ディープ ラーニングとは?

人工ニューラル ネットワークとは、人間の認知プロセスを模倣して、複雑なパターンのモデル化や予測を行い、外部からの刺激に適切に反応するデジタル アーキテクチャです。多くの種類の機械学習には、構造化されたデータが必要です。対してニューラル ネットワークは、周囲の世界の出来事を処理可能なデータとして解釈することができます。

あなたがレポートを読んだり、映画を見たり、車を運転したり、花の香りを嗅いだりするたびに、脳内の何十億ものニューロンが小さな電気信号を介して情報を処理しています。それぞれのニューロンが入力を処理し、その結果が次のニューロンに出力されて次の処理が行われ、最終的にはビジネス上の分析情報、笑い、ブレーキを踏む、またはちょっとした喜びなどが瞬時に生み出されるのです。機械学習では、ニューラル ネットワークによって、デジタル システムが同じ方法で状況を解釈し、反応することができます。

人工ニューラル ネットワークは、デジタル ニューロンで満たされた脳のようなものです。それらのほとんどは本物を模した初歩的なものですが、大量の非線形データを処理して、人間が介入しなければならないような複雑な問題を解決することができます。たとえば、銀行のアナリストは、ローン申請書を処理する際に人工ニューラル ネットワークを使用し、申請者の債務不履行の可能性を予測することができます。

機械学習において、ニューラル ネットワークは複雑で不安定な入出力を学習してモデル化したり、目に見えない関係を推測したり、データの分布制限なしに予測したりするのに使用されます。ニューラル ネットワーク モデルは、コンピューター ビジョンや自然言語処理など、多くのディープ ラーニング応用分野の基盤となっており、不正防止や顔認識、自律走行車のサポートを支援しています。

ほとんどの企業では、ビジネス上の意思決定、販売戦略、財務方針、リソースの活用などの情報を得るために予測を行っています。しかし、従来の予測方法では限界があり、株式相場のように複数の隠れた要因を持つ複雑で動的なプロセスを予測することは困難な場合が多くあります。ディープ ラーニング ニューラル ネットワーク モデルにより、複雑な非線形の関係や目に見えない要因を明らかにし、企業がより正確な予測を行うことができます。

AI ニューラル ネットワークには数十の異なる種類があり、それぞれが異なるディープ ラーニングの応用分野に適しています。お客様のビジネスや技術要件に適した ANN をご利用ください。一般的な AI ニューラル ネットワークの例を次に示します。

畳み込みニューラル ネットワーク
開発者は畳み込みニューラル ネットワークを使用して、AI システムが画像をデジタル マトリックスに変換できるようにします。CNN は主に画像分類やオブジェクト認識に使用されますが、顔認識、トピック検出、感情分析にも適しています。

逆畳み込みニューラル ネットワーク
複雑で大量のネットワーク シグナルが失われたり、他のシグナルと混線したりしても、逆畳み込みニューラル ネットワークであればそれを見つけることができます。逆畳み込みニューラル ネットワークは、高解像度の画像やオプティカル フロー推定を処理する場合に便利です。

敵対的生成ネットワーク
エンジニアは敵対的生成ネットワークを使用して、トレーニング データの特定の特性を模倣した新しい情報や素材を生成する方法についてモデルをトレーニングします。敵対的生成ネットワークは、モデルがオリジナルとコピーの微妙な違いを識別して、より本物に近いコピーを作るのに役立ちます。敵対的生成ネットワークの応用分野としては、高精細な画像や動画の生成、高度な顔認識、超解像などが挙げられます。

再帰型ニューラル ネットワーク
再帰型ニューラル ネットワークは、特定の時間遅延を伴ってデータを隠れ層に入力します。ネットワーク コンピューティングでは過去の情報が現在の状態に反映されるため、入力が増えてもモデルのサイズは変わりません。再帰型ニューラル ネットワークは、音声認識、高度な予測、ロボット機構、およびその他の複雑なディープ ラーニング ワークロードに適しています。

Transformers
Transformer は、シーケンシャルな入力データを処理できるように設計されています。ただし、そのデータをシーケンシャルに処理することに制限されているわけではありません。代わりに、Transformer は Attention を使用します。これは、モデルが異なるレベルの影響を異なる入力データの断片に与えたり、入力シーケンス内の個々のデータの断片についてコンテキストを特定したりする技術です。これにより、より高いレベルの並列化が可能になり、モデルのトレーニング時間を短縮することができます。

ニューラル ネットワークは機械学習のサブセットと考えられていますが、ニューラル ネットワークと通常の機械学習モデルにはいくつかの大きな違いがあります。

まず、ニューラル ネットワークは一般的に、通常の機械学習モデルよりも複雑で、独立して動作することができます。たとえば、ニューラル ネットワークはその予測や結果が正確であるかどうかを自身で判断することができますが、機械学習モデルではその判断をするために人間のエンジニアの入力が必要になります。

さらに、ニューラル ネットワークは、ニューラル ネットワーク自身が学習を続け、インテリジェントな判断を行うことができるような構造になっています。一方、機械学習モデルは、特にトレーニングされた内容に基づいてのみ判断できるように限定されています。