最初の訓練を受けた後、その基礎となる動作を適応させることができる新しいタイプのニューラルネットワークは、自動運転やロボットの制御、病状の診断など、状況が急速に変化する状況において、大きな改善の鍵となる可能性がある。このようないわゆる「流動」ニューラルネットワークは、MITコンピュータ科学・人工知能研究所のRamin Hasani（ラミン・ハサニ）氏と彼のチームによって考案されたもので、訓練段階の後、実際に現場で行われる実用的な推論作業に従事する際に、AI技術の柔軟性を大幅に拡大する可能性を秘めている。
通常、ニューラルネットワークのアルゴリズムは、関連する大量のターゲットデータを与えられて推論能力を磨き、正しい応答に報酬を与えて性能を最適化する訓練段階を経ると、基本的には固定化される。しかし、ハサニ氏のチームは、彼の「流動」ニューラルネットが、新しい情報に反応して、時間の経過とともに「成功」のためのパラメータを適応させていく方法を開発した。これは、たとえば自動運転車の認知を担うニューラルネットが、晴天から大雪に変わった場合、状況の変化に対処して高いレベルの性能を維持できるようになることを意味する。
ハサニ氏とその共同研究者達が開発した方法が従来と大きく異なる点は、時系列的な適応性に焦点を当てていることだ。つまり、基本的に多数のスナップショットや時間内に固定された静的な瞬間からなる訓練データに基づいて構築されるのではなく、流動ネットワークは本質的に時系列データ、つまり孤立したスライスではなく、連続的なイメージを考慮しているということである。
このように設計されているため、従来のニューラルネットワークと比較すると、研究者による観察や研究がよりオープンになるということでもある。この種のAIは一般的に「ブラックボックス」と呼ばれている。なぜなら、アルゴリズムを開発している人たちは、入力したものや成功した行動を奨励して決定するための基準は知っていても、成功につながるニューラルネットワークの中では何が起こっているのかを正確に判断できないからだ。この「流動的」なモデルは、より透明性が高く、より少数の、しかし洗練されたコンピュートノードによって構成されるため、コンピューティングにかかるコストが低くなる。
一方、パフォーマンスの結果は、既知のデータセットから未来の値を予測する精度において、他のシステムよりも優れていることを示している。ハサニ氏と彼のチームの次なるステップは、このシステムをさらに優れたものにする最善の方法を明らかにし、実際の実用的なアプリケーションで使用できるように準備することだ。
カテゴリー：人工知能・AI
タグ：MIT、ニューラルネットワーク
画像クレジット：imaginima / Getty Images
［原文へ］
（文：Darrell Etherington、翻訳：Hirokazu Kusakabe）
