ディープラーニングの処理フェーズ

ディープラーニングの処理フェーズは、大まかに「学習処理フェーズ」と「推論処理フェーズ」に分かれる。

学習処理フェーズ

適正な推論を行える学習モデルに育てるためには、大量の訓練用データを取り込み、学習を行う必要がある。

■大量の訓練用データが必要

ディープラーニングは「質の高い訓練用データが多いほど精度が上がる」という特徴がある。大量の訓練用データ(ビッグデータ)を確保できない場合は、高い推論性能を発揮できない。

AI開発において利用できるデータ量は重要なウェイトを占める。「日本の研究機関/企業は、良質なビッグデータを確保できないため、AI開発に遅れが出ている」という分析もある。

■強力な処理インフラが必要

膨大な量のデータを処理するため、「時間」「電力」「高機能サーバ(GPU)」が必要となる。

■難度が高いチューニング

ディープラーニングは、「過学習」や「過剰適合」などの課題もあり、チューニングが難しいという弱点がある。

ディープラーニングのチューニングを行うためには高度なスキルが必要であり、そのような人材は非常に少ないという問題もある。

推論処理フェーズ

推論処理フェーズでは、訓練した学習モデルを使用して推論を行う。

実際のビジネスにおいて、「学習済モデル」や「学習済モデルを利用できるサービス」を使用する場合は、自社でのAIトレーニングは行わずに、迅速に開始できる。

推論処理は、学習処理ほどのコンピュータリソースは必要としない。