ディープラーニングが現実の社会で使われるためには、「賢いこと」だけでなく、「わかりやすいこと」と「扱いやすいこと」も必要です。予測の理由を人に説明するための解釈性、そして限られた計算資源でも動かせるようにする軽量化は、そのための重要な技術です。LIMEやSHAPのような解釈手法、量子化や知識蒸留のような軽量化手法を入り口にしながら、このページでは実用化のための工夫を整理していきます。
6-8 モデルの解釈性
AIはなぜその答えを出したのか——ブラックボックスの中身を開こうとする試みの、出発点となるページです。▶続きを読む
画像のどこに注目して答えを出したのかを、AIが自ら可視化して見せてくれる技術です。▶続きを読む
◆SHAP・LIME・Permutation Importance AIの予測根拠を探る
どの情報がAIの予測に影響を与えたのかを、数値と言葉で明らかにする手法たちです。▶続きを読む
6-9 モデルの軽量化
◆エッジAIとモデル軽量化 なぜAIを小さくする必要があるのか
スマートフォンや医療機器の中でAIが動くとき、巨大なモデルはそのままでは使えません——軽量化が必要な理由と背景を見ていきます。▶続きを読む
◆AIを小さくする技術 プルーニング・量子化・蒸留・宝くじ仮説
精度を保ちながら、いかにAIを小さく・速くするか——軽量化を実現する四つの代表的な手法です。▶続きを読む