人工知能開発において、最も最先端のテクノロジーとして注目されているのがディープラーニングです。
ディープラーニングは高度なAI開発に欠かせない一方、適切な改善施策を理解していないと、そのパフォーマンスをフル活用することができません。今回は、ディープラーニングの精度を向上するために用いられている主な改善手法について解説します。
ディープラーニングの強み
ディープラーニングは「深層学習」とも呼ばれ、学習データを多層的にインプットすることで、高度な学習結果を得られるアプローチです。従来の機械学習とは異なる点として、次の強みが挙げられます。
複雑なタスクを解消できる
ディープラーニングの強みは、複雑なタスクに取り組める点にあります。
従来の機械学習の場合、画像の正誤判定や文字認識など、比較的平易なタスクにのみ適用が可能な技術でした。これだけでも十分なオートメーションが期待できますが、ディープラーニングではこれらのタスクに加え、より複雑な意思決定が必要なタスクに対処することができます。
たとえば、車の自動運転技術にはディープラーニングの存在が欠かせません。車の運転にはリアルタイムでの映像認識と意思決定、そして正確なハンドリングが求められますが、ディープラーニングはこれらの複雑なタスクを人間と同等のレベルで処理できるAIの開発に役立っています。
あるいは、画像の生成など、CGアーティストでなければ実現できないようなクリエイティブなタスクも、ディープラーニングを取り入れたAIであれば瞬時に対応できます。
人間のスキルを超えた能力を獲得できる
ディープラーニングの優れたもう一つの強みは、人間のスキルを超えた能力が得られる点です。
従来の「教師あり学習」の場合、AIは人間があらかじめ用意した正解に基づいて意思決定を行うことしかできず、開発者である人間の能力を越えることはできませんでした。一方のディープラーニングは、人間は答えを用意する必要がなく、あらかじめ設定されたゴールに基づいて、データから独自に答えを導きます。
ゼロから答えを探す必要があるぶん学習には時間がかかります。しかし、ディープラーニングに成功すれば、人間をはるかに越える判断能力や、人間では見分けがつかないような正誤判定も行えるようになります。
ディープラーニング運用の課題
ディープラーニングは多くの可能性を秘めている反面、運用に際しては懸念すべき課題もあります。
大量のデータを必要とする
まず、ディープラーニングはゼロから答えを探す学習方法であるため、その根拠となる学習データを大量に用意しなければなりません。
従来の「教師あり学習」の場合、ある程度正誤判定の区別がつけられた状態でデータが渡されるため、読み込むデータが少なくとも相応の精度が得られましたが、ディープラーニングではそれが難しいのです。
そのため、ディープラーニングを実施する場合には、想定よりも大量のデータをあらかじめ用意しておく必要があります。
強力なマシンスペックが求められる
ディープラーニングは大量のデータを必要とする学習方法ですが、大量のデータを処理するためのマシンスペックも必要です。十分な演算処理能力を有していないマシンを使ったディープラーニングは、計算速度が遅く、成果を得るための時間がかかり過ぎてしまいます。
ディープラーニングを採用したからといって、一度実行しただけですぐに完璧なAIができるわけではありません。何度も学習をやり直し、改善を加えていくことで優れたAIを生成することができます。そのため、トライアンドエラーのサイクルが遅いことは、開発業務においては痛手となります。
開発に時間を要する
パワフルなマシンを用意し、膨大なデータを確保できても、相応の開発時間を要するのがディープラーニングというものです。従来の「教師あり学習」よりも計算時間は長くなるため、AI開発は長丁場となることを覚えておきましょう。
開発期間が長いと、個人ならまだしもビジネス目的でAIを開発している場合、開発時間が伸びれば伸びるほど、損失は大きくなります。できる限り開発にかかる時間を小さく抑え、精度の高いAIを効率良く開発できることが、ディープラーニング運用においては重要です。
ディープラーニングの精度が上がらない理由
ディープラーニングは開発時間が長くなりやすい取り組みであるため、試行錯誤が大事とはいえ、あまりに改善効果が見られないのも問題です。何度やってもいまひとつディープラーニングの精度に改善が見られない理由としては、次の理由が考えられます。
訓練データのラベリングに問題があるから
まず注目すべきは、訓練データのラベリングです。
たとえば、画像データを読み込ませる場合、「りんご」とラベリングされた画像データは、必ずりんごの画像データでなければなりません。仮に「りんご」とラベリングされているのにも関わらず、「みかん」の画像が訓練データの中に紛れ込んでいる場合、AIはりんごとみかんを混同してしまい、正しく両者を区別することができなくなります。
妙にディープラーニングの精度が上がらないという場合は、訓練データが誤ったデータであるケースは少なくありません。そのため、訓練を実施する前にもう一度データの精査を行っておきましょう。
データ量が根本的に不足しているから
先ほどお伝えしたように、ディープラーニングはとにかくデータの数を揃えなければ精度が発揮できません。そのため、データ量が不足していると、学習の根拠を作ることができず、高精度なAIを開発することはできません。
AI開発において、最も困難な工程とされているのがデータの確保です。自社だけで目的にあったデータのすべてを確保することは難しく、何年もかけてデータ収集を進めていなければ、ディープラーニングを実践することは難しいでしょう。
そのため、短期間でデータを集めるためには他社からデータを購入したり、データを効率良く集められる仕組みを整備したりするなどの取り組みが必要です。
逆に、十分なデータさえ集まればディープラーニングはそれを読み込ませるだけの作業でもあります。AI開発を志す際にはデータの確保方法から検討しましょう。
ディープラーニングの精度向上につながる手法
上記の課題を踏まえ、ディープラーニングの精度を向上する上では、次の手法が有効です。現在抱えている課題や、取り組みやすさにも注目しながら、精度向上につながりそうな方法を試してみましょう。
詳細なラベリングを実施する
まずラベリングの問題ですが、正しいラベルづけを訓練データに対して行うことはもちろん、ラベルの解像度を高めて付与することも検討しましょう。
たとえば、「果物」というラベリングは概ねフルーツかどうかを判断するのには役立つものの、「それが何の果物なのか？」という疑問を解消するのには役に立たない情報です。
どれくらいの解像度でラベリングを行うべきかはケースバイケースですが、たとえばAIが果物かどうかの区別はつくものの、それが何の果物かの判別がついていない場合が挙げられます。その際、訓練データのラベルを「りんご」「みかん」といった具合に解像度を上げて貼り直してやることで、より詳細な認識が可能となります。
ただ、解像度が高すぎてしまっても判定が厳しくなりすぎてしまい、大まかな仕分けができなくなる可能性もあります。そのため、タスクに応じた最適なラベリングが必要です。
データ拡張（Data Augmentation）を実施する
データ拡張（Data Augmentation）は、既存のデータを別途加工することによりデータの水増しを行う手法です。
ディープラーニングには大量のデータが必要ですが、だからといって一から新しいデータをいつも用意するというのは難しいものです。そこで、データにさまざまな加工を加えることで、AIにはそれぞれを別個のデータとしてインプットしてもらい学習を行います。
たとえば、読み込ませる画像データの形状を変えたり、読み込む向きを変えたり、色を反転させたり、画像の一部を切り抜いたりといった加工です。そうすることで、一枚の画像データから複数のデータを作成し、読み込ませられるため、効率良くデータのバリエーションを増やすことができます。
データ収集に限界が出てきたときや、即席でデータを水増ししたい場合に活用してみましょう。
アクティブラーニングを取り入れる
学習モデルを継続的に改善するためのアプローチとして、導入されつつあるのがアクティブラーニングと呼ばれる手法です。アクティブラーニングは、AIが自ら精度の改善に必要そうなデータに検討をつけ、開発者に対してレコメンドを行う技術です。
AIの精度を改善する上で最も有効なのは、とにかく新しいデータを読み込ませることです。とはいえ、新しいデータの読み込みのためにはデータを確保し、加工しなければならないという負担がかかるため、すぐに実行できるものではありません。
また、どんなデータが精度改善に適しているかもわからないため、とにかくデータにバリエーションを設けることが、従来のアプローチでは求められてきました。アクティブラーニングを導入すれば、AIが自ら必要なデータを推奨してくれるので、データの収集や加工にかかる手間は最小限に抑え、効率的に学習を進められます。
蒸留を実施する
蒸留は、既存のAIモデルの規模を縮小し、効率的なAI開発を行う手法です。
一からディープラーニングを実施する場合、ある程度の学習モデルを開発するだけでも多くの時間を要します。そこで、既存の学習モデルを流用し、その規模を最新のタスクに合わせてスケールを調整することで、ある程度学習が進んだ状態から調整を行えます。
通常、大規模な学習モデルはマシンスペックが花道には求められます。その規模を小さくして基本的な能力を継承できれば、開発にかかる時間を抑え、実用性の高いAIを生み出すことができます。
転移学習を活用する
転移学習は、既存の学習内容を別のモデルから転用し、新しいAIの開発に充てる手法です。蒸留同様、ゼロからAIを開発する負担を軽減する上で役に立つ方法です。
たとえば、ネコとイヌを判別できるAIを開発したい場合、りんごとみかんを区別できるAIをそのまま流用しても、正確な判別能力は期待できません。ただ、画像判別ができるAIという点では共通しているため、その判断能力を一方のプロジェクトに転用することで、ある程度学習を進んだ状態から調整ができるというものです。
ゼロからAIを育てられるだけのデータがない場合や、開発にかかる時間を削減したい場合に活躍します。
リソース不足はクラウドGPUで解決しよう
上記の手法は、いずれもデータ不足を解消したり、AIを開発する時間を削減したりするための方法です。これらはデータの不足や開発時間が足りないことの問題を解消する上では有効ですが、そもそもマシンスペックが不足している場合の問題解決にはつながらないため注意が必要です。
マシンスペックの不足を補いたい場合、ディープラーニングにおいて重要なのがGPUリソースです。GPUが不足すると、十分な演算処理が期待できず、遅々として学習が進みません。そこでGPUを拡充することで、マシンスペック不足を解消し、ディープラーニングのスムーズな運用が実現します。
ただ、GPUは高価なユニットでもあるため、十分な予算がなければ思ったような拡充ができないという問題も抱えています。そんなときに活用したいのがクラウドGPUです。
クラウドGPUはオンライン経由でGPUを好きなだけ利用できるため、AI開発に最適なサービスです。価格も従量課金制で、必要な分だけ利用ができることから、コストパフォーマンスにも優れます。コストを抑えたディープラーニングの実現には、欠かせないサービスといえます。
まとめ
ディープラーニングの精度が改善しない理由はさまざま挙げられますが、大抵の場合はデータの不足やマシンスペックの不足が原因です。データの不足を補う上では、データの加工や収集に人員を割くか、データの水増しをしてボリュームを出すといった方法法が有効です。マシンスペック不足の場合、既存の学習モデルを転用するなどして、開発スピードを補うのも良いでしょう。
当社モルゲンロットが提供する「M:CPP」は、そんなマシンのスペック不足を迅速に補う上で最適のサービスです。大手クラウドサービスと比べて1/2のコストパフォーマンスを実現するだけでなく、最新のAMD製GPUを採用することで、ハイエンドなGPUリソースの提供を行なっています。
運用に際してはエンジニアによる自社に最適なプランの提案も行うため、余計な業務負担の増加にもつながりません。クラウドGPUの導入を検討の際には、お気軽にM:CPPまでご相談ください。