要約
従来の機械学習（ML）手法は、開発および実験プロセスを相互に接続されていない反復プロセスに分割し、そのフィードバックを設計や調整の意思決定に活用する必要がある。このアプローチには、最終的な解決策に寄与しない複数の試作モデルの構築に多大なリソースを費やすなど、効率性およびスケーラビリティの面で複数の課題が存在する。本研究では、MLモデルをモジュール化かつ拡張可能なアーティファクトとして定義することにより、複数の設計および評価反復を、無限に拡張可能な知能システムの継続的強化に統合できる新しいML開発手法の構築が可能であるという直感に基づいている。本研究では、動的マルチタスクMLモデルの生成を、一連の拡張および一般化の手続きとして定式化する新しい手法を提案する。まず、標準的なMLの実証評価手法を用いて、提案手法の性能を分析する。さらに、既存の大規模マルチタスクMLシステムを動的に拡張しつつ、提案手法の拡張特性を分析可能な、新たな継続的開発手法を提案する。その結果、124種類の画像分類タスクを同時に高精度で処理可能なMLモデルを構築し、従来の最先端技術と同等の性能を達成しつつ、モデルサイズおよび計算コストの面で改善を実現した。