ドクターGPT-3
または:人工知能を心配するのをやめて愛することを学んだ方法
要点
機械学習は思っているほど怖くなく、むしろ一般的です。
機械学習の魔法
今や機械学習(ML)、ディープラーニング、人工知能についてよく耳にします 1.
検索興味から:
書籍で言及されるもの:
ロボットが私たちの仕事を奪うという新聞の見出しへ:
機械学習への関心が高まっており、最近のように新しいML技術で1億ドルを調達するスタートアップがほぼ毎日のように起こっています。
しかし、多くの人はMLに圧倒されており、最先端のスタートアップだけが持つ魔法のようなものだと考えています。数学が圧倒されることもあるのも助けにはなりません:
今日は、まずMLを使っている企業を見てから、ニューラルネットの基本的な仕組みを順に理解して、MLの直感を深めてもらいたいと思います。最後に私の目標は、「ML」という言葉をまるで学校にいるかのように使うときに、少しでも怖くなってもらうことです。
機械学習のケーススタディ
もし私がMLを使っている企業への投資を求めてあなたのところに来たと想像してみてください。こちらがその提案です:
「会社Mは機械学習を使い、 optical character recognition (OCR) 入力データを数億件の記録と数秒単位で照合することが可能です。すでにAmazon、米国政府、Fedexと提携しています。Company Mはすでに年間>1000億件の取引を可能に拡大し、全米へのカバーも拡大しています。」
ワクワクする話に聞こえますよね?いくつかの言葉を選びましたが、それほど大きくはかけていません actual press releases by other companies:
「Anylineは、AIを活用した光学文字認識(OCR)分野の主要スタートアップで、シリーズA資金で1,070万ユーロを調達しました。すでにトヨタ、IBM、キヤノン、国連、ペプシコなどの大手企業と協力しているオーストリアのスタートアップは、この資金を使ってボストンに米国初のオフィスを開設します」
さて、話を会社Mに戻します。OCRというのは、画像を見てMLで何が書かれているかを認識するという意味です。彼らはそれを効率的かつ正確かつ大規模に行っているように見えます。彼らのパートナーシップも尊敬されるように見えます。おそらく、彼らはおむつをしている間にコーディングを始めたスタンフォード大学卒業生が率いる有望なユニコーンだと思うでしょう。
投資しますか?
もしあなたが「はい」と答えたなら、それは単に United States Postal Service.
本当に、郵便局は長い間MLを使っています。 They started trialing it in 1997, and by 2014 were already mostly recognising addresses via ML algorithms. あなたが想像していたスタートアップのステレオタイプとは少し違います。
ここで言いたいのは、Anylineやそれに似たスタートアップをけなすつもりはありません。彼らは難しい問題を解決しているので、単なる誇大宣伝ではないはずです 2.むしろ、あなたに気づいてほしいのです 機械学習は、日常的に聞こえる場面で使われており、それはしばらく前からそうです。 次に誰かがMLで提案するときは、そのことを覚えておいてください。
機械学習の直感
MLがどこで使われているかがわかったので、MLがどのように機能するかを見ていきましょう。私は neural network ただし、MLを動かす方法は他にも多くあります。
ニューラルネットワークは脳のニューロンをモデルにしているため、そのつながりがどのように機能しているのか理解しておくと役立ちます。ニューロンは以下の通りです:
私たちがまだ aren’t quite sure how the brain works, a leading theory is that the neurons can take inputs, do some computation, and then send outputs. 3 2つのニューロンが相互作用するを簡単に表現する方法はこう考えられます。円が主体で、その線が他のニューロンとつながる軸索だと想像してください:
もし3対のニューロンがあったら、こう見えるかもしれません:
もしニューロン同士が相互作用できるなら、こうなるかもしれません 4:
このイメージを念頭に置き、これがコンピュータや機械学習とどう関係するか考えてみましょう。
簡単な数学式を用意しましょう。例えば 2 × 3 = 6 です。入力データとして「2」、実行したい関数として「x 3」、出力データとして「6」を設定します。これにより、次のようなものが得られます:
もし入力データが複数あったらどうでしょうか?(2 + 5) x 3 = 21 といえます。これで次のようなものが得られます:
そして再び、複数の入力に作用する複数の関数を組み合わせることができます。例えば:
これは上記のニューロン相互作用図と同じように見えるので、「ニューラルネットワーク」という名前が付けられたのです。
もう一歩進めてみましょう。以前と同じようにA、B、Cの値を取ったと想像してください。今回は、これらの値が pixel values. この場合、3ピクセルの量です。
同様に、これらのデータ点に対して何らかの数学関数を使えば、X、Y、Zの出力を得ることができます。ここでは、どの数学関数を使っているかはここでは無視します 5しかし、データ点からは0か1しか返されません。それだけでなく、1は1つだけで、他は「0」となります。ここでの出力は、その円に「1」が返された場合に予測されたアルファベットを表します。
これは次のようになります:
この例では、元々Xと表された出力に対して「1」が返され、他の出力には「0」が返されたことがわかります。これにより、Xは3ピクセル(0, 100, 255)からの入力に基づく予測値であることがわかります。
アルファベットのすべての文字に、必要なだけ入力ピクセル数に対してこの枠組みを拡張することを想像できます。直感は似ていますが、より多くのステップが関わっています。例えば、1000ピクセルの画像に基づいて26文字のどれかを予測したい場合、左側に1000の入力、右側に26の出力が必要です。そのうち1文字だけが「1」で、残りは「0」になります。
入力と出力のレイヤーが2層だけに限定されるわけではありません。また、左側から入力を受け取り、右側に出力を返す「隠れレイヤー」を増やすこともできます。関数を最後のレイヤーで「1」と「0」を返すように設定すれば問題ありません。隠れレイヤーはいくつでも構いませんし、各レイヤーは入力や出力と同じ要素である必要はありません。
以上です!プロセスがデータ入力(画像のピクセル値など)を出力(アルファベットやアドレス)に変換する方法を見たことがあるでしょう。これでほとんどのニューラルネットワークの仕組みが理解できたのです。多くのML実装はニューラルネットワークを利用しているため、これらのML企業を動かす根本的なコンセプトも理解したのです。
もちろん、実際のセットアップはもっと複雑で、はるかに多くの時間と専門知識が必要です 6.実は機械学習を現実で実装するのが難しい数学や統計、プログラミングの部分は飛ばしてきました。しかし、今の直感が、将来誰かが「ML」という流行語を使うときに少しでも怖がらせにくくしてくれることを願っています。
Footnotes
-
この投稿では機械学習(ML)、ディープラーニング(DL)、人工知能(AI)を同じ意味で使いますが、技術的にはそれぞれ別のものです。 some being a subset of the other. ただし、投稿の都合上はあまり重要ではありません。 ↩
-
まあ、中には完全な詐欺かもしれない ↩
-
私は科学者ではありません。間違っていたら訂正してください。 ↩
-
理解しやすくするために、あるニューロンへのすべての入力を一色と一つの大きさで示しました。特にそれをニューラルネットワークの数学に変換する際には。ただし、グループ分けを別の方法で考えることもできます。例えば、あるニューロンのすべての出力を一色にまとめるなどです。 ↩
-
ここで起きているのは、パラメータに入力を掛けた最初の関数が実行され、その後 logistics function 出力の範囲を0から1までの範囲制限するのを適用します。この考え方は、パラメータの最初の関数が検証データセットに対して低い予測誤差を得るように、訓練データセット上で繰り返し訓練することです。 ↩
-
例えば、どの関数を使うかどうやって判断するのか?プログラム内でこれをどう設定するのか?予測が正確かどうかどうやって確認するのか?ほとんどの技術的な部分は簡略化しましたが、もしもっと知りたいなら、 Andrew Ng’s coursera is a good place to start.ただし、それはもっと複雑で難しいことを警告します。 ↩
関連記事
私たちは彼女が欲しかったのに、代わりにTinderを手に入れました
AI企業のマージントラップ、バリュー投資の概念、そしてトレードオフ
ロボアナリストは株式研究の未来なのでしょうか?
セルサイドの株式リサーチはどのような価値を提供しますか?