深層学習とは

深層学習には、自動車、航空宇宙、製造、エレクトロニクス、医学研究、その他の分野でいくつかのユースケースがあります。深層学習の例をいくつか挙げます。

• 自動運転車は、深層学習モデルを使用して道路標識や歩行者を自動的に検出します。
• 防衛システムは、深層学習を使用して、衛星画像内の対象地域に自動的にフラグを付けます。
• 医療用画像解析では、深層学習を使用し、医療診断のためにがん細胞を自動的に検出します。
• 工場では、深層学習アプリケーションを使用して、人や物が機械から安全ではない距離内に入った場合に自動的に検出します。

深層学習のこれらのさまざまなユースケースは、コンピュータビジョン、音声認識、自然言語処理 (NLP)、およびレコメンデーションエンジンの 4 つのカテゴリに分類できます。

コンピュータビジョン

コンピュータビジョンは、画像や動画から情報やインサイトを抽出するコンピュータの機能です。コンピュータは、深層学習技術を使用して、人間と同じように画像を理解できます。コンピュータビジョンには、次のような用途がいくつもあります。

• 画像や動画のアーカイブから安全でないコンテンツや不適切なコンテンツを自動的に削除するコンテンツのモデレーション
• 顔を識別し、開いた目、眼鏡、顔の毛などの属性を認識する顔認識
• ブランドロゴ、衣類、安全装備、その他の画像の詳細を識別するための画像分類

音声認識

深層学習モデルは、さまざまな音声パターン、ピッチ、トーン、言語、およびアクセントにもかかわらず、人間の音声を分析できます。Amazon Alexa や自動トランスクリプションソフトウェアなどの仮想アシスタントは、音声認識を使用して次のようなタスクを実行します。

• コールセンターエージェントを支援し、通話を自動的に分類
• リアルタイムで臨床会話をドキュメントへ変換
• コンテンツのリーチを広げるための正確な字幕付きビデオと会議の記録

自然言語処理

コンピュータは、深層学習アルゴリズムを使用して、テキストデータとドキュメントからインサイトと意味を収集します。自然な、人間が作成したテキストを処理するこの機能には、次のような機能を含むいくつかのユースケースがあります。

• 自動化された仮想エージェントとチャットボット
• 文書やニュース記事の自動要約
• E メールやフォームなどの長文形式のドキュメントのビジネスインテリジェンス分析
• ソーシャルメディアでの肯定的なコメントや否定的なコメントなど、感情を示すキーフレーズのインデックス作成

レコメンデーションエンジン

アプリケーションは、深層学習手法を使用してユーザーのアクティビティを追跡し、パーソナライズされたレコメンデーションを作成できます。さまざまなユーザーの行動を分析し、新しい製品やサービスを発見するのに役立てることができます。例えば、Netflix、Fox、Peacockなどの多くのメディアおよびエンターテインメント企業は、深層学習を使用してパーソナライズされた動画のレコメンデーションを提供しています。

深層学習ニューラルネットワークの構成要素は次のとおりです。

入力レイヤー

人工ニューラルネットワークには、データを入力する複数のノードがあります。これらのノードは、システムの入力レイヤーを構成します。

非表示レイヤー

入力レイヤーはデータを処理し、ニューラルネットワーク内の後続のレイヤーに渡します。これらの非表示レイヤーは、情報をさまざまなレベルで処理し、新しい情報を受け取ったときに動作を適応させます。深層学習ネットワークには、さまざまな角度から問題を分析するために使用できる数百の非表示レイヤーがあります。

例えば、分類する必要がある未知の動物の画像が与えられた場合、それをすでに知っている動物と比較します。例えば、目と耳の形、大きさ、脚の数、毛皮のパターンを調べます。次のようなパターンの特定を試みる場合があります。

• その動物にひづめがあるので、牛または鹿の可能性があります。
• その動物に猫のような目があるので、野生の猫の一種の可能性があります。

深層学習ニューラルネットワークの非表示レイヤーも同じように機能します。深層学習アルゴリズムが動物画像の分類を試みる場合、それぞれの非表示レイヤーが動物の異なる特徴を処理して、正確な分類を試みます。

出力レイヤー

出力レイヤーは、データを出力するノードで構成されます。「はい」または「いいえ」の回答を出力する深層学習モデルの出力レイヤーには 2 つのノードしかありません。これに対し、より広い範囲の回答を出力するレイヤーには、より多くのノードがあります。 

深層学習ネットワークには、従来の機械学習に比べて次のようなメリットがあります。 

非構造化データの効率的な処理 

機械学習の手法では、トレーニングデータセットに無限のバリエーションがあるため、テキストドキュメントなどの非構造化データが見つかると処理が困難になります。一方、深層学習モデルは、非構造化データを理解し、手動で特徴を抽出しなくとも一般的な観測を行うことができます。例えば、ニューラルネットワークは、次の 2 つの異なる入力文が同じ意味を持っていることを認識できます。

• 支払い方法を教えてもらえませんか?
• 送金するにはどうすればよいですか? 

隠された関係とパターンを明らかにする

深層学習アプリケーションは、大量のデータをより詳しく分析し、トレーニングされていない可能性がある新しいインサイトを明らかにすることができます。例えば、消費者の購買を分析するようにトレーニングされた深層学習モデルを考えてみましょう。このモデルには、すでに購入した商品のデータのみが含まれています。ただし、人工ニューラルネットワークは、購入パターンを他の類似した顧客の購入パターンと比較することで、まだ購入していない新しい商品を提案できます。

教師なし学習

深層学習モデルは、ユーザーの行動に基づいて時間の経過とともに学習し、改善することができます。ラベル付けされたデータセットの多くのバリエーションは必要ありません。例えば、タイピング動作を分析することで単語を自動的に修正または提案するニューラルネットワークについて考えてみます。英語でトレーニングされており、英語の単語のスペルチェックが可能であると仮定します。ただし、danke などの英語以外の単語を頻繁に入力すると、ニューラルネットワークはこれらの単語も自動的に学習して自動修正します。

変動が激しいデータの処理

変動が激しいデータセットにはさまざまなバリエーションがあります。一例として、銀行のローン返済額があります。深層学習ニューラルネットワークは、金融取引を分析して不正検出のためにそれらのいくつかにフラグを立てるなどして、そのデータを分類してソートすることもできます。

クラウドインフラストラクチャで深層学習アルゴリズムを実行すると、これらの課題の多くを克服できます。クラウドで深層学習を使用して、深層学習アプリケーションの設計、開発、トレーニングを迅速に行うことができます。 

スピード

GPU と CPU のクラスターを使用してニューラルネットワークに必要な複雑な数学演算を実行することで、深層学習モデルのトレーニングを迅速に実行できます。次に、構築したモデルをデプロイして大量のデータを処理することで、さらに精度の高い結果を出すこともできます。

スケーラビリティ

クラウドでは幅広いリソースをオンデマンドで利用できるため、あらゆる規模の深層学習モデルに、事実上無制限のハードウェアリソースにアクセスできます。ニューラルネットワークは、複数のプロセッサを利用して、種類や数の異なるプロセッサ間でワークロードをシームレスかつ効率的に分散できます。