機械学習とディープ・ラーニングを理解する

今日、あらゆる形態のコンピューター・ベースの知能の総称として、主に人工知能(AI)が使われています。それは、データのインプット/分析、パターン認識、戦略の策定に対する人間の学習および意思決定プロセスを模倣する、すべてのシステムに緩やかに適用できます。機械学習(ML)と ディープ・ラーニング(DL)という言葉は、現代のインテリジェントなコンピューティング・システムの現実と、開発者とエンドユーザーのために解決できる問題をよりよく説明しています。

機械学習とディープ・ラーニング

今日の最先端のMLとDLコンピューター・インテリジェンス・システムは、データやその他のインプットに継続的にさらされた後の操作を調整できます。本質的には関連していますが、わずかな違いによってコンピューター・サイエンスの分野が分かれています。

 

機械学習(ML)とは、与えられた情報をただ受動的に処理するのではなく、自ら積極的に学ぶことができるシステムのことです。コンピューター・システムは、パターンや構造を求めてデータを分析するアルゴリズムを使用して、人間のようにインプットに応答するようにプログラムされています。MLアルゴリズムは、より多くのデータにさらされると次第にパフォーマンスを改善するように設計されています。

 

人間が何かを認識する場合、その認識は瞬間的です。このプロセスを模倣するため、機械学習アルゴリズムはニューラル・ネットワークを使用します。人間の学習プロセスのように、ニューラル・ネットワーク・コンピューティングは、イメージ内で認識した要素に基づいてデータ(大量の写真など)を分類します。正確な分類の成功率は、最適な効率とより高い精度に目を向けることで、システムが間違った判断から正しい判断を学習して確認するのに役立つ「専門的な」人間のフィードバックによって、徐々に改善できます。次に、ニューラル・ネットワーク・アルゴリズムは、受け取ったフィードバックに基づいて今後のすべての判断を修正します。このプロセスは、所望のアウトプットを生み出すためにネットワークをトレーニングすることで、人間の認識を模倣します。


1. ニューラル・ネットワークは次のように述べます:

1. 形状は繰返し要素です
2. これらは予想される形状です:

machine intelligence example 1

2. アルゴリズムは明らかな要素を見つけて分類することで、学習したことをデータにあてはめます。

machine intelligence example 2

3. このプロセスは人間のフィードバックにより徐々に改善できます。次に、ニューラル・ネットワーク・アルゴリズムは、受け取ったフィードバックに基づいて今後のすべての判断を修正します。これによりさらに正確なデータ収集につながります。

たとえば、人間のフィードバックが「各形状に複数のバリエーションがある」場合、アルゴリズムは次のように結果を整理します:

machine intelligence example 3

たとえば、Googleはスマート・カメラClipsを支えるニューラル・ネットワークベースのアルゴリズムを訓練するために、専門家の指導を提供するプロのフォトグラファーとドキュメンタリー作家を雇用しました。人間のフィードバックは、カメラが、デジタル写真の技術的側面だけでなく、印象的な瞬間を捉えるというより抽象的な側面においても直観的な技術を高めるのに役立ちました1。 

ディープ・ラーニング(DL)は、人間の脳が外部の専門家によるインプットなしにどのように情報を認識し、思い出して、先へ進めるかという考えのもと、問題を解決するためにさらに進んだ機械学習の部分に焦点を当てています。DLアプリケーションは、学ぶべき膨大な量のデータにアクセスする必要があります。DLアルゴリズムは、ディープ・ニューラル・ネットワークを利用して、SpotifyやPandoraのすべての音楽ファイルなど、膨大な情報にアクセスして、調査、分析し、特定のユーザーの嗜好に基づいて継続的な音楽の提案を行います。


1. ディープ・ラーニング・アルゴリズムで使用されるディープ・ニューラル・ネットワークは、分析すべき膨大な情報を求めます。  

deep learning example 1

2. この情報を処理すると、ディープ・ニューラル・ネットワークは次のような新しい分類を行います: 

1. 形状に異なる色がある。
2. 形状に異なる厚さがある。
3. 合計で2000の異なる形状がある。

3. これにより、非常に正確な結果につながり、ますます精度が上がり続けます。


DLとMLを区別する主な要因は、データの表現です。たとえば、MLの上記のGoogle Clipsカメラの例では、システムをトレーニングするためにプロのフォトグラファーからのインプットが必要でした。しかし、DLシステムでは、正確な特徴特定のために専門家は必要ありません。インプット情報は、画像でも、ニュース記事でも、歌でも、そのままでまたはタグなしの形で最小限の変換で評価されます。この教師なしトレーニング・プロセスは、表現学習と呼ばれることもあります。トレーニング中に、DLアルゴリズムはデータから徐々に学習し、その結論の正確さを向上させます(推論とも呼ばれます)。

 

今日適用されているDLの一般例は次の通りです:

  • 自動運転:ディープ・データ(地図、衛星交通画像、天気予報、ユーザーの蓄積された嗜好)、環境からのリアルタイムのセンサー入力(道路にいる鹿、方向を急に変更する運転手)、決断するためのコンピューティング能力(減速する、ハンドルを切る)。
  • 医療:写真で黒色腫を検出するための学習などのがん研究2
  • スマートホーム:インテリジェントなパーソナル・アシスタントと音声認識アルゴリズムを使用して、ユーザーの口頭による要求を理解して対応するスマートスピーカー。
  • エンターテインメント:蓄積されたユーザーの好みや嗜好に対する、膨大な数の映画/TVのデータ(ジャンル、俳優、監督、レビュー)の分析。
  • 食事:ユーザーの実際の位置、批判的な批評、予約の可否、定義済みの嗜好、過去の行動に基づく直観的なレストランの推奨。

最新の専門用語:MLとDLを理解する

  • ニューラル・ネットワーク:階層化された異なるコンピューター・ノード(大規模ネットワーク内のエンドポイント・デバイス)で構成された、人間の脳と神経系から着想を得たコンピューター・システム。異なる層は、通常、データに対して異なる種類の計算を行います。
  • ディープ・ニューラル・ネットワーク:標準的なニューラル・ネットワークよりも膨大でより複雑なデータセットにアクセスできる、多くの隠れたレベルを持つ多層ニューラル・ネットワーク。
  • トレーニング:アルゴリズムがより迅速かつ正確にデータを評価することを学習する補正および調整プロセス。トレーニングは教師付き(人間のインプットを適用)または教師なし(生データにさらされるだけで正確な自己補正を行う)で行うことができます。
  • 推論:新しいデータと累積されたトレーニングの組み合わせに基づいて、迅速かつ予測的な結論を出します。
  • 表現:生データから特徴や分類を自動的に検出することで、システムは特定のタスクを学習して実行することができます。

AMDと機械学習

人間のような反射神経で反応するインテリジェント・アプリケーションには、膨大な量のコンピューター処理能力が必要です。MLおよびDLシステムへのAMDの主な貢献は、ソフトウェア開発のためのオープン・エコシステムで高性能コンピューティング(CPUとGPUの両方)を提供することです。MLおよびDLアプリケーションは、複数の入力ストリームからの複雑なデータセットを同時に管理する最高の処理能力(速度、容量、組織)に対応できる、コンピューター・ハードウェアに依存しています。

たとえば、自動運転の状況においては、基本的な車両操作の他、DLアルゴリズムは、もうすぐ青から黄色に変わる信号、近くの歩行者の動き、および暴風雨による舗道の水など、即座の変化を認識する必要があります。訓練を受けた人間の運転手は、このような反応の調整を当然のように行うことができます。しかし、人間の脳の能力をシミュレートするため、自動運転アルゴリズムは、同乗者やその周囲の人の安全を十分に考慮した速度と精度でその複雑な決定を行う効率的で迅速な処理が必要です。

AMDハードウェアおよび関連ソフトウェアの性能も、MLとDLシステムの開発およびテスト・プロセスに大きな利点をもたらします。今日では、最新のAMDテクノロジー(AMD EPYC™ CPUおよびRadeon Instinct™ GPU)で構築されたコンピューティング・プラットフォームで、以前は数年かかっていた新しいインテリジェント・アプリケーションの開発とテストを、数日または数週間で行うことができます。

前進するためのパワーと自由

機械学習の特許は2013年から2017年にかけて34%の割合で増加しました。3 現在、この分野では多くの作業が行われていますが、業界はまださまざまな種類のデータから機械がより効率的に学ぶのを支援する形成段階にあります。MLおよびDLを備えたインテリジェント・システムは、人間の記憶、パターンマッチング、迅速で正確なデータの関連付けを模倣するコンピューティングのために非常に大きな可能性をもたらします。パスとプラットフォームが確立されており、新しい飛躍はそれほど遠くありません。

脚注
  1. Josh Lovejoy,「The UX of AI」、Google Design、2018年1月25日、アクセス2018年4月23日。
  2. Susan Scutti、「Automated dermatologist' detects skin cancer with expert accuracy」、CNN、2017年1月26日。
  3. Louis Columbus、「Roundup Of Machine Learning Forecasts And Market Estimates, 2018」、Forbes、2018年2月18日。