自己学習ニューラルネットワークは、さまざまなデータ配列で使用できるかなり普遍的なツールです。 Googleはこれを使用して音声認識の精度を改善しました。「認識エラーの数を20〜25％削減しました」とGoogleの音声認識責任者のVincent Vanhoucke氏は述べています。 「これは、多くの人々が紛れもない結果を得るということです。」 ニューラルネットワークは英語のアルゴリズムを最適化しましたが、Vanhawk氏は、他の言語や方言でも同様の改善を行えると述べています。
ニューラルネットワークは、Google Street Viewプロジェクトでも写真の小さな断片を処理するために使用されます。断片の番号が家番号であるかどうかを判断する必要があります。 驚くべきことに、このタスクでは、ニューラルネットワークは人間よりも高い認識精度を示します。
将来、ニューラルネットワークは、画像検索、Google Glassメガネ、無人のGoogle車など、他のGoogle製品で使用される予定です。 ニューラルネットワーク開発チームの1人であるジェフディーンは、自動車では、システムはレーザー距離計やモーターの音などのコンテキスト情報を考慮することができると言います。 ジェフディーンは、強力なニューラルネットワークはトレーニングプロセスで多くのコンテキスト情報を使用できると述べています。そのため、ほとんどの研究者が1台のコンピューターでニューラルネットワークをテストしている間に、1000台のサーバーの大きなクラスターを作成することにしました。
Googleニューラルネットワークを使用した実験の最初の結果は、2012年6月に公開されました。 テストでは、ニューラルネットワークが自己学習に適していることが示されています。 Youtubeから1000万のランダムフレームを表示した後、画像内の顔の存在に選択的に応答するニューロンがニューラルネットワークで形成されました。 科学者によると、自己学習の過程におけるGoogleのニューラルネットワークは、哺乳類の脳の視覚皮質のニューロンとほぼ同じように機能しました。 Googleのニューラルネットワークは、その規模にもかかわらず、視覚皮質のニューラルネットワークよりもノード数の点ではるかに小さいことに注意してください。
次の図は、最初の実験中の猫分類ニューロンの最適な刺激に対応する合成画像を示しています。
人間の顔のニューロン分類子の活性化時の最適な刺激に対応する合成画像。
