「BigData Developer」の 1年生がフィニッシュラインに到達しました-今日は最後の月で、生存者は軍の卒業プロジェクトに従事します。 したがって、彼らはこのかなり難しいコースのセットを開きました。 したがって、BD、MLなどに密接に関連するAIの現在の傾向に関する興味深い記事ノートを見てみましょう。
行こう
人工知能は、意思決定の忠実度を評価する主な手段として、政府およびビジネスリーダーの長の監視下にあります。 しかし、学術研究者や企業研究者の発見が今後数年間のAI開発のコースを設定する研究所で何が起こるでしょうか？ PwC AI Acceleratorの独自の研究者チームは、主要な開発に照準を合わせました。これは、ビジネスリーダーと技術者の両方が綿密に監視する必要があります。 これが彼らが何であり、なぜ彼らがとても重要なのかです。
1.深層学習の理論：ニューラルネットワークの仕事の謎解き
概要 ：人間の脳を模倣したディープニューラルネットワークは、画像、音声、テキストデータから「学習」する能力を実証しています。 それでも、それらが10年以上使用されているという事実を考慮しても、ニューラルネットワークがどのように訓練されるか、なぜうまく機能するかなど、 ディープラーニングについてはあまり知りません。 これは、ディープラーニングの情報ボトルネックの原理を適用する新しい理論のおかげで変わる可能性があります。 本質的に、理論は、初期調整段階の後、ディープニューラルネットワークがノイズデータ（つまり、多くの無意味な追加情報を含むデータセット）を「忘れ」て圧縮し、このデータが表すものに関する情報を保持すると仮定します。
なぜそれが重要なのか ：ディープラーニングがどのように機能するかを正確に理解することは、その広範な開発と使用に貢献します。 たとえば、ネットワーク設計とアーキテクチャの最適な選択をより明確にすると同時に、信頼性の高いシステムや制御アプリケーションの透明性を高めることができます。 他のタイプのディープニューラルネットワークおよび一般的な開発に適用されるこの理論の研究から、より多くの結果が得られることを期待してください。
2.カプセルネットワーク：視覚情報の脳処理の模倣
内容 ：新しいタイプのディープニューラルネットワークである被膜ネットワークは、視覚情報を脳とほぼ同じ方法で処理します。つまり、階層関係をサポートできます。 これは、単純なオブジェクトと複雑なオブジェクトの間の重要な空間階層を考慮していない、最も広く使用されているニューラルネットワークの1つである畳み込みニューラルネットワークとは対照的であり、誤った分類と高いエラー率につながります。
なぜこれが重要なのか ：典型的な識別作業では、カプセルネットワークはエラーを50％削減することで精度を向上させます。 また、トレーニングモデルにそれほど多くのデータを必要としません。 多くの問題領域やディープニューラルネットワークアーキテクチャでカプセルネットワークが広く使用されることを期待してください。
3.強化による深層学習：環境と対話してビジネス上の問題を解決します
概要：観察、行動、報酬を通じて環境と対話することで学習するニューラルネットワークのトレーニングの一種。 深層強化学習（DRL ）は、人間を倒した有名なAlphaGoプログラムを含むAtariやGoなどのゲーム戦略の研究に使用されています。
重要性：DRLはすべてのトレーニング方法の中で最も普遍的であるため、ほとんどのビジネスアプリケーションで使用できます。 モデルのトレーニングに必要なデータは、他の方法よりも少なくて済みます。 さらに注目に値するのは、シミュレーションを使用してトレーニングできることです。これにより、データのラベル付けがまったく不要になります。 これらの利点を考えると 、来年にはDRLとエージェントモデリングを統合するより多くのビジネスアプリケーションが期待されます。
4.生成競争ネットワーク：ニューラルネットワークを組み合わせて学習を促進し、計算負荷を軽減します。
概要 ：生成的敵対ネットワーク（ GAN ）は、2つの競合するニューラルネットワークとして実装される、教師なしの深層学習システムの一種です。 1つのネットワーク、ジェネレーターは、実際のデータセットとまったく同じように見える偽データを作成します。 2番目のネットワークであるディスクリミネーターは、本物のデータと生成されたデータを処理します。 時間が経つにつれて、各ネットワークが改善され、特定のデータセットの分布全体を調査できるようになります。
重要な理由 ：GANは、ラベル付きデータが存在しないか、受信するには費用がかかりすぎる、教師以外の幅広い学習タスクにディープラーニングを提供します。 また、2つのネットワーク間で負荷が共有されるため、ディープニューラルネットワークの実装に必要な負荷も軽減されます。 GANを使用したサイバー攻撃の検出など、より多くのビジネスアプリケーションが期待されています。
5.不完全な（リーンデータ）および拡張データのトレーニング：マークされたデータを使用して問題を解決する
それが何であるか ：機械学習（特にディープラーニング）のかなり大きな問題は、システムトレーニング用の大量のラベル付きデータの可用性です。 この問題の解決には、2つの一般的な方法が役立ちます。（1）新しいデータを合成し、（2）あるタスクまたは領域用に準備されたモデルを別の領域に転送します。 トレーニングの転送 （1つのタスク/フィールドから得られた知識の別の転送）または最初の学習（1つのみまたは関連する例なしで発生する「極端な」学習の転送）などの方法は、「不完全なデータ」リーンデータ）。 同様に、モデリングまたは補間による新しいデータの合成は、より多くのデータを取得するのに役立ち、それによって既存のデータを補完して学習を改善します。
なぜそれが重要なのか ：これらの方法を使用すると、さまざまな問題、特に完全な入力を持たない問題を解決できます。 不完全なデータや補足データ、およびさまざまな種類のトレーニングを使用してさまざまなビジネス上の問題を解決するためのオプションが増えることを期待してください。
6.確率的プログラミング：モデル開発を促進する言語
内容 ：確率モデルの開発を促進し、このモデルを自動的に「解決」する高レベルのプログラミング言語。 確率的プログラミング言語を使用すると、モデルライブラリを再利用し、インタラクティブなモデリングと形式的検証をサポートし、ユニバーサルモデルクラスで共通の効果的な出力を作成するために必要な抽象化レベルを提供できます。
なぜそれが重要なのか ：確率的プログラミング言語には、ビジネス分野でよくある曖昧で不完全な情報を考慮する能力があります。 これらの言語が広く採用され、ディープラーニングにも適用されることが期待されます。
7.ハイブリッド学習モデル：モデルの不確実性アプローチの組み合わせ
概要 ：GANやDRLなどのさまざまなタイプのディープニューラルネットワークは、そのパフォーマンスとさまざまなタイプのデータでの広範な使用という点で非常に有望です。 ただし、深層学習モデルは 、ベイジアンまたは確率論的アプローチのように不確実性をモデル化しません。 ハイブリッド学習モデルは、2つのアプローチを組み合わせて、それぞれの長所を活用します。 ハイブリッドモデルの例には、ベイジアン深層学習、ベイジアンGAN、およびベイジアン条件付きGANがあります。
重要性 ：ハイブリッド学習モデルは、不確実性を伴うディープラーニングなど、ビジネスタスクの多様性を拡大します。 これにより、パフォーマンスとモデルの理解性が向上し、ひいてはより広範な採用につながる可能性があります。 ディープラーニングメソッドがベイジアン等価物を獲得することを期待し、確率的プログラミング言語のレイアウトにディープラーニングが含まれるようになります。
8.自動機械学習（AutoML）：プログラミングなしでモデルを作成する
内容 ：機械学習モデルの開発には、データの準備、機能の選択、モデルまたは手法の選択 、トレーニングおよびチューニングを含む、専門家の監督の下で時間のかかる作業プロセスが必要です。 AutoMLは、さまざまな統計的および詳細な学習方法を使用して、このワークフローを自動化することを目的としています。
重要な理由 ：AutoMLは、AIツールの民主化と見なされる機能の一部であり、ビジネスユーザーは深いプログラミングなしで機械学習モデルを開発できます。 また、データサイエンティストがモデルを作成するのにかかる時間を短縮します。 より大きな機械学習プラットフォームで、より多くの商用AutoMLパッケージとAutoML統合が見られることを期待してください。
9.デジタルツイン：産業用アプリケーション以外のバーチャルコピー
概要 ：デジタルダブルは、物理的または心理的なシステムの詳細な分析と監視を容易にするために使用される仮想モデルです。 デジタルダブルの概念は、 産業界で生まれ、ウィンドファームや産業システムなどの分析や監視に広く使用されていました。 現在、エージェントベースのモデリング（自律エージェントのアクションと相互作用をモデル化する計算モデル）およびシステムダイナミクス（行動の分析とモデリングへのコンピューターベースのアプローチ）を使用して、デジタルツインは顧客行動の予測を含む非物理オブジェクトおよびプロセスに適用されます 。
重要な理由 ：デジタルのカウンターパートは、予測診断方法を提供し、IoTシステムをサポートすることで、モノのインターネット（IoT）の開発と幅広い採用を促進できます。 将来的には、物理システムと消費者選択のモデリングの両方で、デジタルツインの使用が増えると予想されます。
10. AIの説明：ブラックボックス法
それは何ですか ：今日、非常に多くの異なるアプリケーションに触れ、考え、行動する多くの機械学習アルゴリズムがあります。 ただし、これらのアルゴリズムの多くは「ブラックボックス」と見なされ、結果をどのように達成したかについてはほとんど明らかにしていません。 説明されたAIは、予測の精度を維持しながら、より理解しやすいモデルを作成する機械学習手法の開発に向けた動きです。
重要性 ：説明可能、証明可能、透明なAIは、この技術の信頼性を構築するために重要であり、機械学習手法のより広範な採用を促進します。 企業は、大規模なAIの展開に着手する前にExplained AIを要件またはベストプラクティスとして使用しますが、政府はExplained AIを将来的に標準規格にすることができます。
終わり
いつものように、私たちはここでコメントや問題の議論を待っています。たとえば、これは公開レッスンでKseniaと議論できます。