ディープラーニング活用事例と使いこなしの勘所：0．編集にあたって

全文

(1)小特集. ディープラーニング活用事例と使いこなしの勘所編集にあたって. これまでのディープラーニングの研究開発は，「ディー. 根岸康日本アイ・ビー・エム（株）. 研究・開発が進められてきた．今後ディープラーニング. 昨今の AI ブームの原動力となっているディープラー. の課題にディープラーニングは役立つのか」という観点. ニングは，画像や音声の認識タスクで大きな性能向上. からディープラーニングシステムを 1 つのツールとしてそ. を達成したが，その利用は機械学習の専門スキルを持. の機能や使用方法を理解する必要がある．しかし，現. つ研究者などに限られていた．この状況を変えつつあ. 在のディープラーニングシステムはツールとしてその機能. るのがディープラーニングフレームワークの登場とそれ. だけを利用するには十分に洗練されているとはいえず，. に伴うモデルやノウハウの共有である．利用者は基礎. 業務への適用にあたってはディープラーニング技術に関. 的な部分の煩雑なプログラミングから解放されて真にや. する一定の理解が必須で，フレームワークに合わせた. りたいことに集中できるようになりつつある．. タスクや入出力データの形式の検討・調整等，ツール. また，近年の人手不足を背景に業務の自動化・効率. の不足部分を利用者が埋める必要がある．. 化のニーズは引き続き強く，より付加価値の高いサー. ディープラーニングを業務プロセスに適用する際に. ビスや製品体験の提供のために高度な IT システムを. 利用者が検討すべき課題には以下のようなものがある. 業務に取り込む必要性も強まっている．これらの状況が合わさって，ディープラーニング技術自身の開発研究者ではない業務ドメイン側（応用分野）の技術者により，これまで考えられなかった新しい応用が次々と生み出されている． 966. プラーニングには何ができるのか ?」という観点から比較的ディープラーニングに適用しやすいタスクを中心にの実際の業務への適用を進めるには，「解きたい特定. （図 -1 参照）． • 解決したい業務上の課題，ディープラーニングによる解決可能性・必要性 • ディープラーニングシステムに与えるタスクと使用するニューラルネットワークモデル・ハイパーパラメータ. 情報処理 Vol.59 No.11 Nov. 2018 小特集ディープラーニング活用事例と使いこなしの勘所.

(2) • 学習システムと業務システムによる入力データの収集方法．特に学習用正解データの生成方法とその作業項目. 画等についての情報を提供する．事例は，画像処理，音声処理，言語処理，最適化・. • 推論結果の利用方法，検証・保証方法．. 推論の 4 つの適用分野ごとに読者の参考になると思わ. • 学習システムと推論システムの関係と連携方法. れるものを紹介する．画像処理分野からは，ソース画. • 使用するディープラーニングフレームワークとプログラ. 像を記事に適した大きさに切り出す「ニュース記事画像の自動クロッピング」の事例，および，「ラーメン画. ム言語. 像からの全店舗識別」の事例を，音声処理分野からは，. • 使用マシンのスペック（特に GPU の有無）・台数利用者はこれらの課題の解決方針を決定し，具体. 「畳込みニューラルネットワークを用いた魚群探知機. 的な作業項目を検討する必要があるが，そのための情. による魚種推定」の事例を紹介する．また，言語処理. 報は十分に提供されているとはいえない．本特集では，. 分野からは，ディープラーニングにより質問への解答. これらの課題を埋めるための勘所を，ディープラーニン. 文を自動生成する「AI による恋愛相談への回答生成. グの新しい業務への応用事例を通して複数紹介するこ. ─答えのない回答生成への試み─」の事例を，最適化・. とにより，読者に開発するシステムの具体的なイメージ. 推論分野からは，「AI タクシー：リアルタイム人口を用. を持ってもらう．それによりこれらの課題を乗り越えて. いたタクシー乗車の需要予測─ AI タクシーサービス. 新しい応用事例を作る，もしくは，AI ブームに踊らされ. への深層学習の適用─」，プログラムの美しさを診断. ずにディープラーニングの自分の業務への適用の必要. する「AI によるソースコードのレビュー─ディープラー. 性を冷静に判断するための参考としていただくのが目. ニングでコードの美しさを診断する─」の事例，コン. 的である．各事例では，すでに述べた検討すべき課題. ピュータが将棋を指す「ディープラーニングを使った将. に加えて，ディープラーニングの勉強法，業務システム. 棋 AI の学習」の事例を紹介する．. の規模，開発期間，作業人数・時間，ディープラーニ. 読者には，自分が解きたい業務課題を想定し，関. ングシステムと既存業務システムとの統合方法，ディー. 連の深い先行事例を参考にして，ディープラーニングの. プラーニング適用の際の勘所（苦労・工夫した点），実. 適用にあたって必要な作業，解決すべき課題等につい. 行結果の評価（精度や実行速度は十分か），今後の計. て検討していただけると幸いである．（2018 年 8 月 7 日）. 学習入力データをどこからどう収集?. 学習システムニューラルネットワークモデル. 更新頻度は？. 業務システム. 学習済パラメータ. ディープラーニングフレームワーク. どのフレームワークを使用?. マシン. プログラム言語は?. 必要なスペックは? GPUは必要? 業務マシンとは別マシン?. 業務上の効果をどう評価?. 解くべき業務上の課題は?. ニューラルネットワークモデルディープラーニングフレームワーク. 推論結果データ. どのタスクをどのモデルで解く？. 推論入力データ. 学習入力データ. 学習正解データ. 正解データをどう準備? 作業手順・内容は?. マシン既存業務システム業務システムとどう統合する?. 推論結果をどう検証? どう保証?. 推論結果を業務システムにどう利用?. ■図 -1 ディープラーニングを業務プロセスに適用する際の課題. 0. 編集にあたって情報処理 Vol.59 No.11 Nov. 2018. 967.

(3)