深層学習のトレーニングと推論: その違いについて

機械学習の推論は、収集したデータに基づいて推測する機能です。たとえば、広範囲に分散した IoT ネットワークから取得した大量の情報を処理する場合などに有効です。

たとえば、子供に果物を色で分類することを教えるとします。まず、トマト、リンゴ、サクランボを見せて、これらの果物は赤いということを学習させます。その後、イチゴを見せると、リンゴ、トマト、サクランボの色に似ていることから、イチゴも赤い果物だと推測できるようになります。

機械学習の推論に必要なコンポーネントは、データソース、データを処理する機械学習システム、データ デスティネーションの主に 3 つです。

実際のデータ ソースは、複数あることが多く、さまざまな場所で取得した情報が累積されていきます。具体的には、複数の IoT から情報を取得する場合などです。機械学習モデルは、一連の数学的アルゴリズムを用いて、入力されたライブ データを分類/分析します。これらのアルゴリズムによって、データの特性 (項目を区別するための属性) に基づいた推論が可能になります。モデルは、これらの各データ ポイントに「スコア」を付け、データ解釈のためにどのように学習したかを踏まえて出力を生成します。これらの出力スコアが、次のアクションを決定づけるのに役立ちます。

たとえば、EC サイトのカスタマー サービス チャットボットからデータを収集する場合を考えます。データソースは、オンラインチャットプラットフォームからの顧客入力です。顧客が「商品に不満がある」と入力した場合、機械学習モデルは顧客が返金を希望している可能性があると判断できます。このような場合、別のシステムで顧客への返金プロセスをサポートできることになります。

深層学習のトレーニングでは、DNN は既存のデータから特徴を抽出し、そのデータが何を表しているか「考えて」、結論を導き出します。間違った結論に到達すると、その結果がシステムにフィードバックされ、間違いから「学習」していきます。

このプロセスを繰り返すことで、徐々に人工ニューロン間の結合が強くなり、最終的に精度の高い予測が可能になります。新しいデータが提供されると、DNN はそれを分類し、より複雑な情報を分析できるようになります。 つまり、新しい情報を取り込み続けることで、時間の経過とともに、より直感的な判断が可能になります。

深層学習の推論には、トレーニングが不可欠です。 深層学習のトレーニングと推論の違いは、前者が後者の機能を支える構築ブロックであることです。

人間がある作業を完了するまでのプロセスを考えてみてください。マニュアルを読んだり、ハウツー ビデオを見たり、その作業をする人を観察したりして方法を習得します。DNN が既存のデータからパターンを学習して推論するのと同じように、私たちは他人を模倣して学習します。

深層学習は、ヘルスケアから航空宇宙工学までの幅広い産業で活用されます。中でも、自律走行車のように、複数の判断をリアルタイムに行う必要がある場面では特に有効です。

たとえば、無人運転車に交通法規を守らせるトレーニングをする場合、まず交通ルールを学習させる必要があります。 そこでプログラマーは、交通標識や信号、歩行者などを認識させるためのデータセットを適用して車両システムに学習させます。システムは、ある標識や状況を認識したときに何をすべきかを、事例を分析して交通ルールを記憶します。

しかしながら、道路走行中は周囲の状況に応じて推論する必要があります。赤信号で止まるように学習させることは簡単に思えますが、実際の標識のフォントや赤色の濃度がデータセットの標識と少し違っていたらどうなるのでしょう。

ここで深層学習推論が役立ち、学習したデータと実際のあいまいな情報とのギャップを埋めてくれます。DNN は、認識した特徴から推定できるため、車両は目の前の信号を停止として推論できることになります。