ディープラーニング、機械学習、および人工知能（AI）は、同義語として使われているように思えますが、これらには明確な違いがあります。参考になる見方として、人工知能は機械学習を含むより大きな包括的カテゴリであり、機械学習はディープラーニングを含むカテゴリである、というものがあります。つまり、ディープラーニングや機械学習として分類されるものはすべて人工知能分野の一部となりますが、機械学習とされるものがすべてディープラーニングであるとは限らないのです。
さて、入れ子人形が完成したところで、親カテゴリの人工知能を掘り下げてみましょう。
人工知能とは
理論的概念としてのAIは100年以上前から存在していますが、今日における概念は1950年代に開発されたもので、人間のように動作し、反応する知的機械のことを指します。AIシステムは、詳細なアルゴリズムを使用し、人間の頭脳よりもはるかに高速かつ効率的にコンピューティングタスクを実行します。
ビッグデータの導入以来、AIシステムは大量のデータにアクセスし、これらの迅速な処理により効果的な結論を導き出すことができるようになりました。結果として、AIは研究開発において大きな進歩を遂げ、コンピュータにより現実世界の問題を解決するその革新的な方法は、近年最も有望な技術の1つとみなされています。
機械学習とは
従来のプログラミングとは対照的に、機械学習では、特定のタスクを実行するにあたり、具体的な指示を含むソフトウェアルーチンを手動でコーディングする必要がありません。機械学習アルゴリズムの大半は、コードの複雑さという観点からいえば、きわめてシンプルな実装を可能とします。機械学習アルゴリズムの興味深い点は、タスクをコーディングするのではなく、データを使用して機械にタスクの実行方法を「トレーニング」するということです。
機械学習とは、機械による学習プロセスの自動化を指します。この学習プロセスにおける入力はデータであり、出力はモデルとなります。機械学習を通じて、システムは取り込んだデータにより学習機能を実行することができるため、機能の継続的な向上が実現します。この「学習」は、例を使用し、パフォーマンスのあらゆる側面を改善することで可能となります。データは、トレーニング例のセットとしてみなされます。アルゴリズムはデータを解析し、個々のトレーニング例を使用することで、目標に関連する質問に適切に答えられるかどうかを確認します。回答は分析され、アルゴリズムによる回答の改善に使用されます。
このプロセスが各例ごとに繰り返されます。これにより、各トレーニング例がアルゴリズムの精度や予測力に少しずつ貢献することになります。学習プロセスが成功すれば、学習アルゴリズムは一般化されます。これは、アルゴリズムの予測がトレーニング例以外に対しても有用であることが示されたことを意味します。
機械学習アプローチに適した問題設定
すべての技術は、特定の問題やタスクの解決において実力を発揮しますが、機械学習にも同じことがいえます。以下に、機械学習アプローチに適した3つの一般的な問題設定を示します。
- 分類：個々のアイテムをクラスのセットに分類する
- 回帰：過去の記録に基づいて結果を予測する
- クラスタリング：互いに類似したアイテムを見つける
この強力なテクニックセットでは、あらゆるシステムに対し将来を見据えた興味深い機能を追加することができます。機械学習のテクニックが成功するかどうかは、タスクを適切に実行できるか、そしてテクニックがシステム全体に有意義な形で組み込まれているかどうかに大きく左右されます。
機械学習の種類
多くの機械学習テクニックは、4つのサブ領域に分類することができます。
- 教師あり学習は、ラベル付けされたデータと直接的なフィードバックを扱います。これは、結果や未来を予測することができます。
- 教師なし学習は、ラベル付けされていないデータをフィードバックなしで扱います。これはデータ内に隠れた構造を見つけるのを得意とします。
- 半教師あり学習は、教師あり学習と教師なし学習の中間に位置し、部分的にラベル付けされたデータの扱いに適しています。
- 強化学習は、意思決定プロセスと報酬システムに焦点を当てます。これは一連の動作を学習することができます。
機械学習の主な用途
機械学習は、きわめて多様かつ広範なアプリケーションに使われています。現在では、次のような機能に機械学習の適用を見ることができます。
- メールのフィルタリング。スパムを選別するのに役立つ機械学習が受信トレイに搭載されています。
- オンライン上のおすすめ。小売サイトは、機械学習を使用し、過去の購入履歴やアクティビティに基づいたおすすめのパーソナライゼーションを提供しています。
- 音声認識。Siri、Alexa、およびその他の音声認識システムは、技術ツールキットの一部として機械学習を使用することで、人間間のインタラクションを模倣し、ユーザーをより良く「理解」することに努めています。
- 顔認識。Meta（Facebook）などのアプリケーションは、機械学習アルゴリズムを使用することで、見慣れた顔の認識や写真の中の人物の特定を行っています。
ディープラーニングとは
ディープラーニングとは、人工ニューラルネットワーク（ANN）によってモデルをトレーニングする機械学習（および人工知能）のサブセクションを指します。「ディープラーニング」における「ディープ（深い）」という単語の使用は、「ニューラルネットワーク」の「ネットワーク」の部分に存在する多数の層やセグメントに由来します。ディープラーニングはこれまで、自動運転車や自然言語の認識・理解など、高度に自動化されたシステムの開発において重要な役割を果たしてきました。
ディープラーニングは、自動運転車や画像認識、そして近年注目されている大規模言語モデル（LLMS）など、さまざまなプロジェクト開発の基盤となっています。LLMとディープラーニングの関係は、ニューラルネットワークの基盤となるインフラストラクチャに根ざしています。これについては次のセクションで詳しく説明します。
ディープラーニングの仕組み：人工ニューラルネットワーク（ANN）を理解するということ
主にコンピュータビジョンアプリケーションで使用されるニューラルネットワークの一種であるCNNの図。（出典）
人工ニューラルネットワーク（ANN）は依然として最先端にあると考えられていますが、これは新しい概念ではなく、AI研究の初期に作成されたものです。ANNは、脳内におけるニューロンの相互作用にヒントを得たもので、接続されたニューラルノードの抽象化を基盤に構築された複雑なコンピューティングシステムです。ディープラーニングは、多層のニューラルネットワーク全体でデータを処理することによって機能します。ビッグデータおよびモデル開発の増加は、ディープラーニングの大きな恩恵を受けています。
ディープラーニングは、魅力的な計算および最適化特性を備えた汎用性の高いツールボックスを提供します。従来のほとんどの機械学習アルゴリズムでは、焦点がより狭いものになっています。もう1つの興味深い点としては、容量（内部化できる情報量）をほとんどシームレスに拡張できることが挙げられます。層の追加やサイズ拡大は、シンプルにエンコードすることが可能です。
ディープラーニングモデルは、一般化されたすべての入力例を保存することを目的としています。入力例を一般化することで、未知の例から意味を推測するのです。ただし、入力例への依存は、ディープラーニングに限界があることを意味します。ディープラーニングモデルは、過去に見たものしか理解することができないのです。入力の変化に対しては非常に敏感であるといえます。このため、新しいデータが利用可能になり次第、モデルの再トレーニングおよび再展開が必要となります。
人工ニューラルネットワークのアプローチは、もともと人間の脳と同じように一般的な問題を解決することを目的としていましたが、これは時間の経過とともに変化し、現在におけるディープラーニングモデルはきわめて具体的なタスクの実行に焦点を置いています。例として、畳み込みニューラルネットワーク（CNN）は、画像の検出や認識に使用されます。ディープラーニングは、明確に定義された問題と大量の関連データにより、他の機械学習アルゴリズムよりも優れたパフォーマンスを発揮することが多いといえます。
ディープラーニングと生成AIの比較
ディープラーニングと生成AIという2つのトピックは、アーキテクチャが相互に絡み合っているため、明確化が必要となることが多々あります。実のところ、ディープラーニングは生成AIのモデルを形成しているのです。生成AIとは、（現実世界からの）トレーニングデータに似せて設計された、（モデルによる）新しいデータの出力技術を指します。このプロセスは、ニューラルネットワーク（ディープラーニング）を使用して開発されます。AIにおける最新トレンドは、Generative Pre-trained Transformer（GPT）を始めとする大規模言語モデルの増加に最もよく表れています。これらのモデルは、人間の話し方や写真を模倣した画像、テキスト、およびその他のメディアを生成します。
ディープラーニングは、生成AIモデルの開発基盤です。これは、情報の階層を学習するために使用され、ネットワークの下位層におけるシンプルなパターンおよび特徴の認識を可能とします。例として、この機能は画像のエッジ検出でオブジェクトのサイズや形状を判断するために使用されます。
ディープラーニングは、正反対のニューラルネットワークを2つ活用することで、生成AIに使用されるモデルのトレーニングを支援します。このうち1つは生成器、もう1つは識別器となります。生成器は新しいデータインスタンスを作成し、識別器は生成データを調査して元となる「実際の」データと照合します。これにより、モデルによる学習が可能となるため、結果としてより現実的な出力の生成が実現します。モデルを調整する場合、一般的には生成器よりも識別器の調整を行うことになります（例：ミストラルベースのモデル）。
将来を見据えるということ
機械学習アルゴリズムの強力なクラスとして、人工知能分野におけるディープラーニングの研究は急速に発展しています。画像認識などの分野における大きな成功により、ディープラーニングは大きな反響を呼んでおり、研究者やエンジニアはこの技術を使用して他のAI関連問題を解決するために一致団結しています。今後数年間で、ディープラーニングの恩恵を最も受ける分野や業種が明らかになっていくでしょう。
現在、AIの世界では、エージェント型AIが注目を集めています。これは単なる誇大広告ではありません。エージェント型AIとは、単にコンテンツを分析・生成するだけでなく、自律的にアクションを実行したり、意思決定を行ったり、時間の経過とともにタスクや目標を追求したりすることができるシステムを指します。
これは、次世代を象徴する進化といえるでしょう。従来のAI/MLモデルが予測やコンテンツ生成に重点を置いていたのに対し、エージェント型システムはこれらの機能を計画、メモリ、およびイニシアチブと組み合わせることで機能します。代役というよりは、追加のチームメイトや戦力増強役として活躍する技術であるといえます。
まだ開発の初期段階ではありますが、この変化により、受動的なインテリジェンスと能動的なデジタルエージェントの橋渡しが実現する可能性があります。生成AIを使用するエージェント型AIの登場は、自律型エージェントによる戦力倍増を意味し、5年前には夢でしかなかったタスク処理を現実のものとするでしょう。
AIとログ分析の詳細については、当社の究極ガイドをご覧ください。
