読み方のヒント

矢印ボタン(または ← → キー)でページを移動できます。

第3節 層を重ねて学ぶAI(深層学習)

3.2 2012年に何が起きたか

ニューラルネットワークの研究は1950年代からありました。それでも長いあいだ、ほかの方法より成果が出にくいとされていました。

流れが変わったのは2012年です。大量の写真に写った物の種類を当てる国際的な競技会で、深層学習を使ったチームが、それまでの方法より誤りを大きく減らして優勝しました。その後、画像の認識、音声の文字起こし、翻訳などで、深層学習が次々に使われるようになりました。

この時期に深層学習が成果を上げた理由は、主に3つあります。

理由内容
データインターネットに大量の写真や文章が集まり、正解を付けたデータも作られた
計算の道具画像を表示するための部品(GPU)を、学習の計算に使えるようになった
学習の工夫層を深くしても学習がうまく進むような、手法の改良が重なった

深層学習には弱みもあります。

  1. 大量のデータと計算が必要になる
  2. 中に数百万から数億の数があり、なぜその答えになったかを人が説明しにくい
  3. 学習したデータと違う種類のデータでは、自信をもってまちがえることがある

第1節のルールベースは理由を説明しやすく、深層学習は説明しにくい、という対比は覚えておくと役に立ちます。

解答例

深層学習は大量のデータと計算を必要とするため、正解付きの大量のデータや、GPUのような速い計算の道具がそろうまでは、十分に学習させられなかった。2010年ごろにそれらがそろい、学習の手法の改良も重なって、ほかの方法を上回る成果が出るようになった。

「データ」「計算の道具」「学習の工夫」のうち、2つ以上に触れていれば十分です。

13 / 24