ディープラーニングとは何ですか？

1990年のアーノルドシュワルツェネッガー映画トータルリコール ほぼ1世紀後の、2084年の物語を描いています。映画によると、将来は自動運転車が登場するでしょう。これは1990年の空想科学小説でしたが、今日では現実となっています。 Apple、Alphabet、Nissan、Uber、その他多くの企業が自動運転車に取り組んでいます。テスラは機能的な自動運転車を最終消費者に販売しており、これはうまく機能しているようです。

たった30年でサイエンスフィクションを実現したのはなぜですか？答えはディープラーニングです。

人工知能からディープラーニングへ

ギリシャの火と金属加工の神であるヘファイストスは、黄金のロボットと機械を作りました。 1770年代の機械式トルコ人の早い段階で、人間は人間の知性を模倣する装置を開発してきました。機械的なトルコ人は欺瞞でしたが、人間を打ち負かすことができる後のコンピューターは20世紀後半に開発されました。それらはすべて、人間の脳を模倣できるシステムを作成するために努力していました。

図1。 トルコ人の断面図。使用した画像 フンボルト大学図書館

人工知能（AI）は、人間の脳を模倣しようとするコンピューティングシステムに付けられた用語です。 Alan Turingのチューリングマシンは、ロジックを使用してソリューションに到達する原始的なAIシステムでした。

機械学習（ML）は、モデルを使用してタスクを実行するAIのサブセットです。これらのモデルは、大量のデータでトレーニングされています。 1997年に世界チェスチャンピオンのGarryKasparovを打ち負かしたコンピューターであるDeepBlueは、MLの一例です。

ディープラーニングもMLのサブセットであり、モデルは人間の監督なしでデータから学習します。したがって、深層学習システムは、非構造化データの教師なし学習が可能です。

ディープラーニング：どのように機能しますか？

ディープラーニングは、情報を伝達して処理するニューロンを構成する人間の脳の構造に触発されています。深層学習で使用される構造は、人工ニューラルネットワーク（ANN）と呼ばれます。 ANNは、人間の監督なしで情報を識別および分類でき、教師なし学習が可能であると言われています。これには、教師あり学習を使用する従来のMLと比較して、はるかに大量のデータが必要です。

ANNは、データが通過する入力層から出力層までの複数の層で構成されます。入力層と出力層以外の残りの層は、非表示層と呼ばれます。 ANNの最初の層、つまり入力層はニューロンで構成されています。 ANNのニューロンは、人間のニューロンを厳密に表す数学関数です。

図2。 ANN入力および出力レイヤーの概念。

異なる層を介した情報伝送は、接続チャネルを介して行われます。 ANNのレイヤー内のすべてのノードは、これらのチャネルを使用して次のレイヤー内のすべてのノードに接続されます。各チャネルには、その重みと呼ばれる値が付加されています。したがって、チャネルは加重チャネルと呼ばれます。

隠れ層のすべてのニューロンには、バイアスと呼ばれる固有の番号が関連付けられています。情報は、チャネルに関連付けられた重みを使用して、あるレイヤーから次のチャネルに渡されます。次の層のニューロンに到達すると、バイアスが入力の加重和に追加されます。

この数学演算の結果は、活性化関数に送られます。活性化関数は、ニューロンがアクティブであるかどうかを決定します。これは、チャネルからの加重和にバイアスを追加して得られた結果に非線形活性化関数を適用することによって行われます。活性化関数は、ニューロンの出力に非線形性を追加します。

活性化関数の適用後にアクティブになるニューロンのみが、次の層に情報を送信できます。これは、最後のレイヤーである出力レイヤーまで続きます。ニューロンのチャネルの重みと隠れ層のバイアスは、十分に訓練されたモデルを受け取るように常に調整されます。

最も人気のあるディープラーニングフレームワークのいくつかは次のとおりです。

• GoogleによるTensorflow
• FacebookによるPyTorch
• カリフォルニア大学バークレー校のカフェ
• Microsoft Cognitive Toolset
• OpenAI

ディープラーニングのデータ

データはディープラーニングの原料です。理論的には、任意の量のデータがモデルを改善します。ただし、データ収集の労力、必要なトレーニング時間、モデルのトレーニングに必要な計算能力を考慮すると、深層学習のデータ量は無限ではありません。逆に、データが少なすぎると、信頼できる深層学習モデルが得られません。

成功するモデルをトレーニングするために必要なデータの量については、カットアンドドライのルールはありません。これは主に、トレーニングされたモデルの結果に依存します。モデルの信頼性が十分でない場合は、より多くのデータが必要です。深層学習モデルのトレーニングに必要な最小限のデータには、いくつかの経験則があります。

• 回帰分析による予測のための少なくとも20のデータポイント
• コンピュータビジョンで分類するための少なくとも1,000枚の画像

これらは、ディープラーニングを使用するこれらのより一般的なアプリケーションの2つのヒューリスティックです。データエンジニアは、さまざまなアプリケーションに対して同様のルールを提唱しています。すべての経験則と同様に、これらは完全ではなく、特定のアプリケーションに応じて変更する必要があります。

ディープラーニングの産業用アプリケーション

ディープラーニングには多くの産業用アプリケーションがあります。それらのいくつかを見てみましょう。

自動運転車

自動運転車は現在、消費者に販売されていますが、多くの産業用途もあります。自動運転は、工場で使用される輸送装置に組み込むことができます。たとえば、無人搬送車（AGV）は完全に無人搬送することができます。これにより、安全性と効率を向上させながら、そのような作業で手作業を行う必要がなくなります。

図3。 ロジスティクス倉庫で使用されているAGV。

コンピュータビジョン

コンピュータは、画像からオブジェクトを分類して認識します。コンピュータビジョンは自動運転車の一部である場合もありますが、産業用アプリケーションではさらに多くの用途があります。コンピュータビジョンは、オブジェクトの並べ替えを自動化できます。コンピュータビジョン支援システムは、品質検査を実行できます。また、プラントの敷地と産業プロセスの監視を自動化することもできます。

サプライチェーン管理

企業のサプライチェーンは、複数のベンダー、サプライヤー、地域、規制にまたがる複雑なシステムです。大量の商品を手動で管理することは不可能な作業です。ディープラーニングは、サプライチェーン内のIoT（Internet of Things）デバイスの助けを借りて生成された大量のデータを分析することにより、健全なサプライチェーンを維持するために使用できます。

医療アプリケーション

ディープラーニングには多くの医療用途もあります。 X線やMRIなどの医用画像の結果から異常を特定するために使用できます。また、24時間体制で付属の監視デバイスを使用して患者の健康状態を監視することもできます。ディープラーニングは、分子の最も可能性の高い組み合わせを与えることにより、創薬を支援することができます。

ディープラーニングには、航空宇宙、宇宙探査、鉱業、ナビゲーション、防衛システム、サイバーセキュリティなど、さらに多くの産業用アプリケーションがあり、そのリストは続きます。ディープラーニングはすべての業界で急速に採用されており、まもなくインダストリー4.0の重要かつ避けられない要素になるでしょう。