こんばんは
ゆうです。
要望が多かったので
今回は最近話題のディープラーニングってなんだ？
と言うことをお伝えします！
そもそもディープラーニングが
日本で騒がれ出した理由ってなんだ？
一般の方にこの用語が広まったきっかけは
「AlphaGo」だと思っています！
（もちろん技術者の間では
それよりも前から知られていましたが）
「AlphaGo」は、
2016年3月に数多くの世界戦優勝経験のある
世界的な囲碁のプロ棋士李世乭（九段）に挑戦したんですね。
結果は、4勝1敗と勝ち越しました。
なんで囲碁で勝ったことがすごいのか？
それまでは
オセロやチェスといったボードゲームでは、
従来の人工知能でも人間に勝利していました。
なぜなら動きがルールで制限されているため、
次の手を予測する全体の数が少なくて済むんですね。
しかし、囲碁については
次に取り得る選択肢が多すぎるため、
計算量が多すぎて処理しきれず
難攻不落の砦といわれていました。
なぜならプロの囲碁は
勝つために10手以上先を何通りも
予測する必要があります。
しかし、たった３手先を予測するのに
(19×19箇所-1)×(19×19箇所-2)×(19×19箇所-3)
といった計算を何通りもやらなければならないからです。
(最初はおけるところが19×19箇所あるので・・・
+どこにでも置いて良いんです・・・)
しかも、「AlphaGo」が勝利したのは
ただのプロ棋士に勝ったのではなく、
現代囲碁界最強と名高いイ・セドル九段
だったから大ニュースだったんですね。
結局ディープラーニングってなんだ？
ここに一枚の画像があります。
この画像を見たとき、
あなたはとっさにどう判断しましたか。
おそらく思うはずです。
「パンダじゃん」
たとえパンダを知らなくても、
「動物だな」とか、「生き物だな」
と何かしらを認識して判断したはずです。
これは脳内で無意識に
下記のプロセスをたどった結果、起きたことです。
- これまで生きてきた中で図鑑や、テレビ、実物で「パンダ」を見てきた。
- 脳の中で「白黒の模様があるから」「毛が生えているから」「耳が丸いから」などの特徴を抽出し、「パンダ」と記憶した。
- この画像を見たときにこれまで学んだ特徴を照らし合わせ、とっさに近いものを関連付け「パンダ」と判断した。
このように脳内の神経回路網と
そのプロセスを模倣したのが
「ニューラルネットワーク」
という機械学習ロジックであり、
これを " 多層にして " 組み合わせたもの、
この総称を
「Deep Learning」（ディープラーニング）
と呼びます。
なぜ " ディープ "ラーニングかというと
" 多層にする "から
深くなるでしょう？
ということなんですね。
最初の覚え方としては
「深い層まで行う機械学習」
と理解していればとりあえずは大丈夫でしょう。
ディープラーニングを活用した試み
きゅうりの自動仕分け機
この記事ではGoogleが公開している
「Tensor Flow」と呼ばれるフレームワークを使って
きゅうりの自動仕分け機を開発した
個人農家について書かれています。
記事を要約すると
- きゅうりの仕分けは明確な業界基準がなく農家ごとの目利きで選定している。
- 目利きは長さ、太さ、色艶などを総合的に判断する。そのため、正確な目利きの技術は一朝一夕で身につくものではなく、長年の経験がものをいう。
- きゅうりの画像を7000枚以上撮影し、ディープラーニングを使って機械に学習させた。
- サンプルデータを使っての正解率は95％だが、新しい画像で試すと70％にダウンするため、より多くのテストデータが必要
株価の自動予測
誰もがあったらほしいと答えるであろう
株価の自動予測システム。
このシステムをディープラーニングで
作ろうとした人がいました！
現状、テストデータで67％の正解率だそうです。
プログラムを行われた方によると、
- 機械学習を行うためのデータの準備
- パラメータの調整
が大変とのこと。
(これらの調整は
機械学習の精度を上げるために
必須の取り組みです。)
先ほどのきゅうり自動仕分け機にしても
7000枚の写真を使って、
なお「過学習」が発生しています。
過学習：少数の学習用データに偏って学習してしまう現象
過学習が発生しないようにするには、
大量のデータが必要となるため、
そういった面でも個人での利用が
まだまだ難しいと感じます。
アイドルの顔識別
世間では「アイドルの顔はみんな同じに見える」
というよく言われています。
その言葉から着想を得て、
ディープラーニングによる顔識別システムを作った
という試み。
この記事のシステムでは、ももくろの5人のメンバーについて識別を行えます。
こちらは学習用データの写真が1000枚で正解率が75％。
データ不足が原因なのかは分かりませんが、80％の壁を超えるのが難しいみたい。
似たような試みでラブライブ！のメンバーを識別するものもありました。
医療分野での活用
ディープラーニングは医療分野でも活用が期待されています。
その一例がレントゲン写真やCTスキャン画像から病気を判定するという試み。
画像からではなく、医療データから治療方針や薬について情報を提案してくれるシステムも開発されています。
人間の声に近い人工音声の生成
Googleの人工知能研究企業である
DeepMindではディープラーニングにより、
人間の声を解析し、
それに近い人工音声の生成する技術
「WaveNet」を実現しました。
従来の人工音声（TTS）では、
前後の単語による音声の変化を
要素として組み込むことができず
違和感が残るという課題がありました。
しかし、
ディープラーニングを用いることで、
音声クリップとテキストを
対応させることができるように
なったそうです。
DeepMind社のページで
TTSとWaveNetの聞き比べができるのですが、
確かにWaveNetの方が
単語と単語のつなぎの発音が
人間に近く感じます。
まとめ
精度を高めようとするとどうしても
膨大なテストデータが必要となり、
個人ではなかなか難しいというのが
現状です。
しかし、「Tensor Flow」をはじめとする
企業が公開したフレームワークやライブラリが増え
専門書も出ています。
そのため、簡単なものならば趣味で
作れるくらいには身近なものに
なってきたのかなと思います。
企業が行っている試みについては
お金がかかっているだけあってどれも
便利で素晴らしいものだと感じました。
これだけ多くの試みがされているとなると、
近い将来、日常生活で使用する多くのものに
ディープラーニングが関わるようになるのかもしれません。
プログラミングの相談にのっております。
- どう勉強していいかわからない
- IT業界って実際どうなの？
- プログラミングできるようになりたい！
という方。気軽に連絡してください！
またメルマガの配信も行なっております。
- どうやって勉強したらいいのかわからない
- プログラミング未経験なんだけど、どうしたらいいの？
- 専門用語も何もわからない
- 上司に怒られてばかりの今の状況を打破したい
という方はどうぞ。