コンテンツ
- ディープラーニングのビジネスアプリケーション
- ビッグデータとディープラーニングのV
- バグやストレスなし-あなたの人生を破壊することなく人生を変えるソフトウェアを作成するためのステップバイステップガイド
- ブラックボックスのジレンマ
- 規制
ソース：Agsandrew / Dreamstime.com
取り除く：
ディープラーニングにはビジネスを提供するものがたくさんありますが、多くの人はそれを採用することをstillしています。ここで、最大の問題点をいくつか見ていきます。
ディープラーニングは機械学習のサブフィールドであり、一般的に言えば、人間の脳とその機能に触発された技術です。 1950年代に初めて導入された機械学習は、人工知能の基礎を集合的に形成する相互接続された多数のデータノードである、人工ニューラルネットワークとして知られているものによって累積的に通知されます。 （機械学習の基本については、機械学習101をご覧ください。）
機械学習では、外部データまたはプログラミングによってプロンプトが表示されたときに、コンピュータープログラムが本質的に変化することができます。本来、人間の介入なしでこれを達成できます。データマイニングと同様の機能を共有しますが、マイニングされた結果は人間ではなくマシンによって処理されます。教師あり学習と教師なし学習という2つの主要なカテゴリに分類されます。
教師あり機械学習には、ラベル付きのトレーニングデータを使用した所定の操作の推論が含まれます。言い換えれば、監督された結果は（人間の）プログラマーによって事前に知られていますが、結果を推測するシステムはそれらを「学習」するように訓練されています。対照的に、教師なし機械学習は、多くの場合未知のパターンを検出する手段として、ラベルのない入力データから推論を引き出します。
ディープラーニングは、機械学習の線形アルゴリズムとは対照的に、階層型アルゴリズムを使用して自分自身をトレーニングする能力がユニークです。ディープラーニング階層は、開発（または「学習」）されるにつれてますます複雑かつ抽象的になり、監視されたロジックに依存しなくなります。簡単に言えば、ディープラーニングは非常に高度で正確かつ自動化された形式の機械学習であり、人工知能技術の最前線にあります。
ディープラーニングのビジネスアプリケーション
機械学習は、いくつかの異なる業界ですでに一般的に使用されています。たとえば、ソーシャルメディアは、ユーザーのタイムラインでコンテンツフィードをキュレートするためにそれを使用します。 Google Brainは、テクノロジーの進化に伴い、Googleのさまざまなサービスでディープラーニングを製品化する目的で数年前に設立されました。
予測分析に重点を置いたマーケティングの分野は、特にディープラーニングのイノベーションに投資されています。また、データの蓄積がテクノロジーを推進するものであるため、販売や顧客サポート（既に豊富で多様な顧客データを豊富に持っている）などの業界は、地上レベルでそれを採用する独自の立場にあります。
ディープラーニングへの早期の適応は、特に初期の段階で、特定のセクターがこのテクノロジーからどれだけ利益を得るかを決定する重要な要因となります。それにもかかわらず、いくつかの具体的な問題点により、多くの企業がディープラーニング技術への投資に突入することを妨げています。
ビッグデータとディープラーニングのV
2001年、ダグレイニーという名前のMETA Group（現在のGartner）のアナリストは、研究者がビッグデータの3つの主要な課題であると考えていること、すなわち、量、多様性、速度を概説しました。 10年半後、インターネットへのアクセスポイントの急速な増加（主にモバイルデバイスの急増とIoTテクノロジーの増加による）が、これらの問題を主要なテクノロジー企業と中小企業の最前線にもたらしました。スタートアップも同様です。 （3つのvの詳細については、ボリュームまたは速度ではなく、今日のビッグデータチャレンジの多様性に由来するものを参照してください。）
バグやストレスなし-あなたの人生を破壊することなく人生を変えるソフトウェアを作成するためのステップバイステップガイド
誰もソフトウェアの品質に関心がない場合、プログラミングスキルを向上させることはできません。
グローバルなデータ使用量に関する最近の統計は驚異的です。調査によると、世界のデータの約90％が過去2年以内に作成されただけです。ある推定によると、世界のモバイルトラフィックは2016年に1か月あたり約7エクサバイトに達し、その数は今後5年間で約7倍に増加すると予想されています。
ボリュームを超えて、多様性（新しいメディアの進化と拡大に伴うデータの種類の急速な多様性）と速度（電子メディアがデータセンターやハブに送信される速度）も、ビジネスが急成長分野に適応する方法の主要な要因です。ディープラーニングの。ニーモニックデバイスを拡張するために、近年、ビッグデータの問題点のリストに他のいくつかのv-wordが追加されました。
- 有効性：ビッグデータシステムでの入力データの精度の測定。検出されない無効なデータは、機械学習環境で連鎖反応と同様に重大な問題を引き起こす可能性があります。
- 脆弱性：ビッグデータは、単にその規模のおかげで、自然にセキュリティ上の懸念を引き起こします。また、機械学習によって可能になるセキュリティシステムには大きな可能性が見られますが、現在の化身のシステムは、特に誤ったアラームを生成する傾向があるため、効率が低いことで注目されています。
- 価値：（ビジネスまたは他の場所で）ビッグデータの潜在的な価値を証明することは、さまざまな理由で大きな課題となります。このリストの他の問題点のいずれかを効果的に対処できない場合、実際には、おそらく壊滅的な影響があっても、システムまたは組織にマイナスの価値を追加する可能性があります。
リストに追加されたその他の苦痛のポイントには、変動性、真実性、ボラティリティ、および視覚化が含まれます。これらはすべて、ビッグデータシステムに固有の課題を提示します。また、既存のリストが（おそらく）時間の経過とともに次第に細くなるため、さらに追加される可能性があります。一部には不自然に思えるかもしれませんが、ニーモニック「v」リストには、ディープラーニングの将来に重要な役割を果たすビッグデータが直面する深刻な問題が含まれます。
ブラックボックスのジレンマ
ディープラーニングと人工知能の最も魅力的な機能の1つは、どちらも人間にはできない問題を解決することを目的としていることです。ただし、それを可能にするはずの同じ現象は、「ブラックボックス」と呼ばれるものの形で生じる興味深いジレンマも示します。
ディープラーニングのプロセスを通じて作成されるニューラルネットワークは非常に広大で複雑なので、その複雑な機能は人間の観察には本質的に不可解です。データサイエンティストとエンジニアは、ディープラーニングシステムに何が入るかを完全に理解している場合がありますが、出力決定に頻繁に到達する方法は完全には説明されていません。
これは、たとえばマーケティング担当者や営業担当者にとっては大きな問題ではないかもしれませんが（マーケティングまたは販売対象によって異なります）、他の業界では、結果を活用するために、ある程度のプロセス検証と推論が必要です。たとえば、金融サービス会社は、ディープラーニングを使用して、非常に効率的なクレジットスコアリングメカニズムを確立できます。ただし、クレジットスコアには、何らかの口頭または書面による説明が必要になることが多く、実際のクレジットスコアリングの方程式が完全に不透明で説明できない場合、形成するのは困難です。
この問題は、特に健康と安全の領域内で、他の多くの分野にも広がっています。医学と輸送は、両方ともディープラーニングから大きな利点を得ることが考えられますが、ブラックボックスという形で大きな障害に直面する可能性もあります。これらのフィールドの出力結果は、どれほど有益であっても、基礎となるアルゴリズムの完全な不明瞭性のために完全に破棄される可能性があります。これにより、おそらく最も議論の余地のある問題点がすべて生じます...
規制
2016年の春に、欧州連合は一般データ保護規則（GDPR）を可決しました。GDPRは（特に）市民に、「有意に影響する」機械学習システムによって生成された自動決定に対する「説明の権利」を付与します。 2018年に施行される予定のこの規制は、多くの場合、GDPRが義務付けている説明を妨害する可能性があるため、侵入できないブラックボックスのためにディープラーニングに投資しているハイテク企業の間で懸念を引き起こしています。
GDPRが制限しようとする「自動化された個別の意思決定」は、ディープラーニングの重要な機能です。しかし、差別の可能性が非常に高く、透明性が非常に低い場合、この技術に対する懸念は避けられません（そして、ほとんど有効です）。米国では、食品医薬品局も同様に、それらのプロセスが監査可能であることを要求することにより、薬物の検査と販売を規制しています。これは、マサチューセッツ州に本拠を置くバイオテクノロジー企業Biogenの場合と同様に、製薬業界に障害をもたらしました。FDAの規則により、解釈できないディープラーニングメソッドの使用が妨げられています。
ディープラーニングの意味（道徳的、実践的、およびそれ以上）は前例のないものであり、率直に言って非常に深いものです。破壊的な可能性と不透明なロジックと機能性の組み合わせが大部分を占めているため、この技術を取り巻く懸念は非常に大きくなっています。考えられる脅威や危険を超える、ディープラーニング内の具体的な価値の存在を企業が証明できれば、人工知能の次の重要な段階に導くことができます。