Yann lecunがディープラーニングの力と限界について語る

今月初めに行われたAIとWork of Futureのワークショップで、FacebookのAIリサーチディレクターであり、NYUデータサイエンスセンターの設立ディレクターであるYann LeCunが、「ディープラーニングの力と限界」について語りました。 AIの最近の多くの進歩の中心にある畳み込みニューラルネットワークを開拓したLeCunは、近年の分野の進歩に熱心であり、そのようなシステムができることとできないことについて現実的でした。

LeCun氏によると、AIには複数の波があり、現在の波はディープラーニングに焦点を当てているが、今後の課題は「知覚」であり、最大の例は医療用画像処理や自動運転車などのアプリケーションです。 これらのアプリケーションのほぼすべてが、教師あり学習を採用し、ほとんどが1989年にLeCunが最初に記述し、1995年にATMの文字認識で最初に展開された畳み込みニューラルネットワークを使用します。

ここ数年で最も大きな変化をもたらしたのは、サンプルサイズの大きなビッグデータセットと、コンピューティングパワーの大幅な増加（画像認識にGPUを使用する方法を見つけ出すGeoffrey Hintonの研究によって助長された）です。 LeCunでさえ、画像認識の進歩は「驚くほど素晴らしいものです」。 知覚は「本当に機能します」が、まだ欠けているのは推論です。

LeCunは、3種類のアプローチとそれぞれの限界について話しました。 強化学習には膨大な数のサンプルが必要です。 このシステムは何百万回もの試行錯誤を繰り返して改善することができるため、ゲームには最適ですが、たとえば、崖から車を5000万回運転したくないので、現実の世界では使いにくいです。リアルタイムは現実世界の要素です。

現在私たちが見ているもののほとんどである教師あり学習は、中程度のフィードバックを必要とし、うまく機能しています。 ただし、教師あり機械学習にはいくつかの問題があります。 LeCunは、このようなシステムはデータの偏りを反映しているが、この問題は克服できると楽観的であり、人と比べて機械から偏りを取り除く方が簡単だと考えていると述べた。 しかし、そのようなシステムの信頼性を検証することは困難であり、そのようなシステムからの出力に基づいて下された決定を説明することは困難であり、LeCunはこの例としてローン申請について話しました。

現在、ビデオの将来のフレームを予測するなどの目的で研究されている、教師なし学習または予測学習には、多くのフィードバックが必要です。 教師なし学習では、利用可能なあらゆる情報から過去、現在、または未来を予測します。つまり、空白を埋める能力を意味します。LeCunは事実上、常識と呼んでいます。 彼は赤ちゃんがこれを行うことができるが、それを機械にさせることは非常に困難であると指摘し、研究者が不確実な条件で行われる予測のための生成的敵対ネットワーク（GAN）のような技術にどのように取り組んでいるかについて話しました。 完全な解決策には程遠い、と彼は言った。

LeCunは、3種類の学習をケーキの一部のようなものとして話しました。強化学習はトップのチェリーであり、監視付き学習はアイシングを学習し、予測学習はケーキの主要部分です。

LeCunは、AIが物事の価値を変える方法を予測しました。ロボットによって作られた商品のコストは下がり、本物の人間の体験のコストは高くなります。

全体として、LeCunは、AIは蒸気エンジン、電気、またはコンピューターのような汎用技術（GPT）であると述べました。 そのため、経済の多くの分野に影響を及ぼしますが、生産性に影響が出るまでには10〜20年かかります。 LeCun氏は、AIが仕事の代替につながると述べたが、技術の展開は、労働者がそのために訓練できる方法によって制限されることに留意した。

「真のAI革命」に関して、LeCunは、機械が常識を獲得するまでこれは起こらないと述べ、これを構築するための原則を決定するには2、5、20、またはそれ以上の年を要するかもしれません。 さらに、それらの原則に基づいて実用的なAIテクノロジーを開発するには数年かかります。 結局のところ、彼は、畳み込みネットが重要になるまでに20年かかったと指摘しました。 そして、それはすべて原則が単純であるという仮定に基づいています。 「インテリジェンスが厄介なものである場合」はさらに複雑になります