はじめに


AI、人工知能、機械学習やディープラーニングなど最近、メディアなどで耳にする機会が増えてきました。

AIや人工知能、機械学習やディープラーニングと聞くとどれも同じように理解していることがほとんどです。

実際、何が違うのか、どういうことができるのかはあまり知られていません。

今回、ディープラーニングについてやAIや機械学習などとの違いについてなどを紹介します。


ディープラーニングとは


ディープラーニングは、大きな枠で捉えるとAIの中身にあたります。イメージするならAIが大枠です。その中に機械学習があります。

さらにその中のコアな部分がディープラーニングです。ディープラーニングは、日本語で深層学習といわれています。人工知能とAIは同じです。

AIの日本語訳が人工知能になります。ディープラーニングは、機械が人の手を介さず、自動的に学習していくことです。

ディープラーニングは、人や動物の脳回路をモデルにしていますが、まだまだ十分なデータを必要としています。

基本的には自動で学習していきますが、過去の膨大なデータを蓄積してそのデータを元に処理・予測・解析や分析などを行うことが可能です。

自主的に学習しますが、現在のところあくまでもデータを元としています。


GPUとは

ディープラーニングを知る上で、キーワードになるのがGPUです。

GPUとは、Graphics Processing Unitの略になります。CPUと混同しますが、CPUとGPUは別物です。CPUは、いわゆるリーダーになります。

集団のリーダーで、集団をまとめる役です。一方、GPUは、リーダーの指示や決められた作業を高速処理する処理班になります。

GPUは、CPUよりも記憶や処理が早く、GPUの登場で膨大なデータ記憶と処理が可能です。


機械学習とは


ディープラーニング同様、AIと混同しがちなのが機械学習です。機械学習はディープラーニング同様、機械が自動的に学習することが定義されています。

ディープラーニングをもう少し大枠で捉えたのが機械学習です。AIが全体的な脳とすると機械学習は、その一部になります。

ディープラーニングは、機械学習の一部でさらに深く学習していくものです。

機械学習は、人がデータを入力して学習するケースとデータを元に自動的に学習するケース。自ら行動判断するケースがあります。


ディープラーニングと機械学習の違い


ディープラーニングと機械学習の違いに、大きな差はありません。

機械学習の一部がディープラーニングです。機械学習はデータなどを元に機械が学習します。

大量のデータを記憶して、データに基づいて学習し、予測、分析、解析や判断が可能です。

一方、ディープラーニングは、さらに大量のデータを学習するだけでなく、瞬時に処理できる能力を兼ね備えています。

記憶して出力までのタイムラグが今までの機械学習に比べて、ディープラーニングは、大幅に改善されたことが違いです。

ディープラーニングは、音声認識や画像処理、言語処理などの分別を得意としています。


ディープラーニングでできること


ディープラーニングでできることは、「画像認識」「予測」「データ分析」や「音声認識」です。それぞれ具体的に何ができるかを紹介していきます。


画像認識

画像認識は、画像データを元に人や物を解析します。例えば、人の顔を認証してスマホのロックを解除する機能は、画像認識です。

他にも身近なところで活用されている画像認識は、物流倉庫などの自動仕分け機械です。データを元に商品や部品の識別を行います。

近年話題の自動運転もこの画像認識の技術が導入されている事例の一つです。画像認識により人や物を判別し、車を動かします。


予測


ディープラーニングの予測技術は、データを元に今後を予測することです。

予測の技術が使われている場面は、天気予報や株価予測などの身近な場面にあります。

膨大なデータを元に天気を予測することや過去のデータなどを元に株価予測することは、ディープラーニングの得意分野です。

予測の機能と類似してデータマイニングの技術もあります。データマイニングは、膨大なデータから情報を精査して抽出することです。


データ分析

データ分析はデータマイニングともいわれ、膨大なデータから情報を精査して抽出する技術。予測や言語解析などと合わせて使用される機械があります。

データ分析の特徴は、膨大なデータから機械が自動的にパターンやルールを発見して学習することです。

また、抽出したデータから仮説を立てて検証・分析します。


音声認識

音声認証は、AI技術の中で割と日常に浸透しています。音声認識は、人や動物の声を認識して文章化します。

例えば、Googleが発売している「Alexsa」やAppleの「siri」が音声認識の技術一例です。近年、スマートフォンだけでなく、家電にも浸透しています。

ディープラーニングの技術が最も身近でイメージしやすい分野です。


ディープラーニングの種類


ディープラーニングは、機械が学習するにあたり、大きく分けると6種類あります。「畳み込みニュートラルネットワーク」CNNといわれている学習方法です。

他には、「スタックとオートエンコーダ」、「Residual network」や「敵対的生成ネットワーク」などがあります。

ここでは、それぞれの種類を個別に解説していきましょう。


畳み込みニュートラルネットワーク

畳み込みニュートラルネットワークは、英語でConvolutional Neural Network、略してCNNといわれています。

この能力は、主に活用されているのが画像認証です。畳み込みニュートラルネットワークは、簡単に説明すると人間の視覚と同じような役割になります。

認証したデータを物などに結びつける能力です。


スタックトオートエンコーダ


事前学習ともいわれるスタックとオートエンコーダは、ニュートラルネットワークを用いて学習するアルゴリズムです。

学習を繰り返してデータを蓄積していきます。


Residual network

Residual networkは、入力データを元に誤差を学習する機能です。

学習したデータを膨大に蓄積することができますが、一度入力したデータを変えることが困難な欠点が報告されています。


敵対的生成ネットワーク

敵対的生成ネットワークは、相反するデータを元に学習する機能です。相反するデータを元に誤差を学習します。


ボルツマンマシン


ボルツマンマシンは、ニュートラルネットワークの一種類です。ポップフィールドネットワークに分類されています。


回帰型ニューラルネットワーク

回帰型ニューラルネットワークは、Recurrent Neutral Networkといわれ、RNNと略されます。

場合によっては、再帰型ニューラルネットワークといわれることもありますが、同じ能力です。

言語処理や動画認識など動きの可変長データを学習して蓄積するアルゴリズムになります。

ポケトークやGoogle Translateなどはこの技術が使用されている一例です。


ディープラーニングと人工知能の違い


ディープラーニングは、人工知能と混同されます。実際は、どちらもほぼ同じです。人工知能は、脳全体とするならディープラーニングはその一部です。

人工知能は、人工知能だけで何かができるわけではありません。今まで人工知能・AIは、データを記憶して、処理やアウトプットすることが主でした。

機械学習は、さらに、データを蓄積するだけでなく、学習して機械自らが判断・解析・分析・予測や処理を行うことができます。

ディープラーニングは、機械学習よりさらに大量のデータを高速で記憶して、判断・分析・解析や予測などを迅速に処理が可能です。


ディープラーニング導入分野


ディープラーニングの技術は、身近なところに着々と導入されています。最も身近なところでは、GoogleがAIを駆使した情報提供サービスです。

Google mapは、そのサービスの一環です。他にもインフルエンザ予測や花粉症予測などもAIの技術が導入されています。

AppleのsiriやAmazonのAlexsaもディープラーニングを導入した代表例です。

ここでは、主にディープラーニング導入に積極的、もしくは活用期待される分野をいくつか紹介します。


自動車

ディープラーニングよりAI導入のイメージが強いのは、自動車業界です。自動運転は、機械が自動で車を操縦するために画像処理能力が必要になります。

それは、人とものを識別するためです。ディープラーニングの画像処理は、まさにこの分野に活用されています。

ディープラーニングの技術で自動車の自動運転化が進むことは、様々な社会問題の解決策となることが期待可能です。

例えば、トラックやバスなどの運転手不足の解消、高齢社会の移動問題などの解決があります。


金融

金融業界でディープラーニングは、株価予測などに使われています。近年は、このディープラーニングの技術を活かした株価運用のシステムが人気です。

WealthNaviなどのAIを活用した資産運用は、まさにディープラーニングの機能が貢献しています。

他には中国で実用化されていますが、ローン審査やクレジットカードの信用管理も可能です。

ディープラーニングを導入して、融資の適切な返済額から融資額をAIで決定することができます。

クレジットカードの信用管理も同様に収入などのデータから発行可否を判断することが可能です。

もう一つ、最近ディープラーニングの貢献が目覚ましいのは、生体認証になります。

電子マネーやネットバンキングなどの普及により、セキュリティー強化の観点から生体認証を導入するケースが増えたことです。

コンビニなどで電子マネー決済をする時、ほとんどは指紋認証します。

今後も指紋認証や生体認証は、金融分野への導入だけではなく、様々な分野で導入予定です。


医療

ディープラーニングの導入が加速してきているのは医療現場です。

病気の識別のためにMRIなどの画像データを膨大に認識し、解析することで早期発見につなげます。

今までは医師の手により画像データなどの元に病気の発見に努めてきましたが、ディープラーニングの導入で病気発見率の向上が期待されている分野です。

もう一つ、医療現場でディープラーニングによる効果の期待は、手術の自動化です。現在、手術は、医師の手によって行われています。

そのため、手術中の人的ミスが懸念事項です。ディープラーニングを活用して手術の自動化を実現化で人的ミスを減らし、医師不足解消にもつながります。


サービス

ディープラーニングとサービス業界は、イメージが沸かないかもしれません。

しかし、実際は、チャットボットやペッパーくんなど身近に続々と導入されています。

例えばチャットボットは、カスタマーサービスなどの人材確保やパターンの決まったよくある質問に対応するために導入する企業が増えています。 


ディープラーニング課題


ディープラーニングの課題は、今後いかに一般常識をAIに学習させるかどうかです。

ディープラーニングは現在、膨大なデータをストックすることとその中から素早く処理・判断することは得意としています。

しかし一方で、一般常識は学習できていません。例えば正月のセールで行列を予測することは可能です。

しかしながら、ホテルや飲食店の近隣でイベントがある時に予測される客の増加は、予測が難しいとされています。

他にも季節や天候に応じて客足の増減を予測することがまだまだ困難です。

ディープラーニングの課題は、今後このような知識をどう機会に学習させていくかになります。

ただ学習させるだけでなく、機械が自動的に学習できるかどうか鍵です。


まとめ

インターネット


ディープラーニングは、今後、生活にますます密着する技術です。

医療・介護・金融・自動車だけでなく、航空・サービス・運輸など様々な分野での活躍が期待されています。

ディープラーニングを活用することで人材削減や作業効率化を見込むことが可能です。

また、5Gなどの技術組み合わせることで遠隔地での手術や教育など色々な可能性が増やせます。

ディープラーニングに携わりたい人は、AIエンジニアを目指して下さい。AIエンジニアになるための学習方法は豊富です。

ディープラーニングが世間に浸透することで、ディープラーニングに携わる仕事の需要も期待できます。