AI技術などが注目を集めるようになり、ディープラーニングという言葉を耳にする機会も増えてきました。
ディープラーニングとは、機械が自ら学習していく機械学習の一部を指した言葉です。これからますます関心の高まる機械学習やディープラーニングについて、初心者でもわかりやすく解説しています。
- ディープラーニングができること
- ディープラーニングの仕組み
- 活用事例と期待される今後
ディープラーニング（深層学習）とは
ディープラーニングとは機械学習の一種で、データを分析したり、学習する過程を強化した機能です。ディープラーニングはPythonなどのプログラミング言語を用いて実装されることが多く、AI分野の要となる技術として研究が進められています。
Pythonが使われる背景にはnumpyと呼ばれるライブラリが関係しているのですが、numpyは高速で数値を処理できる機能です。これにより、ディープラーニングは高度な計算を素早く可能にする機能として、AI技術などに転用されています。
ディープラーニングの仕組み
IT技術のひとつであるディープラーニングですが、実は人間の脳がモデルとなっているのです。ディープラーニングは機械に知能をもたらすために応用された技術で、主なはたらきは概念と概念の結合度を変化させられることにあります。
チャットボットの技術を例に挙げましょう。
これまでは特定のKWに対してプログラミングされた返答を返していたチャットボットですが、このような手動の命令方法では「りんご」というワードに対して「美味しい」「赤い」などの返答を返すことしか出来ませんでした。
しかし、ディープラーニングによって「りんご」への返答を自ら学習し、最適解を導き出すことが可能になったのです。逐一「りんご」への返答をプログラミングしなければならなかった従来に比べて、ディープラーニングの手法を用いたチャットボットは自ら学習して返答を変化させていきます。
「りんご」に対して、始めは「赤い」しか返せなかったとしても、情報を与えることで次第に「美味しい」「赤いほうが美味しい」などの返答を返すようになるのです。
これは人間の脳と同じように、シナプスの結合度が変化した結果といえるでしょう。情報が伝達しやすいようにシナプスの結合度を変化させる機能をニューラルネットワークと呼びます。
Pythonなどのプログラミング言語がもっている、高速な数的処理の恩恵を受けて開発された情報伝達回路が、人間の脳をモデルとしたニューラルネットワークなのです。
ディープラーニングの学習方法
ディープラーニングを運用するには学習の過程が必須です。
学習のもととなるデータを用意し、機械学習アルゴリズムと呼ばれる処理を行うことで初期学習を開始します。機械学習アルゴリズムについては、機械学習に特化した計算方法の束だと考えておきましょう。
「りんご」というデータに対して機械学習アルゴリズムを行うことで、最適な返答を導き出していきます。これまでは『「りんご」には「赤い」「美味しい」と返す』と返答をひとつひとつプログラミングしなくてはいけませんでしたが、機械学習アルゴリズムによってこの手間がなくなりました。
「りんご」が持つ情報をもとに、同様のデータに対しても同様の返答を返せるようになったり、機械が自ら状況を把握して臨機応変な返答を返すことが可能になっています。
以下に主な学習方法を紹介しましょう。
- 識別
- 予測
- 教師あり/教師なし学習
- 強化学習
それぞれ異なる特徴を持っており、どのような運用をするのかによって学習方法を使い分けることが肝心です。
ディープラーニングにおける画像認識の原理
ディープラーニングによって、機械が画像を認識し、分類できるようになったことはご存知でしょうか。たとえば犬と猫の画像を数枚処理させると、猫と犬に分類できるのです。こうした問題を「分類問題」と呼びます。
人間が犬と猫を分類する際には、以下のフェーズを踏むことになります。
- 目の前にいる犬か猫かわからない生き物を見る
- 脳内の犬、猫に関する情報と照合する
- 犬か猫か判断する
2のフェーズで行われていることをさらに細かく見てみましょう。
- 自分が持つ犬や猫のイメージを特徴として処理しやすく変換する
- 目の前にいる生き物の視覚情報を特徴として処理しやすく変換する
- 特徴と特徴を照らし合わせて、犬か猫か判断する
つまりあらかじめ「犬はこうである」「猫はこうである」という情報が必要です。
生まれてから今まで黒猫しか見てこなかった人に白猫を見せても、いきなり「猫だ」とは理解できないでしょう。さまざまなパターンの「猫」を認識させることで、どんどん性格に猫という生き物を理解できるのです。
これと同じことを機械に覚えさせることで、機械も人間と同じように犬と猫を認識し、識別できるようになります。
事前学習の方法としては、犬と猫の画像を何度も読み込ませ、識別を繰り返し行うのです。正解の場合は正解を与え、不正解の場合は不正解というフィードバックを返すことで、機械は犬と猫のボーダーラインを明確に引けるようになっていきます。
犬、猫など正解と不正解が明確に分けられる問題であれば単純ですが、10年後の未来は今より良くなっているか、といった曖昧な問題に対しては、さらに明確なボーダーを用意しなければなりません。
景気の動向予測などはまさにその分野で、人間が事前に特徴量を定めなくてはうまく機能しないのです。
これは先ほど紹介した教師あり学習に分類されます。