ディープラーニングが従来の方法ほど効果的ではない典型的な事例にはどのようなものがありますか?

この記事は、Heart of Autonomous Driving の公開アカウントから許可を得て転載したものです。転載については出典元にお問い合わせください。

最先端の科学技術分野の一つであるディープラーニングは、一般的に技術の進歩を牽引しています。しかし、ディープラーニングの効果が従来の方法ほど良くないケースもあるのでしょうか?この記事では、この質問に対する Zhihu からの質の高い回答をいくつかまとめています。

質問リンク: https://www.zhihu.com/question/451498156

# 1つ答えてください

著者: Julegezi

ソースリンク: https://www.zhihu.com/question/451498156/answer/1802577845

説明可能性が求められる分野では、基本的なディープラーニングは従来の方法とは比較になりません。私はここ数年、リスク管理/マネーロンダリング対策製品に取り組んできましたが、規制当局は私たちの決定が説明可能であることを要求しています。ディープラーニングを試してみましたが、説明可能にするのは難しく、結果はあまり良くありませんでした。リスク管理のシナリオでは、データのクリーニングが非常に重要です。そうしないと、ゴミを入れればゴミが出るだけになります。

上記を書いているときに、2年前に読んだ記事を思い出しました。「必要なのはML/AIではなくSQLです」

https://news.ycombinator.com/item?id=17433752

著者は、ナイジェリア最大の電子商取引ウェブサイトの 1 つである Konga で働くナイジェリアのソフトウェア エンジニア、Celestine Omin 氏です。精密マーケティングと古いユーザー向けのパーソナライズされた推奨事項が、AI の最も一般的に使用される分野の 1 つであることは、誰もが知っています。他の人がディープラーニングを使用してレコメンデーションを行っているのに対し、彼の方法は非常に単純に思えます。彼は単にデータベースを調べ、3 か月間ログインしていないユーザーをすべて除外し、彼らにクーポンを配布したのです。また、ユーザーのショッピングカート内のアイテムリストを実行し、これらの人気アイテムに基づいて推奨する関連アイテムを決定します。

その結果、彼のシンプルな SQL ベースのパーソナライズされた推奨事項は、ほとんどのマーケティング メールで 7 ～ 10% の開封率を達成し、うまく実行された場合は、開封率が 25 ～ 30% 近くになり、業界平均の 3 倍になります。

もちろん、この例は、推奨アルゴリズムが役に立たず、誰もが SQL を使用する必要があると言っているのではなく、ディープラーニングを適用する際には、コストや適用シナリオなどの制約を考慮する必要があると言っているのです。前回の回答（アルゴリズムエンジニアの実装能力とは具体的に何を指すのでしょうか？）では、アルゴリズムを実装する際には実用的な制約を考慮する必要があると述べました。

https://news.ycombinator.com/item?id=17433752

しかし、ナイジェリアの電子商取引環境は依然として非常に遅れており、物流が追いついていません。たとえディープラーニングの手法を使って成果を向上させたとしても、実際には企業全体の利益にそれほど大きな影響は与えないでしょう。

したがって、アルゴリズムはローカル条件に応じて実装する必要があります。そうしないと、「扇風機が石鹸箱を吹き飛ばす」状況が再び発生します。

ある大企業が石鹸の包装生産ラインを導入しましたが、この生産ラインには欠陥があり、箱の中に石鹸が入っていないことがよくありました。空き箱をそのまま顧客に販売することはできなかったため、自動化分野の博士課程の学生を雇い、空き石鹸箱を仕分けるソリューションを設計してもらいました。
博士研究員は十数人からなる科学研究チームを編成し、機械、マイクロエレクトロニクス、自動化、X線検出などの技術を組み合わせ、90万人民元を費やして、問題解決に成功した。空の石鹸箱が生産ラインを通過するたびに、両側の検出器がそれを検出し、ロボットを動かして空の石鹸箱を押し出します。
中国南部の郷鎮企業も同じ生産ラインを購入した。社長はこの問題を発見すると激怒し、従業員を呼んで「これを直してくれないと、出て行ってしまうぞ」と言った。従業員はすぐに解決策を思いついた。190元をかけて生産ラインの横に強力な扇風機を設置したところ、空の石鹸箱が吹き飛ばされた。

（冗談ですが）

ディープラーニングはハンマーであり、世の中にあるものすべてが釘であるわけではありません。

# 回答2

著者: モ・シャオ・フーリエ

ソースリンク: https://www.zhihu.com/question/451498156/answer/1802730183

一般的なシナリオは 2 つあります。

1. 説明可能性のシナリオを追求する。

ディープラーニングは分類や回帰の問題を解決するのに非常に優れていますが、結果に影響を与えるものを説明するのが苦手です。次のシナリオのように、実際のビジネスシナリオで説明可能性に対する要件が高い場合、ディープラーニングは失敗することがよくあります。

2. 多様な運用最適化シナリオ

スケジュール、計画、割り当てなどの問題は、教師あり学習形式にうまく変換できないことが多いため、最適化アルゴリズムがよく使用されます。現在の研究では、問題をより適切に解決するために、ディープラーニング アルゴリズムが解決プロセスに統合されることがよくありますが、全体として、モデル自体はディープラーニングに基づいていません。

ディープラーニングは非常に優れたソリューションですが、唯一のソリューションではなく、実装に関してはまだ多くの問題が残っています。ディープラーニングが最適化アルゴリズムに統合された場合でも、ソリューションのコンポーネントとして非常に役立ちます。

結論は、

# 答え3

著者:LinT

ソースリンク: https://www.zhihu.com/question/451498156/answer/1802516688

この質問はシナリオによって異なります。ディープラーニングは特徴エンジニアリングの煩わしさを排除しますが、いくつかのシナリオでは適用が困難です。

1. アプリケーションではレイテンシに対する要件は高いものの、精度はそれほど高くありません。この場合、シンプルなモデルの方が適している可能性があります。
2. 表形式データなどの一部のデータ タイプは、ディープラーニング モデルよりもツリーベース モデルなどの統計学習モデルの方が適している場合があります。
3. モデルの決定は、安全性や経済的な意思決定など、大きな影響を与えるため、モデルは解釈可能でなければなりません。この場合、ディープラーニングよりも線形モデルまたはツリーベース モデルの方が適しています。
4. アプリケーションシナリオによってデータ収集の難易度が決まり、ディープラーニングの使用には過剰適合のリスクがある。

実際のアプリケーションはすべて需要から始まります。需要 (精度、レイテンシ、コンピューティング電力消費) を考慮せずにパフォーマンスについて語るのは非科学的です。質問の中の「圧倒的」をある指標に限定すると、議論の範囲が狭まる可能性があります。

オリジナルリンク: https://mp.weixin.qq.com/s/tO2OD772qCntNytwqPjUsA