ディープ・ラーニング

概要と重要性

今日の世界におけるディープ・ラーニング

ディープ・ラーニングは大きなインパクトをもたらしていますが、それはほんの始まりにすぎません。

ディープ・ラーニングとGAN:これらの関係

敵対的生成ネットワーク(GAN) は、機械学習アルゴリズムの一種です。敵対的生成ネットワーク(GAN)は、データ科学者がデータ量の多い深層学習モデル用の合成データを作成するのに役立ちます。合成データを使用することで、これまで実現不可能だった深層学習モデルの作成が可能になるため、これは非常に重要なことです。

ブログ記事を読む

SASにおけるディープ・ラーニングの活用事例

このステップバイステップのガイドでは、複数のニューラルネットワークのモデルを比較し、その使用方法を説明します。ディープ・ラーニングの技術と応用事例を紹介し、SAS がディープニューラルネットワークのモデル作成をどのようにサポートするかを紹介します。

ホワイトペーパー(日本語版)をダウンロード

ディープ・ラーニングを使用して画像を埋め込む方法

埋め込みモデルを適用すると、画像などの入力データの次元数が削減されます。埋め込みモデルの適用により、入力画像が低次元ベクトルに変換されるため、他のコンピュータビジョンのタスクでの使用が容易になります。重要なのは、類似した画像が類似したベクトルに変換されるようにモデルをトレーニングすることです。

ビデオを見る(英語)

誰がディープ・ラーニングを使うのか?

外の世界から見ると、ディープ・ラーニングはまだ研究開発段階であり、コンピューターサイエンス学者やデータサイエンティストたちがテストを続けているにすぎないと思われるかもしれません。しかし、ディープ・ラーニングには企業が利用中の実用的な用途が数多く存在しており、研究の進展につれて今後も続々と新たな用途が登場するでしょう。今日の一般的な用途としては、以下のようなものがあります:

小売

小売業界では、顧客の期待の一歩先を行くことが重要です。ディープ・ラーニングがそれを実現します。音声認識および自然言語処理を顧客データと合わせて使用することで、小売業者は顧客の好みやニーズを予測し不必要な在庫を削減できます。また、最高品質の製品を最低価格で見つけるのにも役立ちます。最終的に、これは小売業者が顧客に対応するのに役立ち、小売業者と顧客の時間とコストを節約します。

銀行・金融

銀行は、ディープ・ラーニングによって非構造化データのパターンを特定し、全社的な意思決定を改善することができます。リスク管理においては、銀行は深層学習を活用して、複数の情報源を調査し、より自信を持って適切な融資限度額を設定することができます。またこれらをすべて公平性を損なうことなく実施することができます。ディープ・ラーニングは、詐欺や金融犯罪の検出と防止にも重要な役割を果たします。例えば、ビデオ監視をリアルタイムで行い、支店やATMの場所での不審なアクティビティを特定し、音声生体認証プロファイルが本物の顧客と一致しない場合にはアカウント乗っ取りを防止することが挙げられます。また、ユーザーエクスペリエンスの向上に関しては、センチメント分析を支援するディープ・ラーニング機能により、ソーシャルチャネル経由で報告された問題を迅速に特定して修正できるようになります。

製造

製造業ではディープ・ラーニングやその他の AI 技術を使用して業界全体の品質を向上させています。この業界で最も大きな出費の1つは機器のメンテナンスであり、ディープ・ラーニングは重要なリソースや機器のダウンタイムを削減または回避するのに役立ちます。ディープ・ラーニングとコンピュータビジョンなどの機能を使用すると、物体検出、プロセス監視、異常検出を使用して品質上の問題を特定できます。製造業は、予定外の停止時間を減らし、より優れた製品設計、効率向上、製品品質の向上、従業員の安全性確保によってコストを削減することができます。

医療

ディープ・ラーニングは、より良い患者ケアと業務効率を保証することで医療業界をサポートします。ディープ・ラーニングを使用すると、医療専門家はデータをより迅速かつ正確に分析できます。自然言語処理ツールを使用した音声テキスト変換を使用すると、電子医療記録の作成をより迅速に、よりミスで行うことができます。ニューラルネットワークと画像認識を組み合わせることで、医療画像を単に読み取るだけでなく、分析も行い、医療専門家が腫瘍とその進行状況を特定できるようにします。

輸送/物流

ディープ・ラーニングは、旅行および物流業界の生産性と効率的な業務計画の向上に役立ちます。予測ソフトウェアを使用することで、業界は潜在的な故障を事前に把握し、計画されたトラック修理の最新情報を入手して、運用コストを削減できます。予知保全に加えて、深層学習と AI で、車両をリアルタイムで追跡できるため、運送会社は車両の位置をリアルタイムで特定し、速度を監視できるようになります。これらはすべて、ディープ・ラーニングの精度と速度によって可能になります。

官公庁

政府機関はディープ・ラーニングを利用して、手書き解析による不正の検出や、画像認識による土地と水の管理を改善できます。ディープ・ラーニングは感情の自然言語翻訳を通じて市民の好みをより深く理解するのにも役立ちます。もうひとつの例は、予知保全機能を利用したインフラ支出の削減です。全体として、ディープ・ラーニングによって、政府はこれまで対処が困難だった問題を解決できるようになります。

公共事業

ディープ・ラーニングは、コールセンター業務における多くのデータタイプからより多くのvalueを引き出すのに役立ちます。ディープ・ラーニングがユーティリティ企業を支援するその他の方法には、ラインや設備のメンテナンス、植生管理、無数の予測機能(売上予測や純負荷予測から負荷予測など)に対する具体的な是正措置の推奨が含まれます。実際、ディープ・ラーニングは今後、公益企業の地位の基礎となる部分となるでしょう。

ディープ・ラーニングの仕組み 

ディープ・ラーニングは、アナリティクスで解決しようとする課題の提示方法に関する考えを一変させます。 この手法では、課題の解決方法をコンピューターに指示するのではなく、課題を自律的に解決できるようにコンピューターに学習させます。

 

特徴表現

ディープ・ラーニングは、特徴エンジニアリングから特徴表現へと移行する、モデル構築におけるパラダイムシフトです。 

ディープ・ラーニングのレイヤ(層)

ディープ・ラーニングでは、既知の変数を使用して未知の変数を予測するのではなく、データのレイヤー(層)を調べてデータの潜在的な特徴を認識します。 

ディープ・ラーニングの結果

ディープ・ラーニングは、新しいデータの到着に応じて適切に一般化し、適切に適応し、継続的に改善する予測システムを実現します。この手法では、人間がデータにモデルを当てはめるのではなく、データを用いた学習作業をソフトウェアに課すのです。

アナリティクスに対する従来のアプローチでは、既存のデータを用い、特徴エンジニアリングによって新しい変数を導き出し、適切と思われる分析モデルを選択した上で、最終的に、そのモデルのパラメータ(つまり未知の係数値)を推定します。このような手法で予測システムを構築することは可能ですが、完全性や正確性はモデルとその特徴のクオリティに大きく依存するため、なかなかうまく一般化することができません。例えば、特徴エンジニアリングで不正対策モデルを開発する場合は、何らかの変数セットを出発点とし、データ変換手法を用いてこれらの変数からモデルを導き出す方法が一般的でしょう。その結果、例えば3万個の変数に依存するモデルが得られたとすると、有意な変数とそうではない変数の選別などを通してモデルのシェイプアップも行わなければなりません。そして、新しいデータを追加するたびに、以上の全てを繰り返す必要があります。

ディープ・ラーニングによる新しいアプローチは、モデルの定式化と仕様を、層内の規則性からデータの潜在的な特徴を認識することを学習する階層的な特徴付け(またはレイヤ(層))に置き換えることです。

Connect with SAS

 

SASの高度なアナリティクス

ディープ・ラーニングはデータ・サイエンティストのツールキットに含まれる1つの手法にすぎません。予測、テキスト分析、最適化など、その他の高度なアナリティクス手法についても、ぜひ詳細をご確認ください。

SASのアナリティクス・ソリューションの詳細