人工知能の世界における機械学習とディープラーニング

人工知能（AI）はAIと略されます。 AI は、機械に知能を持たせ、人間のように特定の問題を解決する能力を与える科学的研究です。実際、AI は新しいものではありません。前世紀半ばにはすでに誕生していました。 1950年、マーヴィンという男がいました。ミンスキーの先輩や同級生たちは、人工知能の出発点とみなされる世界初のニューラルネットワークコンピュータを構築した。マーヴィンは後に「人工知能の父」と呼ばれるようになりました。それから70年近くが経ちました。近年のAI技術は、盛り上がりに欠けています。時折、魅力的な技術が登場しますが、すぐに消えてしまいます。最近まで、AIは人々の注目を集め、ほぼすべてのインターネット大手の支持を得てきました。彼らはAIを将来の技術開発の方向と見なし、その研究に多くの人材と資金を投入してきました。

[[229049]]

AIが今になって普及し始めたのには理由があります。コンピュータ技術が登場したばかりの70年前は、コンピューティング能力やセンサー技術が十分に発達していませんでした。AIの概念は進んでいたものの、それを実現するための条件が整っていませんでした。ご存知のとおり、機械が学習できるようにするには、大量の学習計算を実行する必要があります。習得したデータのルールを計算することで、次に何をすべきかを知ることができます。 70年前にはデータを識別し計算する能力は存在しなかったため、AI技術の研究は常に棚上げされてきました。しかし、今は違います。クラウドコンピューティング、仮想化、ビッグデータ技術の出現により、データ分析能力は非常に強力になりました。コンピューティング能力の向上と相まって、膨大なデータの計算が数秒以内に完了します。これはAIにとって良い成長環境を提供します。そのため、今、AIは普及しなければなりません。

AIは単なる技術的な概念であり、最終的には実現するためにはさまざまな特定の技術に依存しており、機械学習はその1つです。 ML はアルゴリズムを使用してデータを分析し、データから学習し、推論や予測を行います。 ML は大量のデータとアルゴリズムを使用して機械を「トレーニング」し、タスクを完了する方法を学習させます。たとえば、画像認識では、機械が物体を識別する精度は最初は比較的低く、機械のパフォーマンスは非常にランダムです。しかし、一定期間のトレーニングの後、機械に多くの画像を見せると、機械の画像認識精度は徐々に向上します。学習画像が一定数蓄積されると、ある動物の写真を撮ることができます。この画像は機械がこれまで見たことのない画像ですが、この画像を見せると、機械は過去の経験に基づいてそれがどの動物であるかを正確に識別できます。 ML の中心的な考え方は、固定された動作を持つのではなく、実行時にタスクの能力が向上するようにプログラムを設計することです。 ML にはさまざまな問題定義が含まれており、さまざまな分野のさまざまな問題を解決するためのさまざまなアルゴリズムが提供されています。ML はデータを使用して、単純なルールでは解決できない、または解決が難しい問題を解決します。検索エンジン、自動運転車、機械翻訳、医療診断、スパムフィルタリング、ゲームのプレイ、顔認識、データマッチング、信用格付け、画像へのフィルターの追加などで広く使用されています。

ディープラーニングはMLを実装するための技術であり、現在のAI技術で非常にホットなトピックです。2006年にHintonらによって提案され、ディープビリーフネットワークに基づく教師なし貪欲層ごとのトレーニングアルゴリズムを提案しました。 DL は、ディープ構造学習、階層学習、ディープ マシン ラーニングとも呼ばれ、アルゴリズムの集合です。 DLは、多層ニューラルネットワーク構造を用いて、コンピュータの計算に直接利用できる現実世界のさまざまな事物の表現をビッグデータから学習するものであり、知能機械の「脳構造」として考えられる。 DL自体はニューラルネットワークアルゴリズムの派生であり、画像や音声などのリッチメディアの分類・認識において非常に優れた成果を上げているため、大手研究機関や企業が関連する研究開発に多大な人材を投入しています。 DL の焦点は、モデルをいかに迅速にトレーニングするかです。 DL を通じて、マシンは大量のデータを処理し、複雑なパターンを識別し、深い洞察を得ることができます。 DL の有名な技術フレームワークには、Google の tensorflow、Microsoft の CNTK、Theano、Berkeley の caffe、Python の scikit-learn などがあります。AlphaGo は TensorFlow を使用した優れた作品です。AlphaGo は Lee Sedol を完膚なきまでに打ち負かし、DL を普及させました。日々のプッシュニュースやショッピング情報などの一部はDLでご覧いただけます。 DL がこれほど人気が​​ある主な理由は、その精度です。DL モデルは最高の精度を達成することができ、時には人間のパフォーマンスを超えることもあります。そのため、人間は恐怖を感じ、将来 DL によって作成されたロボットに人間が敗北し、破壊されるのではないかと考えます。もしそうだとしたら、人類は本当に自ら足を撃っていることになる。実は、このように考える人は心配しすぎです。DL の学習能力は確かに人間の脳の能力を超えているかもしれませんが、学習能力はすべて人間が与えたものであり、当然それを制御する手段もあります。

ML と DL はどちらも AI の特定の技術的実装形式ですが、両者の間には明らかな違いがあります。 DL は ML の技術の 1 つです。ML には DL が含まれますが、DL 技術は ML よりも優れています。ML は、決定木、ベイズ、サポート ベクター マシンなどのアルゴリズムや、ニューラル ネットワーク アルゴリズムを含む、より一般的な技術です。 DL ディープ ニューラル ネットワークは、ディープ畳み込みネットワーク、ディープ再帰ネットワーク、再帰ネットワークなどを含むディープ ニューラル ネットワーク アルゴリズム テクノロジです。 MLとDLはどちらもモデルのトレーニングとデータの分類の方法を提供していますが、MLでは機械学習モデルをトレーニングするために画像の関連特徴を手動で選択する必要がありますが、DLは画像から関連特徴を自動的に抽出できます。ネットワークに生データと分類などのタスクを与え、自動的に完了させるエンドツーエンドの学習方法です。高性能なGPUとラベル付きデータがない場合、MLとDLの方が有利です。これは、DL が通常複雑であり、画像の場合は信頼できる結果を得るために何千もの画像が必要になる可能性があるためです。高性能 GPU だけが高速コンピューティングを実現し、すべての画像のモデリングと分析にかかる時間を短縮できます。DL ではより多くの計算が必要です。ML は手動で設計された特徴によって学習効果を決定しますが、特徴エンジニアリングは非常に面倒です。一方、DL はビッグデータから特徴を自動的に学習できます。問題を解決するとき、ML は問題を複数のサブ問題に分割して 1 つずつ解決し、最後にすべてのサブ問題の結果を組み合わせて最終結果を取得します。一方、DL は直接的なエンドツーエンドの問題解決を提唱しています。 ML は、次元が低く、解釈可能性の高いタスクの分析に適しています。 DL は高次元データの分析に優れています。例えば、画像と音声では、両者の応用分野は異なります。

MLとDLはAI分野で最も先進的な技術であり、特にDLは今日のAI技術の発展方向を表しています。ますます多くの製品がDL技術を採用していますが、この2つは異なる分野で応用されています。データが少なく、計算能力が低い分野では、MLは依然としてその技術的優位性を発揮し続けることができ、2つの技術は長い間共存するでしょう。