自律インテリジェンス テクノロジの使用を評価する

  • 3 分

機械学習 (ML) とディープ ラーニング (DL) は、オブジェクト認識、音声認識、読解力、機械翻訳、一般的な言語処理など、多くのアプリケーションで人間のパリティ レベルに達しており (タスクで人間と同じくらい良いパフォーマンスを発揮)、音声合成については人間のパリティに近いものになっています。 しかし、ML および DL アルゴリズムではデータが制限されます。つまり、結果は入力データの品質と同じくらいだけ良くなり、バイアスは増幅されます。 また、説明ができないか、説明が少ないブラック ボックスであるため、特に工業環境では信頼されません。 また、人間のようなエラー (誤検出や検出漏れ) ではなく、予期しない (すべての推論がエラーになる可能性がある) エラーもあります。

ディープ強化学習 (DRL) アルゴリズムには多くの "強力な機能" があります。状況の変化に応じて動作を変更できます。変数間のあいまいな非線形リレーションシップ、環境状態の推移間で決定を行う必要がある複雑な非線形リレーションシップについて学ぶことができます。複雑な認識に基づいて行動できます。直接測定されない環境の変更に対応できます。そして、最も重要なのは、戦略を学ぶことです。

しかし、DRL にも制限があります。当面のタスクに関する予備知識はありません。つまり、非常に多くの試行とエラーの繰り返しによってすべてを学ぶ必要があります。 このプロセスは、非常に大きな状態空間をナビゲートする必要がある場合は非効率的です。 さいわい、専門知識を取り入れて検索領域を減らすことで、DRL の複雑さを軽減できます。

次の表では、自律インテリジェンスに含まれる 2 つの主要なテクノロジ (ML と DRL) の長所と制限事項をまとめています。

これはどういうものですか? どのようなときにそれを使用する必要があるか 制限は何ですか。
- 機械学習 (ML)
- ニューラル ネットワーク (NN)
- ディープ機械学習 (DML)		 パターンを認識したり動作をレプリケートしたりするためにデータから学ぶ相互接続ノードのネットワーク - コンピューター ビジョン、自然言語処理、サウンドなど、事前認識が必要な場合
- 分類
- 予測		 - トレーニングが難しい
- 制限付き/直感的でない説明可能性 (ブラック ボックス)
- 簡単にハッキング可能
- すべての推論が誤検知または検知漏れになる可能性がある
- 信頼性が低く、非決定論的
- 実用的ではなく、産業プロセスへの統合が困難
- コンピューター ビジョン、自然言語処理、サウンドなど、事前認識が必要な場合
- 分類
- 採用性が低い
- 強化学習 (RL)
- ディープ強化学習 (DRL)		 シミュレーション/現実世界で実践する ML - 困難な状態評価、非線形、動的環境。
- コンピューター ビジョン、自然言語処理、サウンドなど、事前認識が必要な場合
- 分類
- 人間レベルで戦略を学ぶ必要がある場合		 - トレーニングが難しい。
- 制限付き/直感的でない説明可能性 (ブラック ボックス)。
- 産業プロセスへの統合が困難。
- コンピューター ビジョン、自然言語処理、サウンドなど、事前認識が必要な場合
- 分類
- 当面のタスクに関する予備知識がない。