AI = ニューラルネットワーク？これら 8 つのテクニックはそうではありません!

[[226709]]

ビッグデータ概要

翻訳者：Fu Yiyang、Ding Hui、Aileen

AIブームの中で、ニューラルネットワークに関する声が人気を集めています。しかし、AI はそれだけではありません。

現在、AI技術分野ではニューラルネットワークの研究に最も多くの投資が行われています。多くの人々の目には、ニューラル ネットワーク テクノロジーは「プログラムされた脳」のように見えます (ただし、この比喩は正確ではありません)。

ニューラル ネットワークの概念は 1940 年代に提案されましたが、現在に至るまで、ニューロンと脳の働きについてはほとんどわかっていません。近年、科学研究コミュニティはニューラル ネットワーク技術の革新を求めており、ニューラル ネットワークへの熱狂を再び呼び起こそうとしています...

実際、ニューラル ネットワークに加えて、AI 分野には、さらに多くの興味深く、斬新で、有望なテクノロジーが含まれており、この記事ではそれらを紹介します。

1. ノール抽出

Knol は情報単位、つまりキーワードや単語などを指します。Knol 抽出技術は、テキストから重要な情報を抽出するプロセスです。簡単な例を見てみましょう。たとえば、「名前の通り、タコには 8 本の足があります」という文は、抽出後、次のようになります: {“タコ”: {“足の数”: 8}}。

私たちがよく使う Google 検索エンジンはこの技術に依存しており、その後に導入された技術の多くにもこの技術が組み込まれています。

2. オントロジー構築

オントロジー構築は、ソフトウェアを使用してエンティティ名詞の階層構造を構築することを目的とした、NLP に基づく技術です。この技術は、AI 会話の実現に非常に役立ちます。オントロジーの構築は表面的には単純に見えますが、実際には構築するのは簡単ではありません。主な理由は、物事間の実際のつながりが私たちが考えるよりもはるかに複雑だからです。

たとえば、NLP を使用してテキストを分析し、一連のエンティティ関係を確立します。

例: 「私のラブラドールが子犬を何匹か産みました。子犬の父親はプードルなので、子犬たちはラブラドール・プードル（雑種犬）です」は、変換すると次のように変わります: {"子犬": {"might be":"ラブラドール・プードル","have":"father"},"Labrador": {"have":"子犬"}}。

しかし、人間が言語で表現する場合、通常はすべての関係を述べるわけではありません。たとえば、この文では、「私のラブラドールはメスです」という事実は推測することしかできません。これがオントロジー構築の難しさです。

そのため、オントロジー構築技術は現在、*** のチャットボットでのみ使用されています。

3. カスタムヒューリスティック

ヒューリスティックとは分類に使用されるルールであり、通常は「オブジェクトが赤の場合」や「ボブが家にいる場合」などの条件文で、多くの場合、次のようなアクションや決定が伴います。

何かの [“材料”] プロパティに要素 “ヒ素” が含まれている場合、その [“毒”] プロパティは “True” になります。

新しい情報ごとに、新しいヒューリスティックと新しい関係が生まれます。新しいヒューリスティックが確立されると、関連する名詞に対する新しい理解が生成されます。例えば：

• ヒューリスティック 1: 「子犬」は子犬 (赤ちゃん) を意味します。
• ヒューリスティック 2: 赤ちゃんは非常に幼いことを意味します。

上記の 2 つのヒューリスティックから、「子犬」はすべて非常に若いことが推測できます。

ヒューリスティックの難しいところは、ほとんどの場合、ルールが「If/Then」ほど単純ではないことです。 「金髪の人もいる」のような文は、経験的に表現するのが難しいです。そこで「認識論」が生まれます（下記参照）。

4. 認識論

認識論は、オントロジー構築とカスタム ヒューリスティックスの組み合わせであり、確率を使用して名詞が任意の属性に関連付けられる可能性を表す確率的機能が追加されます。たとえば、次のオントロジー構造を使用します。

 {'人物':{'性別':{'男性': 0.49、'女性': 0.51}、'民族':{'アジア人': 0.6、'アフリカ人': 0.14}}}

ある人の性別や人種についての判断を表明すること。同時に、確率は複数の意味を持つ「ハイブリッド」フレーズを識別するのに役立ちます。たとえば、「プルーンはホルモンを摂取したレーズンに似ている」という文では、「ホルモンを摂取した」というフレーズは「サイズが大きい」という意味である可能性が高いため、この文は「プルーンはレーズンよりもサイズが大きい」という意味である可能性が高いと結論付けることができます。

認識論の実現は存在論の構築よりもはるかに困難です。まず、より多くのデータが必要であり、構造が複雑なため、ルールを決定した後、検索を実現するためのデータベースを迅速に構築することが困難です。また、ルールの決定は通常、テキスト内で特定の事柄が言及される頻度に基づいていますが、テキストは実際の状況を正確に反映していない可能性があります。

この認識論は、アシモフが提唱した「テンソルフロー」理論と非常によく似ています。 Google が開発した同名の TensorFlow システムは実際にはテンソルに基づいていませんが、認識論はテンソルに基づいています。

5. 自動ゲージ技術

ルーブリック システムには、対応する評価基準が含まれている必要があります。家を購入するときには、家の大きさ、場所、価格、スタイルなど、考慮すべき要素があり、これらの要素がすべて好ましいとは限らないため、トレードオフを比較検討して決定を下す必要があることを想像してください。たとえば、家の価格よりも大きさを重視するなら、より大きな家を買うために数倍のお金を費やすでしょう。

自己評価手法は、各要素にどれだけの重要度を置くかに基づいて、各要素の重みを決定することにより、意思決定の推奨事項を提供します。このプロセスを通じて、在庫の変化を予測したり、商品を推奨したり、自動運転を実現したりすることも可能です。つまり、ニューラルネットワークで実現できる機能のほとんどが、自動キャリブレーション技術でも実行できるということです。トレーニングには時間がかかりますが、意思決定のスピードは桁違いに速くなります。

6. ベクトル差

ベクトル差分技術は画像解析でよく使用され、時間とともに変化するデータの処理にも使用できます。ターゲットの抽象ベクトル マップを構築することで、候補オブジェクトを識別対象のターゲット オブジェクトと比較し、「*** のデートの顔」なのか「*** の購入機会」なのかなどを判定します。

通常、対象オブジェクト間の違いには、違いの程度を測定する定量的な規則が伴います。特徴ベクトル化により、一部の「あいまいな」概念をシンプルかつ明確に表現できます。

例えば、人間の場合、一般的に左右対称の顔の方が魅力的だと考えていますが、コンピュータの場合、判断を下すには正確な計算が必要です。このとき、30 個の三角形を通して顔を抽象化することで、顔の完全な画像を通して計算や比較を行うよりも、計算時間とストレージ スペースを大幅に節約できます。

画像以外のデータの処理も可能です。例えば、株価の変動、一株当たり利益、利益率などです。これらのデータをベクトル化し、理想値と比較することで、投資の利益やリスクの度合いを判断することができます。

7. 行列畳み込み

畳み込み行列は、エッジ検出やコントラスト強調などの画像処理でよく使用されます。たとえば、PhotoShop の多くのフィルターは、畳み込み行列またはスタック畳み込み (特定の順序で実行される複数の畳み込み演算) に基づいています。

同時に、畳み込み行列は画像以外のデータの処理にも使用できます。たとえば、畳み込み行列を使用して時系列ベクトルを処理する場合、エッジ検出と同様にパターンをすばやく見つけ、最小値または最大値で特定の値または範囲を探して判断を下すことができます。

8. 多角的な視点に基づく意思決定システム

それは簡単に決断できることではありません。多角的意思決定システムは、より民主的な形で複数の視点から意思決定を行います。

たとえば、先ほどの家の例では、ある家に対するあなたの好みは不完全な要素に基づいている可能性があり、その後、「この家は崖の上に建てられている」という事実（もちろん、この圧倒的な要素は Knol 抽出から来ている可能性があります）により、これまでの良い印象がすべて排除され、再決定することになります。

したがって、より包括的な要素の考慮に基づいて決定を下す必要があり、多角的な視点に基づく意思決定システムでは、2 人の人物 (あなたと配偶者など) からの 2 セットの基準を使用して決定を測定できます。多角的視点に基づく意思決定システムは、例えば1万人の自動車所有者の意見を集めて新たな基準を策定するなど、自動運転の分野にも応用できる。

***で書かれた——スキルは多いほうが少ないよりも良いと信じる

多くの人は道具だけを見て、「私が持っているのはハンマーだけなので、すべてが釘だ」という落とし穴に陥ります。レコグナントのような企業は、ニューラルネットワークを適用しながら、これらの比較的人気のない技術も適用しています。結局のところ、ニューラルネットワークハードウェアシステムと比較すると、

これらのソフトウェア テクノロジの利点は、追加コストをかけずに、さまざまな状況に合わせていつでも調整および開発できることです。したがって、技術的な背景が狭いと、特定の状況に陥ってしまう可能性があり、技術的な背景が広いほど、問題を解決しやすくなります。

オリジナルリンク:

https://www.linkedin.com/pulse/8-ai-technologies-aint-neural-networks-brandon-wirtz/

[この記事は51CTOコラムBig Data Digest、WeChatパブリックアカウント「Big Data Digest（id: BigDataDigest）」のオリジナル翻訳です]

この著者の他の記事を読むにはここをクリックしてください