ニューラルネットワーク（NN）

A ニューラルネットワーク (NN)は、パターンを認識し、感覚データを解釈し、情報をクラスタリングするように設計された人工知能 (AI)の中核をなす計算モデルです。人間の脳の生物学的構造に触発されたこれらのネットワークは、相互接続されたノード、すなわち「ニューロン」で構成され、層に組織化されています。生物学的脳がシナプスを介して化学信号を使用して通信するのに対し、デジタルニューラルネットワークは数学的演算を使用して情報を伝達します。これらのシステムは、現代の機械学習 (ML)の基盤技術であり、顔認識、言語翻訳、自動運転車などの複雑な問題を、すべての特定のルールについて明示的にプログラムされることなく、コンピューターが解決することを可能にします。

ニューラルネットワークとディープラーニングの比較

これらの用語はしばしば互換的に使用されますが、基本的なニューラルネットワークとディープラーニング (DL)を区別することが重要です。主な違いは深さと複雑さにあります。標準的な、または「浅い」ニューラルネットワークは、入力と出力の間に1つまたは2つの隠れ層しか持たない場合があります。対照的に、ディープラーニングは数十または数百の層を持つ「深い」ニューラルネットワークを伴います。この深さにより、特徴抽出が自動的に行われ、モデルが階層的なパターン（単純なエッジが形状になり、形状が認識可能な物体になる）を理解できるようになります。より深い技術的な掘り下げについては、MIT Newsがディープラーニングとその基本的なネットワークからの進化を説明しています。

ニューラルネットワークはどのように学習するか

ニューラルネットワークにおける「学習」のプロセスは、エラーを最小化するために内部パラメータを調整することを含みます。データは入力層を介して入り、計算が行われる1つ以上の隠れ層を通過し、予測として出力層を介して出力されます。

• Weights and Biases: ニューロン間の各接続には、信号の強度を決定する「重み」があります。トレーニング中、ネットワークはトレーニングデータに基づいてこれらの重みを調整します。
• 活性化関数: ニューロンが「発火」または活性化すべきかどうかを決定するために、ネットワークはReLUやSigmoidのような活性化関数を使用します。これにより非線形性が導入され、ネットワークが複雑な境界を学習できるようになります。
• バックプロパゲーション: ネットワークが予測を行う際、その結果を実際の正解と比較します。誤差がある場合、バックプロパゲーションと呼ばれるアルゴリズムがネットワークを逆方向に信号を送り、重みを微調整することで、時間とともに精度を向上させます。
• 最適化: 確率的勾配降下法（SGD）のようなアルゴリズムは、損失関数を最小化するための最適な重みセットを見つけるのに役立ちます。最適化アルゴリズムの詳細については、AWSでご覧いただけます。

実際のアプリケーション

ニューラルネットワークは、現代を定義する多くの技術の基盤となるエンジンである。

1. コンピュータビジョン： コンピュータビジョン（CV）の分野では、 畳み込みニューラルネットワーク（CNN）と呼ばれる 特殊なネットワークが視覚データの分析に用いられる。 Ultralytics 先進モデルは、 リアルタイム物体検出のために深層ニューラルネットワーク構造を活用する。 これらのシステムは、作物の健康状態を監視する農業分野のAIや、 異常検知を行うセキュリティシステムにおいて極めて重要である。
2. 自然言語処理：テキストを扱うタスクにおいて、 リカレントニューラルネットワーク（RNN）や トランスフォーマーといったアーキテクチャは、 機械が人間の言語を理解する方法を革新しました。 これらのネットワークは機械翻訳ツールや バーチャルアシスタントを支えています。 医療分野におけるAIでは、 診療記録の文字起こしや患者データの分析を支援するなど、 これらの技術の影響を確認できます。
3. 予測分析: 企業は時系列分析にニューラルネットワークを使用して、株価や在庫需要を予測します。IBMはビジネス分析におけるニューラルネットワークの優れた概要を提供しています。

実践的な実施

現代のソフトウェアライブラリは、数学的演算をゼロから記述する必要なく、ニューラルネットワークのデプロイを容易にします。〜のようなツール Ultralyticsプラットフォーム ユーザーがこれらのネットワークをカスタムデータセットで簡単にトレーニングできるようにします。以下のpythonコードは、事前学習済みニューラルネットワーク（特に最先端のYOLO26モデル）をロードし、それを使用して画像上で推論を実行する方法を示しています。 ultralytics パッケージで提供される。

from ultralytics import YOLO

# Load a pretrained YOLO26 neural network model
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
# The model processes the image through its layers to predict bounding boxes
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()

課題と考慮事項

ニューラルネットワークは強力ですが、特定の課題を抱えています。通常、教師あり学習には大量のラベル付きデータが必要です。十分なデータ多様性がない場合、ネットワークは過学習に陥りやすく、汎化を学習するのではなく、トレーニング例を記憶してしまいます。さらに、ディープニューラルネットワークは、特定の決定にどのように至ったかを正確に解釈することが困難であるため、「ブラックボックス」と呼ばれることが多く、説明可能なAI (XAI)の研究を促しています。IEEE標準協会のような組織は、これらの強力なネットワークが倫理的かつ安全に使用されることを保証するための標準策定に積極的に取り組んでいます。