ディープラーニングとは?AI・機械学習との関係性、メリット・デメリットは?初心者にもわかりやすく解説!

deep-learning ITトレンドワード
記事上広告

ディープラーニングとは、機械学習の一手法で、調整するパラメータの数を非常に多くすることで、人間が実施する必要のある難解なタスクを自動で実施してくれるAIのことです。

この記事では、ディープラーニングの概要、よく混同されがちなAI、機械学習との関係性、そしてディープラーニングのメリット・デメリットまで、IT初心者の方にもわかりやすく解説していきます。

 ディープラーニングとは?

ディープラーニングは機械学習の一手法であり、ニューラルネットワークというアルゴリズムにおいて、調整するパラメータの数を非常に多くしたものをいいます。ニューラルネットワークとは人間の脳内にある神経細胞の働きに着想を得たアルゴリズムであり、膨大なパラメータ(=神経細胞)を調整することで、複雑なタスクであっても精度よく実施することができます。

ディープラーニングとAI、機械学習の関係性とは?

ディープラーニング同様最近よく耳にする「AI」、「機械学習」といった単語の意味、関係性をなんとなくしか理解していない方も多いんじゃないかと思います。簡単に言うと、「AI」の学習方法の一つが「機械学習」、「機械学習」の手法の一つが「ディープラーニング」という関係性です。

AI(Artificial Intelligence)とは?

一般にAIとは、認識、推論、判断といった人間の知性的な処理を実施可能な機械のことを広く指します。しかし、そもそも知性が何かを明確に説明できないことからもわかるように、明確な定義はありません。ディープラーニングの実現など技術の発展とともに、「AI」という用語が指す意味も変化しています。

 機械学習とは?

機械が判断を行うためには、必ずルール(人間でいえば判断基準)が必要です。このルールを逐一人間が教えるのではなく、データをもとにAI自身がルールを学習して決めることを機械学習といいます(次節以降にて詳述)。AIを構築するための学習方法のひとつです。

ディープラーニングのメリットとは?

機械学習の様々な手法の中でディープラーニングが脚光を浴びている理由は、「特徴量設計」と呼ばれる、機械学習において人間が実施する必要のある難解なタスクを自動で実施してくれるためです。これがいかに良いことかを理解するために例として、競馬レースに出場する18馬のうち1着でゴールする馬を予測するAI(以下、競馬AI)を作るケースを考えてみます。

例えば…競馬予測AIをディープラーニングで作るには?

1着でゴールする馬を予測する際に、どのような情報が必要でしょうか。

直近数回の戦績、地面と馬の相性、当日の天候など、多くの観点で各馬を評価する必要があります。これらの観点のことを機械学習では特徴量といい、どの特徴量がタスク(ここでは1着でゴールする馬の予想)の精度向上に寄与するか選択すること特徴量設計といいます。AI構築において精度に最も大きく影響する作業です。

しかし、実際には先ほど挙げた以外にもずっと多くの観点(馬と騎手の相性、血統など)がありますし、すべての観点を洗い出すことは熱心な競馬ファンであっても非常に難しいといえます。

ディープラーニングでは、この面倒で難解な特徴量設計を、なんと自動で行ってくれるのです。

競馬の知識がなくても容易に学習できるだけでなく、人間では気が付かないような観点さえも考慮してタスクを行うことができるのです。この利便性に加えて、今までの手法以上の精度が様々なタスクで確認されたことから、昨今のAIブームの火付け役となりました。

ディープラーニングのデメリットとは?

ディープラーニングは確かにお手軽で専門知識も必要ありませんが、利点ばかりではありません。2つの大きな欠点が存在します。

①AIが下した判断の理由をトレースすることができない

1つ目は、AIが下した判断の理由をトレースすることができない点です。

ほかの機械学習の手法であれば、設計した特徴量ごとに数値が与えられるため、例えば直近数回の戦績が高いから1着でゴールすると予想されたのだろう、とある程度結果に至った理由の解釈が可能です。

しかしディープラーニングでは、特徴量設計という作業自体がないため、機械がどのような理由で結果を出力したのかが全く分からないのです。いくら便利でもこれでは困りますから、結果と合わせて判断の理由を提示できる「説明可能なAI」の研究が急速に進められていますが、まだ実用的なレベルには至っていません。

②計算コストが非常に高い

 2つ目は、計算コストが非常に高い点です。ディープラーニングでは学習データをもとに数多くのパラメータを調整していくのですが、数十億個ものパラメータを同時に調整していくこともあり、膨大な行列計算を行う必要があります。CPUではなく並列計算が得意なGPUが必要であるなど、学習を行うための計算資源が豊富であることが分析の前提条件となります。

 以上の欠点から、現在でもディープラーニング以外の機械学習手法は広く用いられています。AIに実施させたいタスクの特性と用意できる計算資源を考慮して、適切な手法を選定することが重要です。

おわりに

  AI、機械学習、ディープラーニングといった用語について理解していただけたでしょうか。

AI時代ともいわれる昨今において、機械学習やディープラーニングの概念的な理解はますます重要になってきています。本記事では概念的な説明に閉じていますが、興味のある方は学習手法のアルゴリズムまで理解を深めると、AI構築の際にどの学習手法を選択すべきか判断できるようになるのでおすすめです。

コメント

タイトルとURLをコピーしました