ディープ ラーニングとは?
ディープ ラーニングは機械学習の一種で、構造化されておらず、ラベル付けも行われていないデータに基づいて、人工ニューラル ネットワークを使用して、デジタル システムが学習し、意思決定を行えるようにするものです。
一般的に機械学習は、データの経験から学習し、パターンを認識し、推奨事項を作成し、適応できるように AI システムをトレーニングします。特にディープ ラーニングでは、デジタル システムは単にルール セットに従うのではなく、サンプルから知識を構築し、その知識を使って人間のように反応し、行動し、実行します。
ディープ ラーニングが重要な理由
データ サイエンティストや開発者は、ディープ ラーニング ソフトウェアを使用して、大規模で複雑なデータ セットの分析、複雑で非線形なタスクの実行、テキスト、音声、画像への応答などを、多くの場合、人間よりも速く正確に行えるようにコンピューターをトレーニングします。これらの機能には多くの実際の適用例があり、そして多くのモダンな革新を実現しています。たとえば、ディープ ラーニングは無人自動車が画像を処理して道路上の歩行者と他の物体を識別したり、スマート ホーム機器が音声コマンドを理解したりするために使用されます。
ディープ ラーニングが重要なのは、データ量が増加し、コンピューティング能力がより強力で安価になるにつれ、小売、医療、輸送、製造、テクノロジなどの分野の企業が、イノベーションを推進し、機会をとらえ、関連を保つために、ディープ ラーニングに投資しているからです。
ディープ ラーニングのしくみ
ディープ ラーニングは、多層のニューラル ネットワーク アーキテクチャ、クラウド内やクラスター上にデプロイされたハイパフォーマンスのグラフィックス プロセッシング ユニット、大量のラベル付きデータを利用して、非常に高いレベルのテキスト、音声、画像の認識精度を実現します。これにより開発者は、人間のような知能を持ったデジタル システムを構築することができ、モデルのトレーニングを数週間から数時間に短縮することで、価値を生み出すまでの時間を効率化できます。
たとえば、無人自動車のモデルをトレーニングするには、数千時間の動画と数百万枚の画像が必要になる場合があります。ディープ ラーニングを使用しない場合、このレベルのトレーニングを大規模に実行することはできませんでした。
ディープ ラーニング フレームワークとは?
複雑な機械学習モデルを簡単に実装するために、開発者は TensorFlow や PyTorch などのディープ ラーニング フレームワークを利用します。これらのフレームワークは、ニューラル ネットワークのトレーニングに使用できるデータを収集するプロセスを合理化するのに役立ちます。また、ONNX Runtime のようなアクセラレータをこれらのフレームワークと併用することで、モデルのトレーニングや推論を高速化することができます。
ディープ ラーニング モデルのトレーニング
ディープ ラーニング モデルのトレーニングには、さまざまな戦略や手法があります。そのいくつかの方法を詳しく説明します。
教師あり学習
教師あり学習では、ラベル付けされたデータセットに対してアルゴリズムがトレーニングされます。つまり、ある情報の断片についてアルゴリズムが判断を下す際に、データに含まれるラベルを使用してその判断が正しいかどうかを確認することができます。教師あり学習では、モデルをトレーニングするためのデータを人間が提供する必要があり、その人間がアルゴリズムのトレーニングに使用する前にデータにラベルを付けます。
教師なし学習
教師なし学習では、アルゴリズムが判断を確認するために使用できるラベルや情報が含まれていないデータに対し、アルゴリズムのトレーニングが行われます。その代わり、システムが独自に認識したパターンに基づいてデータが選別および分類されます。
強化学習
強化学習では、システムによって試行錯誤的に課題が解決されて一連の判断がシーケンシャルに行われ、単純ではない環境下でも意図した結果を得ることができます。強化学習のアルゴリズムでは、データセットを使用するのではなく、環境から収集した情報を基に意思決定が行われます。
深層強化学習
ディープ ラーニングと強化学習の技術を組み合わせると、深層強化学習と呼ばれる機械学習の一種になります。深層強化学習では、強化学習と同じように試行錯誤的な意思決定や複雑な目標達成を行いますが、大量の非構造化データを処理して意味を持たせるために、ディープ ラーニングの機能も利用しています。
ディープ ラーニングの用途
ディープ ラーニングは、さまざまな業界の企業で、さまざまなユース ケースに利用されています。ディープ ラーニングの一般的な用途の例を次に示します:
画像、音声、感情認識
ディープ ラーニング ソフトウェアは、画像、音声、感情の認識精度を高め、写真検索、パーソナル デジタル アシスタント、無人自動車、公共安全、デジタル セキュリティ、その他のインテリジェント技術を実現するために使用されています。
カスタマイズされたエクスペリエンス
ストリーミング サービスや電子商取引を行う小売業者などの企業は、ディープ ラーニング モデルを使用して商品、映画、音楽などのサービスを自動で推奨したり、購入履歴や過去の行動などのデータに基づいて完璧なカスタマー エクスペリエンスを提供したりしています。
チャットボット
知識と経験のある企業は、よくある質問や日常的な取引、そして特にカスタマー サポートのために、ディープ ラーニングを利用してテキストや音声で動作するオンライン チャットボットを作成しています。これにより、サービス エージェントのチームや、顧客の待ち行列を、自動化され、コンテキストに応じ適切で有用な応答に置き換えることができます。
パーソナル デジタル アシスタント
音声で作動するパーソナル デジタル アシスタントは、ディープ ラーニングによって音声を理解し、自然言語による問い合わせやコマンドに適切に応答し、時には知恵を絞ることもあります。
無人自動車
AI とディープ ラーニングの非公式な代表である自動運転車は、ディープ ラーニング アルゴリズムを使用して複数の動的なデータ フィードを瞬時に処理し、道を尋ねる必要もなく、予期せぬ事態にも人間のドライバーよりも速く反応します。
多くの企業がオープンソースの機械学習ソフトウェアを使用して、ディープ ラーニング ソリューションを組織に導入しています。
ニューラル ネットワークとは?
人工ニューラルネットワーク (ANN) 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 システムが同じように状況を解釈し、反応することができます。
ANN は、デジタル ニューロンで構成された脳のようなものです。ほとんどの ANN 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 ANN 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。
ニューラル ネットワークでできること
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を明らかにし、目に見えない要因をモデル化することで、企業がほとんどのビジネス活動に対して正確な予測を行うことができます。
一般的なニューラル ネットワーク
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 (CNN)
開発者は、AI システムによる画像のデジタル マトリックスへの変換を支援するために CNN を使用します。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 (DNN)
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、DNN であればそれを見つけることができます。DNN 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 (GAN)
エンジニアは GAN 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。GAN 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。GAN 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 (RNN)
RNN では、データは特定の時間遅延で隠れ層に入力されます。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。RNN 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。
Transformer
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。
機械学習とニューラル ネットワークの違い
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。
Azure でディープ ラーニングを開始する
ニューラル ネットワークを使用して画像認識をサポートしたり、高速、簡単、そして高精度な BERT NLP モデルを使用して自然言語処理を最適化したりすることができます。Azure Machine Learning を使用してあらゆる種類のディープ ラーニング モデルを構築、トレーニング、デプロイする方法について詳しくご覧ください。
データ サイエンティストのための機械学習を詳しく見る
Azure でクラウド規模の機械学習ソリューションを構築する方法について、およびデータ科学者と機械学習のエンジニア向けの機械学習ツールについて詳しくご確認ください。