2018年のAI技術トレンドトップ10、AIの進歩が未来に与える大きな影響

将来に大きな影響を与える人工知能の進歩について学びましょう。

人工知能が最前線に立っており、企業や政府のリーダーたちは適切な対応を考えています。しかし、研究室では何が起こるのでしょうか?研究室では、学術研究者や企業の研究者による発見が、今後 1 年以降の AI の方向性を決定することになります。弊社の研究チームは PwC の AI アクセラレータから発足し、技術者とビジネスリーダーの両方が注視すべき最先端の開発に重点を置いています。以下に、それらが何であるか、そしてなぜ重要であるかを説明します。ここでは、ビジネスにおける最新の AI トレンドもご覧いただけます。

1. ディープラーニング理論：ニューラルネットワークの仕組みの謎を解明

概要: 人間の脳をモデルにしたディープ ニューラル ネットワークは、画像、音声、テキスト データから「学習」する能力があることが実証されています。しかし、10 年以上使用されてきたにもかかわらず、ニューラル ネットワークがどのように学習し、なぜ優れたパフォーマンスを発揮するのかなど、ディープラーニングについては不明な点がまだたくさんあります。情報ボトルネックの原理をディープラーニングに適用する新しい理論のおかげで、状況は変わりつつあるかもしれない。本質的には、初期のフィッティング段階の後、ディープ ニューラル ネットワークは、データが表す内容に関する情報を保持しながら、ノイズの多いデータ (つまり、多くの無意味な追加情報を含むデータセット) を「忘れて」圧縮することを示しています。

重要性: ディープラーニングの仕組みを正確に理解することで、ディープラーニングのさらなる開発と活用が可能になります。たとえば、安全性が重要視されるアプリケーションや規制上のアプリケーションの透明性を高めながら、プライベート ネットワークの設計とアーキテクチャの選択に関する洞察を提供できます。この理論を探求することで、より多くの結果が得られ、他の種類のディープ ニューラル ネットワークやディープ ニューラル ネットワークの設計に適用できるようになると期待されます。

2. カプセルネットワーク：脳の視覚処理能力を模倣する

概要: カプセル ネットワークは、脳と同様に視覚情報を処理する新しいタイプのディープ ニューラル ネットワークであり、階層的な関係を維持できます。これは、最も広く使用されているニューラル ネットワークの 1 つである畳み込みニューラル ネットワークとはまったく対照的です。畳み込みニューラル ネットワークでは、単純なオブジェクトと複雑なオブジェクト間の重要な空間階層を考慮できず、誤分類と高いエラー率が発生します。

重要な理由: 一般的な認識タスクの場合、カプセル ネットワークはエラーを 50% 削減することで、より高い精度を実現します。また、モデルをトレーニングするのに多くのデータも必要ありません。多くの問題領域とディープ ニューラル ネットワーク アーキテクチャにわたって、カプセル ネットワークが広く適用されることが期待されます。

3. 深層強化学習: 環境と対話してビジネス上の問題を解決する

概要: 観察、アクション、報酬を通じて環境と対話することで学習するニューラル ネットワーク。深層強化学習 (DRL) は、人間のチャンピオンに勝利した有名な AlphaGo プログラムを含む、Atari や囲碁などのゲームの戦略を学習するために使用されてきました。

重要である理由: DRL はすべての学習手法の中で最も一般的なため、ほとんどのビジネス アプリケーションに適用できます。他の手法に比べて、モデルのトレーニングに必要なデータが少なくなります。さらに注目すべきは、シミュレーションによってトレーニングできるため、ラベル付きデータがまったく必要なくなることです。これらの利点を考慮すると、来年には DRL とエージェントベースのシミュレーションを組み合わせたビジネス アプリケーションがさらに増えると予想されます。

4. 生成的敵対ネットワーク: ニューラルネットワークを組み合わせて学習を促進し、処理負荷を軽減する

概要: 敵対的生成ネットワーク (GAN) は、互いに競合する 2 つのニューラル ネットワークとして実装された、教師なしのディープラーニング システムです。 1 つのネットワーク (ジェネレーター) は、実際のデータセットと同一の偽のデータを作成します。 2 番目のネットワークである識別子は、実際のデータと合成データの両方を受信します。時間が経つにつれて、各ネットワークは改善され、ペアで特定のデータセットの分布全体を学習できるようになります。

重要である理由: GAN は、ラベル付きデータが存在しない、または取得するにはコストがかかりすぎる、より広範囲の教師なしタスクに対するディープラーニングへの扉を開きます。また、2 つのネットワークが負荷を分散するため、ディープ ニューラル ネットワークに必要な負荷も軽減されます。ネットワーク検出などの商用アプリケーションで GAN が採用されることが期待されています。

5. リーンおよび拡張データ学習: ラベル付きデータの課題を解決する

概要: 機械学習 (特にディープラーニング) における最大の課題は、システムをトレーニングするために大量のラベル付きデータを提供することです。この問題に対処するには、(1) 新しいデータを合成すること、(2) あるタスクまたはドメイン用にトレーニングされたモデルを別のタスクまたはドメインに転送することという 2 つの広範な手法が役立ちます。転移学習（学習した洞察をあるタスク/ドメインから別のタスク/ドメインに転送する）やワンショット学習（学習の対象となる関連する例が 1 つしかないかまったくない単一のインスタンスに学習を転送する）などの手法は、「データに依存する」学習手法になります。同様に、シミュレーションや補間を通じて新しいデータを合成すると、より多くのデータを取得できるため、既存のデータを拡張して学習を改善できます。

重要性: これらの手法を使用すると、特に履歴データがほとんどないさまざまな問題を解決できます。よりスリムで拡張されたデータ、そして幅広いビジネス上の問題に適用されるさまざまな種類の学習が見られるようになると予想されます。

6. 確率的プログラミング: モデル開発を簡素化する言語

概要: 開発者が確率モデルを設計し、それらのモデルを自動的に「解決」することを容易にする高水準プログラミング言語です。確率的プログラミング言語は、モデルライブラリの再利用、インタラクティブなモデリングと形式検証のサポートを可能にし、一般的なモデルのクラスで一般的かつ効率的な推論を促進するために必要な抽象化レイヤーを提供します。

重要である理由: 確率的プログラミング言語は、ビジネス分野でよくある不確実性や不完全な情報に対応できます。これらの言語は今後さらに広く採用され、ディープラーニングにも応用されることが期待されます。

7. ハイブリッド学習モデル: モデルの不確実性に対する組み合わせアプローチ

概要: GAN や DRL などのさまざまな種類のディープ ニューラル ネットワークは、パフォーマンスの面で大きな期待が寄せられており、さまざまな種類のデータで広く使用されてきました。ただし、ディープラーニング モデルは、不確実性をモデル化するベイズ的、つまり確率的なアプローチではありません。ハイブリッド学習モデルは、これら 2 つのアプローチを組み合わせて、それぞれの長所を活用します。ハイブリッド モデルの例としては、ベイジアン ディープラーニング、ベイジアン GAN、ベイジアン条件付き GAN などがあります。

重要性: ハイブリッド学習モデルにより、ビジネス問題の多様性を、不確実性を取り入れたディープラーニングに拡張することが可能になります。これにより、パフォーマンスとモデルの解釈可能性が向上し、より広範な採用が促進されます。より多くのディープラーニング手法がベイズ等価性を獲得し、確率的プログラミング言語のポートフォリオにディープラーニングが組み込まれ始めることが予想されます。

8. 自動機械学習（AutoML）：プログラミングなしでモデルを作成

概要: 機械学習モデルの開発には、データの準備、機能の選択、モデルまたはテクノロジの選択、トレーニング、チューニングなど、時間のかかる専門家主導のワークフローが必要です。 AutoML は、さまざまな統計およびディープラーニング技術を使用してこのワークフローを自動化することを目的としています。

重要性: AutoML は AI ツールの民主化の一環であり、ビジネス ユーザーが深いプログラミングの知識がなくても機械学習モデルを開発できるようにします。また、データ サイエンティストがモデルを作成するのにかかる時間も短縮されます。今後、商用 AutoML パッケージが増え、AutoML が大規模な機械学習プラットフォームに統合されることが予想されます。

9. デジタルツイン：産業用アプリケーションにおける仮想コピーを超えて

概要: デジタル ツインは、物理的または心理的システムの詳細な分析と監視を容易にするために使用される仮想モデルです。デジタル ツインの概念は産業界で生まれ、風車、農場、産業システムなどを分析および監視するために使用されます。現在、エージェントベースモデリング（自律エージェントのアクションと相互作用をシミュレートするために使用される計算モデル）とシステムダイナミクス（コンピューター支援戦略分析および設計方法）を使用して、デジタルツインは顧客行動の予測を含む非物理的なオブジェクトとプロセスに適用されています。

重要性: デジタル ツインは、IoT システムを予測的に診断および保守する方法を提供することで、モノのインターネット (IoT) の成長と広範な導入を促進するのに役立ちます。今後は、物理システムと消費者の選択モデルの両方でデジタルツインの利用が拡大するでしょう。

10. 説明可能なAI: ブラックボックスを理解する

概要: 現在、さまざまなアプリケーションで意味を理解し、考え、行動する機械学習アルゴリズムが数多く使用されています。しかし、これらのアルゴリズムの多くは、結果に到達する方法についてほとんど情報を提供しない「ブラックボックス」であると考えられています。説明可能な AI とは、予測精度を維持しながら、より解釈しやすいモデルを生成する機械学習技術を開発する動きです。

重要である理由: 説明可能、証明可能、透明性のある AI は、テクノロジーへの信頼を構築する上で重要であり、機械学習技術のより広範な採用を促進します。企業は、AI の広範な導入を開始する前に、説明可能な AI を要件またはベスト プラクティスとして採用し、政府は将来、説明可能な AI を規制要件にする可能性があります。