読者です 読者をやめる 読者になる 読者になる

アラカン"BOKU"のITな日常

あれこれ興味をもって考えたことを書いてます

ディープラーニングで何ができるのか?がなんとなくわかった日

調査兼勉強で、フルスクラッチでのディープラーニング実装に挑戦してみた訳ですが、やってみてわかったことをまとめます。

 

ディープラーニング実装をやってみる前に、知りたかったことは次の点でした。

 

まず、「ディープラーニングで何ができるのか?」です。

 

やってみる前と後では相当に印象が変わりました。

 

やってみる前は「神秘的な存在」でした。

 

でも、やった後は「ディープラーニングは特徴量を機械学習できる高機能分類器」というリアルなものと、思えるようになりました。

 

別の言い方でいうと、「画像の識別等分類用途に特化した人工知能の優れたアプローチのひとつ」ですかね。

 

それを認識したうえで、適した用途に使っていくなら、人の能力をはるかに凌駕する能力を発揮するのは間違いありません。だから、「ディープラーニングは、使う側が能力を発揮できる領域とそうでない領域を、きちんと意識しないといけない」わけですね。

 

もうひとつ、意外なことがありました。思ったより、実装のハードルが低いのですね。

 

もちろん、高性能を追求したら、とんでもなく高度で難しいのですが、なんというんですかね、解説する資料を読みながら、とりあえず動く程度のものを作るのも、もっとハードルが高いと正直思っていました。

 

人工知能と言う言葉の印象から、何か構えていたわけですね。

 

ところが、pythonのNumpyを使って"とりあえず動く程度のおもちゃ的実装"をするだけであれば、おそらく、ある程度プログラムに慣れた人が根を詰めれば、2週間もあればできてしまう感じです。

 

かつ、そんな、”おもちゃに毛の生えたニューラルネットワーク"ですら、手書き数字の画像を97~98%もの精度で認識できたわけです。これは、ある意味、脅威的です。

 

実装のハードルが高くないというのは、技術が広まるための非常に大きなポイントのはずです。間違いなく、今後、どんどん色々なところで使われていく重要な技術であることは実感できました。

 

これが発展していった先に、例えばドラえもんみたいなロボットの脳になり得るような汎用AI(本当の人工知能)があるとは、とても思えません。けど、正直・・「それが何か問題ありますか?」・・ですね。そのくらい、可能性のある技術である確信をもてました。

 

次は、「人事評価の仕組みにどう組み込めるのか?」です。

 

 最初は、よくわかっていませんでした。

 

だから、人事評価を人工知能にさせれば、人よりも客観的でぶれない評価ができるだろう・・程度の軽い発想でした。

 

ディープラーニングってなんか凄そうだから、評価の対象データも、文字情報をうまく流し込んで学習する方法がわかれば、まあ、なんとかなるだろうって感じですね。

 

結論としては、そんな簡単なものではない・・ことだけはわかりました。

 

人事評価の仕組みにどう使うか?・・いや、そもそも使い所があるのか?、ディープラーニングが最適なのか?など・・いろいろと、考え直す必要があるのは間違いないです。

 

ディープラーニングで人事評価のような時系列要素のあるデータを扱うアプローチはあるみたいです。

 

まだ、きちんと理解はできていないのですが、、LSTM(Long short-term memory)というRNN(Recurrent Neural Network)の拡張系のモデルがそうみたいです。

 

ディープラーニングにこだわって、そちらに深掘りしていくのか、それとも、全く異なるアプローチ(例えば ベイジアンネットワークのような確率系とか)を試すのか?・・をしばらく悩むことになるでしょう。

 

とはいえ、 ま、自分で手を動かしてみたことで、一歩進んだとは思いますし、正直、悩むというよりも、新しい勉強のネタができて、また新しいことを覚えられると思うと逆に楽しみだったりします。