今Deep Learningに取り組むべき理由
学籍番号:21060009名前:坂島悠太
発展し続けるDeep Learning
この文書を通して私はいまDeep Learningを学ぶことが必要な理由と、その手軽さを説明したい。
このグラフは近年画像認識問題でどのぐらいの性能向上があったかを示すグラフだ。２０１２年にDeep Learningが画像認識の大会で実用化され、毎年のように性能向上が続いており、その性能向上の速度も指数関数的だといえる。そして、２０１５年には人間認識誤差を下回り、認識問題に関しては人間よりも間違えないようになった。以上で分かる通り、Deep learningによる画像認識AI革命は継続的に進化を遂げている。更に、性能向上は画像認識のみならず、幅広いDeep learningの分野でも成果を上げている。そしてこの進化は画像認識のみに応用できるものではない。ディープラーニングを使えばすべて解決とは言えないが、幅広い分野に応用が利くのは事実であり、すでにAI自ら人間の指示に従って様々なものを生成するジェネレーティブAIや異常検知AI、我々学生に関係あるものでは人事面接のアシスタントを行うAIなども登場し、研究の域を超えてビジネス空間でもすでに利用されている。
扱いやすいDeep learning
ここまで高機能なDeep Learningであるが、これ自体は非常に扱いやすい。具体的には以下の３ステップで利用可能だ。| データセットの準備（教材の準備に相当） |
| ニューラルネットワークの構造の設計（脳の構造設計に相当） |
| 用意したデータセットで、設計したニューラルネットワークを学習 |
dl4us: DL4US コンテンツ公開ページ – 東京大学松尾研究室 – Matsuo Lab (u-tokyo.ac.jp)
更に、従来ならばどういったモジュールが必要化か細く設計をしていく必要があり、実現したい機能とプログラム量が比例していた（図の左）。しかし、Deep learningのEnd to End学習においては入力とそこから得たい答えデータとして用意することで、ディープラー二ングが自律的に特徴を学習する事ができる。それにより、実現できる機能の複雑さはデータ量と比例するようになった。このことから、入出力の対応データの種類により、簡単に様々な予測にDeep Learningを用いることができることがわかる。例えば過去の気温の時系列データから今後の温度変化を時系列的に予測することやPOSシステムの一部として過去の気温や経済の定量的状況と当時の売上データを学習させ、現在の情報からその店舗の売上を予測することもあるかもしれない。
