AI に関する研究

教師あり学習では、モデルトレーニングに大規模な注釈付きデータセットが必要ですが、最小教師あり機械学習では、ラベル付けされていないデータが使用されるため、人的介入が最小限で済みます。半教師あり学習、自己教師あり学習、能動学習、不確実性モデリングなどの最小教師ありアプローチでは、他の学習フレームワークを使用して精度を向上させます。これらの方法は、手動でのラベリングに時間やコストがかかる場合に適しています。

SAP では、モデルトレーニングに利用できるデータが限られている場合に役立つ、Few-shot 学習アプローチを開発しています。SAP のアプローチには、画像とテキストの両方を活用するマルチモーダルデータの使用、クロスモーダル幻覚、メタ学習法が含まれます。Few-shot 学習アプローチは、オンライン製品カタログでの新製品の分類など、トレーニングデータが制限されているすべてのビジネスシナリオに適しています。

SAP の統合的ビジュアル質問応答 (VQA) モデルにより、きめ細かい情報の検出と VQA 評価指標が改善され、コンピューターは自然言語を使用して画像に関する質問に回答することができます。VQA モデルの適用はさまざまな業種に及び、インテリジェントなチャットボットでの統合から、チケット発行システムや請求書処理システム、疾病診断のためのインテリジェントな情報取得まで、多岐にわたります。

最先端のディープラーニングモデルは、莫大な計算コストと高価なハードウェアを必要とします。SAP は、モデルの複雑性の評価、リソース効率の高いネットワーク、量子化、枝刈り、知識蒸留など、リソース効率の高いディープラーニングに対する画期的なアプローチを開発しています。産業アプリケーションにおける効率的なディープラーニングアプローチにより、金銭的なコスト、電力消費、推論時間、環境への影響を最小限に抑えることができます。

SAP は、マルチタスク学習だけでなく、差分プライバシーや連合学習など、プライバシーと公平性の制約を課す機械学習へのアプローチを開発しています。これにより、組織は個人のプライバシーを危険にさらすことなく、一般化された診断モデルまたは予測モデルを使用することができます。公平性制約のあるアルゴリズムを開発することで、信用スコアリング、銀行ローン、履歴書マッチングなどのアプリケーションにおける無意識のバイアスを軽減することもできます。

SAP では、機械学習モデルが人間と同じように段階的に学習し、以前の知識を活用して新しいタスクの学習を可能にする、生涯学習アプローチを研究しています。SAP の手法には、クラス増分アプローチ、継続的なドメイン適応、神経可塑性、適応能力の拡大が含まれます。継続的に学習する機械学習モデルは、トレーニング履歴データを保持することができないすべての状況に適しています。

自然言語で表現された感情や意見を理解することは、自然言語処理における重要な課題です。SAP は、ニューラル単語埋め込みとアテンションベースの手法に焦点を当てた、センチメント分析の画期的なアプローチに取り組んでいます。センチメント分析は、通信、銀行、保険、e コマースなど、製品やサービスに対する意見を分析し、それに基づいて行動する必要がある業種に適しています。

機械学習のモデルとアルゴリズムは高度なレベルに達しており、予測を説明することは困難になっています。自己教師あり学習モデル、メタ教師あり学習モデル、好奇心駆動型モデルなどの解釈可能な機械学習アプローチにより、データ内のパターンの検出が可能になります。これは、透明性を提供し、提案されたアウトプットの基盤となる理由を説明するのに役立つため、ビジネスアプリケーションでは非常に重要です。

構造化文書および非構造化文書からの情報の抽出は、自然言語処理 (NLP) にとっては困難であり、機械学習モデルをトレーニングするためのラベル付きデータを見つけることも難しい状況です。SAP の研究では、構造化された文書に対する逐次的なアプローチと 2 次元アプローチに重点を置き、NLP の要素をコンピュータービジョンと組み合わせ、情報抽出パイプラインへの転送学習を使用して、教師なしモデルと弱教師ありモデルを組み込みます。