ニューラルネットワークとは

ニューラルネットワークには、次のような多くの業界にわたるいくつものユースケースがあります。

• 医用画像分類による医療診断
• ソーシャルネットワークフィルタリングと行動データ分析によるターゲットマーケティング
• 金融商品の履歴データを処理することによる財務予測
• 電気負荷とエネルギー需要の予測
• プロセスと品質管理
• 化合物の同定

以下に、ニューラルネットワークの重要な用途を 4 つ示します。

コンピュータビジョン

コンピュータビジョンは、画像や動画から情報やインサイトを抽出するコンピュータの機能です。ニューラルネットワークを使用すると、コンピュータは人間に似た画像を識別して認識することができます。コンピュータビジョンには、次のような用途がいくつもあります。

• 自動運転車の視覚認識による、道路標識や他の道路利用者の認識
• 画像や動画のアーカイブから安全でないコンテンツや不適切なコンテンツを自動的に削除するコンテンツのモデレーション
• 顔を識別し、開いた目、眼鏡、顔の毛などの属性を認識する顔認識
• ブランドロゴ、衣類、安全装備、その他の画像の詳細を識別するための画像ラベル

音声認識

ニューラルネットワークは、さまざまな音声パターン、ピッチ、トーン、言語、およびアクセントにもかかわらず、人間の音声を分析できます。Amazon Alexa や自動トランスクリプションソフトウェアなどの仮想アシスタントは、音声認識を使用して次のようなタスクを実行します。

• コールセンターエージェントを支援し、通話を自動的に分類
• リアルタイムで臨床会話をドキュメントへ変換
• コンテンツのリーチを広げるための正確な字幕付きビデオと会議の記録

自然言語処理

自然言語処理 (NLP) は、人間が作成した自然なテキストを処理する機能です。ニューラルネットワークは、コンピュータがテキストデータとドキュメントからインサイトと意味を収集するのに役立ちます。NLP には、次の機能など、いくつものユースケースがあります。

• 自動化された仮想エージェントとチャットボット
• 書き込まれたデータの自動編成と分類
• E メールやフォームなどの長文形式のドキュメントのビジネスインテリジェンス分析
• ソーシャルメディアでの肯定的なコメントや否定的なコメントなど、感情を示すキーフレーズのインデックス作成
• 特定のトピックのドキュメントの要約と記事の生成

レコメンデーションエンジン

ニューラルネットワークは、ユーザーアクティビティを追跡して、パーソナライズされたレコメンデーションを作成できます。また、すべてのユーザーの行動を分析し、特定のユーザーが関心を持つ新しい製品やサービスを見つけることもできます。例えば、フィラデルフィアを拠点とするスタートアップである Curalate は、ブランドがソーシャルメディアの投稿を売り上げに変換するのを支援しています。ブランドは、Curalate のインテリジェント製品タグ付け (IPT) サービスを使用して、ユーザーが生成したソーシャルコンテンツの収集とキュレーションを自動化します。IPT は、ニューラルネットワークを使用して、ユーザーのソーシャルメディア活動に関連する製品を自動的に検索して推奨します。消費者は、ソーシャルメディアの画像から特定の製品を見つけるためにオンラインカタログを探す必要はありません。代わりに、Curalate の自動製品タグ付けを用いて、製品を簡単に購入できます。

人工ニューラルネットワークは、データが入力ノードから出力ノードにどのように流れるかによって分類できます。以下に例を示します。

フィードフォワードニューラルネットワーク

フィードフォワードニューラルネットワークは、入力ノードから出力ノードへの一方向にデータを処理します。1 つのレイヤーのすべてのノードは、次のレイヤーのすべてのノードに接続されます。フィードフォワードネットワークは、フィードバックプロセスを使用して、時間の経過に伴う予測を改善します。

バックプロパゲーションアルゴリズム

人工ニューラルネットワークは、予測分析を改善するために修正フィードバックループを使用して継続的に学習します。簡単に言えば、ニューラルネットワークのさまざまなパスを介して入力ノードから出力ノードに流れるデータを思い浮かべることができます。入力ノードを正しい出力ノードにマップする正しいパスは 1 つだけです。このパスを見つけるために、ニューラルネットワークはフィードバックループを使用します。これは次のように機能します。

1. 各ノードは、パス内の次のノードについて推測します。
2. 推測が正しかったかどうかをチェックします。ノードは、より正確な推測につながるパスに高い重み値を割り当て、誤った推測につながるノードパスに低い重み値を割り当てます。
3. 次のデータポイントでは、ノードはより高い重みのパスを使用して新しい予測を行い、ステップ 1 を繰り返します。

畳み込みニューラルネットワーク

畳み込みニューラルネットワークの非表示レイヤーは、畳み込みと呼ばれる、要約やフィルタリングなどの特定の数学関数を実行します。これらは、画像の認識と分類に役立つ関連する特徴を画像から抽出できるため、画像の分類に非常に役立ちます。新しいフォームは、適切な予測を行うために重要な関数を失うことなく、処理が簡単になります。各非表示レイヤーは、エッジ、色、奥行きなどのさまざまな画像の特徴を抽出して処理します。

人工知能は、人間の知能を必要とするタスクを実行する能力を機械に与える方法を研究するコンピュータサイエンスの分野です。機械学習は、コンピュータに非常に大きなデータセットへのアクセスを提供し、このデータから学習するように教える人工知能技術です。機械学習ソフトウェアは、既存のデータ中のパターンを見つけ、それらのパターンを新しいデータに適用して、インテリジェントな意思決定を行います。深層学習は、深層学習ネットワークを使用してデータを処理する機械学習のサブセットです。

機械学習と深層学習

従来の機械学習手法では、機械学習ソフトウェアが十分に機能するために人間の入力が必要です。ソフトウェアが分析する必要のある関連機能のセットは、データサイエンティストが手動で決定します。これにより、ソフトウェアの機能が制限され、作成と管理が面倒になります。

一方、深層学習では、データサイエンティストは raw データのみをソフトウェアに提供します。深層学習ネットワークは、それ自体で特徴を導き出し、より独立して学習します。テキストドキュメントなどの非構造化データセットを分析し、優先するデータ属性を特定し、より複雑な問題を解決できます。

例えば、ペットの画像を正しく識別するために機械学習ソフトウェアをトレーニングする場合は、次の手順を実行する必要があります。

• 猫、犬、馬、ハムスター、オウムなど、何千ものペットの画像を手動で見つけてラベルを付けます。
• 機械学習ソフトウェアに検索する特徴を指示して、消去法で画像を識別できるようにします。例えば、脚の数を数え、目の形、耳の形、尻尾、毛皮などをチェックする場合があります。
• ラベル付けされたデータセットを手動で評価および変更して、ソフトウェアの精度を向上させます。例えば、トレーニングセットに黒猫の写真が多すぎる場合、ソフトウェアは黒猫を正しく識別しますが、白猫は識別しません。
• ただし、深層学習では、ニューラルネットワークがすべての画像を処理し、最初に脚の数と顔の形を分析し、最後に尻尾を見て画像内の動物を正しく識別する必要があると自動的に判断します。