機械学習への焦点は、物体やパターンに対する認識能力など、日常世界の共通理解の機械への注入にありました。また、データラベリングプラットフォームの限界や、広告や自動化の向上（自動運転等）など、初期の機械学習アプリケーションが商業的に重視されていた事も要因となっています。
ピラミッドのさらに上に存在するのは、より複雑な、あるいは希少な領域の専門知識です。例えば、大腸内視鏡検査でポリープがどのようなものかを判別できる医師が持つような知識です。
「知識」は、非線形の判断力を意味します。機械学習の必然的な直線性とは一致しないように思えるかもしれませんが、知識は単純化する事も可能です。それは、高い見識や経験、合理性による必然的な結果であり、これらは全て機械学習にマッピング可能な情報資質です。
つまり、「賢い」機械を作ることはできませんが、最も賢いラベラーにアクセスする事で、例えそれが一見非線形的であっても、機械は暗黙の内にその提供物の中から利益を得る事ができます。言い換えれば、機械は賢明な学習を確実に反映する事ができるのです。
仕事の在り方を変える
HUMAN Protocolは、あらゆる種類の人々があらゆる種類の質問に答える事による報酬型の収益化を可能にします。ギグエコノミーに革命を起こし、ギグワーカーをUberやDeliverooなどの中央集権的なサービスへの依存から解放する事で、仕事の在り方を変える事ができます。HUMAN Protocolがどのようにしてこれを実現し、ギグワーカーに大きな自由と機会、選択肢を提供していくのかについては、ギグエコノミーに関する最近の記事をMediumの一覧からご覧になってください。
HUMAN Protocolは、制約の少ない仕事環境を提供するだけでなく（データのラベル付けにはラップトップが必要です）、知識ピラミッドへのアクセスが増えることで、ギグワーカーがグローバルな労働市場で自分の価値を最大限に表現できるようになると考えています。あらゆる労働力がトークン化されるという事は、専門的な知識やノウハウなど、様々な種類の価値が社会的に認知されるという事でもあります。
労働力の多様性は、市場の発展につながります。HUMAN Protocolは、知識ピラミッドの各セクションを代表するグローバルな労働力の成長を支援します。この2つは密接な関係性を持ちます。つまり、より多様なタスクがあり、それを実行するためには、より多様な人材が必要なのです。また、新世代のAIやML技術を可能にするためには、世界についてのより詳細な理解を機械に提供できなければなりません。これは、世界の表層と深層の両方について必須なものとなるのです。
