モバイルインターネット開発における人工知能技術の応用

[[189519]]

インテリジェントな需要は2つの側面に反映される

モバイル インターネットの発展が新たな方向に進むにつれて、モバイル インターネットにおけるインテリジェンスは新たな発展のトレンドと大きな需要となっています。インテリジェンスに対する需要は現在、主に次の 2 つの側面に反映されています。

一方では、自動運転車、仮想現実、拡張現実アプリケーションなどの新しいインテリジェントアプリケーションの出現を促進し、モバイルアプリケーションの範囲を広げ、ユーザーにさらに多くのアプリケーションの選択肢を提供します。

一方、現在利用可能な大量のアプリケーション データをインテリジェントに分析し、ユーザーのニーズを分析してユーザーの目標を明確にし、既存のモバイル アプリケーションに基づいてユーザー エクスペリエンスを提供することで、ユーザーは本来のモバイル アプリケーション分野でのエクスペリエンスを向上させることができます。

知能が発展をリードする段階では、モバイルインターネットの分野で人工知能技術がますます広く利用されるようになり、ますます多くの人工知能技術がモバイルインターネットの発展に深く関与するようになっています。人工知能技術は、普遍性、自律性、反復最適化などの独自の特性により、データ処理リンクにおけるより複雑なデータ構造やデータ環境に対応し、より厳密で安定したモデルと推論結果を生み出すことができます。人工知能技術は、モバイル インターネットの形で常に新たな変化を推進し、より自律的な情報取得、よりインテリジェントな分析と判断、より自律的なサービス提供、よりインテリジェントなクラウドツーエンドの統合を実現します。この記事では、人工知能技術を出発点として、モバイル インターネット分野における人工知能ソリューションとアプリケーションの現状をさらに研究します。

人工知能テクニカル分析

人工知能技術の研究範囲は非常に広く、エキスパートシステム、ニューラルネットワーク、ヒューリスティックアルゴリズム、ファジーロジック、遺伝的アルゴリズムなどが含まれます。現在、広く使用されているアルゴリズムは主にニューラルネットワーク、ファジーロジック、遺伝的アルゴリズムのさまざまな拡張アルゴリズムです。たとえば、ニューラルネットワークによって拡張されたディープラーニングアルゴリズムは、Baiduのインテリジェント検索のコアアルゴリズムです。応用シナリオ別に分類すると、人工知能のコア技術は次の側面に分けられます。

データマイニングと学習

大量のデータに直面し、ディープデータマイニングを実施してデータ間のつながりを明らかにする必要がある場合、通常使用される方法は、人工知能の重要な分野である機械学習です。機械学習とは、コンピューターを使用して人間の学習活動をシミュレートまたは実装する方法を研究する分野です。これは、エキスパート システムに次ぐ人工知能の重要な応用分野です。これは、コンピューターをインテリジェントにする基本的な方法であり、人工知能研究の中心的なテーマの 1 つです。その応用範囲は、人工知能のすべての領域に及びます。学習は人間の知能の重要な特徴であり、知識を獲得するための基本的な手段ですが、機械学習はコンピューターをインテリジェントにする基本的な方法でもあります。人工ニューラル ネットワークに基づくディープラーニングは、広く使用されています。ニューラル ネットワークは、人間の脳または自然のニューラル ネットワークのいくつかの基本的な特性を抽象化したものであり、脳の特定のメカニズムをシミュレートすることで機能を実現します。ニューラルネットワークは、複数のニューロン、分散コンピューティング性能、多層の深いフィードバック調整などの利点を備えているため、大量のデータを計算・分析し、データトレーニングを通じてモデルを形成できます。その自律学習特性は、複雑で多次元の非線形問題や、インテリジェントな関連付けに基づく大規模な検索の処理に非常に適しています。

知識とデータのインテリジェントな処理

知識処理に最も一般的に使用される技術はエキスパート システムです。エキスパートシステムは、人工知能研究の重要な分野であり、一般的な思考方法の探求を専門知識の使用に変換して専門的な問題を解決し、人工知能の理論研究から実用化への移行において大きな進歩を達成しました。エキスパート システムは、専門知識を備えたコンピューター インテリジェント プログラム システムの一種と見なすことができます。特定の分野の専門家が提供する専門知識と経験を活用し、人工知能の推論技術を採用して、通常は専門家が解決するさまざまな複雑な問題を解決およびシミュレートできます。エキスパート システムを開発する上で重要なのは、専門知識を表現して適用することです。基本的なエキスパート システムは通常、知識ベース、データベース、推論エンジン、解釈メカニズム、知識獲得、ユーザー インターフェイスの 6 つの部分で構成されます。人工知能の最も古い分野であるエキスパートシステムは、人工知能のさらなる発展とともに、いくつかの新しい手段を生み出し、既存の研究分野を絶えず更新し、他の人工知能技術との相互促進を実現しています。

人間とコンピュータの相互作用

人間とロボットの自然な相互作用と協力とは、ロボットに人間と同様のさまざまな感情特性を観察、理解、生成する能力を与え、ロボットが人間のように相互作用し、確立された作業タスクを完了するために人間のニーズに基づいた機能的な支援と協力を提供できるようにすることです。人間とコンピュータの相互作用で使用される主な技術には、ロボット学習とパターン認識技術が含まれます。ロボットは人間の行動をシミュレートする機械であり、現在のインテリジェント分野における最も先進的な技術の 1 つです。人工知能が研究するパターン認識とは、コンピュータを使って人間の代わりになる、あるいは人間がパターンを認識するのを助けることを指します。その主な研究対象はコンピュータパターン認識システム、つまり、コンピュータシステムが人間の感覚器官を通して外界に対するさまざまな知覚能力をシミュレートできるようにすることです。

[[189521]]

人工知能技術の応用の分析

モバイルアプリケーションのパフォーマンス分析

現在、モバイルアプリケーションソフトウェアの爆発的な成長により、多種多様なモバイルアプリケーションが大量に登場し、その数も急増しています。ユーザーはモバイルアプリケーションを選択する際に参照基準がありません。この場合、モバイル アプリケーションのフレンドリー度分析とアプリケーション ランキングは、ユーザーがモバイル アプリケーションを選択するための一定のガイダンスを提供すると同時に、モバイル アプリケーションの健全な発展を促進し、モバイル アプリケーション全体の品質を向上させることができます。現在、モバイル アプリケーションのパフォーマンス分析は、エンドツーエンドの QoE 分析、ユーザーの粘着性分析、ビジネス コラボレーションの親和性分析に主に焦点を当てています。これらの分析の共通点は、すべてがビッグデータ分析に基づいており、大量のユーザーおよびアプリケーション関連情報を収集して計算し、結論を導き出していることです。

したがって、ビッグデータの分析と計算のプロセスでは、通常、人工知能アルゴリズムを使用して解決します。さまざまな機械学習アルゴリズムは、ビッグデータ分析のための強力なツールです。現在、最も広く使用されているものには、強化学習アルゴリズムとニューラル ネットワークに基づくディープラーニング アルゴリズムがあります。これらの学習アルゴリズムの動作モードは、インデックス要件に従って、さまざまなアプリケーション シナリオにおけるさまざまなアプリケーションのエネルギー消費量、レイテンシ、トラフィック、レートをニューラル ネットワーク システムの入力として収集して保存することです。次に、さまざまなアプリケーションの種類に応じて、ソーシャル アプリケーション、インスタント メッセージング アプリケーション、オーディオおよびビデオ アプリケーション、クラウド アプリケーション、ブラウザー アプリケーション、ゲーム アプリケーションを区別し、さまざまな分野のエネルギー消費、レイテンシ、トラフィック、レートなどの指標の需要を分析し、対応する指標の加重値をニューラル ネットワークの重みとして生成します。最終的に、大量のデータのトレーニングとフィードバック計算を通じてニューラル ネットワーク モデルが形成されます。学習したモデルは、アプリケーションの全体的な使いやすさに関する結論を出力し、現在のデータに基づいてアプリケーションをランク付けし、既存のデータに基づいてアプリケーションのパフォーマンスを予測できます。現在、すべての通信事業者は、データ共有に基づいてモバイルユーザーのインターネットアクセス行動を分析し、最終的にユーザーのインターネット習慣と好みを把握し、モバイルインターネットに対するユーザーのニーズを正確に把握し、モバイル企業のビジネス分析と意思決定にデータサポートを提供するために、モバイルインターネットユーザー行動分析システムを積極的に構築しています。

モバイルアプリケーション認証

ID 認証は、人工知能アルゴリズムのもう 1 つの重要な応用方向です。最も一般的に使用されている認証方法は、ユーザー名とパスワードのパスワード モードと、U-shield などの外部デバイスでした。しかし、パスワードは破られたり忘れられたりするリスクがあり、Uシールドなどの周辺機器の保管も不便であるため、現在では多要素認証方式や生体認証方式が広く開発されています。多要素 ID 認証とは、2 つ以上の ID 認証方法を組み合わせて ID 認証を実行し、複数の方法の利点を組み合わせ、異なる ID 認証方法の欠点を補う方法です。現在、パスワードとユーザーのビッグデータグラフ分析を組み合わせて認証分析を行い、従来のパスワードログイン方式のセキュリティを強化する多要素認証があります。ユーザービッグデータマップは、インターネット上のさまざまなユーザー行動パターンのデータを記録し、機械学習アルゴリズムに基づいて分析を行い、ユーザーの基本行動モデルを完成させます。ユーザーの行動を予測し、ユーザー行動モデルに適合しないログインや支払い要求を拒否することができます。これは、通常のパスワード認証モデルを補完する優れたツールです。生体認証方式は、指紋、顔、虹彩、指静脈などのユーザーの生物学的サンプルやその他の固有の特徴を比較して識別する認証方法です。生体認証は安全性が高く、ハードウェアの継続的な開発により、モバイル端末に搭載される生体認証モジュールはますます小型化され、使い勝手も向上しています。収集される生体情報の量は膨大であり、特徴抽出後に形成される比較データベースはさらに大きいため、生体認証のアルゴリズムの基礎は、パターン認識と比較認証のための人工知能アルゴリズムに依存し、最終的に分析と識別結果を出力する必要があります。

新しいアプリケーションの開発

人工知能技術は、新たなモバイルインターネットアプリケーションや新たな産業も生み出しました。仮想現実/拡張現実技術は、人工知能技術をベースにした新たな応用拡大です。仮想現実/拡張現実では、ユーザーの周囲の感覚データを収集し、それをサーバーにすばやくアップロードし、サーバーの計算を通じて結果をユーザーのメガネに送信する必要があります。 Google はユーザー エクスペリエンスを考慮して、データ収集から結果の表示までの遅延しきい値を 20 ミリ秒に設定しました。つまり、高速なデータ交換や計算には、伝送帯域幅に加えて、データ計算アルゴリズムも不可欠です。人工知能アルゴリズムは、大量のデータを瞬時に計算することを可能にし、仮想現実/拡張現実の開発の基礎を解決します。さらに、人工知能技術をベースにした多数のアプリケーション（自動運転車、スマートホーム、スマート音声検索など）が急速に発展しています。 Baidu は、ディープ ビリーフ ネットワーク、畳み込みニューラル ネットワーク、再帰ニューラル ネットワークなどの人工知能アルゴリズムを利用して、自然音声処理、インテリジェントな音声認識と検索、画像検索などのアプリケーションを解決します。人工知能技術は、モバイルインターネットのほぼすべての分野に大きな影響を与える可能性があります。

人工知能技術に基づくデータ処理アーキテクチャ

上記の人工知能技術の研究に基づいて、図 1 に示すように、人工知能技術に基づく一般的なデータ処理アーキテクチャをまとめることができます。人工知能技術に基づくデータ処理プラットフォームには、通常、データ取得モジュール、データトレーニングモジュール、およびデータ使用モジュールが含まれます。

（１）データ収集モジュールは、履歴データやリアルタイムデータなど、計算に関係するすべての関連データを収集し、保存するものとする。データ取得モジュールは、データ処理プラットフォーム全体のデータ入力端です。

（２）データトレーニングモジュールは、人工知能技術を使用して、プラットフォームに保存されているデータをフィードバックし、反復計算してデータトレーニングタスクを完了し、データ処理モデルを形成します。データトレーニング部分全体は、人工知能技術に基づくデータ処理アーキテクチャのコアモジュールです。トレーニングモデルの形成は、以前のデータ収集の幅と精度に密接に関係しています。同時に、トレーニングに使用される人工知能アルゴリズムの種類も非常に重要な役割を果たします。トレーニングモデルの形成は、人工知能データ処理全体の結果に大きな影響を与えます。

（３）最終的なデータ使用モジュールは、トレーニングモデルの出力に基づいています。一般的に、学習済みモデルを使用すると、履歴データに基づく予測とリアルタイムデータに基づく計算結果が得られ、これが人工知能データ処理プラットフォーム全体の結果出力部分となります。

現在、人工知能技術を使用して実行される計算の範囲と数は拡大し続けており、人工知能アルゴリズムデータ処理モデルに基づく計算量も増加しています。通常、人工知能関連の操作を実行する場合、大量のフィードバックと反復計算が実行され、サーバーに大きな負荷がかかります。処理するデータの量がさらに増加すると、データの負荷によってサーバーのパフォーマンスが低下し、出力結果の適時性に影響します。そのため、分散コンピューティングは現在、人工知能のデータ処理をサポートするために広く使用されています。分散コンピューティング モデルを図 2 に示します。コンピューティング タスクは、複数の分散サーバーに割り当てて分散できます。計算が完了すると、結果はさまざまな分散サーバーを介して集約され、中央コントローラーを通じて統合されて表示されます。分散コンピューティング アーキテクチャと人工知能コンピューティングは相互に補完し合い、ビッグ データ処理とコンピューティング タスクを共同で完了します。

図2 分散コンピューティング構造

結論

本稿では、モバイルインターネットの発展における人工知能技術の応用を研究し、人工知能のコア技術と応用シナリオを分析し、モバイルインターネット分野における人工知能技術がモバイルアプリケーションのパフォーマンス分析、ユーザーID認証、新しいモバイルインターネットアプリケーションの促進において果たす重要な役割に焦点を当てています。本稿では、人工知能技術の継続的な進歩と新たな製品イノベーションを背景に、モバイルインターネット分野における人工知能技術の実現と発展を探り、人工知能技術がさまざまな分野に浸透していることと、業界における人工知能技術の推進力を明らかにします。