ニューラルネットワーク
脳に着想を得た構造で、データのパターンを学習して検出します。現代のAIの基盤です。
ニューラルネットワークとは、つながり合ったユニットで構成される計算モデルです。学習中にパラメーターを調整し、入力データを必要な出力に変換します。
青森近郊のリンゴ農家が、リンゴの写真を、目立った傷のないものと確認が必要なものに仕分けたいと考えているとします。ラベル付きの例を用意すると、ネットワークは画像とラベルの関係を学習します。だからといって、栽培を理解したり、味を評価したりできるわけではありません。写真に写っている内容をもとに、特定のタスクを一つ実行するのです。
写真から答えが出るまでに起きること
単純なモデルでは、入力層がデータを表す数値を受け取ります。次の層は重みと活性化関数を使って数値を変換します。出力層は、たとえば2つのカテゴリのいずれに属するかを示すスコアを返します。活性化関数を使うことで、単一の線形計算より複雑な関係をモデル化できます。
学習中、プログラムは予測と正解を比較して誤差を計算し、パラメーターを更新します。この処理を繰り返すと、訓練例への適合度が高まります。しかし、最も重要なのは、モデルが新しいデータでも機能するかどうかです。すでに見た写真で良い結果が出るだけでは不十分です。こうしたモデルの仕組みについては、Googleのニューラルネットワーク層に関するコースで解説されています。
自分の例でアイデアを試す方法
-
判断する内容を決めます。リンゴの場合は、漠然と「品質を評価する」のではなく、「人による検査に回す」といった判断にします。画像だけを分析するモデルでは、写真に写らない欠陥のある果物は適切な検証対象になりません。
-
一貫したラベルを用意します。写真に説明を付ける人たちが、同じ基準を理解している必要があります。小さな斑点を欠陥とみなす人もいれば、そうでない人もいると、モデルに矛盾した情報を与えることになります。判断が分かれる例は、まず話し合い、別に分けておきましょう。
-
学習用データと評価用データを分けます。同じリンゴの写真が両方に入らないようにしてください。そうしないと、一見新しい例が、学習時に使ったものとほぼ同じになってしまうことがあります。実運用を考えるなら、別の日や別のロットの果物を使ったテストも重要です。
-
より単純な方法と結果を比べます。照明を一定にして特定の色を検出するルールで十分なら、ニューラルネットワークは不要かもしれません。より複雑なパターンの認識が必要なら、データから学習するモデルを使う意義があります。
-
間違いを一つずつ確認します。システムが傷を見逃しているのか、健康な果物まで過剰に除外しているのかを記録しましょう。こうした誤りによる損失はそれぞれ異なります。最初の導入では、ライン全体を自動で制御するのではなく、人による検査を促すためだけに結果を使う方法もあります。
ネットワークが本来の特徴と取り違えるもの
傷のあるリンゴをすべて赤いトレーの上で、健康なリンゴをすべて白いトレーの上で撮影すると、モデルはトレーの色を学習してしまうかもしれません。似た写真で非常に良い結果が出ても、問題は見えなくなります。リンゴを別の背景に移し、評価が妥当なままかを確認してください。こうしたテストは、システムが頼っている近道を見つけるのに役立ちます。
日本語の書類でも、同じような問題が起こります。請求書を分類するネットワークが、書類の種類ではなく仕入先のロゴを手がかりにしていることがあります。新しい仕入先が加わると、精度は低下します。デモ用に選んだ簡単な例だけでなく、実際の業務で使うデータに近いものを使って検証しましょう。
実際に使われているネットワークの種類
畳み込みニューラルネットワークは、データの局所的な関係を利用するため、画像によく使われます。再帰型アーキテクチャは、前の状態を踏まえながら系列データを処理します。Transformerは注意機構を利用し、言語モデルなどに使われています。これらは解決方法の系統であり、テキストには必ず一方、画像には必ずもう一方を使うという決まりではありません。
ニューラルネットワークを利用するために、ゼロから構築する必要はありません。既製のモデルを実行したり、既存モデルをより限定されたタスク向けに調整したり、詳細を意識せずに使えるアプリを利用したりできます。どの場合も、目的を明確にし、代表的なデータで検証し、誤りが起きたときの責任の所在を決める必要があります。
よくある誤解：ニューラルネットワークは脳と同じ
名前や歴史的な着想は、プログラムに人間の意識や常識があること、人間のように状況を理解することを意味しません。リンゴを正確に認識できても、農場全体について知っているわけではありません。具体的な能力を新しい例で評価し、条件が変わったら確認を繰り返してください。誤りによる影響が大きいほど、見栄えのよいデモだけを頼りにすべきではありません。