About

深層学習は、他のメソッドでは達成できない高度さと規模をもって入力データにパターンを見い出しますが、それでもなお、上手くラベル付けされた大量のデータセットを必要としています。 世界の企業は、機械学習アプリケーション用に、限定的ではあるものの特定のデータセットしか持っていないため、より一般化された業界データに頼るか、カスタマイズされたモデルを手動で構築・調整することに何ヵ月も費やすことを余儀なくされてきました。

このセッションにおいて、ハべシ博士は、常識ナレッジベースのデジタル的直観を加味するという3つ目の選択肢に注目します。 Luminosoなどの企業は、構造化された情報を容量のより少ないデータセットに加味することで、拡張性と正確さを犠牲にすることなく、ビッグデータ要件から機械学習アルゴリズムを解放してきました。

Deep learning finds patterns in input data with a sophistication and scale that other methods can’t achieve, yet often requires large, well-labeled data sets.  Since global enterprises have limited but specific datasets for machine learning applications, they have been forced to either rely on more generalized industry data, or spend months manually building and tuning customized models. Recently, adding structured information such as knowledge graphs into deep learning models has proven to outperform pure end-to-end training, especially on smaller data sets, without sacrificing scalability and accuracy.

In this session, Dr. Havasi will discuss how adding the digital intuition of a common sense knowledge base frees machine learning algorithms from big data requirements, accelerates time-to-value, and automates the human-supervised tuning work, so enterprises can take advantage of machine learning using their specific data, not generic Big Data.