人工知能
Facebook
Twitter
LinkedIn

【AI(人工知能)】「機械」学習と「深層」学習の違いとは?

目次

はじめに

人工知能(AI)の最新イノベーションを理解することは難しいかもしれませんが、AIの基礎に興味があれば、多くのイノベーションは、機械学習(Machine Learning/マシンラーニング)と深層学習(Deep Learning/ディープラーニング)という2つのコンセプトに集約されます。

 

機械学習や深層学習の例はいくつもあります。自動運転車の実現や、Netflixが次に見たい番組を決定する方法、Facebookが写真に写っているのが誰の顔かを識別する方法などがよくある例です。

機械学習と深層学習は、同義のバズワードのように見えますが、そうではありません。

では、AIの議論を支配しているこの2つの考え方は、いったい何なのでしょうか、そしてどのように違うのでしょうか。

その秘密を、このコラムで探ってみましょう。

関連記事

AI(人工知能)とは?

AI(人工知能)とは、ロボットに人間のような思考や行動をさせることを目的とした科学の一分野です。これは一見、簡単なことのように見えますが、現代の機械は人間知性の複雑さには匹敵できません。人間にとっては非常に単純な「活動」でも、コンピューターにとっては非常に複雑なものなのです。

たとえば、満員のバーの中で飲み物の入ったトレイを運び、適切なお客様に持っていくことは、店員さんが日常的に行っていますが、これは人間の脳の神経細胞間で行われる膨大なデータ転送に基づく高度な意思決定です。

コンピューターはまだそこに到達していませんが、機械学習と深層学習は正しい方向へのステップです。大量のデータを評価し、それに基づいた意思決定・予測を、できるだけ人間の手を介さずに行えます。

機械学習(マシンラーニング)とは?

機械学習は、特定の目標に焦点を当てたAIのサブセットで、明示的なプログラミングをせずにタスクを実行するようにコンピューターに教えます。ほとんどの場合、コンピューターは構造化されたデータを与えられ、時間の経過とともにそのデータを分析・処理する能力が向上するように「学習」します。

「構造化データ」とは、列や行に配置できるデータ入力であると考えます。Excelでは、「食品」という名前のカテゴリー列を作り、「果物」や「肉」のような行の項目を作成できます。このような「構造化」データは、コンピューターが扱うには極めて簡単で、利点は明らかです。最も重要なデータプログラミング言語の1つがSQL(Structured Query Language)と呼ばれるのもわかりやすいでしょう。

コンピューターは一度設計されると、新しいデータを際限なく受け入れ、人間の追加操作なく分類し、動作させます。たとえ、データの分類をやめても、やがてコンピューターは「果物」が食べ物の一種であると認識するかもしれません。この「自立」は、機械学習にとって非常に重要で、機械学習は、人間の継続的な支援がどの程度必要かに応じて、サブカテゴリーに分けられます。

機械学習(マシンラーニング)の仕組み

オンデマンドの音楽配信サービスは、機械学習システムの一例です。機械学習は、リスナーが選んだ楽曲を、音楽の好みが似ているほかのリスナーと関連付けることで、リスナーに提案すべき楽曲や芸能人を決定します。この手法は、自動的な提案を行うさまざまなアプリで採用されています。

機械学習は、懐中電灯や自動車、コンピューターの画面と同じように、多くの難しい計算とコードを必要とします。機械学習とは、与えられたデータから機能を実行し、時間とともに向上していくことを意味します。たとえば、「暗いね」というとスイッチが入る懐中電灯があったら、「暗いね」という言葉を含むさまざまな言葉を認識できるようになります。

機械学習は、マルウェアを探し出すデータセキュリティ組織から、有益な取引の指標を探す金融専門家まで、さまざまなビジネスにおける幅広い自動化された仕事を後押ししています。AIアルゴリズムは、バーチャルなパーソナルアシスタントを再現するために、継続的に学習するように作られており、それは非常にうまく達成されています。

深層学習や深層回路網(Deep neural network/ディープニューラルネットワーク)について語る時、機械が新しい技術を学習する方法が実に興味深くなってきます。

深層学習(ディープラーニング)とは?

深層学習とは、コンピューターが明示的にプログラムされなくても、タスクを実行する能力のことですが、コンピューターは依然として機械のように考え、行動しています。画像や映像からデータを抽出するような難しいタスクは、人間の能力をはるかに下回っているのです。

特に人間の脳に倣って設計されたディープラーニングモデルは、機械学習に極めて複雑なアプローチを提供し、これらの困難を解決する態勢を整えています。深層回路網は、複雑な多層構造で、ノード(神経細胞のようなもの)間のデータの伝達が高度に連動して行われるようになっています。その結果、データは非線形変換を受け、徐々に抽象化されていきます。

このようなシステムを「作る」ためには、膨大な量のデータが必要ですが、ほとんどすぐには結果を出すことはできせません。しかし、一度プログラムを導入すれば、人の手を煩わせることはほとんどありません。

深層学習(ディープラーニング)の仕組み

ディープラーニングモデルは、人間が結論を出すのと同じような論理的枠組みでデータを無限に検証することを目的としています。深層学習のアプリでは、この分析を行うために、人工回路網と呼ばれるアルゴリズムの層構造を採用しています。人工回路網のアーキテクチャは、人間の脳内にある細胞の有機的なネットワークにヒントを得ており、従来の機械学習モデルよりもはるかに強力な学習システムを実現します。

深層学習モデルが誤った結論を出さないようにするのは難しいことです。ほかのタイプのAIと同様、学習プロセスを正しく理解するためには多くの練習が必要です。しかし、深層学習が計画通りに機能すれば、一般的に多くの人が「科学的な奇跡」と見なします。

深層学習の例として有名なのが、グーグルの「AlphaGo(アルファ碁)」です。グーグルは、独自の人工回路網を使って、強い知性と直感を要求することで知られる抽象的なボードゲーム「囲碁」を自ら学習するコンピュータープログラムを開発しました。AlphaGoの深層学習モデルは、プロの囲碁棋士と対戦で、これまでのAIでは見られなかったレベルを学習し、特定の手を打つタイミングを指示されることなく、それを実現しました。

AlphaGoは、世界的な名人を次々と破った時に、大きな反響を呼びました。コンピューターがゲームの高度な戦略や抽象的な部分を理解するだけでなく、最高の棋士の仲間入りを果たしたのです。それは、人間知性と人工知能の戦いであり、人工知能が勝利したためです。

また、写真から花の種類や鳥の種類を認識する画像認識プログラムもその一例です。画像の分類には、人工回路網が使われています。また、音声認識や翻訳、自動車の自動運転にも深層学習が活用されています。

機械学習(マシンラーニング)と深層学習(ディープラーニング)の5つの違い

機械学習(マシンラーニング)と深層学習(ディープラーニング)には多くの違いがありますが、その中でも特に重要なものを5つ紹介します。

人の介入

機械学習は、正確な結果を得るために、より多くの人間が継続的に介入する必要があります。

深層学習は、セットアップがより高度になりますが、その後の人間介入ははるかに少なくて済みます。

ハードウェア

機械学習のアルゴリズムは、深層学習よりも複雑でないことが多く、一般的なコンピューターで実行できますが、深層学習システムは、より強力なハードウェアとリソースが必要です。

GPU(画像処理ユニット)は、広帯域のメモリと、スレッド並列処理(多くの処理を同時に効率的に実行する機能)によりメモリ転送のレイテンシ(遅延)を目立たなくできるので、便利です。

時間

機械学習システムは、高速に構築・運用できますが、その能力に限界があります。

深層学習システムは、セットアップに手間がかかるが、即座に結果を出せる可能性があります。

アプローチ

機械学習は多くの場合、整理されたデータを必要とし、線形回帰のような古典的な技法を使用します。

深層学習は人工回路網を使用し、膨大な量の非構造化データを扱えるように設計されています。

アプリ

機械学習は、メールの受信トレイや銀行、診察室など、すでにさまざまな場所で活用されています。

深層学習の技術は、自動車の自動運転や手術用ロボットのように、ますます複雑で自律的なアルゴリズムを可能にします。

機械学習(マシンラーニング)の例

毎日、私たちは機械学習アルゴリズムの成果を目の当たりにしています。

従来の学習機械が普及した現代において、学習が影響を及ぼしていない場所を特定することは困難です。その中には、以下のような産業があります。

データ分析

クラウドプラットフォームと膨大なデータの収集が可能になれば、このデータの宝庫から学習する自己管理型の機械が、定量的な情報を生み出すほぼすべての産業において、行動分析学に予測的な洞察と分析を提供できる理想的な環境を整えてくれます。

顧客対応

この10年間、アマゾンやマイクロソフトなどの企業は、ユーザーとのやりとりに基づいて学習し、何テラバイトものデータを使って、ユーザーの問い合わせに有意義かつ専門家による繊細なタッチで回答できるスマートチャットボットの研究開発を進めています。

金融・銀行業界

膨大な顧客データを活用するアルゴリズムは、銀行業界でさまざまな機能を果たします。

機械学習は、顧客サービスから詐欺の検出、投資の洞察に至るまで、インターネットバンキングに革命を起こしています。

製造業界

機械学習アルゴリズムは、IoT製造や「Industry 4.0」などの分野で大きなイノベーションを起こしています。これには、システムの運用、保守、最適化に関する洞察で、設備やサプライチェーンの管理者を支援する可能性のある学習アルゴリズムが含まれます。

深層学習(ディープラーニング)の例

深層学習は、学習と同じように多くの分野に大きな影響を与えるとともに、よりダイナミックな環境で最適なタスクをこなす能力を高めます。

また、深層学習は、これまで空想科学小説だと思われていた領域で、エンジニアが学習機械を作ることを可能にします。

深層学習アルゴリズムのより実用的な応用例としては、以下のようなものがあります。

自動運転車

複数の自動車メーカーが、初めて実用化される自動運転車の開発にしのぎを削っています。深層学習は、運転シミュレーションと実走行シナリオの両方から学習できる自己学習型自動車を開発することで、自動車を実現します。

高度なビデオゲームAI

長い間、大規模なシングルプレイヤーおよびマルチプレイヤーゲームは、程度の差こそあれ、人間のプレイヤーと競争できるAI「ボット」を搭載してきました。深層学習と強化学習(深層強化学習と呼ばれる)は、AI研究者やゲーム創造者によって、自己学習するゲームエージェントを構築するためだけでなく、AI研究を拡張するためにも利用されています。

生物マーカー

身体の特徴を読み取り、そのユニークさと妥当性を確立できる予測可能なテクノロジーがあれば、極めて安全で信頼性の高いユーザー認証の一種となります。

深層学習を用いたアクセス制御アルゴリズムでは、より複雑な生体マーカー(顔認証、虹彩認証など)を本人確認の手段として活用できます。

ヘルスケア

機械学習の一部は、顧客対応、支払い処理、分析などの分野を支援するために、すでに医療業界に導入されています。

深層学習の導入により、がんの早期診断、ゲノム解読、予防治療などを支援する技術の活用がますます進んでいます。

まとめ

どんな技術でも、人間のニーズに応じ、生活での問題を解決してくれます。

人工知能(AI)の目的も同じで、AIは非常に賢いテクノロジーなので、正しく利用すれば、多くの悩みを解決できます。

 

AIは分野も幅広く、どんなAIソフトあるいはアプリを開発しても、希望を満たす選択を見つけられるはずです。しかし、ロードブロックとして、人工知能はかなり新しいな技術なので、ビジネスに関連する決断を下す前に、IT専門家の援助が必要になる可能性があるでしょう。

CMC Japanについて

ベトナム第2位のICT企業である当社、CMCグループは、ベトナム政府主導の新型コロナウイルス対策に準拠し、ハノイおよび、ダナン・ホーチミン市の3拠点で、オフショア開発を継続して提供しています。

中長期的なリソース計画や開発コストの最適化をご検討の企業様は、お問い合わせフォームよりご連絡ください。

当社は日本のお客様に「止まらない、持続可能な開発」をベトナムオフショア開発で支援しています。

AI(人工知能)開発なら当社にお任せ!
【お役立ち資料】 ベトナムオフショア開発入門書
資料ダウンロード

資料は下記のフォームを送信して頂くと完了画面またはメールにてダウン口一ドできます

Previous
Next
顧客ニーズを第一に、ベトナム上場企業によるオフショア開発
Facebook
Twitter
LinkedIn
この記事を書いた人
この記事を書いた人

Hien(ヒエン)
ベトナムハノイ貿易大学のビジネス日本語学部卒。2018年に東京でインターンシップ、その後4年間マーケティング業務に従事。「マーケティングで、社会を変える奇跡を作る」ことを目標に、2020年からはB2B市場を中心に活動。趣味は自己改善、読書、座禅。