深層学習ではコンピュータが自律的に学習し、管理をほぼ必要とすることなくタスクを実行でき、科学と産業に驚異的な利点をもたらすため、この深層学習に注目する企業がますます増えています。従来の機械学習と異なり、深層学習では、人工的に作成した「ニューラルネットワーク」によって人間の脳の学習と情報処理をシミュレートし、データから複雑な概念や関係を抽出できます。深層学習モデルは、画像、テキスト、音声といったデータにおける複雑なパターン認識によって、インサイトや予測の精度を上げることができます。
深層学習にクラウドコンピューティングを使用すると、大規模なデータセットの取り込み、管理、アルゴリズムのトレーニングを簡単に実行できます。また、GPU の処理能力を使用して、低コストで効率的な方法で深層学習モデルをスケールできます。クラウドでの深層学習では、分散ネットワークを活用することで、深層学習アプリケーションを短期間で設計、開発、トレーニングできます。
深層学習アルゴリズムは、短期間で学習できるように設計されています。コンピューティング負荷の高いタスクでは、複雑な行列演算に GPU や CPU のクラスタを使用することで、深層学習モデルをトレーニング期間を短縮できます。構築したモデルをデプロイして大量のデータを処理することで、さらに精度の高い結果を出すこともできます。
深層学習のニューラルネットワークでは、種類や数の異なるプロセッサ間でシームレスかつ効率的にワークロードを分散できるため、複数プロセッサを余すところなく活用できます。クラウドでは幅広いリソースをオンデマンドで利用できるため、あらゆる規模の深層学習モデルに、事実上無制限のリソースをデプロイできます。
クラウドで実行できる深層学習フレームワークには、Apache MXNet、TensorFlow、Microsoft Cognitive Toolkit、Caffe、Caffe2、Theano、Torch、Keras などがあります。お客様は、パッケージ化されたライブラリから、ウェブ、モバイル、接続デバイスといったユースケースに最適な深層学習アルゴリズムを使用できます。
深層学習は、幅広い人工知能のユースケースに適しています。
深層学習のニューラルネットワークでは、ラベル付き画像を数百万枚用意してアルゴリズムをトレーニングすると、人間に匹敵するかそれを上回る精度で対象を識別でき、高速顔認識などの高度な機能を実現できます。
人間の話し方の変化やアクセントは、コンピュータによる音声認識の課題です。深層学習を使ったアルゴリズムでは、発話の内容をより簡単に判断できます。この機能は、Amazon Alexa やその他の仮想アシスタントで既に使用されています。
通常の会話では、言外の意味を伝達する語調や文脈なども重要です。深層学習は、コンピュータが会話のこのような要素を理解するために役立ちます。感情を検出するアルゴリズムにより、ユーザーからの問い合わせを解読してユーザーに役立つ応答を行うことができる、顧客サービス用ボットなどの自動応答システムを構築できます。
深層学習のこれまでの成功には、ユーザーの行動を追跡してパーソナライズされた推奨を提示するシステムの開発がありました。深層学習システムでは、多数のユーザーの総合的な行動を比較することにより、ユーザーが興味を示すと思われるまったく新しい項目を特定することもできます。
TuSimple が自律走行車用の深層学習 AI をどのように構築しているかをご覧ください。詳細はこちら >
完全マネージド型のエクスペリエンスで、規模に合わせて機械学習を素早く簡単に構築、トレーニング、デプロイできる AWS プラットフォームである、Amazon SageMaker の使用を今すぐ開始できます。また、機械学習用のカスタム環境とワークフローを構築するために AWS Deep Learning AMIs を使用することもできます。