## KubernetesとDockerとの違いについて解説

*近年のアプリ開発において、なくてはならない存在になっている「Kubernetes」と「Docker」。*

Kubernetesの読み方は諸説あり、「クバネテス」「クバネティス」「クーべネティス」という読み方が主に使われているようです。

KubernetesとDockerはどちらも仮想化・コンテナに関連する技術であり、使ったことはなくても聞いたことくらいならある方は多いと思います。この2つはどのように違うのでしょうか。

**一言でいうと、Dockerは「アプリケーションをコンテナに分離するためのツール」、Kubernetesは「コンテナを管理するツール、オーケストレーションツール」だと説明されることが多いです。**

しかし、この言葉は抽象的であり、正確に理解するには情報が不足しています。特にKubernetesを利用したことのない方の中には、

*「Dockerは使ったことあるけど、Kubernetesは何がメリットなのか分からない」*

*「チームでKubernetesを導入することになったが、どういった理由で導入されたのかよく分からなかった」*

というような疑問を抱いている方も少なくないでしょう。

**そこで本記事では、そもそもDockerとは何なのか、Kubernetesとは何なのか、それぞれがどうして必要になってきたのかを解説した上で、両者の違いについて分かりやすく解説します。**

コンテナ技術でより効率的にアプリ開発を行いたい方は、是非目を通していただけると幸いです。

【参考】：[Docker](https://www.docker.com/)

【参考】：[公式-Kubernetesとは何か？](https://kubernetes.io/ja/docs/concepts/overview/what-is-kubernetes/)

### そもそも仮想化・コンテナとは?

まず初めに、DockerとKubernetesを語る上で必須の知識「仮想化」「コンテナ」について改めて解説させてください。

**仮想化とは、アプリケーションが動作する環境を、1つのサーバ内に複数用意する技術のことです。**ある1台のサーバの中に複数のサーバを立ち上げ、アプリケーションを動かすことをイメージしてください。

仮想化を行うことで、サーバの余剰リソースが有効活用できる、物理サーバを用意する台数が減る、など様々なメリットを享受することができます。

**さらにその仮想化技術のうち、1つのサーバに立ち上がった複数サーバ間でOSを共有することができるものを「コンテナ」と呼びます。**複数サーバを立ち上げる環境そのものを「コンテナ」と呼ぶこともあります。

従来の仮想化では、仮想サーバはそれぞれ独立したOSの上で起動していました。複数のOSが存在することは、それぞれに起動時間がかかることや、サーバリソースが無駄になるという問題点を抱えていました。

それを解決したのがコンテナ技術です。コンテナエンジンがホストOS(=物理サーバのOS)とOS共有しつつ複数のアプリを動かせるため、より高速かつ軽量にアプリケーションを起動することができるようになりました。

仮想化と比較した際に、他にもコンテナ化にはメリットがあります。

*・プラットフォーム(Windows/Mac/Linux)によらず、誰でも同じ環境が作れる*

*・作成した環境を配布しやすい*

*・スクラップ＆ビルドが容易にできる*

ここまでで、コンテナのメリットをお話ししてきました。しかし、アプリケーションをコンテナ化した上で実行するには、少し長い道のりが必要です。

具体的には、下記のような作業が必要です。手間がかかりますが、それぞれの作業でコマンドを何回も実行しなければなりません。

*・コマンドやライブラリの取得*

*・ファイルシステム空間の分離*

**このコンテナ作成の手間を省くため、コンテナ作成に関わる作業を1つのコマンドラインツールとしてまとめてくれたのが「Docker」です。**これにより、コンテナ環境を簡単に構築することができるようになりました。

また、コンテナの実行に必要なパッケージ等をまとめたものを「イメージ」と呼びます。このイメージは「Docker Hub」という共有プラットフォーム上でオンライン共有することが可能です。**Docker  Hubを利用することで、優秀な開発者が作った使い勝手の良いイメージをすぐ再利用できるようになりました。**

Dockerとは？使いどころやメリット・デメリットについて解説！

### Dockerをさらに便利にするDocker-Compose

Dockerによってコンテナ作成は格段に簡単になりました。それでもコンテナ1つにつきそれぞれ「docker build」と「docker run」のコマンドを実行する必要があります。

*実際の開発現場では、データベースサーバ用のコンテナやアプリケーションサーバ用、ファイルサーバ用のコンテナが複数立っていることも珍しくありません。*ローカル環境開発のために、都度コンテナの数✖︎2のコマンドを実行するのは避けたいところです。

そこで利用すると良いのが「Docker-Compose」コマンドです。開発に必要なコンテナの内容を記載したDockerfileと、それぞれのコンテナの起動設定を記載したdocker-compose.ymlファイルを予め用意してください。**その後「docker-compose up」コマンドを叩くだけで、複数コンテナを起動することができます。**

**DockerやDocker-Composeのコマンドによって、複数のコンテナをたった1コマンドで立ち上げることができるようになりました。**仮想化技術がなく、複数アプリの起動に物理サーバが複数必要だった時代から考えると、随分便利になったように思えます。

ただ、Dockerを用いてもアプリの実運用においては課題が残ります。課題の具体例を下記に挙げます。

*昨今の大規模アプリ開発では、ディザスタリカバリ（以下、DR）のためにサーバが複数用意されることが当たり前となってきています。*DRとは、災害でサーバがダウンした際にユーザがサービスを利用できなくなるのを防ぐ考え方のことです。

DRにおいては、予め同じ用途のサーバを複数用意しておき、メインサーバが天災等の要因でダウンしてしまった場合に、サブとなるサーバを起動しリクエストがそちらに流れるように管理します。

*これをコンテナで実現しようとした際、DockerのみではサブとなるコンテナをDockerコマンドを叩いて再起動し、ネットワークに繋げる...など手動による運用が発生します。*これも自動化したいところです。

そこで登場するのがKubernetesです。**Kubernetesでは専用のYAMLファイルを記述することによって、負荷分散やフェイルオーバーなどコンテナの実運用に必要なさまざまな機能を提供してくれます。**具体的には下記です。

*・サービスディスカバリーと負荷分散* 

Kubernetesは、複数のコンテナに対して独自のDNSやIPアドレスを設定できます。リクエストが多い場合はそれぞれのコンテナにトラフィックを振り分けることができます。

*・ストレージ オーケストレーション*

ローカルのストレージをはじめとして、各種パブリッククラウドが提供するファイルストレージサービスにコンテナをマウントさせることができます。

*・自動化されたロールアウトとロールバック*

Kubernetesにおけるロールアウトとは、コンテナが取り込むイメージの更新を指します。コンテナの新規作成やバージョンアップによる更新、削除も含めて、サービスを止めることなく自動的に実施することができます。

離散数学に「ビンパッキング問題」という考え方があります。「与えられた荷物をどのように箱に詰めれば、必要な箱の数が最小化できるか」という離散数学を大元とする問題のことです。

これをITインフラに置き換えると、「CPUやメモリといったリソースを限られた物理サーバ内でどのように配置するのが最適化か」を考えることに他なりません。Kubernetesの自動ビンパッキングではこれを考慮し、自動的に最適なリソース配置を実現してくれます。

アプリケーションの実運用では、コンテナ上で動いているサーバに対して「生存しているか」を確認する簡単な通信を定期的に送ることがあります。これを「ヘルスチェック」と呼びます。

ヘルスチェックがOKにならないコンテナは復旧作業が必要になりますが、Kubernetesはこの作業を自動化してくれます。処理が失敗したコンテナに対しては、再起動を行ってくれます。

Dockerは、本来Linux上でコンテナ作成に必要となる準備をいくつかのコマンドにまとめたものです。Kubernetesはコンテナの数が増えてきた際に運用を楽にするツールで、フェイルオーバーを自動化したり、リソース配分の最適化が行えます。

Dockerはコンテナ化を簡単にするためのツールであり、作成したコンテナ環境を再配布できるようにもなっています。

Kubernetesは扱うコンテナが増えた際に出てくるフェイルオーバーやリソース配分などの課題を解決してくれるツールです。

DockerとKubernetesはどちらが優れているというものではなく、合わせて使うことで最大限に効果を発揮します。

コンテナ化を楽に！KubernetesとDockerの違いを解説

TensorFlowとは、Google社が開発した機械学習用フレームワークを指します。ニューラルネットワークの構築・訓練のために開発されました。機械学習モデルの開発とトレーニング（学習）に使用します。Pythonに限定されず、C・C++やJavaでも利用できます。*機械学習や数値解析・ディープラーニングに対応し、人気があります*。
【参考】：[TensorFlow](https://www.tensorflow.org/)

Pythonと機械学習を学んでAI時代に対応できるエンジニアに

TensorFlowはGoogleのサービスでも広く活用されています。その特徴は、以下のような点が挙げられます。


*・ニューラルネットワークの構築・訓練向けに開発*
ニューラルネットワークは数理モデルの一種で、脳の神経回路の一部を模しています。TensorFlowは、ニューラルネットワークの要件をクリアするために開発されたため、ニューラルネットワークやディープラーニングでの利用に適しています。

コアモデルのデータフローグラフを複製して並列実行することで、大規模なデプロイにも対応可能です。

*・言語、デバイスを問わず利用可能*
JavaScript向けのライブラリや、C++・Pythonに対応するコアライブラリが提供されています。モバイル・IoT向けのTensorFlow Liteでは、iOSやAndroidが利用できます。デバイスや言語に応じて言語バインディングをビルドすることができます。

*・豊富なテストツールやライブラリ*
複雑なモデル作成のKerasやModelサブクラスAPIが提供されます。デバッグを効率的に行うために、Eager Executionが提供されます。この他にもアドオンライブラリが充実しているため、ニーズに応じてライブラリを選択できます。

TensorFlowは、ニューラルネットワークやディープラーニングでの利用に適しています。そのため以下の用途に利用が可能です。

*・パターンを認識する*
ニューラルネットワークでは、データを学習することで人間の脳の様に音声や画像のパターンを認識することができます。それにより情報の蓄積と識別が可能です。用途としては音声認識やそれにもとづく自動翻訳等が可能となります。自動運転や不審者の特定等にも利用されています。

*・データを分類する*
信号や画像のデータを蓄積し、正しいデータを識別します。医療での病状を画像から判断したり、産業システムのエラー検知や品質検査等に利用したりと様々です。公共建築物の劣化状況を検査することにも役立てられています。

*・将来を予測する*
データ変動の蓄積により、今後の傾向を精度よく予測します。用途としては、金融では株式売買の上下動から将来の株価変動を予測することに使われています。

人間の言語水準に近いものを高レベル、機械の言語水準に近いものを低レベルとした場合、高レベルAPIは簡単に扱うことができ、低レベルAPIは細かい操作が可能です。TensorFlowは高レベルAPIと低レベルAPIを兼ね備えているため、多様なニーズに対応できます。

Kerasとは、*オープンソースのニューラルネットワークライブラリを指します*。Pythonで書かれた深層学習APIで、TensorFlow上で動作します。Googleのエンジニアが中心となって開発したKerasですが、Google社内で開発されたTensorFlowと結びつきが強く、TensorFlow 2.0において、Kerasが統合されています。
【参考】：[Keras](https://keras.io/)

TensorFlowとKerasの違いは、TensorFlowが機械学習のフレームワークで、Kerasがニューラルネットワークライブラリであることです。TensorFlowはKerasをライブラリとしてサポートします。TensorFlowの高レベルAPIはKeras API仕様をベースにしています。

Kerasはライブラリの位置づけであり、TensorFlow以外でも動作します。EclipsのDeeplearning4jやマイクロソフト社のCNTK上で動作させることもできます。

### TensorFlow以外の深層学習フレームワーク

TensorFlow以外の深層学習フレームワークとして、Facebook（現Meta）のAI Reserarch Lab（FAIR）で開発されたPyTorchがあります。PyTorchとは、Torchを元に作られたPython用深層学習フレームワークソフトウェアを指します。グラフベースの実行・分散学習・モバイル展開・量子化の機能を持ちます。
【参考】：[PyTorch](https://pytorch.org/)

PyTorchは、*低レベルAPIによりトレーニング時間が高速なため、短い時間で完了するのが特徴です*。TensorFlow以外の選択肢として比較するのも良いでしょう。

TensorFlowを利用するために、TensorFlowにおける機械学習の分類手順を説明します。
【参考】：[Machine Learning Introduction](https://developers.google.com/machine-learning/guides/text-classification)

*・データの収集*
必要なデータを収集していきます。精度を高めるためにはサンプル数を増やす必要があります。

*・データの探索*
データの特性や分布を理解します。ある程度手作業で期待に沿うものか確認していきます。

*・モデルの選択 *
収集したデータセットの特性からモデルを決定します。

*・データの準備*
モデルに合わせてデータを調整・変換します。

*・モデルの構築・学習・評価* 
データ処理のビルディングブロックとなる入力層・中間層・最終層を組み立てていきます。モデルの学習（トレーニング）では、モデルの現在の状態に基づいて予測を行い、その予測との誤差を最小にするためにネットワークの重みまたはパラメータを更新していきます。この手順をモデルが収束するまで繰り返します。

TensorFlowでは、データ収集以降の手順を効率的に行えるようAPIを提供しています。

最初にインストール要件を確認しておきます。TensorFlow 2はOSとして、*Windows 7以降・MacOS 10.12.6（Sierra）以降・Ubuntu 16.04以降がサポートされています*。Python 3.6〜3.9で動作します。Pythonのパッケージマネージャpipを使用します。
【参考】：[TensorFlow インストール](https://www.tensorflow.org/install)

インストールが完了したら、Pythonで”tensorflow”をインポートし、使用します。
```import tensorflow as tf```
【参考】：[初心者のための TensorFlow 2.0 入門](https://www.tensorflow.org/tutorials/quickstart/beginner)

Pythonのpipインストールを徹底解説！Windowsでも簡単？

TensorFlowは、「データの収集」「データの探索」「モデルの選択」「データの準備」を経て、「モデルの構築・学習・評価」を繰り返し精度を上げていきます。*最初に使い方を学ぶにはチュートリアルをおすすめします*。
【参考】：[TensorFlow Core チュートリアル](https://www.tensorflow.org/tutorials)

チュートリアルを進めるにあたり、人工知能の学習に必要なデータセットと呼ばれる学習データが必要です。手書き数字データベースMNISTは、6万例の学習セットと1万例のテストセットから構成されており、学習技術やパターン認識手法を試してみたいという方におすすめです。
【参考】：[THE MNIST DATABASE](http://yann.lecun.com/exdb/mnist/)

Kerasからは、”tensorflow.keras.datasets.mnist.load_data()”でデータセットのロードが可能です。

CSVのデータをデータセットにロードする場合は、”tensorflow.keras.utils.get_file()”でCSVファイルを指定します。”tensorflow.data.experimental.make_csv_dataset()”でCSVからデータセットを作成することもできます。
【参考】：[tf.data を使って CSV をロードする](https://www.tensorflow.org/tutorials/load_data/csv)

TensorFlowはディープラーニングに強みがあり、パターン認識に基づく音声認識・自動翻訳や自動運転・防犯等に活用されています。データ分類による医療画像分析・製造業のエラー検知や品質検査、将来の動向分析などに活用されています。

TensorFlowの事例紹介サイトでは、以下の様に実際の活用例が紹介されています。
【参考】：[TensorFlow 事例紹介](https://www.tensorflow.org/about/case-studies)

*・Coca-Cola社の購入証明機能*
モバイルファーストの体験としてCoke.comを立ち上げ、閲覧行動の変化に対応しました。ボトルキャップや冷蔵庫のパックに貼られた数千の製品コードスキャンによって得られた、不正確なコード予測をAI学習により迅速に修正できるようなユーザーエクスペリエンスを提供可能としました。
【参考】：[How Machine Learning with TensorFlow Enabled Mobile Proof-Of-Purchase at Coca-Cola](https://developers.googleblog.com/2017/09/how-machine-learning-with-tensorflow.html)

*・GEヘルスケア社のニューラルネットワーク学習*
MRIの画質や外観に影響する要因に影響されにくく、病院間で堅牢なシステム化が可能となりました。これにより、検査全体の時間が短縮され、検査の診断品質が向上しました。

TensorFlowは、医用画像ボリューム処理の主要要件である2Dおよび3DのCNN（Cascaded Neural Networks）をサポートしていることと、画像操作と最適化されたテンソル計算のための豊富なビルトインライブラリ関数の要件をクリアしています。
【参考】：[Intelligent Scanning Using Deep Learning for MRI](https://blog.tensorflow.org/2019/03/intelligent-scanning-using-deep-learning.html)

*・Twitter社によるTweetのランク付け*
Twitterを開いたときに、最も重要なツイートを見逃してしまうことがあり、この問題に対処するため、最も関連性の高いツイートをタイムラインの最上部に表示する「ランク付きタイムライン」に、TensorFlowを活用しています。

選定においてはJava APIが利用できることと、TensorFlowのツールのエコシステムが成功のカギとなりました。ユーザーが最高のツイートを見逃すことがないようにするために機能しています。
【参考】：[Ranking Tweets with TensorFlow](https://blog.tensorflow.org/2019/03/ranking-tweets-with-tensorflow.html)

*・AIRBUS社の衛星画像からのデータ抽出・分析*
コロンバス管制センターのオペレーションチームは、エアバス社と共同で24時間365日何千ものパラメータを追跡しています。これはクルーの健康状態を確認するために必要なデータです。

オペレーターが異常を検知した場合、異常報告書を作成し、エアバス社のシステム専門家が解決します。エアバス社のチームは、異常検出のワークフローの一部を自動化するために、Kubeflow上でTFXを利用しデータ処理と変換を行っています。
【参考】：[How Airbus Detects Anomalies in ISS Telemetry Data Using TFX](https://blog.tensorflow.org/2020/04/how-airbus-detects-anomalies-iss-telemetry-data-tfx.html)

上記の他にもGoogle社AIリサーチLabのBlogも多岐に渡り、実際に有益であることを実証しています。ご興味があれば以下のリンクをご確認ください。
【参考】：[Google AI Blog](https://ai.googleblog.com/search/label/TensorFlow)

## 需要高まる人工知能の対応能力を高めましょう

TensorFlowは、Google社が開発した機械学習用フレームワークです。Google社自らが活用しており、事例で分かるように実際の業務活用も進んでいます。*研究者から実際の業務利用まで多様な活用が期待できます*。

チュートリアルではドキュメントのほか、動画がブログやYouTubeチャンネルに公開されています。学ぶだけの方にも有益ですので、将来の可能性を高めるためにも準備をしましょう。

TensorFlowは、Google社が開発した機械学習用フレームワークで人気があります。主に機械学習モデルの開発とトレーニング（学習）に使用します。ここではTensorFlowの特徴やできることを紹介し、実際の公開事例についても詳しく解説していきます。

TensorFlowとは、Google社が開発した機械学習用フレームワークを指します

機械学習や数値解析・ディープラーニングに対応し、人気があります

高レベルAPIと低レベルAPIに対応し、実績が多数あります

TensorFlowとは？特徴やできることをわかりやすく解説！

## 「シンギュラリティ」はいつ？

皆さんは「シンギュラリティ」という言葉を聞いたことがありますか？最近メディアで取り上げられ、話題になったワードの1つです。**シンギュラリティは技術特異点と言われるもので、特にAIが人知を超越するタイミングのこと**を指します。

シンギュラリティはいつやってくるのか、シンギュラリティによって社会はどう変化し、私たちエンジニアはどんな影響を受けるのかなど、不安や興味が尽きません。また、シンギュラリティは絵空事であり、ありえないと考える方もいるでしょう。

ここでは、皆さんの素朴な疑問に対する答えを一緒に探します。

### 「シンギュラリティ」と2045年問題

シンギュラリティという言葉は、米国の発明家であり実業家・未来学者・思想家のレイ・カーツワイル博士によって生み出されました。

2005年に執筆した自著『The Singularity Is Near：When Humans Transcend Biology』の中で、**「2045年にAI（人口知能）が地球上で最も賢く、有能な生命体として人間を上回る存在になる」と予言**しています。

これがシンギュラリティであり、2045年に起きると予言されていることから「2045年問題」と言われています。

【参考】：[The Singularity Is Near by Ray Kurzweil: 9780143037880 | PenguinRandomHouse.com: Books](https://www.penguinrandomhouse.com/books/291221/the-singularity-is-near-by-ray-kurzweil/)

### 「シンギュラリティ」の2029年到来説も

2029年到来説は、シンギュラリティの到来が従来予想よりも早まるというものです。

レイ・カーツワイル博士は2005年の著書でシンギュラリティの到来を2045年前後と予測しましたが、**2017年にレイ・カーツワイル博士がシンギュラリティの到来時期を2029年前後と主張し始めたことから、この2029年問題が浮上**しました。

理由は、2000年以降の急速なインターネットの普及やビッグデータの集積などによって、AIの進化を促す「ディープラーニング」（深層学習）の環境が整い、膨大なデータの蓄積によってAI技術が急速に進展していることにあります。

シンギュラリティが起きる前段階の状態をプレシンギュラリティ（前特異点）と言います。シンギュラリティはAIが人間の能力を超えることを意味するのに対し、**プレシンギュラリティはAIによって社会のあらゆるシステムが変化すること**を意味します。

例えば、貨幣がなくなりモノは無料で手に入る・バーチャルリアリティーが生活の中心となる・労働が不要となる等があります。プレシンギュラリティも、私たちの生活に多大な影響があると予測されます。

## そもそも「シンギュラリティ」とは？

「技術的特異点」と訳されるシンギュラリティは、1980年代頃からAI研究家の間で用いられるようになった言葉です。AI（人口知能）の進化に関する概念で、**シンギュラリティ （singularity）はAI自身が人類に代わって文明進歩の主役となる時点を指します。**

シンギュラリティが注目されることになったきっかけは、2014年に英国で行われた「チューリングテスト」の結果にあります。

チューリングテストとは、コンピューターに知性があるかどうかを判定するテストのことです。英国で行われたチューリングテストでは、約30%の観察者が「人間かAIかの区別がつかない」と評価しました。AIの急速な進化が認識され、シンギュラリティが現実味を帯びた瞬間です。

最近では「GPT-3」というAIツールが書いたブログ記事によって、数万人が騙されたというニュースがあったように、AIの進化スピードには目を見張るものがあります。

シンギュラリティを世に広く知らしめたレイ・カーツワイル博士は、**「シンギュラリティは人工知能が人間の知能と融合する時点」**と唱え、AIが人間と融和する形で進化していく可能性を指摘しています。

GPT-3の例にあるように、AIが人と区別が付かないほど人間らしくなっていく様子から、「2029年シンギュラリティ到来説」の登場にも納得できます。

Azure OpenAI Serviceとは？GPT-3との違いも解説

### 「シンギュラリティ」を裏付ける法則

*ムーアの法則は「2045年問題」を裏付ける1つの根拠*になっています。ムーアの法則とは「半導体の集積率は18か月で2倍になる」というものです。

ムーアの法則に従って計算すると、2030年頃には1つの半導体チップが人間の脳レベルに到達し、2050年には1つの半導体チップで人類全体の脳の計算速度に匹敵すると予測されます。

ただし、ムーアの法則は半導体の進化が著しい時期には当てはまりましたが、最近は半導体の進化も限界に近づいています。そのため、必ずしもムーアの法則は当てはまらないとの考えもあります。

他には、**シンギュラリティを裏付けるものとして「収穫加速の法則」**があります。収穫加速の法則とは「イノベーション同士が結び付くことで、新たなイノベーションが起き、進化は指数関数的に起きる」というものです。収穫加速の法則によってシンギュラリティが起きるとも考えられます。

## 「シンギュラリティ」に対する賛否

シンギュラリティがいつ起きるかという議論の前に、シンギュラリティに対して肯定論と否定論があります。どちらが正しいかは別として、それぞれの見方を紹介します。

### 「シンギュラリティ」肯定論

シンギュラリティの実質的提唱者であるレイ・カーツワイル博士は、自著『The Singularity Is Near：When Humans Transcend Biology』の中で「シンギュラリティの到来を2045年」と予言しましたが、最近の考えとしては「2029年に早まった」と予測しています。

イギリスの著名な物理学者であるスティーブン・ホーキング氏は「完全なる人工知能の開発によって人類は終焉を迎えるかもしれない」と、シンギュラリティの到来を認めつつ、危機感を示しています。

ソフトバンクの孫正義氏はシンギュラリティは人類史上最大の革命であるとし、シンギュラリティによってすべての産業が再定義されると主張しました。

肯定派のシンギュラリティ後の未来予想には、悲観的な意見と楽観的な意見の両方があります。しかし、**シンギュラリティという1つの大変化が起きるという考え方は共通**しています。

### 「シンギュラリティ」否定論

一方、シンギュラリティ説を批判する人、否定する人たちもAIの進化は認めていますが、**「AIが人間を超える存在になることはありえない」と、シンギュラリティが来ない・起こらないことを主張しています。**

例えば、AIの権威として知られるスタンフォード大教授のジェリー・カプラン氏は、「AIには独立した目標や欲求がない」とし、あくまでも「AIの能力は人間のためにあり、AIと人間は同一視できない」としています。

AIの進化予想は、「AIが自我を持ち、自身の判断や欲求によって自己進化していく」か、「自我を持つことはないから自己進化はしない」の2つの意見に分かれます。いずれにしても、一昔前まではアニメの世界にしか存在しなかった論争が現実のものとなっていることは否めません。

### 「シンギュラリティ」によるメリットとは？

シンギュラリティには賛否両論ありますが、ここではシンギュラリティのメリットについて紹介します。例えば、ある企業では服の採寸を機械化したことにより、誤発注の原因となっていた採寸ミスを大幅に減らすことができました。

**人間による手作業ではケアレスミスを完全に防ぐことは難しいですが、機械であれば単純なミスはほぼなくなるでしょう。**

シンギュラリティによって産業にAIが普及すれば、単純なミスや誤操作がなくなります。これにより、より円滑に仕事が進むことによって消費者や企業側にもメリットが大きいと言えます。

## 「シンギュラリティ」による社会の影響と変化

シンギュラリティ到来の賛否は分かれますが、**AIは着実に進化しており、AIの進化によって世界が変わることは否めません。**では、AIの進化によって世界はどのように変化するのでしょうか？雇用・社会制度・人間そのものへの影響などの視点から解説します。

仕事によっては既にAIに置き換えられているものもあり、職業そのものを置き換える実証実験がスタートしています。

例えば、工場の生産ライン・生産コントロールのロボットへの置き換えによる無人工場、自動運転技術を用いた無人タクシー、レジや品出しの自動化による無人コンビニエンスストアなどです。

上記のようなAIへの置き換えがコスト面でペイできるとなれば、人の仕事は確実にAIに置き換えられるでしょう。専門家の研究でも、**今後10年から20年の間に人の仕事の50%はAIに置き換わる**という報告があります。

英国のオックスフォード大学のマイケル・A・オズボーン准教授らが2014年発表した論文『雇用の未来—コンピューター化によって仕事は失われるのか』によると、**現在人間が担っている仕事の47％は、20年後になくなる**と言われています。

論文では将来なくなる仕事と、今後も残る仕事について記載されています。紹介されたなくなる仕事・今後も残る仕事は以下の通りです。

 *■なくなる仕事*
一般的な事務員・飲食店の従業員・スポーツの審判・テレマーケター (電話を使用する販売員)・店舗での販売員・ネイリスト・訪問販売・料理人

  *■残る仕事*
栄養士・教師・警察・ダンサー・歯科医師・漫画家・ミュージシャン

なくなる仕事としては、比較的単純作業が多い職種だけでなく、スポーツの審判のような知識と思考力を必要とする仕事も含まれています。

残る仕事では、人間の命に関わる医療系の仕事・専門知識と対面でのコミュニケーションが必要なホスピタリティ性の高い仕事・創造性の高いクリエイティブな仕事などが挙げられています。

以上のことから、AI化が進むにつれて職業の選択肢も今後変化すると予想されます。

「ベーシックインカム」という社会制度があり、既に実験を行っている国もあります。日本でもベーシックインカムの導入を提唱する政党や政治家がいます。

ベーシックインカムとは、国民や市民に対して無条件に最低限度の所得を分配する社会政策です。働かない人、働けない人にも所得保障がなされ、ベーシックインカムが貧困問題の解決に役立つとされています。

**シンギュラリティによる失業者増加対策として、ベーシックインカムが議論**されています。人の仕事をAIが担うことで、AIが利益を生みだします。この利益をベーシックインカム制度によって人に分配し、失業問題を解消するという考え方です。

SF映画などに登場するサイボーグも、夢物語ではなくなりました。AI技術の発達によって脳波による人工義手や人工義足の制御が可能となり、まさに**サイボーグそのものが実現する可能性が高まっています。**

今まで不可能と考えられていたことが、シンギュラリティによって次々と覆される可能性があります。感情や自我は脳の働きによってコントロールされていますが、脳の解析が進めばAIが感情や自我を持つ可能性も否定できません。

このように、人とAIの融合が進むことでまったく新しい形態の人類が登場する可能性もあるでしょう。

## 「シンギュラリティ」によってエンジニアの仕事はどう変わる？

シンギュラリティが到来すると、社会や私たちの生活が大きく変わることは明らかです。ここでは、**私たちエンジニアの仕事にどのような影響があるのか**を説明します。

AIが普及すると、人間よりもAIが担う方が効率的な仕事はAIに置き換わるでしょう。AIに置き換わるのは定型業務だけではなく、推測や推論を伴う業務もAIに置き換わります。つまり、知的労働すらもAIに置き換えられるのがシンギュラリティの特徴です。

エンジニアの仕事では、*一部のプログラマーの仕事はAIに置き換わる*と言われています。現在でもAI技術を用いた「ノーコード開発」や「ローコード開発」が一般化しつつあり、今後はさらにAI化が進むかもしれません。

ただしエンジニアの仕事全般で考えると、AIによる自動化・簡素化は行われたとしても、**エンジニアの仕事自体がAIに置き換わる可能性は低い**でしょう。

AIが人間にとって必要不可欠な存在になっていく中、我々エンジニアはAIの価値をさらに高める役目を負っています。AIは与えられた情報や人間の指示に基づいて、人に代わる仕事をします。一方で、自ら新しいものを創出したり、新たな発見をしたりすることは苦手です。

シンギュラリティによって、いずれ上記の考え方も覆るかもしれません。しかし、**AIの進化によって次のような分野で新たな仕事が生まれる可能性が高い**と考えられます。

*■IoT分野*
「モノのインターネット」と訳される「IoT（Internet of Things）」は、AIの普及や発展に必要不可欠です。あらゆるものがインターネットに接続され、AIによってコントロールされる世界が現実になりつつあります。

逆に言えば、**IoTによってAIが成り立つことから、IoT市場は今後益々成長・発展し、新たな仕事が生まれる**でしょう。

*■ロボット分野*
ロボット自体は比較的古くからありますが、ロボットにAIを搭載することでロボットは人間に近づきます。AI開発・ロボット開発は新たな仕事を生み出します。

警備ロボット・機械を操作するロボット・ロボットを管理するロボット・介護士や看護師に代わるロボット・調理ロボット・教師ロボットなど、ありとあらゆる分野でAI搭載ロボットが開発されるでしょう。**ロボットに搭載されるAIの開発は、我々エンジニアの主要な仕事の1つ**になると予想されます。

IoTエンジニアとは？気になる年収や将来性を解説！

現在DX推進が日本経済の大きな課題であり、「DX人材」の需要が高まっていますが、**今後の需要は「AI人材」にシフト**するでしょう。特に「AI人材」として注目されるエンジニア職種は、以下の通りと考えられます。

*■AI開発エンジニア*
AIそのものの開発を行うエンジニアも必要ですが、**システム開発にAI技術を組み込めるエンジニアへの期待が高まる**でしょう。

システム開発によるシステム化の目的は、ビジネス・業務の効率化や利便性の向上です。効率化や利便性の向上はAI技術を駆使することで飛躍的に高まります。そのため、システム開発へのAIの導入は期待が高まっています。

*■データエンジニア*
AIはビッグデータによって深層学習を行い、進化します。またビッグデータ活用によって、ビジネスの革新も起きています。ビッグデータの分析や解析を行うデータサイエンティストは、企業が発展するための重要な存在です。そのため、今後**重要な役割を担うデータサイエンティストの需要はさらに高まる**でしょう。

デジタルトランスフォーメーション（DX）とは？求められる人材を解説！

## 「シンギュラリティ」にかかわらずエンジニアは変化に対応しよう

シンギュラリティは「技術的特異点」と訳され、AIが人知を超える存在に到達する時点を指します。この記事では、AIが人間の能力を超えることで社会や私たちエンジニアの仕事はどう変わるのかについて解説します。エンジニアの皆さんはしっかりと未来を見据え、将来設計の参考としてください。

シンギュラリティは技術特異点と言われるもので、特にAIが人知を超越するタイミングのこと

シンギュラリティによって、雇用・社会制度・人体・健康に大きな変化が生まれる

シンギュラリティの到来に関わらずエンジニアの役割や仕事は大きく変化していくので、変化に対応する姿勢が大切

シンギュラリティはいつ起こる？言葉の意味やエンジニアへの影響は？

shell（シェル）とは、*OS（オペレーティングシステム）の操作を行うためのインターフェースプログラムを指します*。システムコマンドのインターフェースとしてOS操作を行います。

OSの中核となるコードをカーネル（核）と言います。その外側のユーザ側のインターフェース部分をシェル（殻）と呼んでいます。貝殻の中と外のイメージです。シェルは対話的（インタラクティブ）にユーザー操作要求を解釈し、必要な処理を実行します。

シェルの特徴の1つは、カーネルリクエストを簡単に行えることです。従来のプログラミングではシステムアクセス用のプログラムコードを作成する必要がありました。シェルでは、追加のアプリ開発をせずに、コマンドラインで必要な操作をすることができます。

続く特徴は、シェルスクリプトというスクリプト言語に対応していることが挙げられます。シェルは、作業の操作をコマンドラインに記述し実行します。*シェルスクリプトでは、同じ処理手順をコードとして作成することで、バッチ処理や一括実行を簡単に行うことができます*。

シェルの利用メリットは、前述のシェルの有する特徴を最大限活用できることです。具体的には、複数の作業手順を一括実行することで、シェルスクリプト実行による作業品質の均一化が可能です。スクリプト実行では、運用管理の自動化も期待できます。

作業手順としては、CLIで基本操作が正しいことを確認し、シェルスクリプトのコードを作成します。これにより*運用管理における作業手順の標準プロセス化も可能です*。

### コマンドラインインターフェイスとは

コマンドラインインターフェイスとは、コマンドを入力し所定の操作を行うインターフェースを指します。略称として、CLI（Command Line Interface）と呼びます。

シェルのコマンドインターフェースは、CLI形式がほとんどです。シェルは*シェル自体が解釈できる組み込みコマンドと、外部のコマンドやアプリケーションを起動する外部コマンド呼び出しが実装されています*。

AWS CLIの使い方は？インストールから使用方法まで解説！

シェルスクリプトとは、*シェルで解釈可能な一連の操作コマンドを記述したコードを指します*。スクリプト言語の一種です。シェル組み込みコマンドや外部コマンドを適宜実行させることで、複雑な処理に対応します。

お役立ち記事