深層学習とは

深層生成学習は、学習した入力から新しい出力を作成することに重点を置いた深層学習です。従来、深層学習はデータ間の関係を識別することに重点を置いていました。深層学習モデルは、データセット内のパターンを認識するために大量のデータを使用してトレーニングされました。

深層生成学習は、パターン認識に生成を追加するものです。このようなモデルはデータパターンを探し、それから独自のパターンを作成します。例えば、複数の本のテキストを分析し、その情報を使用して元の本にはない新しい文や段落を生成できます。

深層生成学習は、最新の生成 AI と基盤モデルの基礎です。これらのモデルは、膨大なデータでトレーニングされた深層学習テクノロジーを大規模に使用して、質問への回答、テキストからの画像の作成、コンテンツの作成などの複雑なタスクを実行します。

基盤モデルの概要の動画を視聴する

深層学習には、自動車、航空宇宙、製造、エレクトロニクス、医学研究、その他の分野でいくつかのユースケースがあります。

• 自動運転車は、物体検出に深層学習モデルを使用します。
• 防衛システムは、深層学習を使用して、衛星画像内の対象地域にフラグを付けます。
• 医療用画像解析では、深層学習を使用し、医療診断のためにがん細胞を検出します。
• 工場では、深層学習アプリケーションを使用して、人や物が機械から安全ではない距離内に入った場合に検出します。

これらの深層学習のさまざまなユースケースは、コンピュータビジョン、音声認識、自然言語処理 (NLP)、レコメンデーションエンジン、生成 AI という 5 つの大まかなカテゴリに分類できます。

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とインサイトを自動的に抽出します。人間と同じように画像を理解するための深層学習の手法。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。

• 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分類

音声認識

深層学習モデルは、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、テキスト読み上げ、音声テキスト変換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します。
• 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
• スクリプトをプロンプトに変換して、インテリジェントな音声アシスタントを実現します。

自然言語処理

コンピュータは、深層学習アルゴリズムを使用して、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します。自然な、人間が作成したテキストを処理するこの機能には、次を含むいくつか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
• 文書やニュース記事の自動要約
• 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

レコメンデーションエンジン

アプリケーションは、深層学習の手法を使用してユーザーのアクティビティを追跡し、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。ユーザーの行動を分析し、新しい製品やサービスを発見するのに役立てることができます。例:

• パーソナライズされた動画やコンテンツを推奨します。
• カスタマイズされた製品やサービスを推奨します。
• 検索結果をフィルタリングして、ユーザーの場所と行動に基づいて関連コンテンツを強調表示します

生成 AI

生成 AI アプリケーションは、新しいコンテンツを作成し、より洗練された態様でエンドユーザーとコミュニケーションをとることができます。複雑なワークフローの自動化、アイデアのブレインストーミング、インテリジェントな知識検索をサポートできます。例えば、Amazon Q Business や Amazon Q Developer などの生成 AI ツールを使用すると、ユーザーは、次のことができます:

• 自然言語で質問し、複数の社内ナレッジソースから要約された回答を得ることができます。
• コードの提案、および自動コードスキャンやアップグレードを利用できます。
• 新しいドキュメント、E メール、他のマーケティングコンテンツをより迅速に作成できます。

深層学習ニューラルネットワークの構成要素は次のとおりです。

入力レイヤー

人工ニューラルネットワークには、データを入力する複数のノードがあります。これらのノードは、システムの入力レイヤーを構成します。

非表示レイヤー

入力レイヤーはデータを処理し、ニューラルネットワーク内の後続のレイヤーに渡します。これらの非表示レイヤーは、情報をさまざまなレベルで処理し、新しい情報を受け取ったときに動作を適応させます。深層学習ネットワークには、さまざまな角度から問題を分析するために使用できる数百の非表示レイヤーがあります。

例えば、分類する必要がある未知の動物の画像が与えられた場合、それをすでに知っている動物と比較します。例えば、目と耳の形、大きさ、脚の数、毛皮のパターンを調べます。次のようなパターンの特定を試みる場合があります。

• その動物にひづめがあるので、牛または鹿の可能性があります。
• その動物に猫のような目があるので、野生の猫の一種の可能性があります。

深層学習ニューラルネットワークの非表示レイヤーも同じように機能します。深層学習アルゴリズムが動物画像の分類を試みる場合、それぞれの非表示レイヤーが動物の異なる特徴を処理して、正確な分類を試みます。

出力レイヤー

出力レイヤーは、データを出力するノードで構成されます。「はい」または「いいえ」の回答を出力する深層学習モデルの出力レイヤーには 2 つのノードしかありません。これに対し、より広い範囲の回答を出力するレイヤーには、より多くのノードがあります。 

機械学習、深層学習、および生成 AI という用語は、ニューラルネットワークテクノロジーの進歩を示しています。

機械学習

深層学習は、機械学習のサブセットです。深層学習アルゴリズムは、従来の機械学習の手法をより効率的にするために登場しました。従来の機械学習手法では、ソフトウェアをトレーニングするために多大な人間の努力が必要です。例えば、動物画像の認識では、次の操作を行う必要があります。

• 何十万もの動物画像に手動でラベルを付けます。
• 機械学習アルゴリズムにそれらの画像を処理させます。
• これらのアルゴリズムを不明な画像のセットでテストします。
• 一部の結果が不正確である理由を特定します。
• 新しい画像にラベルを付けてデータセットを改善し、結果の精度を向上させます。

このプロセスは、教師あり学習と呼ばれます。教師あり学習では、広範囲で十分に多様なデータセットがある場合にのみ、結果の精度が向上します。例えば、トレーニングデータセットに黒猫の画像が多かったために、アルゴリズムが黒猫を正確に識別できても、白猫は識別できない場合があります。その場合、機械学習モデルを再度トレーニングするには、白猫の画像のラベル付きデータがさらに必要になります。

機械学習に対する深層学習の利点

深層学習ネットワークには、従来の機械学習に比べて次のようなメリットがあります。 

非構造化データの効率的な処理

機械学習の手法では、トレーニングデータセットに無限のバリエーションがあるため、テキストドキュメントなどの非構造化データが見つかると処理が困難になります。一方、深層学習モデルは、非構造化データを理解し、手動で特徴を抽出しなくとも一般的な観測を行うことができます。例えば、ニューラルネットワークは、次の 2 つの異なる入力文が同じ意味を持っていることを認識できます。

• 支払い方法を教えてもらえませんか?
• 送金するにはどうすればよいですか? 

隠された関係とパターンを明らかにする

深層学習アプリケーションは、大量のデータをより詳しく分析し、トレーニングされていない可能性がある新しいインサイトを明らかにすることができます。例えば、消費者の購買を分析するようにトレーニングされた深層学習モデルを考えてみましょう。このモデルには、すでに購入した商品のデータのみが含まれています。ただし、人工ニューラルネットワークは、購入パターンを、類似した顧客の購入パターンと比較することで、まだ購入していない新しい商品を提案できます。

教師なし学習

深層学習モデルは、ユーザーの行動に基づいて時間の経過とともに学習し、改善することができます。ラベル付けされたデータセットの多くのバリエーションは必要ありません。例えば、タイピング動作を分析することで単語を自動的に修正または提案するニューラルネットワークについて考えてみます。英語でトレーニングされており、英単語のスペルチェックが可能であると仮定します。ただし、danke などの英語以外の単語を頻繁に入力すると、ニューラルネットワークはこれらの単語も自動的に学習して自動修正します。

変動が激しいデータの処理

変動が激しいデータセットにはさまざまなバリエーションがあります。一例として、銀行のローン返済額があります。深層学習ニューラルネットワークは、金融取引を分析し、不正検出のためにその一部にフラグを付けることで、そのデータをカテゴライズおよび分類できます。

深層学習と機械学習の詳細

生成 AI

生成 AI は、機械学習と深層学習のニューラルネットワークを次のレベルに引き上げました。機械学習と深層学習は予測とパターン認識に重点を置いていますが、生成 AI は検出したパターンに基づいて独自の出力を生成します。生成 AI テクノロジーは、複数の異なるニューラルネットワークを組み合わせて独自の態様でデータパターンを組み合わせるトランスフォーマーアーキテクチャに基づいて構築されています。深層学習ネットワークは、最初にテキスト、画像、他のデータを数学的抽象化に変換し、次にそれらを意味のある新しいパターンに再変換します。

深層学習と生成 AI を実装する際の課題を以下に示します。

高品質の大量のデータ

質の高い大量のデータでトレーニングすると、深層学習アルゴリズムでより良い結果が得られます。入力データセットに異常値や誤りがあると、深層学習プロセスに大きな影響を与える可能性があります。例えば、動物の画像の例では、動物以外の画像がデータセットに誤って含まれている場合、深層学習モデルは飛行機をカメとして分類する可能性があります。

このような不正確さを回避するには、深層学習モデルをトレーニングする前に、大量のデータをクリーンアップして処理する必要があります。入力データの前処理には、大量のデータストレージ容量が必要です。

大きな処理能力

深層学習アルゴリズムは、コンピューティングを多用し、適切に機能するために十分なコンピューティング能力を備えたインフラストラクチャが必要です。そうでない場合、結果の処理に時間がかかります。 

AWS AI および深層学習サービスは、クラウドコンピューティングの力を活用して、AI イノベーションの次の波を構築およびスケールできるようにします。極めて包括的な目的別サービス、AI インフラストラクチャ、深層学習テクノロジー、および生成 AI ソリューションを使用して、カスタマーエクスペリエンスを革新しましょう。例:

• Amazon SageMaker は、機械学習および深層学習開発のためのフルマネージドインフラストラクチャ、ツール、およびワークフローを提供します。
• Amazon Bedrock は、主要な AI 企業のさまざまな高性能基盤モデルにアクセスして活用するための単一の API を提供します。

また、AWS AI インフラストラクチャを使用して、安全かつ料金パフォーマンスに優れた包括的なコンピューティング、ストレージ、ネットワークにアクセスし、あらゆる AI アプリケーションを構築することもできます。今すぐ無料の AWS アカウントを作成して、AWS で AI 深層学習の使用を開始しましょう。