ディープラーニング（DL）

コア・コンセプト

ディープラーニングの基本的な考え方は、階層的特徴学習である。手作業による特徴設計に頼ることが多い従来のMLアプローチとは異なり、DLモデルはレイヤーごとに徐々に複雑な特徴を学習していく。例えば画像認識では、最初の層は単純なエッジを検出し、続く層はエッジを組み合わせて形状を認識し、より深い層は複雑な物体を識別する。このような自動的な特徴抽出は、特に非構造化データにとって重要な利点である。主要なコンポーネントには、活性化関数、損失関数、および学習中にネットワークのパラメータを調整する勾配降下のような最適化アルゴリズムが含まれます。ウィキペディアの「Artificial Neural Networks（人工ニューラルネットワーク）」の記事などで、基本的な知識を学ぶことができる。

ディープラーニングと機械学習の比較

ディープラーニングは機械学習（ML）のサブセットであるが、主な違いはアーキテクチャとデータの取り扱いにある。従来のMLアルゴリズムは、構造化され、ラベル付けされたデータで最もうまく機能することが多く、重要なフィーチャー・エンジニアリングが必要になることがある。ディープラーニングは、大量の非構造化データ（画像、音声、テキストなど）を得意とし、深い階層構造（ニューラルネットワーク（NN））を通して関連する特徴を自動的に学習する。ディープラーニングは一般的に、従来のML手法と比較して、学習に多くのデータと計算能力（多くの場合GPU）を必要とするが、コンピュータビジョン（CV）や自然言語処理のような複雑なタスクで高い性能を達成することができる。

主要アーキテクチャー

ディープラーニングでは、いくつかのニューラルネットワークアーキテクチャが中心となっている：

• 畳み込みニューラルネットワーク（CNN）：格子状のデータ、特に画像に非常に有効で、画像分類や 物体検出に広く使用されている。
• リカレント・ニューラル・ネットワーク（RNN）：テキストや時系列のようなシーケンシャルなデータ用に設計されており、様々な長さの入力を処理できる。LSTMやGRUのような変種は、長いシーケンスの課題に対処する。
• トランスフォーマー：当初はNLPのために開発されたこのモデルは、自己注意メカニズムを利用し、視覚を含む様々な領域で目覚ましい成功を収めている。オリジナルのコンセプトは「Attention Is All You Need」論文に詳述されている。

実世界での応用

ディープラーニングは、最新のAIアプリケーションの多くを支えている：

1. 自律システム： 自動運転車ではUltralytics YOLOのようなDLモデルは、リアルタイムの物体検出と 画像分割を行い、車両、歩行者、道路標識を識別してナビゲーションを可能にする。
2. ヘルスケアDLは、NIHのBridge2AIプログラムのような研究イニシアチブで強調されているように、腫瘍の特定など、放射線科医がスキャンの微妙な異常を検出するのを支援し、早期診断と患者の転帰の改善につながることで、医療画像解析に革命をもたらしている。

ツールとフレームワーク

DLモデルの開発は、さまざまなソフトウェア・ライブラリやプラットフォームによって促進されている。人気のあるオープンソースのフレームワークには次のようなものがあります。 PyTorch(PyTorch ホームページを参照)や TensorFlowTensorFlow ホームページを参照）がある。Ultralytics HUBのようなプラットフォームは、DLモデルのトレーニング、デプロイ、管理のための統合環境を提供する。

AIとコンピュータビジョンにおける重要性

ディープラーニングは、人工知能（AI）、特にコンピュータビジョン（CV）の進歩の大きな原動力となっている。膨大なデータセットから学習するディープラーニングの能力は、以前は機械にとって困難と考えられていた分野でのブレークスルーをもたらした。この分野は、ジェフリー・ヒントン、ヤン・ルクン、ヨシュア・ベンジオのような先駆者に負うところが大きい。DeepLearning.AIや 人工知能推進協会（AAAI）のような組織は、急速に進化するこの分野の研究と教育を推進し続けている。