人工知能 (AI) は、人間の知的行動を模倣します。AI は、環境を認識し、意思決定を行い、アクションを実行するように設計された、コンピューターやシステムのソフトウェアです。成功する AI システムを構築するには、ワークフロー全体を理解し、単なる AI モデルの学習を超えた作業に焦点を当てる必要があります。
AI アプリケーションのアルゴリズムとして、ディープラーニングと機械学習のどちらを選択するかは、システムの目標と要件によって異なります。
従来の機械学習では、サポート ベクター マシン (SVM) や決定木など、さまざまな分類器の学習を行うことができます。機械学習では、特徴抽出の最適化も行えます。異なるアプローチを組み合わせて、データの最適な配置を決定することができます。
ディープラーニングは特殊な機械学習手法のひとつであり、データからの関連性のある特徴の抽出を自動化します。ディープラーニング ネットワークは、従来の機械学習モデルよりも優れた予測能力を備えている場合が多く、その精度は学習データのサイズが大きくなるほど向上します。
さまざまな機械学習アルゴリズムを試して、使用するモデルに最適なものを見つけます。
機械学習とディープラーニングのどちらを選択するにしても、さまざまなアルゴリズムを試して、アプリケーションと要件に適したものを決定する能力が必要です。
このトピックについてさらに詳しく
データ駆動型 AI
多くの AI アプリケーションにおいて、その中核をなす要素はデータです。生データを取得し、それを正確で有意義なモデルで役立てるには、AI 構築の作業にかなりの時間を費やすことが想定されます。データの準備には、データの重要な特徴、重要でない特徴、および考慮すべきまれな事象を理解するための専門知識が必要です。
データの準備やラベル付きデータの取得には、多くの場合、手間と時間がかかります。このプロセスには、合成データやより多くのサンプルによるデータセットの拡張も含まれる場合がありますが、エンジニアは、ラベル付けに費やす時間を自動化することで、クリーンなラベル付きデータをより早く入手することを検討する必要があります。
AI モデリング
成功する AI モデルを構築するために重要な 2 つの要素は、次のとおりです。
- 一連のアルゴリズムの選択: 機械学習とディープラーニングのどちらに注目していますか。アルゴリズムの完全なセットと事前構築済みモデルから始めることは、ゼロから始めるのとは違い、AI コミュニティのより広範な研究成果を活用している時点で、既に一歩先に進んでいます。
- モデルの繰り返し: ここで、最も堅牢で正確なモデルを取得するために最適なパラメーターセットを特定します。正確なモデルの構築には時間がかかります。幸いなことに、1 つまたは複数の GPU での実行など、ハードウェアを追加することで、パラメーター、入力データ、層のあらゆる組み合わせでのモデルの学習時間を大幅に短縮できます。
AI 設計におけるシミュレーション
AI モデルは通常、大規模で複雑なシステムの中に存在します。たとえば、自動運転システムでは、知覚のための AI は、位置推定やパスプランニングのためのアルゴリズムや、ブレーキ、加速、およびその他のコンポーネントの制御と統合する必要があります。これらの要素を組み合わせることで、完全なシステムを構築します。このような複雑な AI 駆動システムには、統合とシミュレーションが必要です。
AI の活用事例を見る: BMW、機械学習を使用して車のオーバーステアを検出
AI は、複雑なロボティクスシステムのさまざまな部分で使用されます。
シュミレーションは、それらが全体としてどのように機能するかを試す方法です。ここでは、すべての要素が正しく連携して動作することを検証します。シミュレーションすることで、あらゆる状況で期待どおりの結果と反応が得られます。また、ハードウェアに展開する前に、モデルが正しく動作することを検証できます。
このトピックについてさらに詳しく
実世界での AI の適用
AI は多くのアプリケーションで使用されており、車載 ECU、化学工場のエッジシステム、複数の場所からデータを受信するクラウドベースのストリーミング システムなど、その用途に応じたさまざまな展開の要件があります。AI はこれらのシステムのあらゆる部分で使用される可能性があるため、モデルはどのようなプラットフォーム上でも展開して運用できることが必要です。
- データの取得: 異なるデータ収集ハードウェアとのインターフェイスをすばやく確立、大量のデータを整理、または限られた学習データしか用意できない場合に合成データを生成します。
- データの前処理とラベル付け: 前処理アプリとラベル付けアプリを使用して、より適切なデータセットをすばやく構築します。MATLAB® のローコードアプリと組み込み関数を使用して、データ品質を向上させ、グラウンド トゥルースに自動的にラベル付けします。
- 意思決定の可視化: 説明可能性の手法を使用し、AI モデルの堅牢性を検証することで、AI の意思決定に対する信頼を高めます。LIME、Shapley、Grad-CAM などの手法には MATLAB で直接アクセスできるため、関数を手作業で書く必要はありません。
- シミュレーション: AI モデルを Simulink に統合して、複雑なシステムに直接 AI 機能を構築できます。この統合により、エンジニアは運用環境にモデルを展開する前に、システム全体で AI をシミュレーションできます。
- エッジへの展開: コードを自動生成し、使用するデバイスをターゲットにすることにより、コーディングエラーを特定し、排除します。MATLAB は、エンタープライズ システム、クラスター、クラウド、または組み込みハードウェアにモデルを統合できるように、特定のターゲット ハードウェア用のコードを自動的に生成します。
エンジニアと科学者は、AI プロジェクトの成功に不可欠な洞察を提供する特定分野の専門家です。MATLAB は、エンジニアや科学者がそれぞれの領域で AI を使用し、さまざまな産業分野のチームや組織全体で共同作業を実現できるよう支援します。
ディープラーニング向け MATLAB
MATLAB によるディープラーニングのサポートについてご紹介します。
チュートリアルおよび例
MATLAB で AI をを始めましょう。
