　この回路アーキテクチャを実装したFPGAによるGBDTモデルの学習時間と、一般的なGBDTのソフトウェアライブラリ（XGBoost（extreme gradient boosting）、LightGBM、CatBoost）を用いたCPUやGPU上での学習時間を比べたところ、26～259倍の学習の高速化を実現できたという。

開発した回路アーキテクチャを実装したFPGAによるGBDTモデルの学習時間と、CPUやGPU上で一般的なGBDTのソフトウェアライブラリを用いて行ったGBDTモデルの学習時間の比較（クリックで拡大）出典：リコー

　GBDTモデルの学習時間を短縮できるだけでなく、学習時の消費電力も小さい。モデル学習の電力効率は、CPUやGPUと比較して90～1105倍に達する。この低消費電力性能により、電力供給にさまざまな制約があるエッジコンピューティングにも適用可能としている。なお、学習したモデルの予測精度についても、従来のソフトウェアライブラリで学習したモデルと同等であることを確認した。

1データを学習するのに必要な消費電力の比較（クリックで拡大）出典：リコー

　なお、GBDTは、データベースなどで構造化された大量データの学習に高い性能を発揮するAI技術だ。例えば、オンライン広告のリアルタイムビディング（Real-Time Bidding）やEコマースのレコメンデーションなどのWeb分野、コンピュータによる株式の高頻度取引（High Frequency Trading）などの金融分野、サイバー攻撃の検出などのセキュリティ分野、ロボティクスなどが適している。リコーが開発した回路アーキテクチャによる高速学習は、これらの用途の他にも、その高い電力効率を生かして、IoT（モノのインターネット）デバイスをはじめとする各種エッジデバイス上での高度なモデルの学習を可能にする。

　リコーは、AI開発に関する専任組織「AI応用研究センター」を2017年に設立し、AIの製品への搭載や、社内の業務改革への適用などに取り組んできた。今回発表した研究成果は、複写機や光学製品で培った回路設計技術を生かしたものだという。

　なお、リコーICT研究所の研究グループによる今回の研究成果は、米国コーネル大学が運営する論文投稿サイト「arXiv.org」で発表された。

AIと機械学習とディープラーニングは何が違うのか
技術開発の進展により加速度的に進化しているAI（人工知能）。このAIという言葉とともに語られているのが、機械学習やディープラーニングだ。AIと機械学習、そしてディープラーニングの違いとは何なのか。
機械学習はどうやって使うのか――意外と地道な積み重ね
前編では、AI（人工知能）と機械学習、ディープラーニングといった用語の説明から、AIを実現する技術の1つである機械学習が製造業を中心とした産業界にも徐々に使われ始めている話をした。後編では、機械学習を使ったデータ分析と予測モデル作成について説明する。
世界を変えるAI技術「ディープラーニング」が製造業にもたらすインパクト
人工知能やディープラーニングといった言葉が注目を集めていますが、それはITの世界だけにとどまるものではなく、製造業においても導入・検討されています。製造業にとって人工知能やディープラーニングがどのようなインパクトをもたらすか、解説します。
低コストFPGAで深層学習、コア技術をオープンソース化したベンチャーの狙い
LeapMindは2018年10月19日、組み込み向けFPGA上でディープラーニングを動作させるソフトウェアスタックをオープンソースで公開した。同社が今まで強みとしてきた技術が、誰でも利用もできるようになった。同社CTO（最高技術責任者）を務める徳永拓之氏に、blueoilとはどのようなもので、何が実現できるのか。そして、オープンソース化した狙いなどを聞いた。
三菱電機の「コンパクトな人工知能」、FPGAへの実装も可能に
三菱電機は小規模なFPGAにも実装できる「コンパクトなハードウェアAI」を発表。深層学習などによって得た推論アルゴリズムについて、従来と比べて処理速度を10倍、もしくはFPGAの回路規模を10分の1にすることができるという。
深層学習を使わない軽量AIを搭載したFPGAを開発へ
PALTEKは、ハカルスと共同で、ハカルスのAI（人工知能）エンジン「HACARUS-X（ハカルスエックス）」を搭載したFPGAとボックスコンピュータ製品の開発に着手した。学習から推測までのAI機能がエッジ端末上で可能になる。