人工知能学習: 人工ニューラル ネットワークとは何ですか?

[51CTO.com クイック翻訳] 多くの人工知能コンピュータシステムの中核技術は、人間の脳の生物​​学的構造にヒントを得た人工ニューラルネットワーク (ANN) です。

これらのネットワークは、接続された「ニューロン」の構造を使用することで、人間の介入なしに特定のデータを「学習」し、処理および評価することができます。

そのような実用的な例の 1 つは、人工ニューラル ネットワーク (ANN) を使用して画像内のオブジェクトを認識することです。 「猫」の画像を認識するシステムを構築する場合、「猫」というラベルの付いた画像を含むデータセットで人工ニューラル ネットワークをトレーニングし、実行する分析の参照ポイントとして使用できます。人間が犬の尻尾や毛皮などの特徴に基づいて犬を識別することを学ぶのと同じように、人工ニューラル ネットワーク (ANN) も各画像を色や形などの構成要素に分解することで動物を識別することを学習できます。

実際には、ニューラル ネットワークは、管理されたデータの上にソートと分類のレベルを提供し、類似性に基づいたデータのクラスタリングとグループ化を支援します。人工ニューラル ネットワーク (ANN) を使用すると、高度なスパム フィルター、詐欺を検出するアルゴリズム、感情を正確に理解できる顧客関係ツールを生成できます。

人工ニューラルネットワークの仕組み

人工ニューラル ネットワークは、人間の脳の神経組織にヒントを得て、経路に沿って相互に作用するニューロンに似た計算ノードを使用して構築されます (シナプスの働きと同様)。これは、1 つのコンピューティング ノードの出力が別のコンピューティング ノードの処理に影響を与えることを意味します。

ニューラル ネットワークは、それまで望ましい結果を生み出すために事前に定義されたプロセスと定期的な人間の介入に依存していた人工知能の開発に大きな飛躍をもたらしました。人工ニューラル ネットワークを使用すると、相互接続されたノードを含む複数の相互接続された層のネットワーク全体に分析負荷を分散できます。情報が処理され、シーンが処理された後、次のノードに渡され、レイヤーを下っていきます。アイデアは、追加のシーン情報をネットワークに送り込み、各段階での処理を通知できるようにすることです。

単一の「隠れ」層ニューラルネットワークの基本構造

漁網の構造と同様に、ニューラル ネットワークの単一層はチェーンを使用して処理ノードを接続します。接続数が多いと、これらのノード間の通信が強化され、精度とデータ処理スループットが向上します。

次に、人工ニューラル ネットワークは、このようなレイヤーを多数積み重ねてデータを分析し、最初のレイヤーから最後のレイヤーまでの入力データと出力データのフローを作成します。レイヤーの数は人工ニューラル ネットワークの性質とタスクによって異なりますが、その考え方は、あるレイヤーから別のレイヤーにデータを渡し、その過程で追加のコンテキスト情報を追加するというものです。

人間の脳は、多数の層が積み重なった構造ではなく、3D マトリックス構造になっています。人間の脳と同じように、ノードは特定の刺激を受け取ると人工ニューラル ネットワーク上で信号を「発火」し、その信号を別のノードに渡します。ただし、人工ニューラル ネットワークの場合、入力信号は実数として定義され、出力はさまざまな入力の合計になります。

これらの入力の値は重みによって決まり、実行中のタスクに対応する入力データの重要度を増減するために使用されます。その目的は、任意の数のバイナリ値入力を受け取り、それを単一のバイナリ値出力に変換することです。

より複雑なニューラルネットワークにより、データ分析の高度化が進む

初期のニューラル ネットワーク モデルでは、入力層と出力層が 1 つだけ使用される浅い構造が使用されていました。現代のシステムは、最初にデータをネットワークに送り込む入力層と、データ分析を複雑にする複数の「隠し」層を持つ出力層で構成されています。

ここから「ディープラーニング」という用語が生まれました。「ディープ」の部分は、特に複数の「隠し」層を使用するニューラル ネットワークを指します。

パーティーの例

人工ニューラル ネットワークが実際にどのように機能するかを説明するために、実際の例に簡略化します。

パーティーに招待され、行くかどうかを決めようとしているところを想像してください。その場合、長所と短所を比較検討し、意思決定プロセスにさまざまな要素を組み込む必要があるかもしれません。この例では、「友達は来てくれるか？」「パーティーは遠いか？」「天気は良いか？」という 3 つの要素だけが選択されました。

これらの考慮事項をバイナリ値に変換することにより、人工ニューラル ネットワークを使用してプロセスをモデル化できます。たとえば、「天気」にバイナリ値を割り当てることができます。この場合、「1」は晴天を表し、「0」は悪天候を表します。各行列式に対して同じ形式が繰り返されます。

ただし、単に値を割り当てるだけでは、意思決定に役立たないため、十分ではありません。これを行うには、肯定的な要因の数が否定的な要因の数を超えるしきい値を定義する必要があります。バイナリ値に関しては、適切なしきい値は「2」です。つまり、パーティーに行くことを決める前に、両方の要素のしきい値が「1」になっている必要があります。友達がパーティーを開いている場合（「1」）、天気が良い場合（「1」）、パーティーに行くことができます。

天気が悪く ('0')、パーティーの場所が遠い ('0') 場合、このしきい値は満たされず、友達が参加していてもパーティーには参加できません ('1')。

ニューラル重み付け

確かに、これはニューラル ネットワークの基礎の非常に基本的な例ですが、バイナリ値としきい値の概念を理解するのに役立つと思います。ただし、意思決定プロセスはこの例よりもはるかに複雑であり、ある要因が他の要因よりも意思決定プロセスに大きな影響を与えることがよくあります。

このバリエーションを作成するには、「ニューラル ウェイト」を使用できます。これは、ある要素のバイナリ値が他の要素に対してどの程度重要であるかを、それらの重みを乗算して決定するものです。

例に挙げた各考慮事項によって決定が難しくなる可能性がありますが、そのうちの 1 つまたは 2 つに重点を置くこともできます。土砂降りの雨の中、パーティーに行く気がないなら、悪天候は他の 2 つの考慮事項よりも重要になります。この例では、より高い重みを割り当てることで、天候要因のバイナリ値をより重要視できます。

• 天気 = w5
• 友達 = w2
• 距離 = w2

たとえば、しきい値が 6 に設定されている場合、悪天候 (値 0) により残りの入力が必要なしきい値に到達できないため、ノードは「発火」しません (つまり、パーティーに行かないことにすることになります)。

これは単純な例ですが、提供された重みに基づいて意思決定を行う概要を示しています。これを画像認識システムに当てはめると、パーティーに参加するかどうか（入力）に関するさまざまな考慮事項は、色、サイズ、形状など、特定の画像の妥協点の特徴になります。たとえば、犬を認識するようにトレーニングされたシステムは、形や色に重点を置くことができます。

ニューラル ネットワークのトレーニング中、重みとしきい値はランダムな値に設定されます。その後、一貫した出力が得られるまで、トレーニング データがネットワークを通過するたびに継続的に調整されます。

ニューラルネットワークの利点

ニューラルネットワークは有機的に学習できます。言い換えれば、ニューラル ネットワークの出力は入力データによって完全に制限されるわけではありません。人工ニューラル ネットワークは入力データを一般化できるため、パターン認識システムに役立ちます。

また、計算集約的な答えを得るための近道を見つけることもできます。人工ニューラル ネットワークは、データ ソース内のレコードが明示的に関連していると想定するのではなく、データ ポイント間の関係を推測できます。

フォールト トレラントにもなります。ニューラル ネットワークを複数のシステムに拡張すると、通信できない欠落ノードをバイパスできます。人工ニューラル ネットワークは、機能しなくなったネットワーク部分を迂回するだけでなく、推論を通じてデータを再生成し、機能していないノードを識別することもできます。これは、ネットワークの自己診断とデバッグに非常に役立ちます。

ただし、ディープ ニューラル ネットワークが提供する最大の利点は、画像、音声ファイル、ビデオ、テキスト、数値などの非構造化データを処理およびクラスタ化できることです。分析階層では、各ノード層は前の層の出力に基づいてトレーニングされ、ディープ ニューラル ネットワークは、人間が分析を処理できるようになる前に、この非構造化データを大量に処理して類似点を見つけることができます。

ニューラルネットワークの例

複雑または不正確なデータから洞察を得る能力を活用するニューラル ネットワーク アプリケーションの例は、他にも数多くあります。

画像認識人工ニューラル ネットワークは、特定のオブジェクトの写真を分析するなどの問題を解決できます。このアルゴリズムは犬と猫を区別するために使用できます。さらに、ニューラル ネットワークは細胞の形状情報のみを使用して癌を診断するために使用されています。

金融ニューラル ネットワークは、為替レートの予測、株価のパフォーマンス、選択の予測に 30 年近く使用されてきました。ニューラル ネットワークは、ローンの信用スコアを決定するためにも使用され、信用リスクの良し悪しを正しく識別することを学習します。通信ニューラル ネットワークは、ネットワーク トラフィックをリアルタイムで評価してルーティングとサービス品質を最適化するために、通信会社によってすでに使用されています。

原題: 人工ニューラルネットワークとは何か?、著者: Dale Walker

[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]