ディープ・ラーニング

menu icon

ディープ・ラーニング

ディープ・ラーニングは、人間の脳を模倣する試みです。人間の能力には遠くおよばないものの、システムが集積したデータを基に、驚くべき精度で予測することを可能にします。

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手法の1種です。基本的に、ニューラル・ネットワークが3層以上の構成となっています。 このニューラル・ネットワークは、人間の脳の動作をシミュレートしようとするもので、その能力には遠く及ばないものの、大量のデータから「学習」することができます。 単層のニューラル・ネットワークでもおおよその予測は可能ですが、隠れ層を追加することで最適化され、より精度が高まります。

ディープ・ラーニングは、自動化を促進する多くの人工知能(AI)アプリケーションやサービスを駆使し、人間の介入なしに分析的、物理的なタスクを実行します。 ディープ・ラーニング技術は、日常の製品やサービス(デジタル・アシスタント、音声対応TVリモコン、クレジット・カード詐欺の検知など)だけでなく、新しいテクノロジー(自動運転車など)にも応用されています。

ディープ・ラーニングと機械学習の比較

ディープ・ラーニングが機械学習の手法の1種だとすると、両者はどのように違うのでしょうか。 ディープ・ラーニングは、扱うデータの種類や学習方法によって、従来の機械学習とは一線を画しています。

機械学習アルゴリズムは、構造化されたラベル付きデータを利用して予測を行います。つまり、モデル用の入力されたデータから特定の特徴を定義し、テーブルとして整理します。 これは、必ずしも非構造化データを使用しないという意味ではありません。使用する場合は、一般的に何らかの前処理を経て構造化されたフォーマットに整理します。

ディープ・ラーニングは、機械学習で一般的に行われるデータの前処理を一部省略できます。 これらのアルゴリズムは、テキストや画像などの非構造化データを取り込んで処理できます。 特徴の抽出を自動化することで、人間の専門家への依存をある程度少なくすることができます。 例えば、さまざまなペットの写真があり、「猫」「犬」「ハムスター」などに分類したとします。 ディープ・ラーニングのアルゴリズムは、それぞれの動物を区別するために、どの特徴(例えば耳)が最も重要であるかを判断することができます。 機械学習では、この特徴の階層を人間の専門家が手作業で設定します。

その後、勾配降下法とバック・プロ・パゲーションのプロセスにより、ディープ・ラーニング・アルゴリズムの精度を調整して適合させ、動物の新しい写真について高い精度で予測できるようになります。 

機械学習やディープ・ラーニング・モデルは、通常、教師あり学習、教師なし学習、強化学習に分類されています。また、異なるタイプの学習も可能です。 教師あり学習では、ラベル付けされたデータ・セットを利用して分類や予測が行われます。入力データに正しくラベル付けするために、何らかの人間の介入が必要となります。 これに対し、教師なし学習では、ラベル付けされたデータ・セットを必要とせず、代わりにデータのパターンを検出し、あらゆる特徴を基にデータをクラスタリングします。 強化学習は、フィードバックに基づいて、ある環境下での行動の精度を高め、報酬を最大化する学習プロセスです。

各技術のニュアンスの違いについては、「AI vs. 機械学習 vs. ディープ・ラーニング vs. ニューラル・ネットワーク: その違いは何か。」をご覧ください。

教師あり学習と教師なし学習の具体的な違いについての詳細は、「教師あり学習と教師なし学習: その違いは何か。」をご覧ください。

ディープ・ラーニングの仕組み

ディープ・ラーニングのニューラル・ネットワークは、データの入力、重み、バイアスの組み合わせによって、人間の脳を模倣しているにすぎません。 これらの要素が連動して、データ内のオブジェクトを正確に認識、分類、記述します。

ディープ・ニューラル・ネットワークは、相互に接続されたノードの複数の層で構成され、それぞれが前の層の上に構築されて、予測や分類を最適化し、精度を向上します。 このように、ネットワークを介して計算が進むことを順伝播といいます。 ディープ・ニューラル・ネットワークの入力層と出力層は可視 層と呼ばれます。 入力層はディープ・ラーニング・モデルがデータを取り込んで処理する場所であり、出力層は最終的な予測や分類を行う場所です。

また、バックプロパゲーションと呼ばれるプロセスでは、予測値の誤差を計算するために勾配降下のようなアルゴリズムを使用し、 モデルをトレーニングするために層を逆行させて関数の重みとバイアスを調節します。 ニューラル・ネットワークは、前方伝搬とバック・プロパゲーションを併用することで予測を行い、それに応じて誤差を修正します。 時間の経過とともに、アルゴリズムは徐々に精度を高めていきます。

以上、最もシンプルなタイプのディープ・ニューラル・ネットワークを簡単に説明しました。 しかし、ディープ・ラーニングのアルゴリズムは非常に複雑で、特定の問題やデータ・セットに対応するために、さまざまなタイプのニューラル・ネットワークが存在します。 例えば、次のようなものがあります。

  • Convolutional neural networks(CNNs) は、主にコンピューター・ビジョンや画像分類のアプリケーションで使用されます。画像内の特徴やパターンを検出し、物体の検出や認識などのタスクを実行します。 2015年には、物体認識の課題で、CNNが初めて人間を上回りました。
  • Recurrent neural network(RNNs) は、順次データや時系列データを活用し、主に、自然言語や音声認識アプリケーションで使用されます。

ディープ・ラーニングのアプリケーション

実際のディープ・ラーニングのアプリケーションは、私たちの日常生活の一部となっています。しかし、ほとんどの場合、製品やサービスにうまく組み込まれているため、ユーザーはバックグラウンドで行われている複雑なデータ処理には気付いていません。 その例として、次のようなものがあります:

法執行機関

ディープ・ラーニング・アルゴリズムは、トランザクション・データを分析、学習し、詐欺や犯罪の可能性を示す危険なパターンを特定することができます。 音声認識、コンピューター・ビジョン、その他のディープ・ラーニングのアプリケーションでは、録音や録画、画像、文書からパターンや証拠を抽出することができます。法執行機関は、これらを活用し、大量のデータをより迅速かつ正確に分析できるようになり、捜査分析の効率性と効果が向上します。

金融サービス

金融機関は、定期的に予測分析を使用して、株式のアルゴリズム取引を推進し、融資承認のためのビジネス・リスクを評価し、不正を検知しています。また、顧客の信用と投資ポートフォリオの管理に役立てています。

カスタム・サービス

多くの組織が、顧客サービス・プロセスにディープ・ラーニング技術を組み込んでいます。 さまざまなアプリケーション、サービス、顧客サービス・ポータルで使用されるチャットボットは、簡易的なAIの形と言えます。 従来のチャットボットは、コール・センターのようなメニューで一般的に見られる自然言語や視覚認識を使用しています。 しかし、より洗練されたチャットボットのソリューションでは、曖昧な質問に対して複数の回答があるかどうかを、学習によって判断しようとします。 受け取った回答に基づいて、チャットボットはこれらの質問に直接答えるか、人間のユーザーに会話を転送しようとします。

AppleのSiri、Amazon Alexa、Google Assistantなどのバーチャル・アシスタントでは、音声認識機能を備えており、チャットボットの機能を向上しています。 これにより、パーソナライズされた方法でユーザーを引き込むいう、新しい手法が生み出されました。

医療

医療業界では、病院の記録や画像がデジタル化されてから、ディープ・ラーニングの機能が大きく役立っています。 画像認識アプリケーションの活用により、医療画像の専門家や放射線技師は、より多くの画像をより短時間で分析および評価できるようになっています。

ディープ・ラーニングのハードウェア要件

ディープ・ラーニングは、膨大な計算能力を必要とします。 高性能な画像処理装置(GPU)は、大容量メモリーを使用しながら複数のコアで大量の計算処理を実行できるため、理想的な処理装置と言えます。 しかし、オンプレミスで複数のGPUを管理すると、社内のリソースに大きな負担がかかり、拡張にも膨大なコストがかかります。

ディープ・ラーニングとIBM

IBMは数十年前から、AIチャットボットであるIBM Watsonの開発で脚光を浴びており、AI技術やディープラーニングの開発における先駆者となっています。 ディープ・ラーニング技術をいち早く活用したWatsonは、現在、AIの導入と実装に実績ある段階的なアプローチを用いて、高度な自然言語処理と機械学習の技術をシステムに適用しようとしている企業にとって、信頼できるソリューションとなっています。

Watsonは、アプリケーションで強力な深層学習機能が利用できるよう、Apache Unstructured Information Management Architecture(UIMA)フレームワークとIBMのDeepQAソフトウェアを使用しています。 IBM Watson Studioのようなツールを活用することで、企業はビッグデータを活用し、データデサイエンス・プロジェクトを実運用に移し、あらゆるクラウド上でモデルを展開、実行することができます。

ディープ・ラーニング技術の導入に関する詳細は、IBM Watson Studioをご確認ください。

IBMidを登録し、IBM Cloudアカウントを作成してください