人工知能、機械学習、ディープラーニングの違いと関連性を説明する記事

人工知能の波が世界を席巻しており、人工知能、機械学習、ディープラーニングといった多くの言葉が常に私たちの耳に残っています。多くの人は、これらの高頻度語の意味とその背後にある関係性について漠然としか理解していません。

人工知能をよりよく理解していただくために、この記事ではこれらの言葉の意味を最も簡単な言葉で説明し、それらの関係を明らかにします。これから人工知能を学び始める同僚の皆さんのお役に立てれば幸いです。

人工知能：概念から繁栄へ

1956 年、数人のコンピュータ科学者がダートマス会議に集まり、「人工知能」の概念を提唱しました。彼らは、新たに出現したコンピュータを使用して、人間の知能と同じ基本的な特性を備えた複雑な機械を構築することを夢見ていました。それ以来、人工知能は人々の心の中に残り、科学研究室でゆっくりと培養されてきました。その後の数十年間、人工知能は二極化しており、人類文明の輝かしい未来の予言として歓迎されるか、技術狂の空想としてゴミ箱に捨てられるかのどちらかであった。 2012年までは、これら2つの声は同時に存在していました。

2012 年以降、データ量の増加、計算能力の向上、新しい機械学習アルゴリズム (ディープラーニング) の出現により、人工知能は爆発的に成長し始めました。 LinkedInがこのほど発表した「世界AI人材レポート」によると、2017年第1四半期時点で、LinkedInプラットフォームを基盤とする世界のAI（人工知能）分野の技術人材は190万人を超え、中国だけでも人工知能人材の格差は500万人以上に達したという。

人工知能の研究分野も拡大しています。図 1 は、エキスパート システム、機械学習、進化コンピューティング、ファジー ロジック、コンピューター ビジョン、自然言語処理、推奨システムなど、人工知能研究のさまざまな分野を示しています。

図1. 人工知能研究分野

しかし、現在の科学研究は弱い人工知能に焦点を当てており、近い将来に大きな進歩がもたらされるという大きな期待が寄せられています。映画に登場する人工知能のほとんどは強い人工知能を描いていますが、これは現在の現実世界では実際に実現するのが困難です（人工知能は通常、弱い人工知能と強い人工知能に分けられます。前者は機械に観察と知覚の能力を持たせ、ある程度の理解と推論を達成することができますが、強い人工知能は機械に適応能力を与え、これまで遭遇したことのないいくつかの問題を解決できるようにします）。

弱い人工知能が飛躍的な進歩を遂げると期待されていますが、これはどのように達成され、その「知能」はどこから来るのでしょうか。これは主に、人工知能を実装する方法、つまり機械学習によるものです。

機械学習: 人工知能を実装する方法

機械学習への最も基本的なアプローチは、アルゴリズムを使用してデータを解析し、そこから学習し、現実世界の出来事について決定や予測を行うことです。特定のタスクを解決するためにハードコードされた従来のソフトウェア プログラムとは異なり、機械学習は大量のデータを使用して「トレーニング」され、さまざまなアルゴリズムを使用してデータからタスクを完了する方法を学習します。

簡単な例を挙げると、オンラインショッピングモールを閲覧すると、商品のおすすめ情報が頻繁に表示されます。このように、モールは過去の買い物記録や長いコレクションリストに基づいて、あなたが本当に興味を持ち、購入したいと思っている商品を識別します。このような意思決定モデルは、モールが顧客に推奨事項を提供し、製品の消費を促進するのに役立ちます。

機械学習は、人工知能の初期の分野から直接派生したものです。従来のアルゴリズムには、決定木、クラスタリング、ベイズ分類、サポートベクターマシン、EM、Adaboost などがあります。学習方法に基づいて、機械学習アルゴリズムは、教師あり学習（分類問題など）、教師なし学習（クラスタリング問題など）、半教師あり学習、アンサンブル学習、ディープラーニング、強化学習に分類できます。

指紋認識、Haarベースの顔検出、HoG特徴ベースの物体検出などの分野における従来の機械学習アルゴリズムの応用は、基本的に商用化の要件または特定のシナリオの商用化レベルに達していますが、ディープラーニングアルゴリズムの出現までは、前進するたびに非常に困難でした。

ディープラーニング: 機械学習を実装するための技術

ディープラーニングは独立した学習方法ではありません。ディープニューラルネットワークをトレーニングするために、教師あり学習と教師なし学習の方法も使用します。しかし、近年のこの分野の急速な発展により、独自の学習手法（残差ネットワークなど）がいくつか提案され、独立した学習手法として捉える人も増えてきています。

本来のディープラーニングとは、ディープニューラルネットワークを用いて特徴表現を解く学習プロセスです。ディープ ニューラル ネットワーク自体は新しい概念ではなく、大まかに言えば、複数の隠し層を含むニューラル ネットワーク構造として理解できます。ディープニューラルネットワークのトレーニング効果を向上させるために、ニューロンの接続方法と活性化関数に適切な調整が行われてきました。実際、初期の頃には多くのアイデアが提案されていましたが、当時のトレーニングデータが不十分で、計算能力が低かったため、最終結果は満足のいくものではありませんでした。

ディープラーニングはさまざまなタスクを非常に簡単に達成し、機械支援によるあらゆる機能が可能になったかのようです。自動運転車、予防医療、さらにはより良い映画の推薦など、すべてがもうすぐ実現するか、あるいは実現しそうです。

3つの違いとつながり

機械学習は人工知能を実現するための手法であり、ディープラーニングは機械学習を実現するための技術です。最も簡単な方法である同心円を使用して、3 つの関係を視覚的に示します。

図2 3つの関係の模式図

昨今、人工知能を理解したり、人工知能に切り替えたりしたい開発エンジニアが増えていますが、数学は彼らにとって乗り越えられない壁となっています。機械学習は人工知能を始める唯一の方法であり、機械学習アルゴリズムには大学の高度な数学、確率論と数理統計、線形代数（または行列理論）の基礎が必要だからです。