流通・ITソリューション事業部のブログ
Original

今さら聞けないAI!機械学習と深層学習(ディープラーニング)について

世の中では空前のAIブームが到来しています。

2045年にはAIが人間の知能を超える「シンギュラリティ」が訪れるとも言われています。そんなAIですが「何が出来るのかがわからない」という声をお聞きすることが多くなりました。

“AI”という言葉には様々な解釈がありますが、多くの場合「機械学習」と「深層学習」を指しているようです。そこで、本記事では、この「機械学習」と「深層学習」について、なるべく平易な言葉で説明します。

※定義の正確さよりも理解のしやすさを優先させていますことをご了承ください。

 

機械学習について理解する

突然ですが、あなたは今「アイスクリームの売上数を予測しようとしている」と仮定してください。

アイスクリームの売上数に関連しそうな要素には、どんなものがあるでしょうか。例えば「気温が高いとアイスクリームがよく売れる」という要素があります。こういった結果(=売上数)に影響を与えそうな要素を「特徴量」といいます。

試しに気温(特徴量)と売上数(結果)をグラフにしてみたところ、次のような結果が得られました。

式に直してみると、おおよそ以下のようになるでしょうか。
 売上数 =(2個 × 気温)+ 1個( 0℃でも売れる数 )

この式のことを、「モデル」といいます。モデルの中の「2」や「1」という数字は、直感的に用意した数字です。実際の結果と照らし合わせながら、誤差が少なくなるようにこの数字を調整していきます。ちなみに、この「2」や「1」という数字は、「パラメータ」といいます。

パラメータの調整は大変です。なぜなら、パラメータは整数とは限らないからです。
 売上数 =(2.000000001個 × 気温)+ 1.00000000個( 0℃でも売れる数 )
 売上数 =(2.000000000個 × 気温)+ 1.00000001個( 0℃でも売れる数 )
そこで、「パラメータの調整は、コンピュータに任せよう」と考えます。

“左側のパラメータの数字を大きくしてみて、結果に近くなったらもう少し大きくする。結果から遠ざかったら、小さくしてみる。”このようなルールをコンピューターに教えます。このルールのことを「アルゴリズム」といいます。

さて、勘の良い方はもうお気づきでしょうが、これが機械学習の考え方です。

特徴量」と結果(正解)のセットを用意して、「アルゴリズム」を決めることで、コンピュータが「アルゴリズム」に従い最適な「パラメータ」を見つけ「モデル」が作成されます。

言い換えると「特徴量」と結果(正解)セットは人間が用意する必要があります。どんな「アルゴリズム」を使うかも、目星がついていないといけません(※)。

※実際には学習の方法により、異なる場合があります。

 

このように概念を理解することで、機械学習で出来そうなこと、逆に出来なそうなことが想像できるのではないでしょうか。

 

深層学習について理解する

これまでの説明では、1つの特徴量(気温)と単純なモデル(売上数 =(2個 × 気温)+ 1個)を例にとりました。現実世界においては、特徴量が一つということは考えにくく、単純なモデルで結果が予測できたら苦労しません。実際に、複数の特徴量に複雑な式を与えたものをイメージすると、以下のようになります。

しかし、これだけですと、選んだモデルが不適切な場合いつまでたっても正解に近づきません。次に、このイメージをいくつも組み合せてみたらどうでしょうか。

特徴量を組み合せて、異なる3種類のモデルから得られた中間結果をさらに組み合せて、最終結果を導いています。このイメージを見ていると、気がつくことがありませんか? 先程の組み合せていないイメージと、組み合せた場合のイメージの右側をくらべてみましょう。

似ていますね。つまり、モデルから作られた中間結果は「新しい特徴量」と言い換えることができそうです。組み合せた場合の右側は、左側の機械学習の結果得られた結果を特徴量としてもう一回機械学習しているということになります。

この考え方で新しい特徴量を生み出し、それを繰り返すことでこのイメージが右側にどんどんと伸びていきます。このイメージと似ているものがあります。

 

 

そうです、“脳のネットワーク”です。

脳に似たこのイメージのことを「ニューラルネットワーク」といいます。

ニューラルネットワークのように、モデルから出た結果の層をいくつも重ねたような複雑なネットワークを駆使して行う学習のことを「深層学習(ディープラーニング)」といいます。つまり、深層学習は機械学習の手法のひとつなのです。

最初に例を上げたような単純な機械学習では、モデルの選択を誤ると永久に精度の高い結果は得られません。また、特徴量と結果の間に複雑な関係がある場合も、表現することは難しいでしょう。深層学習を行うことで、これらを解決できる可能性があるのです。

深層学習の発想は古くからありました。ただし、イメージを見てわかるとおり、深層学習を行うためには何層にも重なったモデルを機械学習する必要があります。今まではコンピュータの性能が追いつきませんでした。また、複雑なネットワークで精度を高めるためには大量のデータが必要になり、大量のデータを得るすべもありませんでした。

現在では、コンピュータの性能向上により、大量のデータを収集することも、また複雑な学習を行うことも実現が出来るようになりました。同時に、アルゴリズムの研究が進んだということも重なり、今まさに盛り上がりを見せているのです。

 

まとめ

今回説明した内容は、AIや機械学習、深層学習のほんの一部分です。基礎である「教師あり学習/教師なし学習」やAlpha GOに代表される「強化学習」にも触れていません。

ただ、ここまで読み進めていただいたみなさまの頭の中では、おぼろげなAIの世界が少しだけクリアになったのではないでしょうか。

当社では、AIをはじめとした先端技術の研究も行っています<以下、関連記事>。もしこの記事をお読みいただきAIに興味を持った、または活用できそうなイメージが広がったという方がいらっしゃいましたら、下記「お問合せフォーム」よりお気軽にご相談ください。

<関連記事>

承り業務効率化を視野に入れた「文字認識エンジンの取り組み」のご紹介

お客様のご都合に合せたお問合せ実現「AIを利用したお問合せ業務の研究開発」のご紹介

本件の説明をご希望の方は、こちらのお問合せフォームよりお願いいたします。

 

[商標] 会社名、製品名、サービス名等は、各社の登録商標または商標です。

No image

高坂 亮多

この内容で送信します。よろしいですか?