機械学習 (ML) は、言語の自然な処理やグラフィック画像の識別など、人間に馴染みのあるあらゆることを学習することを可能にする、人工知能という人気の高い分野の要です。MLを通じて、機械はより賢くなり、人間とより自然にやりとりできるようになります。同様に、人間のためにさらに多くのことを行うことができます。
機械学習は人工知能の発展に不可欠である
AlphaGo Masterは囲碁チェス (Weiqi) の出場者と60ラウンドのチェス ゲームで競い合い、見事に優勝しました。これにより、特定の用途における人工知能の発展がすでに人間のレベルを超えていることが明らかになりました。AlphaGoは、人類の歴史の中で何千年も蓄積されてきたチェスのマニュアルの内容に基づいており、コンピューティング技術を通じて迅速なコマンドを提供します。この結果は驚くべきものであり、将来的には人間よりもはるかに優れたパフォーマンスを発揮することが期待されます。新世代のAlphaGo Zeroは、人間のチェスマニュアルを参照することなく、囲碁チェスのルールを徹底的に理解しており、これまで人間が太刀打ちできなかったチャンピオンであるAlphaGo Masterをわずか3日間で打ち負かしました。この結果は、機械の驚異的な学習能力を証明しています。
MLがゲームで人間に勝つように設計され、それによって人間の自信を損なうのであれば、この科学分野の発展にとって意味がないでしょう。実際、MLの目的は、人間と同等かそれ以上の人間の能力を増強することで、人間の生活の向上を支援することです。これには、人間との口頭によるコミュニケーションを可能にする言語の自然な処理、データ マイニング、マシン ビジョン、生物学的特徴の識別、検索エンジン、医療診断、クレジットカード詐欺の検出、証券市場の分析、DNA配列解析、音声および手書き文字の識別、戦略ゲーム、ロボットなどが含まれます。
MLは人工知能からの学習の分野であり、人工知能を実現するための別のアプローチでもあります。言い換えれば、MLは人工知能における問題を解決するための手段です。30年以上の開発を経て、MLは確率、統計、計算複雑性理論を含む学際的な分野として登場しました。MLを使用すると、データの自動分析が可能になり、未知のデータを予測するための特定のルールを推測できます。
たとえば、ロボット科学では、ロボットが人間の言語を学習し、会話をし、人間とやりとりできるようにして、機械視覚によってスキャンされている物体を識別できるようにする必要があります。検出された物体が人間なのか、犬なのか、それとも単なるテーブルなのかを判断することが重要になります。また、ロボットが人間の表情の変化を区別し、正確な相互応答を行えるようにすることも重要であり、これは単なる言語の理解以上のものになります。
さらに、MLは、人間がインターネットにアップロードした写真や映画のコンテンツを調べ、ポルノや暴力的なコンテンツがあるかどうかを判断し、分類して警告を発するのにも役立ちます。あるいは、特定の人物の自殺傾向や、テロ攻撃の傾向がある人物を検出するのに役立つ可能性があります。結局のところ、それは悲劇を防ぐための予防的かつ先制的な行動を促すのに役立つ可能性があります。
商業用途では、MLは長年にわたる株式市場と外国為替市場の変化を照合して、変化のルールを推測するのにも役立ちます。特定の条件が満たされた場合、MLは投資家が有利な投資を選択できるようにタイムリーな提案を促すのに役立ちます。医療への応用では、MLは医療履歴のビッグデータをマッチングさせ、医師による専門的な医療診断を支援します。これらすべてが、将来、人間の生活の質を向上させるのに役立つでしょう。
MLは数十年前から存在していますが、MLの広範な応用のきっかけとなった比較的新しいトレンドは、膨大なトレーニング データの使いやすさと、GPUコンピューティングによって実現される強力で高性能な複合コンピューティング能力の2つだけです。ソフトウェア面では、MLはさまざまな高度なアルゴリズム手法とビッグ データ分析に依存しています。ハードウェア面では、MLは高速プロセッサとクラウド コンピューティングを利用して、データの分析と処理の速度を加速します。業界や学界の科学者は、長年にわたりMLの進歩にGPUを使用しており、グラフィック画像分類、コンテンツ分析、音声認識、自然言語処理など、さまざまな形式のアプリケーションで最先端の開発を達成しています。これは特に、複雑な多層の「ディープ」ニューロティック ネットワークを使用して、大量のマークされていないトレーニング データから不正使用を検出できるシステムを作成するディープ ラーニングに当てはまります。この大発見はすでに、さらなる研究に多大な投資と努力を集めています。GPUは、これらのディープ ニューロティック ネットワークをトレーニングするためにさらに大規模なトレーニング セットを採用し、クラウド コンピューティングの時間を大幅に短縮しました。また、データセンターのインフラストラクチャに占める割合も小さくなります。GPUは、トレーニング中のMLモデルの計算や、クラウド コンピューティングでの分類と予測にも使用され、より少ないエネルギー消費とより少ないインフラストラクチャの割合で、より大量のデータのインポートとエクスポートをサポートできます。
これまで、MLにおけるGPUアクセラレータのユーザーは、大手インターネットおよびコミュニティ メディア企業、情報科学およびMLのトップ研究機関でした。CPUと比較して、GPUは、計算における数千のカーネルと、10 ～ 100倍のアプリケーション プログラムのインポートとエクスポートの量を考慮すると、ビッグ データ処理におけるデータ サイエンティストの第一の選択肢として浮上しました。
GPUのリーダーであるNVIDIAは、商用アプリケーションにおけるMLの将来を予見し、 NVIDIA DiGiTS DevBoxをリリースしました。これは最速のデスクサイド深度学習システムです。DiGiTS DevBoxは、多様なネットワーク構造の検索とビッグデータ処理の高速化の自由度を提供し、デスクサイドでのコンピューティングにおいて、強力でエネルギー効率が高く、クールで静かなソリューションを実現します。