2017年にディープラーニングを学ばなければならない理由

[[200338]]

私もディープラーニングの初心者です。この記事はあくまでも私の個人的な意見です。私の能力には限界があるので、正しいかどうかは分かりません。しかし、これはまさに今の私の本音であり、この考えに従って試してみたいと思います。疑いの気持ちを持って読んでください。

1つ

私はおそらく非常に好奇心が強い人間なので、新しい技術が登場するたびに、できるだけ早くフォローアップします。しかし、私は記憶力が悪いので、勉強した新しい技術のほとんどは毎日使わないのですぐに忘れてしまいます。

ディープラーニングが流行り始めた頃、簡単な学習をしてみました。当時の私の結論は、短期的にはディープラーニングは初歩的な知能のレベルにとどまることしかできず、強力な知能へと進歩するのは難しいだろうというものでした。

この結論は今日でも時代遅れではありません。しかし、ディープラーニングに関して私が本当に衝撃を受けたのは、昨年、教育アプリの CEO を務めていたクラスメートとの会話でした。彼は、教育という垂直分野では、大量のデータに頼る彼らの音声認識率はすでに iFlytek よりも高く、さらに驚くべきことに、NLP を追加することで、彼らの AI がすでに教師の主観的な質問の修正を支援できるようになっていると語った。主観的な質問は、数学のエッセイや中国語の作文のようなものです。

これをきっかけに、私は自分のパフォーマンスを再考し始めました。

二

強力なインテリジェンスに完全に依存するアプリケーション シナリオでは、多くの問題が発生します。例えば、さまざまな異常事態が次々と発生する中国の交通環境で自動運転を運用しようとしても、短期間で実現できるものではない。一見シンプルに見える質問応答ロボットでさえ、実際にはどの会社でもうまく作られているわけではありません。Siri にさらにいくつか質問すると、すぐに混乱してしまいます。

Weibo で私をよくフォローしている人は、私の好きな言葉が「自動化できるものなら自動化すべき。自動化できないものなら半自動化すべき」だということをご存知でしょう。

人工知能においても、この法則は依然として有効であるように思われます。強力な知能が今や十分ではないので、***知能+手動確認という方法を使って「半知能」を実現してみませんか。機械を使って事前選択を手伝ってもらい、最終的な選択は自分で行います。依然として人間の介入が必要ですが、生産効率を何十倍も高めることができます。

三つ

クラスメートの中には、ディープラーニングを適用するシナリオが見つからないと言う人もいました。これは、彼らが強力な知能にこだわりすぎていて、機械がすべてを独立して処理することを望んでいるからです。「半自動化」アプローチを使用すると、シナリオはどこにでも見つかります。

最も典型的なシナリオは、「ニーズに応じて組み合わせる」ことです。本日正式リリースされたミニプログラムを例に挙げてみましょう。ミニプログラムはフレームワーク層で機能をページ単位に分割し、ミニプログラムのコンポーネントの再利用を容易にしています。設計面では、ミニプログラムは統一された公式ガイダンススタイルを提供しているため、パーソナライズされたものはあまり多くありません。

ユーザー プロファイル マネージャーが必要です (xpm install user-profile)。動的フィード ストリームが必要です (xpm install feed-timeline)。

するとこの人が「やりますよ」と叫び、GitHub にピットを開設。SDK は完成しており、年明け前にはインストーラーによる社内テストを開始できるとのこと。 https://git.oschina.net/xpmjs/xpm

そこで私は彼に、早くやらなければならないと言いました。長期的には、一般的なアプリケーション *** はあまり価値がありません。なぜなら、すぐにそれを非常にうまく行うオープンソース プロジェクトが登場するからです。本当に価値があるのは、業界に浸透したアプリケーションです。たとえば、不動産業界、ヘッドハンティング業界、テクノロジーコミュニティのユーザープロフィールページはまったく異なります。しかし、唯一の違いは、業界固有のフィールドがいくつか追加されたことです。 大量の「二次開発」作業は、最も些細な作業であり、最も利益をもたらします。

これはディープラーニングを使用できる典型的なシナリオです。対応する業界の H5 ページをクロールすることで、各業界で必要な可能性のあるフィールドをすばやく分類し、それらを機械に渡して学習させることができます。新しい要件が発生すると、機械は事前に設定されたフィールドを自動的に構成できます。機械は間違いを犯すでしょうか? もちろんです。しかし、精度が 80% であっても、数人のプログラマーを節約できます。

なぜディープラーニングを学びたいのか? それは、その背後にたくさんのお金があるからです。

4つ

これは私たちの目の前にある機会ですが、もう少し先のことについてお話ししましょう。周知のとおり、日本の技術ツリーは一般的にルーチンに従っていません。早稲田大学は、ディープラーニングを2次元の世界に応用することを決意。まずは白黒の絵に色を付けるプロジェクトを立ち上げ、その後、その概要をまとめた論文を発表した。すぐに彼らは漫画家のスタイルを学び、線画から原稿を作り始めると思います。 [[200339]]

「伝統的な」日本の漫画は機械で制作するのが難しいかもしれないが、現在SNSで大量生産されている「ストリップ漫画」は高画質を必要としない。特に4コマ漫画。よくフォローしてくれる生徒さんは、私がComipo!というソフトで「描いた」4コマ漫画を見たことがあるはずです。 ( http://zhijia.io/anthology/101869 ) 機械が関与すれば、脚本に基づいてこの品質のコミックを生成するのは簡単です。その時までに、誰もが1%の人生を送れるようになるでしょう。

なぜディープラーニングを学びたいのか？それは、未来が早く来ることを望んでいるからです。

五

先週、私は2017年にディープラーニングを独学で学ぶつもりだとWeiboに投稿したところ、1,000人以上のクラスメートが一緒に学ぶ意欲を表明しました。

機械学習を学ぶのはそれほど簡単ではないと言う学生もいました。実際、注意深い学生なら、私が「機械学習」ではなく「ディープラーニング」について話していることに気づくでしょう。

私の目的は非常に単純で、つまり使うことです。 1 年目の勉強で私が自分自身に設定した目標は、「機械学習」の原理を理解することではなく、「ディープラーニング」を製品のあらゆる側面に適用することでした。

学習目的でそれを使用するのが私の通常の学習方法です。最初は理解できなくても大丈夫です。とにかく使ってみてください。理解する必要があるときは、ゆっくり理解してください。結局のところ、携帯電話の各部分がどのように機能するかを理解している人は多くありません。

「ディープラーニング」を最初に学ぶもう 1 つの利点は、「機械学習」の基礎をあまり必要としないことです。 Tensorflow や Kears などのオープンソース フレームワークを設定し、データを入力して、結果を確認できます。知識ポイントを補充するには、最適化の時間まで待ちます。

ディープラーニングはブラックボックスのようなもので、ディープラーニングを専門とする学生の多くは、なぜ3つのレイヤーを構築し、4つのノードを配置する必要があるのか​​、どのような状況でどのような活性化関数を使用すればよいのかを明確に説明できません。練習とデータの観察を通じてゆっくりと調整してください。これは初心者にとって最高の入門点です。

ローカルで環境を構築したくない場合は、AWS 上にすでに利用可能なイメージがあり、API ベースのディープラーニングサービスも増えています。これは水、電気、ガスのようなものです。学ぶことよりも使うことのほうが重要です。

学生の中には、多くの場合、ディープラーニングよりも他の機械学習手法の方がはるかに効果的であると厳しく指摘した人もいました。そうですね。機械学習全体をしっかり学べば 90 点取れますが、ディープラーニングだけを使うと 70 点しか取れないかもしれません。

しかし、世の中にあるプログラムのほとんどには、知性のかけらさえありません。 0 点から 70 点まで、ディープラーニングを使用するだけで済みます。

なぜディープラーニングを学びたいのか? それはコスト効率が非常に良いからです。