機械学習とは簡単にいうと何？深層学習（ディープラーニング）との違いと活用事例

人工知能（AI)には「機械学習」と「深層学習（ディープラーニング）」というものがあることをご存知でしょうか。現在、多くの人工知能に採用されているのは機械学習の機能です。

コンピュータが進化し、AIの性能が向上していくと同時に深層学習がメインになるともいわれていますが、両者の違いはどこにあるのでしょうか。今回は、現在もっとも多く採用されている機械学習について、その基本的な仕組みや活用事例などを中心に詳しく紹介していきます。

「機械学習」とは？　　まずは簡単に解説

AIの仕組みを知るうえで欠かせないのが「機械学習」というものです。

機械学習とはその名の通り、コンピュータが物事を学習していくことです。これまでの一般的なコンピュータのプログラミングでは、人間と同じように画像を認識したり言語を認識したりすることは難しいものでした。

しかし、AIにおける技術のひとつである機械学習を活用することによって、画像を認識して一定の法則に則って分類するという処理も可能になりました。

機械学習の基本的な仕組みは、いくつかのサンプルデータをコンピュータに認識させたうえで特徴を判別できるようにするというものです。このようにコンピュータ自身がデータを学習して判別可能にする仕組みを機械学習アルゴリズムとよび、基準となるサンプルデータの数が多ければ多いほど機械学習の認識精度も高くなる傾向にあります。

ちなみに、近年になってAIが大きな盛り上がりを見せているのは、ビッグデータを活用できるようになったという背景があるためです。スマートフォンとインターネットの普及により、あらゆるデータを短期間で収集することが可能になりました。データの分母が大きければ大きいほど機械学習の精度は上がるため、ビッグデータによって精度の高いAIが続々と登場しているのです。

このほかにも、サンプルのデータがない場合に近い性質のデータ同士をまとめるといったような機械学習のパターンもあり、用途に応じて幅広く活用できる技術でもあります。

機械学習の「教師あり/なし学習」について

機械学習の方法には主に「教師あり学習」と「教師なし学習」という2つのパターンがあります。今回は初めての人でも分かりやすくするために、トランプカードを例に出しながら解説してみます。

機械学習における「教師あり学習」とは？

教師あり学習とは一定のサンプルデータをもとにデータ処理を行う機械学習の方法です。

このように、サンプルデータとなるもの、すなわち「教師」が存在し、それの条件と合致するものを選ぶのが「教師あり学習」の方法です。

機械学習における「教師なし学習」とは？

トランプカードが手元に一切ない場合、AIはどのような動きをするのでしょうか。いわば教師であるサンプルデータがないため、何を基準に分類すれば良いのか難しいところです。

この場合、AIは「数字別」、「図柄別」、「色別」といったようにそれぞれのグループにまとめる「クラスタリング」という仕事をします。基準とするべきサンプルデータがないため、とりあえず近似値のデータ同士をグループ化することで見やすくまとめることが可能です。

ちなみに、教師なし学習はこの後に紹介する「ディープラーニング」の基本となる考え方でもあります。

機械学習とディープラーニングとAIとの違いは？

機械学習と並んでディープラーニングという言葉が比較対象となることがあります。ディープラーニングを日本語に直訳すると「深層学習」という意味になりますが、機械学習と何が違うのでしょうか。

また、AIとどのような関係性にあるのかについても紹介します。

機械学習とディープラーニングの違い

機械学習とディープラーニングの決定的な違いは、一部分を見るのか全体を見るのかというポイントにあります。

先ほどのトランプの例で説明すると、機械学習の場合は「数字」、「図柄」、「色」のいずれかを見て分類するということを人間が学習させなければなりませんでした。しかしディープラーニングの場合、人間から指示は一切出しません。

コンピュータがみずからトランプの特徴を一枚ずつ読み取り、52枚全てのカードの特徴を自動的に見分けていきます。そのなかで数字や図柄、色といった特徴をつかむようになるという仕組みです。まさにこれは人間の頭脳の仕組みと似ています。

トランプだけではなく、言葉なども繰り返し耳にしているうちに自然と覚えてくるもの。ディープラーニングという仕組みはまさに人間の脳を移植したかのような特徴があります。

しかし、現時点で人間の脳と同じような真のディープラーニングは実用化されていません。そもそも人間と同じ脳の仕組みをAIとして再現すること自体も難易度が高く、まだまだ先の将来になる可能性が高いといわれています。

機械学習と人工知能（AI）の関係

機械学習はAIのなかの「ひとつの機能」といえます。AIが人工知能としての役割を果たすために人間の言語や画像などを認識し、判定するための仕組みです。機械学習のさらなる進化系としてディープラーニングがあるというイメージで問題ありません。

機械学習で可能になること

ディープラーニングとは違い、機械学習は人間が何らかの指示やデータを与えないと思うように正しく機能してくれません。しかし、指示を与えるからこそリクエストに的確に応えることができます。

たとえば、ある商品の購入者をビッグデータとして取り込み、特定の客層を抽出して分析を行うこともできます。また、クラスタリングによって全体の客層の傾向を把握することも可能。統計データとして人間の手でまとめるよりも迅速で正確なデータ分析が可能になります。

機械学習の代表的な例として挙げられるのはRPA（Robotic Process Automation）です。パソコンを使った事務作業を行うロボットのひとつで、プログラミングの専門的な知識がなくても仕事を覚えさせることができます。

AIの技術者がいない中小企業や実務を担当する部署であっても、手軽に導入できるシステムとして多くの企業からRPAは注目されています。

機械学習の導入事例

次に、身近にある機械学習を応用した事例について見ていきましょう。機械学習という言葉を聞くと専門的で難しく聞こえてしまいますが、具体的な事例を見てみると意外なほど日常生活のなかに浸透していることが分かります。

株の自動取引

株式のトレードを自動で行ってくれるツールにも機械学習が採用されています。値引きの変動の特徴をとらえ、過去のデータと照らし合わせながら売買を実行します。

コンピュータがアルゴリズムに則って瞬時に判断するため、一分一秒を争うようなシビアな取引においても有利に働きます。

郵便番号の自動認識

ハガキや封筒に書かれた7桁の郵便番号を数字で判断し、仕分けを行うツールです。郵便局などで利用されており、過去の膨大なデータをもとに手書きの数字を認識できるようになっています。

かつては手作業によって仕分けが行われていた郵便物も、現在では機械学習の進化にともなって自動化が進み迅速な配達が可能となっています。

カードの不正利用検知

クレジットカードをはじめとした金融系の分野においても機械学習が応用されています。ユーザーごとにクレジットカードの利用傾向を把握し、これまでと明らかに違った利用履歴があった場合に不正利用の可能性を検知します。

もちろんAIだけで判断できるものではなく、最終的には顧客へ連絡をとって直接確認する必要はありますが、ある程度のスクリーニングが機械学習によって可能となったことで大幅に業務効率が向上しています。

迷惑メールの検知

メールを利用するうえで悩みの種となるのが迷惑メール。しかし、受信したことすら知らないまま迷惑メールが自動的に専用のフォルダに振り分けられていたという経験はないでしょうか。

実はこの仕組みも機械学習によって実現しているものです。迷惑メールを検知するアルゴリズムは事業者によっても異なりますが、高い精度で重要なメールとそれ以外のスパムメールを振り分けることができます。

機械学習の現状と未来

これまでコンピュータにできることは限られており、人間がプログラミングなどの指示を与えなければならないとされてきました。

しかし、現在ではコンピュータ自らが過去のデータと照らし合わせながら独自に判断することが可能となっています。参考となるデータが多ければ多いほどコンピュータは学習し、その精度も高くなっていきます。

現時点において、機械学習は人間のルールによって動作するものです。しかし、コンピュータの性能が上がりAIが進化していくと、やがて機械学習ではなく深層学習（ディープラーニング）という領域に突入することになります。

人間と同じような思考をもち、業務の効率化の提案なども可能になるとされている深層学習は、遠くない将来に私たちの前に登場するといわれています。

機械学習と深層学習のどちらが優れているかではなく、用途に応じて使い分ける能力が、今後のAI活用の中で重要な課題となるはずです。人間にも得意なこと、不得意なことがあるように、人口知能においても両者をうまく使い分けていくことが必要とされる時代が間もなくやってきます。