ビジネス界がディープラーニングの導入に消極的である4つの理由

[51CTO.com クイック翻訳] 過去数年間にわたり、多くの企業がデータ主導のアプローチを採用することによるメリットを享受してきました。 Data 2.0 戦略は、ディープラーニング、強化学習、ベイズ機械学習などの新しい AI 技術によって推進されます。

ディープラーニングは、機械翻訳、コンピュータービジョン、自然言語処理に関わる最先端の人工知能手法です。これらのテクノロジーを使用しないと、収益に影響が及び、エンドユーザー エクスペリエンスが制限される可能性があります。

ディープラーニング手法を使用することで、問題を包括的に解決できます。言い換えれば、問題を解決するために何が重要かを人間ではなくアルゴリズムに決めさせるのです。このアプローチにより、システムが簡素化され、データに基づいて意思決定を行うことができます。さらに重要なのは、人間が独自の偏見を持ち込む可能性を最小限に抑えることです。

1. ディープラーニングは奥が深いため、適切な人材を採用する必要があります。

ディープラーニングは、人工知能というより広範な分野のサブフィールドです。

ディープラーニングは広範囲にわたる研究分野です。現在多くの企業で使用されている機械学習のほとんどは、scikit-learn などのオープンソース ツールを使用して簡単に構築できる、よく知られた古いアルゴリズムに基づいていると考えられます。しかし、ディープラーニングはまだその成熟レベルに達していません。 Google 社員の François Chollet 氏が開発した Keras、Facebook の PyTorch、Google の Tensorflow などのツールにより、ディープラーニングの人気が高まっています。

単純なディープラーニングの例を実際に役立つものにするのは比較的簡単ですが、大きな画期的な結果を得るには、いわゆる「魔法」が必要です。ディープラーニングの秘密は、最先端の結果を得るには、膨大なコンピューティング リソース、トレーニング手法の深い理解、特定のアプローチに対する並外れた精通度が必要であるということです。

解決策: コピーアンドペーストするだけの研究者ではなく、ディープラーニング システムを構築した研究者を雇用します。これらの人々は全員博士号を持っている必要はありません。最も優秀な機械学習研究者の中には大学の学位すら持っていない人もいます。

2. 解釈可能性は重要ですか?

ディープラーニングにおける説明可能性とは、システムが特定の決定を下した理由を理解することを指します。これは AI コミュニティでホットな話題であり、組織のユースケースとリスク許容度に帰着します。製薬会社にとって、アルゴリズムが私たちの生活に影響を与える決定を下す理由を理解することは良いことです。解約予測では、システムが解約率を大幅に削減できる場合、説明可能性はそれほど重要ではない可能性があります。

Facebook の AI 研究ディレクターである Yann LeCun 氏は、「AI に関する大討論」の中で次のように述べています。「企業に 2 つのシステム、つまり説明可能で問題なく機能するシンプルなシステムと、よりうまく機能するより複雑なシステムを提示した場合、企業は常により複雑なシステムを選択するでしょう。」

私の仕事や研究でよく耳にするのは、「ブラック ボックスの誤謬」と私が呼んでいるものです。データ サイエンティストは、ニューラル ネットワークを理解不能なブラック ボックスと呼ぶことがよくあります。私たちはこれらのネットワークの内部を調査するためのいくつかの方法を開発しましたが、結果の解釈は従来のアプローチほど明確ではありません。だからといって、企業がディープラーニングを導入するのを止めてはなりません。

解決策: 説明可能性が企業に与える実際の影響を判断します。ベースラインとして簡単なモデルも構築します。ディープラーニングのアプローチが大幅に優れている場合は、より説得力のあるビジネスケースを提供できる可能性があります。

3. より多くのデータと GPU が必要です。

データと計算能力は、今日ディープラーニングが実現可能である主な 2 つの理由です。 GPU により、計算時間が数週間から数時間に短縮されます。 TPUの方が高速です。これらの GPU がなければ、これらのモデルを十分な速さでトレーニングして、重要な結果を得ることはできません。企業は GPU を独自に購入することも、Amazon Web Services (AWS) や Google Cloud などのプロバイダーからレンタルすることもできます。

ディープラーニング手法では、明らかでないパターンを発見するために大量のデータが必要になります。十分なデータがなければ、これらのシステムは失敗するか、または良好なパフォーマンスの誤った印象を与えることになります（つまり、過剰適合）。

解決策: すべての製品から生の信号を収集します。 GPU にお金をかけることを恐れないでください。

4. AI戦略は野心的ではない

ビッグデータによってディープラーニングがより有意義になるのはなぜでしょうか?

手動の特徴エンジニアリングとは、アルゴリズムにとって何が重要かを人間が選択することです。このプロセスには人間が関与しているため、これらのシステムのパフォーマンスは人間の創造性に左右されます。より良いアプローチは、ベイズ機械学習の技術を使用して、システムに人間の直感を追加することです。

データ サイエンス チームは、ほとんどの問題に対してディープラーニングはやり過ぎだと考えています。ニューラル ネットワークはすべての問題を解決できるわけではありませんが、コンピューター ビジョン、オーディオ、自然言語処理を含む最先端のアプローチです。このような考え方は、システムのパフォーマンスを人為的に制限します。車が馬より速いとわかっていたら、なぜ馬に乗り続けるのでしょうか?

解決策: 古い機械学習手法を使用して強力なベースラインを構築します。ディープラーニングがこのベンチマークを上回ることができる場合は、ディープラーニングを使用します。これにより、より単純なアプローチと比較して、これらの手法が提供する価値を定量化できます。

結論

ディープラーニングは学術界を離れ、企業を変革する準備が整っています。ディープラーニングを責任を持って使用することを恐れないでください。不適切な導入は、企業とエンドユーザーの両方に損害を与える可能性のある歪んだデータにつながる可能性があります。ディープラーニングは、人間を機械学習のループから解放し、システムの偏りの可能性を最小限に抑えるのに役立ちます。機械学習システムを構築するときは、常に強力な倫理的アプローチを維持することが重要です。

原題: 企業がディープラーニングの導入に苦戦する 4 つの理由、著者: ウィリアム ファルコン

[51CTOによる翻訳。パートナーサイトに転載する場合は、元の翻訳者と出典を51CTO.comとして明記してください]