ポイント: ディープニューラルネットワーク（DNN）は、複数の隠れ層を利用して精度を向上させることで機械学習を強化しますが、その複雑さにより説明可能性が難しくなります。DNNは人工ニューラルネットワークから進化し、性能を向上させながら、意思決定の透明性を低下させます。
- DNNは、データを処理するために洗練された数学モデルを使用します。
- ブラックボックスの性質により、入力と出力の関係を理解することが難しくなります。
ディープニューラルネットワークは、特に機械学習モデルの精度向上に大きな価値を提供します。MLモデルのディープネットコンポーネントは、A.I.が猫の画像を生成するから芸術を創造するまでの過程を実現した要素です—ゴッホ効果を使ってスタイリングされた写真です：
では、ディープニューラルネットワークの進化と利点、欠点を見ていきましょう。
ディープニューラルネットワークとは？
最もシンプルに言えば、あるレベルの複雑さを持つニューラルネットワークで、通常は少なくとも2層を持つものがディープニューラルネットワーク（DNN）またはディープネットと呼ばれます。ディープネットは、複雑な方法でデータを処理し、洗練された数学的モデルリングを用います。
しかし、ディープニューラルネットワークを真に理解するには、進化として見るのが最善です。ディープネットが存在する前に構築されるべきいくつかの要素が必要でした。
まず、機械学習が開発される必要がありました。MLは、統計モデル（例えば線形回帰モデル）を自動化するフレームワークであり、予測を行う能力を向上させます。モデルは、何かについての予測を行う単一のモデルです。それらの予測は、ある程度の精度を持って行われます。学習するモデル—機械学習—は、すべての悪い予測を取り込み、モデル内部の重みを調整して、より少ない間違いをするモデルを作成します。
モデル作成の学習部分は、人工ニューラルネットワークの開発を促進しました。ANNは、入力の重要性を出力に対する影響を評価するために隠れ層を利用します。隠れ層は、入力の重要性に関する情報を保存し、入力の組み合わせの重要性の関連付けも行います。
したがって、ディープニューラルネットはANNコンポーネントを活用します。隠れ層の各ノードが出力を決定するために入力の重要性を評価し関連付けを行うため、モデルの改善にそれほど効果的であれば、なぜこれらを重ねていって、隠れ層からさらに多くの利益を得ないのでしょうか？
したがって、ディープネットは複数の隠れ層を持ちます。「ディープ」は、モデルの層が何層も重なっていることを指します。
精度の向上：ブラックボックス問題
ディープネットは、モデルの性能を精度向上に導きます。モデルは、入力のセットを受け取り、出力を提供します。ディープネットの使用は、各層ごとにコードの行をコピー＆ペーストするのと同じくらい簡単です。使用するMLプラットフォームは関係なく、モデルが各層に2または2,000ノードを使用するように指示するのは、文字「2」または「2000」を入力するのと同じくらい簡単です。
しかし、これらのディープネットを使用すると、問題が生じます：これらのモデルはどのように決定を下すのでしょうか？これらのシンプルなツールを利用すると、モデルの説明可能性は大幅に低下します。
ディープネットは、モデルが自身で一般化を行い、その一般化を隠れ層、すなわちブラックボックスに保存することを可能にします。ブラックボックスは調査が難しいです。ブラックボックス内の値が知られていても、それらは理解のためのフレームワーク内には存在しません。
説明可能性の問題
教師は、成績の10%が参加、20%が宿題、30%が小テスト、40%がテストであると説明できるかもしれません。これらの数値は両方とも知られており、全体のスコアを予測するために簡単に理解できます。つまり、教師のルーブリックは説明可能なモデルです。学生がクラスで良い成績を得る方法を知るためには、説明可能である必要があります。
別の例：シンプルな機械学習モデルは、単純な高校の物理クラスから収集されたデータを取り、重力の方程式—または地球表面で経験する重力の力—を計算できます。
| ボールの重さ | 落下高さ | 落下時間 |
|---|---|---|
| 500g | 10m | 1.5s |
| 400g | 7m | 1s |
| ... | ... | ... |
通常の統計的線形回帰モデルは、結果を予測する方程式を提供するために使用できます。ボールの重さと落下高さを使用して、落下時間がどれくらいになるかを予測する場合、モデルは結果を毎回予測するための方程式を作成できます。
- 私たちは方程式が次のようになることを学びます： x (m) = 1/2 • g (m/s^2) • t^2 (s^2)
- 私たちは、物体の質量が結果を予測するために全く必要ないことを学びます。
隠れ層が導入されると、モデルは落下するボールに対して正しい結果を返すことができます。しかし、どの入力が総出力に寄与するかを通知する方程式は決定できません。モデルは説明不可能です。
説明可能性の問題は引き続き探求されており、進展が見られています。ディープネットはモデルの性能に大きな価値を提供しますが、それらを使用するコストは、モデルがどのようにしてその答えに到達するのかを正確に説明できないことです。（ちなみに、人生の秘密は42です。）
追加リソース
このトピックについて詳しくは、私たちのBMC機械学習＆ビッグデータブログおよび次の記事を探ってください：
- 機械学習：誇大広告と現実
- データセンターのネットワークセキュリティにおける機械学習の役割
- 機械学習におけるバイアスとバリアンス
- TensorFlowを使用してニューラルネットワークを作成する（例付き）、私たちの機械学習ガイドの一部
- Apache Sparkガイド、記事とステップバイステップのチュートリアル付き
これらの投稿は私のものであり、BMCの立場、戦略、または意見を必ずしも表すものではありません。