ディープラーニング：それは何ですか、それは機械学習とどのように関連していますか？

これまでに行ったいくつかの記事を続けて、ここでは ディープラーニングとは 何か 、および 機械学習 との関係について説明します。 どちらの用語も、私たちが住んでいる社会ではますます重要になっています。私たちを取り巻くものを知ることは役に立ちます。

コンテンツインデックス

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 結果 として2000年代に 生まれたテクニックのサブセットです。 このため、コンピュータサイエンスの一部であるブランチの1つとして分類する必要があります。

これらのシステムは、その構造もかなり複雑ですが、古い兄弟よりも自律的です。 これにより、 機械学習 アルゴリズムを備えた他のシステムと同じまたはより優れた作業を実行するさまざまなタイプのタスクを実行するときに、明確な利点が得られます 。

また、 ディープラーニング が前任者よりも際立っている他の作品があります。 最も悪名高いケースの1つは、 Goの 世界チャンピオンを倒すことができる Google の Intelligence である AlphaGo スタイルの 人工 知能 です。

多分それはあなたには少し中国語に聞こえるかもしれませんが、 囲碁 は非常に有名なゲームであり、また、非常に厳しいです。 文脈で言えば、数学者はこの趣味はチェスよりもかなり複雑であると強調しています。

一方、ディープラーニングは ビッグデータ と密接に関連しています。これらの優れた情報源は、 経験を学習して統合するために使用できるためです。 さらに、私たちが置かれている状況のおかげで、このテクノロジーの普及と開発のための環境は、次の3つの重要なポイントに最適です。

1. 今日のツールを使用すると、ほとんど誰からでもデータを取得して保存できるため、データが非常に蓄積されます。 コンポーネントは集合的にかなりのパワーを提供するのに適しているので、 私たちがいる技術の程度 。 以前の2つのポイントを利用して、 人工知能に 賭ける企業が増えているため、方法論を改善する企業の要望 。 あなたの会社が何千もの顧客からのデータを保存していて、テクノロジーがあなたに彼らから学び、それを使う機会を与えているなら、それは安全な賭けです。

ディープラーニング の構造

機械学習 と非常に似た開発にもかかわらず、この一連のアルゴリズムには核となる違いがあります。 最も重要なのは、おそらくその内部構造、つまりそのアルゴリズムを構成するコードです。

ディープラーニングに関する一般的な考え方

画像からわかるように、 ディープラーニング はニューラルネットワークと密接に関連しています。 この概念は新しいものではありませんが、長期間使用されていないため、 ご存じないかもしれません。

単純化するために、ニューラルネットワークを、 情報を処理および送信 する一連のアルゴリズム （それぞれレイヤーと呼ば れます）として定義できます。 各レイヤーは入力値を受け取り、出力値を返します。ネットワーク全体を通過するときに、最終的な結果値が返されます。 これはすべて、通常、順番に行われ、目的の結果に応じて、各レイヤーの重みが異なります。

ここでは、 スーパーマリオワールド をプレイするための 人工知能の 学習に関する短いビデオ （英語） を紹介します。

そして、 「なぜこのすべての方法がそれほど複雑なのですか？」 。 確かに ディープラーニングは、 まだ私たちが 弱い人工知能 と呼んでいるものに属していますが、それはおそらく強力への第一歩です。

この方法論は、 大まかに脳の働きに触発されています。 「物理世界」 で見られるものと同様に、システムは層を形成し、各層はニューロンと同様に機能します。 このように、レイヤーは相互に関連し、情報を共有します。最も重要なことは、 すべてが自律的に行​​われることです。

ディープラーニングの仕組みの非常に簡略化されたスキーム

このルールに従うと、最も完全な インテリジェンス は通常、 より多くのレイヤーとより高度なアルゴリズムを持つ インテリジェンス です。

人工知能 はこのアルゴリズムでどのように機能しますか？

この件に関する以前の記事をご覧になっている方は、すでにこのgifをご覧になったことでしょう。 ここでは、 人工知能 に関する私たちの記事を見ることができ、ここでは 機械学習 について少し読むことができます。

最後にもう一度お見せします。

この画像は、ニューラルネットワークを使用した インテリジェンスが どのように機能するかを非常に簡単に反映しています。 ご覧のとおり、彼の仕事は簡単です。画像を分類し、渡されたさまざまな写真から犬を検出する方法を学びます。

各画像は、入力フィード、つまり最初の計算が既に開始される 入力レイヤーを入力 することから始まります。 得られた結果は第2層またはニューロンに共有され 、明らかに、 どのニューロンがこの計算を行ったかが通知されます。 このプロセスは、最後のプロセスに到達するまで、システムの層と同じ回数繰り返されます。

最後のニューロンは 出力層 と呼ばれ、この例では結果を示しています。 その他の場合、 出力レイヤー は計算されたアクションを実行することになります。 また、 （ビデオゲームのように） できるだけ速く動作する必要があるという式に入れると、結果はほぼ瞬時になるはずです。 しかし、現在の技術的なポイントのおかげで、 これはすでに可能です。

これの最も明確な例の1つは、 Google 自体の別の作成物である AlphaStar人工知能 です。

Google Deepmind 人工知能

世界最高の 囲碁 プレイヤーと戦うことができる AIである AlphaGo について お話し ました。 ただし、これには、 かなり印象的なマイルストーンを達成できる若い兄弟がいます。

AlphaZero

この インテリジェンス は、 たった 24時間 で超人的なレベルの チェス、障子を 学び、 数人の有名なプレイヤーを獲得しました。 また、敗北した対戦相手のリストで、彼は3日間の体験の AlphaGo Zero バージョンも指しています。 ここで、この 人工知能の 学習速度が 出てき ます。

すべての中で最も印象的なのは、チームが学習用の本やデータベースにアクセスできなかったため、彼らの戦術はすべて実践的に学習されたということです。

彼の別の出会いで、彼はチェスをするベテランの自動化されたオープンソースプログラムである Stockfish に直面しました。 しかし、わずか4時間で AlphaZero が支配し ました。

これは最初に約7000万の動きを計算しますが、チェスの AlphaZeroは 8万の異なる出口しか考慮しないことに注意してください。 予測の違いは、何が有望なプレーとなるかについてのより良い判断によって相殺されました 。

このような力のデモンストレーションで、新しい 人工知能の 力を見ることができます。

AlphaStar

一方、 AlphaStar は AI であり、現在は RTS Starcraft II （スペイン語でリアルタイム戦略） をプレイでき ます。

デモの時点で、 AlphaStar は10人のゲームを連続して勝利し、最後の1つだけを失っていた途中で、いくつかのプロのプレーヤーと戦った。

チェスやゴーとは異なり、 Starcraft II はリアルタイムの対戦なので、毎秒何かをしなければなりません。 これにより、現在のテクノロジーが計算と決定の熱狂的なリズムを維持できることを垣間見ることができます。

インテリジェンス の準備については、ライブテストの日程で、プロト （利用可能なレースの1つ） のみを使用して約200年のトレーニングを経験しました 。 また、カメラが物理的にユニット上にある場合にのみアクションを実行できるようにトレーニングされたため、人がどのようにプレイするかをより理解できるようになりました。

ただし、これらのハンディキャップがあるにもかかわらず、 AlphaStar はゲームの競争面で放棄された戦術を使用して遭遇のほとんどを打ち負かしました。 注意すべき1つの点は、 AlphaStar は通常 APM（アクション/分）を 低く抑えているため、その決定は非常に効率的であるということです。

AIとプロプレーヤーによって実行された1分あたりの平均アクション

しかし、状況がそれを必要とするとき、彼は簡単にカウンターを壊すことによって文字通りのユニットの超人的なコントロールを示します。

ここで彼のデモの1つを完全に見ることができます：

人工知能 の未来

このトピックについてはすでに説明したので、同じ話をあまり繰り返しません。 強調すべきは、 ディープラーニング を待っている可能性のある未来です。

人工知能の 専門家として知られている Andrew Yan-Tak Ng 氏によると 、 ディープラーニング は未来の 知性 への良い一歩です。 他の教育方法とは異なり、データサンプルを増やすと 、これはかなり効率的になります。

BABAHU X1：AI歯ブラシが利用可能になりました

次のスライドは彼のプレゼンテーション 「ディープラーニングについて情報科学者が知っておくべきこと」に 属しています。 興味のある方は、こちらのリンクからご覧いただけます。

無駄ではなく 、技術の開発は止まりません。 毎年、より強力なコンポーネントが使用されるようになるため、テストするパティオがますます増えます。 古いAI と 機械学習で 起こったように 、 新しいアルゴリズム、方法論、システムが登場し、今日の革新的な ディープラーニングに 取って代わります。

また、ご想像のとおり、未来はセミインテリジェントマシンによって対処されます。

他の記事で指摘したように、ほとんどの電子機器には サポートインテリジェンスが組み込まれてい ます （一部は既に組み込まれています） 。 非常に注目すべきケースは、より高品質の写真を撮るのに役立つ インテリジェンスの ケースです。

ただし、このテクノロジーがほとんどのユーザーにとって繁栄する可能性があるのは IoT （ モノのインターネット、スペイン語）です。

モノ の インターネット

この用語はテクノロジーとコンピューティングの会議でますます重要性を増しており、私たちに手段がある今、それ自体を統合しようとしています。

家電、電化製品などは識別可能なオブジェクトであり、相互に通信でき、さらにデバイスで制御できます。 このようにして、あるオブジェクトが存在する場所に存在するオブジェクトの数を数え、それらすべてとモバイルで対話することができます。 同様に、オブジェクトは互いに相互作用する可能性もあり、たとえば食品の有効期限が切れた場合、冷蔵庫を開いたときに、冷蔵庫から通知される可能性があります。

一方、 人工知能 は、 家電製品のステータスとパフォーマンスを監視できる必要があります。 これにより、電力計画を確立し、使用するエネルギーを最適化できます。

しかし、私たちが改善するために残している重要な点は、 インターネットの セキュリティです。 それはまだ多くの嫌がらせに苦しんでいるようには見えないものですが 、私たちがそれを安全なサービスにしたいならそれが不可欠であることは誰もが知っています。

それはやや抽象的な考えですが 、私たちの生活に侵入するので、 あなたは親しみやすくなります。

新しいテクノロジーと ディープラーニング の重要性

コンピューティングと 人工知能が 私たちを待つ未来の多くを形作ると考えることは避けられません。 したがって、ビットによって管理されている世界で何が起こっているのかを常に半分意識することが重要です。

その精神を念頭に置いて、これらのトピックを詳細に教えるさまざまな学位、コース、学位がどのように現れるかをすでに見ることができます。 たとえば、一部のデータエンジニアリング、 ビッグデータ に関する他の学位、そして明らかに ディープラーニング と 人工知能の コースが登場しています。

同じ理由で、 この件について調査することをお勧めします。 プラスとマイナス のあるインターネットは 、まだ自律的でも完全でもないし、本当に安全でもありませんが、ほとんど無限の知識源です。 運が良ければ、学ぶ場所が見つかり、新しい言語、または新しい世界に乗り出すことができます。

機械学習 はやや軽い分野なので 、データを少しいじるプログラムがあります。 主題についてもう少し学び、 自分自身/このテクノロジーの限界を確認することに興味がある場合は、 IBM Watson Developer Cloud または Amazon Machine Learningに アクセスできます 。 警告：アカウントを作成する必要がありますが、簡単に学習することはできませんが、いつかすばらしい目標を達成するのに役立つでしょう。

ここから先はアイデアの世界なので、 すべてがあなたの手の中にあります。 そしてあなたにとって、人工知能に関連する新しい技術についてどう思いますか？ 他に知っている、または見たい ディープラーニング アプリケーションは何ですか？ 下のボックスでアイデアを共有してください。

ソースビジネスブログThink BigXatakaMachine Learning Mastery