伝統的な機械学習はまだ有効なのか？

近年、生成的なAIは複雑なAIタスクを解決するための有望な結果を示しています。ChatGPT、Bard、LLaMA、DALL-E.3、SAMなどの最新のAIモデルは、視覚的な質問回答、セグメンテーション、推論、コンテンツ生成などの多分野の問題を解決するための卓越した能力を示しています。

さらに、マルチモーダルAI技術が登場し、テキスト、画像、オーディオ、ビデオなどの複数のデータモダリティを同時に処理できるようになりました。これらの進歩により、伝統的な機械学習（ML）の終焉に近づいているのではないかと考えられます。

この記事では、伝統的な機械学習の現状と、最新の生成的なAIイノベーションとの関係について見ていきましょう。

伝統的な機械学習とは何か？– その限界は何か？

伝統的な機械学習は、主に統計に基づく幅広いアルゴリズムを包含する用語です。伝統的なMLアルゴリズムの2つの主な種類は、教師あり学習と教師なし学習です。これらのアルゴリズムは、構造化されたデータセットからモデルを開発するように設計されています。

標準的な伝統的な機械学習アルゴリズムには、以下のものがあります：

• 回帰アルゴリズム（線形、ラッソ、リッジなど）
• K-meansクラスタリング
• 主成分分析（PCA）
• サポートベクターマシン（SVM）
• ツリーベースのアルゴリズム（決定木、ランダムフォレストなど）
• ブースティングモデル（グラディエントブースティング、XGBoostなど）

伝統的な機械学習の限界

伝統的なMLには以下の限界があります：

1. スケーラビリティの限界：これらのモデルは、大規模で多様なデータセットにスケールするのに苦労することがあります。
2. データ前処理と特徴エンジニアリング：伝統的なMLでは、モデル要件に応じてデータセットを変換するための広範な前処理が必要です。また、特徴エンジニアリングは時間がかかり、複雑なデータ特徴間の関係を捉えるために複数のイテレーションが必要です。
3. 高次元および非構造化データ：伝統的なMLは、画像、オーディオ、ビデオ、ドキュメントなどの複雑なデータタイプに苦労します。
4. 未知のデータへの適応性：これらのモデルは、トレーニングデータの一部ではなかった実世界のデータに適応するのに苦労することがあります。

ニューラルネットワーク：機械学習からディープラーニングへ

ニューラルネットワーク（NN）モデルは、伝統的な機械学習モデルよりもはるかに複雑です。最もシンプルなNNである多層パーセプトロン（MLP）は、情報を理解し、タスクを実行するために複数のニューロンが接続されています。

ニューラルネットワーク技術の進歩は、機械学習からディープラーニングへの移行の基礎を形成しました。例えば、コンピュータビジョンタスク（オブジェクト検出、画像セグメンテーション）用のNNは、畳み込みニューラルネットワーク（CNN）と呼ばれ、AlexNet、ResNet、YOLOなどがあります。

現在、生成的なAI技術は、ニューラルネットワーク技術をさらに進化させ、さまざまなAIドメインで卓越した成果を上げています。例えば、自然言語処理タスク（テキスト要約、質問回答、翻訳など）用のNNは、トランスフォーマーと呼ばれ、BERT、GPT-4、T5などがあります。これらのモデルは、ヘルスケア、リテール、마케팅、金融など、さまざまな業界に影響を与えています。

伝統的な機械学習アルゴリズムはまだ必要なのか？

ニューラルネットワークとその最新のバリエーションであるトランスフォーマーが注目を集めている間、伝統的なML方法はまだ重要です。なぜそれらがまだ関連しているのかを見てみましょう。

1. 単純なデータ要件

ニューラルネットワークは、大規模なデータセットを必要としますが、MLモデルは小規模でシンプルなデータセットで有意な結果を達成できます。したがって、MLは小規模な構造化されたデータセットの場合にディープラーニングよりも優先されます。

2. 単純さと解釈可能性

伝統的な機械学習モデルは、シンプルな統計モデルと確率モデルに基づいて構築されています。例えば、線形回帰では、入力と出力の関係を最小二乗法で確立します。

同様に、決定木はデータを分類するために確率原理を使用します。こうした原理の使用により、解釈可能性が提供され、AIプラクティショナーがMLアルゴリズムの動作を理解しやすくなります。

最新のNNアーキテクチャであるトランスフォーマーと拡散モデル（Stable DiffusionやMidjourneyのような画像生成に使用されるもの）は、複雑なマルチレイヤーのネットワーク構造を持ちます。こうしたネットワークを理解するには、先進的な数学的概念の理解が必要です。したがって、それらは「ブラックボックス」と呼ばれることもあります。

3. リソース効率

最新のニューラルネットワークである大規模言語モデル（LLM）は、計算要件に応じて、高価なGPUクラスタでトレーニングされます。例えば、GPT4は、25000個のNvidia GPUで90〜100日間トレーニングされたと報告されています。

しかし、高価なハードウェアと長時間のトレーニング時間は、すべてのプラクティショナーまたはAIチームにとって実行可能ではありません。一方、伝統的な機械学習アルゴリズムの計算効率により、プラクティショナーは、制約されたリソースででも有意な結果を達成できます。

4. すべての問題にディープラーニングが必要なわけではない

ディープラーニングは、すべての問題の絶対的な解決策ではありません。MLがディープラーニングを上回るシナリオも存在します。

例えば、医療診断と予後における限られたデータでは、異常検出のためのMLアルゴリズムであるREMEDは、ディープラーニングよりも優れた結果をもたらします。同様に、計算能力が低いシナリオでは、柔軟かつ効率的な解決策として、伝統的な機械学習が重要です。

主に、問題の性質と組織またはプラクティショナーのニーズに基づいて、最適なモデルを選択する必要があります。

2023年の機械学習

Leonardo AIを使用して生成された画像

2023年現在、伝統的な機械学習は進化を続けており、ディープラーニングや生成的なAIと競合しています。特に構造化されたデータセットを扱う際に、産業界でさまざまな用途があります。

例えば、多くの消費財会社は、タブ形式の大量のデータを扱い、MLアルゴリズムを使用して、重要なタスク such as 個人化された製品の推奨、価格最適化、在庫管理、サプライチェーンの最適化を行っています。

さらに、多くのビジョンと言語モデルはまだ伝統的な技術に基づいており、ハイブリッドアプローチや新しいアプリケーションで解決策を提供しています。例えば、最近の研究「Do We Really Need Deep Learning Models for Time Series Forecasting?」では、時系列予測において、ディープニューラルネットワークよりもグラディエントブースティング回帰ツリー（GBRT）が効率的であることを議論しています。

MLの解釈可能性は、SHAP(Shapley Additive Explanations)やLIME(Local Interpretable Model-agnostic Explanations)などの手法により、高く評価されます。これらの手法により、複雑なMLモデルを説明し、予測についての洞察を提供し、MLプラクティショナーがモデルをよりよく理解できるようになります。

最後に、伝統的な機械学習は、スケーラビリティ、データの複雑さ、リソースの制約に対処するための堅牢な解決策として、さまざまな業界で役割を果たし続けます。これらのアルゴリズムは、データ分析と予測モデリングに不可欠であり、データサイエンティストのツールボックスの一部として残り続けます。

このようなトピックに興味がある場合は、Unite AIを参照して、さらに詳しく調べてみてください。