ラベル 機会学習 の投稿を表示しています。 すべての投稿を表示
ラベル 機会学習 の投稿を表示しています。 すべての投稿を表示

2022年3月6日日曜日

AIは「人間」と同様になるのではなく、「人間」の役に立つものになる

 

AIに関する様々な開発がされています。

AIのために、人間がやっている今の仕事が無くなるとか、人間が働かなくても良くなるとかも言われています。

その中で、AIが
「人間のように振る舞うことができる」
もあると思います。

最近、AIを題材にしたシナリオのゲームを作っているのですが、AIが人間と会話するシーンを書いているとき、気になることがありました。

人間の会話を聞いて、より良いアドバイスをしたり、逆に相手を騙してお金を巻き上げようとしたりするAIを登場させています。


最初は、会話だけの情報なので、ありきたりな返答しかできませんが、相手の交友関係や生体情報、収入、性格などが手に入ると、どんどん正確な回答が出せるようになります。

ちゃんと作れば、人間のためになる、素晴らしい能力を持つAIになりますが、
悪意のある人が作れば、相手の心理状態、経済状態、交友関係などを巧みに使い
人間を思う通りに操る能力を持つAIもできそうです。

ここで思いました。


AIって、人のための道具でしかない


「何かしたい」と思ったとき、それを実現してくれるのがAI

AI自身は考えることができない。

いや、突き詰めれば、人間が「AIって自分で考えてる!」と振舞えるほどのAIは作れると思う。

でも、それすら、作った人間が「そう振舞うように」作ったに過ぎない



人間の心って結構ホルモンに支配されている

このことが頭にずっと引っかかっていて。

この対談では、清水氏がこうおっしゃっています。

人間って上等な気持ちでいたけれど、上等な気持ちになるような意識が追認的に働いてるだけであって、実際には昆虫と変わらないような行動原理で動いている。「お腹空いたな」とか「眠いな」とか、そんなんで動いてんじゃないかな、というような実感があります。

※清水氏は日本ではAI開発の最先端を行き、「天才プログラマー」として若くから
Microsoftやドワンゴなどの一流企業に努めつつ、
子供向けのプログラミング教育にも熱心である多彩な方、

よくわかる人工知能 最先端の人だけが知っているディープラーニングのひみつ は、IT知識が無くてもわかりやすく読めるよう構成されていて、ただ脱帽するばかりです。。。


人間は、生物として必要なこととして、以下になることが知られています。

「空腹」
→「食べ物を探す・もしくは狩る」
→「活動しないといけない!」
→「アドレナリン出して、一時的に空腹感を減らして攻撃的に!」

この感覚は、機械であるAIにはもっていないものです。
これと限りなく同じようにふるまうようなプログラムや機械学習はできるかもしれませんが、単に人間の模倣なだけで、実際に空腹になるわけでもなく、攻撃的になるわけでもありません。そう振舞うだけです。

もう、ここまでくると、AIに人間と同じにように振舞わせる意味がない。

まあ、どこかの傍若無人な大統領と同じ考え方のできるAIを作れば、
「どうやったら戦争をやめてくれるか」の試みを、そのAIにさせることもできますが、、、
「ある人と同じ考えを持つ」AIとなると、
限りなく同じ環境を作らないといけないので難しい。
一卵性双生児であっても、まったく同じ考えや動きができないのと同様ですね。。。


多少のずれがあっても問題なければ需要はありそうですが、
それ以外、あまり人間に似せる意味が見いだせないです。

それよりも、人間より早く判断したり、より良い手・作戦を出してくれたほうが
よっぽど有益です。


でも、人間と対話する、という状況次第では、AIは今後とても活躍できそうな分野もあります。

それは

人間のやる気を出させること

です。

「AIは人間の心も知らないくせに、人間のやる気を出せるわけない」

と思う方、もっともです。

どちらかというと、人間の心に、それほど深く入るつもりはありません。

影響力の武器」の中で、ロバート・B・チャルディー二氏が見つけたのは、
生物が驚くほど「機械的に」物事を判断することです。


例えば、ヒナ鳥の鳴き声を聞くと母親は世話を始める、といったもので
これがおもちゃのヒナ鳥に録音させた音声を流しても、母親は世話を始めます。

これを聞くと「なんて鳥はバカなんだ」と思うかもしれませんが、
チャルディー二氏はそう思いません。
人間にも同じような行動をとることがわかったからです。

最近アリゾナにジュエリーの店を開いた友人から相談の電話がかかってきました。
店長は最近の売上に悩んでいました。
「なかなか売れない」
そこで思い切って以下の指示を店員に伝えます。
「トルコ石を半値で売っちゃって」
しかし、聞き間違えた店員は、2倍の値段で売り始めてしまっていました。
しかし、数日後には全ての宝石が売れたということです。
一体何故なのか。
「値段が高いものは価値があるはずだ」
そう思ったお客さんは、店の物すべてが魅力的に思ったことでしょう。

他にも、以下のことがわかってきました。
どれも身近に感じることです。

1.人から親切もしくは譲歩されたら、「お返ししないといけない」心理が働く。
2.一度決めたら、その決定が正しいと思い込みたくなる
3.みんながやっていることは正しいことだ
4.好きな人のことは正しいと思ってしまう
5.数が少ないということは価値があることだと思う



AIが、例えば自分の好きなキャラで現れ、何か有益な情報を人間に提供して、

AI「これって、一つ貸しだぞっ」

と、言ってくれたら、AIだとわかっていても、何かしてあげたくなるかもしれません。


AIはこのような回答と、その後の人間の返答、その後の行動について統計とっていけば

チェスや将棋のように、機械学習で、「最も効果のある」回答内容を見つけることができるかもしれない。

これを利用して、悪いことももちろんできます。
でも、人間の心をコントロールできるのであれば、
やる気を出させることも可能だと思います。

今後のAIは、人間が必要な情報の提供、もしくは、人間がやっていたことの代替作業 がメインになってくると思いますが、それも行きつくと、人の役に立つような、人間の心理に影響を及ぼす分野への進出も考えられました。

例えば、以下のようなものです。
・やる気が出ないときに「効く」アドバイスをくれる
・自閉症で悩んでいる人に対して最適な回答を出し続け、復帰を促す
・お年寄りの話し相手になって、ボケ防止に役立つ

「人の役に立つ」ことは、人の原動力の一つにもなるのですが、
それすらもAIが進出してくると思うと複雑な気持ちではありますが、
全体として考えると、人間世界がより良いものになるのではないかと思われました。




2019年10月6日日曜日

【20時間】機械学習を使えるようにする(AWS SageMaker)考え直し編


20時間でスキル取得、を見てからのチャレンジ 3回目 

とりあえずSageMakerについては、ここをみつけ、かなり概要がつかめました。

まず、機械学習をさせるためには、大きく分けて3つの作業があります。

1.学習データの準備
2.機械学習のコードの作成
3.実行環境に1.2.を入れて学習させる

1.2.3.を1回行うのに普通かなり時間がかかり、
本来は1.2.3.を何度も繰り返し試行錯誤して、より良い学習結果を出したい。
しかし、データ準備に時間が掛かったり、マシンスペックが低くて学習に時間がかかったり、環境構築に時間が掛かったりとかなり時間がかかる

そこでSageMakerはこの1から3のサイクルを高速にまわせるよう、色々準備してくれています。

ちょっと脱線しますが、よくある機械学習(画像認識 音声認識 音声処理 テキスト処理 チャットボット 時系列データ予測 レコメンデーション)は、別に「AIサービス」として、それぞれ別サービスが用意されており、特別なプログラミングは必要なく、機械学習のスキルなしに利用できる環境があります。

SageMakerは「MLサービス」で、上記AIサービスには当てはまらない、やりたいことがあるとき、自分で独自に機械学習させ、最適な学習結果を得たいときに利用します。

今回やろうとしているまるばつゲームは、AIサービスには提供されていないものなので、MLサービスであるSageMakerが必要です。AIサービスに用意してくれればよかった。。。

さて、今ぶつかっている課題としては、
今回必要なデータの具体的なイメージが思い浮かびません。

なぜか。

機械学習の経験が無いから。

SageMakerは、既存の機械学習環境を、より簡単に出来るようにしたもの。
機械学習自体が初めての人には、そのメリットが分からない。

いきなり機械学習初心者が使おうとしても、そのルートについては、依然として簡単になっていない。

すでに着手から3~4時間は費やしています。
スキル分解は20時間にカウントしないのでしょうか。。。

どうするか。
1 機械学習を一から学ぶ
2 SageMakerを使ったサンプルを実際に見て、いじって学ぶ

2.もできるかもしれませんが、いたずらに時間を消費する可能性があります。

よって1!

スキル分解は、いまやりたいことが大きすぎると、分解して内容把握するだけでも

かなり時間がかかります。

20時間では難しい。。。

ということで、20時間でスキル取得は、分解し終わってからの時間をカウントすることにします。。。

ジョシュ・カウフマンさん。これでよいですか^^;


2019年10月2日水曜日

【20時間】機械学習を使えるようにする(AWS SageMaker)スキル分解編



前回からの続きです。

やりたいこと、得たいスキルを分解しなければいけません。

でもイメージがわかない。

こちらで日本語訳がありましたので、参考にさせていただきます。

1つ目は、スキルを分解することです。何が出来るようになりたいかを正確に見極めて、そのスキルを検討し、小さい部分に分解するのです。私たちが一つのスキルと考えているものは、実際は大きなスキルのかたまりで、それには実に様々な要素が含まれます。
スキルをバラバラに分解すればするほど、実際に自分のしたいことを実現するのに役立つのはスキルのどの部分なのか、を見極められるようになるのです。それをまず練習するのです。もっとも大事なことから練習すれば、必要最小限度の時間で成績を伸ばすことができるようになるでしょう。

なるほど。特にSageMakerは大きなスキルのかたまりで、それには実に様々な要素が含まれていそうです。

今回の私のケースでやってみよう。機械学習で必要なスキルは、、、
・SageMaker
・まるばつゲーム

、、、全然分解できてません!

まあ、まるばつゲームは自明なので、SageMakerをどう使うかを調べてみます。 

amazonの本サイトからが間違いないでしょう。

完全マネージド型の機械学習サービス?
Jupyterオーサリングノートブックインスタンス?
よくわからない用語が出てくるが仕方がない。
いずれ分かると考え次へ。

1 サンプルデータを用意
2 モデルをトレーニング
3 モデルをデプロイする

サンプルデータってどうやって用意する?
まるばつゲームであれば、対戦中のまるばつの位置?

データセットをモデルのトレーニングに使用する前に、データ科学者は通常、それを確認して前処理します。
この辺りからから分からなくなってくるな、、、。
一般的に利用されている手書き番号のデータセットである MNIST データセットをモデルのトレーニングのために使用します。
MNISTデータセット、、、
ムニスト?

少し脱線して、MNISTデータセットについて調べる

これが分かりやすかった。
0から9までを機械学習させる元データか。

今作りたいのはまるばつゲームなので、MNISTは使わないんだけどな。。。


トレーニングジョブが大事そう。

トレーニングジョブを作成すると、Amazon SageMaker は ML コンピューティングインスタンスを起動し、トレーニングコードとトレーニングデータセットを使用してモデルをトレーニングします
図が出てきたので全体の流れをこれでつかんでみる。


もうトレーニングの話が終わってしまった。。。
トレーニングし終わったデータをつかって、デプロイすると予測ができる。。のかな


デプロイメントは、3 つのステップを踏むらしい。
1.Amazon SageMaker でモデルを作成する
2.HTTPS エンドポイントのエンドポイント構成を作成する
3.HTTPS エンドポイントの作成
頭に入らなくなってきた。。。。
一旦気にせず次へ。。。

なるほど
S3にあるデータセットをagentに入れると、Modelに入れて、その結果が返ってくるので、それをS3にアップする。

機械学習モデルを検証する
「機械学習モデル」は様々なものを作り、一番良い物は何かを考えるのか。
・・・・「機械学習モデル」がわかるようでわからない。。。
機械学習のモデル
教師あり学習
教師無し学習
強化学習
の3つのことか!
IBMのサイトは見やすい。良い発見だった。

オフラインテストとオンラインテストがあるみたいですが、よくわからないな。。。
一旦飛ばそう。

Amazon SageMaker プログラミングモデル
pythonで書くのかと思っていたら、コンソールやJupyterノートブックのサンプルを使い、コードを書かなくてもやれるらしい。
凝ったことをやるとpythonだろうが、それまではコーディング無しで進めて
スピードを重視したい。

これくらいで1時間かな。
まだドキュメントはありそうだ。
分解結構大変だぞ。カウフマンさん!


2019年10月1日火曜日

【20時間】機械学習を使えるようにする(AWS SageMaker)準備編



以前のブログで、新しいスキルを会得するのに必要な時間は「20時間」ということを書き、実際に試してみたくなりました。

私がやりたかったことは
「機械学習」「AWS」
です。

機械学習自体は、PoseNetの記事のように、すでに一部の機能は利用していたのですが、実際に学習させて、賢くなる、強くなるところを見ていたい。作りたいと思っていました。

20時間でやるために計画を立てたいと思います。 

まず20時間でスキルを得るための復習を。

1.スキルを分解する
 -自分の目標部分を最初に練習する

2.自己修正できるほど学ぶ
 -情報源を3〜5個入手する
 -練習しながら自己修正していく

3.練習の邪魔になるものは取り除く
 -テレビ・インターネットは見ない

4.少なくとも20時間は練習する



テーマもあったほうがいいですね。

ウクレレではなく、、、
なるべく簡単な対戦ゲームをつくったほうがよいだろう。
まるばつゲームをAIでつくってみたいと思います。

こんな感じでいけるかな、、、

全体的な流れとしては、以下を想定しています。


機械学習に使えるawsサービスの選定
※そもそもあるか?

サービスの使い方を知る
※awsの公式ドキュメントと技術系サイト日英1つずつ

前例と同じことする
※やってる最中に気づいた点を記録する

前例を見ずに作る
※自己修正できるか

負けようとするAIを作る
※応用できるか

仕事に活用できないか考える
※仕事のため

ちゃんと20時間で終わるか、、、

次はスキルの分解へ。。。

2019年6月22日土曜日

自宅PCによるかけっこ分析(PoseNet)は何を使えばよいか考える

我が子の運動会があったのですが、かけっこ競争でより上位になるため、短期のかけっこ教室に行きました。

そこの先生は教え方も分かりやすく、自宅でその通りに練習したら、去年よりも上位に入ることができました。

それ自体はとてもよいことなのですが、自宅での練習方法に改善の余地がありました。

例えば、走る際に、かかとはお尻まで付けるように振り上げるようにしているのですが、我が子本人はやっていると思っても、実際私が見ていると振り上げが足りない。

本人に分かるよう、動画撮影して、本人に見せる、という形式でフィードバックし、フォームを改善していき、なんとか本番では去年より順位は上がりました。

それ自体は良かったのですが、練習方法がアナログというか、もうすこし科学的に、客観的に出来ないか、考えていました。

理想のフォームからどれくらいの差があるのか
これを数値化したい!

色々探すと、どうも私がやりたいことは、姿勢推定モデルとか、Pose Estimation (骨格検出)が関係しそう
これができるの、、、で見つけたのが以下

 非商用であれば無償
 スポーツ分野で使うのはまずい
 精度高い コンテストでも優勝
 いろんなツールを使用し高マシンスペックも要求

 無償
 軽量 ブラウザでも動く

このPCのスペックは。。。Intel Atom x5-Z8350 1.44Ghz

→PoseNet にします。

次回から具体的なシステム構築をしていきたいと思います。

2019年6月21日金曜日

モーツァルト新曲をAIで作ることの意味

開成高校の生徒とプロクリエイターの協業で行われた以下の試み


「このプロジェクトを通して、若者にテクノロジーを正しく理解してほしい」

この心意気も素晴らしい。

私自身も、子供に「AI」と呼ばれてゆくものについて、理解し、活用してもらいたいと思い、いろいろ調べているので、参考になる試みでした。

「モーツァルトらしい楽曲の特徴を捉えた新曲」と銘打っているので

プロジェクトの皆さんはご存じの上で作曲されていると思いますが

タイトルだけご覧になった方が誤解するかな、と思いました。

今回作られた曲は、モーツァルト本人は決して作らないでしょう。

■当時ならではのインプットがもう無い

モーツァルトはパトロンになかなか巡り会えなかったため、お金に苦労して、それを解決するため、懸命になっていました。


また、3日後に演奏会を開いて新作交響曲を披露しないといけない、などの制約条件もあり、そのときにできあがるものは多種多様になります。
今回作成された曲は、そのような背景、インプットが無いです。何のために作らあくまでモーツァルト「っぽい」の曲になります。

■最終的なモーツァルト自身の判断が無い

恐らく過去の曲を学習データとして利用していると思いますが、

それらのデータをどう学習するかによって、アウトプットは千差万別です。
良いと思う曲もあれば、よくわからない曲も出来ると思います。
そんなとき、重要なのは、なにを採用するか、です。
モーツァルト自身も、作曲するなかで、幾つものパターンが思い浮かんだと思います。その中で最適と思われるものを、当時の自分の感性で組み上げたものと思われます。
今回の高校生たちも、幾つかの曲を「AI 」によって作成されたと思いますが、

そのいくつかの曲の中で、何が良いのか、を選ぶ必要があり、

最終的には人の判断が必要になります。

何を判断の基準にしたのでしょうか。

今回選びあげた曲は、他の曲と比べて、なにを基準に「良い」として選んだのでしょう。

決してモーツァルトを超える曲は作れません。

以前の記事で取り上げましたが
AIを「Artificial Intelligence」ではなく、人間の知性を拡張する「Augmented Intelligence」すなわち「拡張知能」と呼ぶべき
ということで、高校生たちが、モーツァルトの力を借りて、素晴らしい曲を作り上げる、そのために今回の技術を使えたのであれば、今回のプロジェクトは成功といえるでしょう。

囲碁や将棋のように「勝つ」ためのAIは、その効果が一目瞭然で、機械に軍配があがりますが

今回の様に「良い物を作る」となると、人間とAIの協業作業が必須です。

まとめ

今回の高校生たちの試みは、「機会学習の活用」という意味で有意義と思います。

今後も若い世代が積極的に「AI」を使って、「AI」を活用できればよいですね。


気になったこと

、、、文学だったら、シェークスピアの文章を学ばせて、「AI」で「シェークスピアっぽい作品」ができたら、面白いでしょうか。。。。そのままだと面白くない気がします。

しかし、プロの作家が、自動生成された文章をもとに、文章を作り上げた、とするとみてみたい気がします。

2019年6月15日土曜日

機会学習とディープラーニングとAI

機会学習とディープラーニングとAIの違いは?

我が子からもし聞かれたらちゃんと答えられるか、、、

不安になりましたので調べることにしました。


https://trend.nikkeibp.co.jp/atcl/contents/18/00163/00001/

親しみやすそうな博士と助手が出てきて導入としては良さそう。

しかし会員登録が必要

無料の会員登録も可能なのですが、あまりいろんなところに会員登録してると、自分で管理できなくなりそう。もし会員登録済みの方であれば良いサイトだと思います。


https://markezine.jp/article/detail/29471

マーケティングでもAIというキーワードが重要になってきている。

学術的な意味ではなく、本当に使う立場から考えた、AI、 機会学習、ディープラーニングの整理は良かったです。

途中に出てくる図を見るだけでも一見の価値あり。
しかし

ここも会員登録が必要


みんな余程会員登録させたいらしい。
こうなったら意地でも会員登録登録不要の情報を入手してやる!

https://blogs.nvidia.co.jp/2016/08/09/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/

天下のnvidiaさんのHP。ディープラーニングでGPUの需要が上がってから、鰻登りの成長です。

会員登録も不要!

、、、

少し難しいです。nvidiaさん。

この内容でいける人は最高のソースだと思います。


https://innovation.mufg.jp/detail/id=93

東京三菱UFJ銀行が!?と思ったら、その傘下の研究機関かな。

「機械学習」と「ディープラーニング」については、AIの仕組みではあるものの、機能強化の自動化を推し進めているという違いがあるといえる。特に、分析の対象を区別する際に「目の付けどころ(「特徴量」という)」を自動的に見つけ出す点で、進化していると言えるだろう。

また良いサイト見つけたら更新したいとおもいます。

2019年6月12日水曜日

機会学習の天才少年の凄さと危うさ


インドの天才少年、タンメイ君がカンファレンスで講演した。

機械学習で「地動説」は生まれない。天才少年が「AIは存在しない」と主張する理由

若干15歳で、IBMチャンピオン(IBMのテクニカルコミュニティに優れた貢献をしてきた人)として世界を飛び回っているらしい。

レベルが違う!

こどもにAIや機械学習を教える際に、良い刺激になりそう。

そしてAIの再定義

AIを「Artificial Intelligence」ではなく、人間の知性を拡張する「Augmented Intelligence」すなわち「拡張知能」と呼ぶべきだ、と語った

拡張知能の概念は、少し前からあった。

さらばAI、これからは「拡張知能」と呼ぶ時代がやってくる

この語り口だと、自力でたどり着いたのかも。

しかし、大分機械学習は万能感がある内容ですね。

機械学習も一つ使い方を間違えると、イノベーションを阻害するかもしれないと感じたのでちょっとメモ程度にまとめてみます。

例えば、星や惑星の軌跡を予想する機械学習を作ったと考えてみましょう。

今までの大量の星や惑星の移動データがあれば、過去のデータから位置が「予測」できるはず

機械学習では、天動説も地動説も考えることなく、ただ単純にデータだけを見て、過去との比較で「正解」と思わしきものが出てくる。

人間にとってみれば、「正解」が出てきさえすれば、とりあえず問題は解決するでしょう。

問題とは何か。

以下のサイトが、天文学の歴史を分かり易くまとめていたのでご紹介します。

なぜ「天動説」でなく「地動説」なのか?文系でもわかる天文学の歴史

15世紀ごろには、年月が経ったことと、観測技術が向上したことで、プトレマイオスの天動説もこまかなズレが生じるようになりました。
これは占星術師にとって、また暦をつくる人にとって、そして大航海時代に星の位置だけをたよりに海をわたる人にとって、大問題でした。
天動説をもとにした計算だと、実際とずれてしまっていたようですね。

でも機械学習で頑張れば、大問題も解決!

。。。何かおかしいですね。

機械学習で行うことは、(実施する時点でその時代や人が)法則性が見えないものを、機械で過去データをもとに「確からしい」答えを出すことであって、本来正しい計算式がわかれば、機械学習は使う必要がないはずです。

大航海時代にもし機械学習があったとすると、天動説がだめだと分かった時点で、「法則がわからないから機械学習で対策だ」ということで、問題が解決してしまったとしたら。。。

永遠に「地動説」は生まれないとしたら。。。

機械学習万能説も、実は、本当の計算式があるはずなのに、それを見つける動機を無くす要因になってしまうかもしれません。

また、機械学習に読み込ませるデータ自体の質も、気を付けないといけません。

収斂進化という言葉は聞いたことがあるでしょうか。

別な動物だけど、進化するなかで、同じような姿・特徴がでてきた生物のことです。

そっくりだけど別の動物! 収斂進化した動物たちのまとめ

たとえば、以下の4つの動物を例に考えてみましょう。
・アナグマ
・タヌキ
・アライグマ
・ハクビシン

このうち、生物の研究で「タヌキ」だけが、まだ研究途中で「アライグマ」と同じと思われていたとしましょう。
・アナグマ
・アライグマ(タヌキ)
・ハクビシン

3種類を識別するための機械学習を開始します。画像は4つの動物で学習させてますが、タヌキをアライグマとして学習させます。

恐らく、アナグマとハクビシンは正解率が高く学習できて問題ないと思いますが、アライグマとタヌキはどうなるでしょう。

なにしろ、違うものと「同じ」として学習させています。

ここでは2つの問題が発生します。

1.正解率が悪い場合
大多数の人はこう考えるでしょう

「学習データが足りない、もしくは良くない。もっとデータを集めないと」


2.正解率が良い場合
大多数の人はこう考えるでしょう

やった、アライグマを判別できた

実際はタヌキを「アライグマ」として判別しているので、正確には「誤り」です


本来は「データの中に別なものがあるかもしれないから、データ自体を見直そう」が正しいアプローチですが、これを行うには生物学の知識が必要で、一般の人には対応できません。


タンメイ君が、最後のほうで、レット症候群を患う「ブー」という名の女性について、心音による機械学習で、「ブー」が何を考えているのかを当てようとしている話が出てきます。

唯一母親だけがブーの身振りなどから、彼女の言わんとすることを理解できたからだ。


ということで、正解は母親の言葉のみ。

母親は「ブー」のことをどれほどわかっているのか。もちろん嘘は言わないと思いますが、「ブー」の遠慮や母親の「誤解」で、正解が出せてないケースがないか。。。不安になりました。