人工知能、機械学習、ディープラーニングとは、いったい何なのでしょうか?

近年のホットな言葉といえば、「人工知能」が挙げられます。昨年のChatGPTの人気爆発により、「AI（人工知能）」はホット検索リストで繰り返し上位を占め、英国の辞書出版社コリンズによって2023年の今年の言葉に選ばれました。

「人工知能」以外にも「機械学習」や「ディープラーニング」という言葉をよく耳にしますが…

これらの用語はどういう意味ですか?それらの関係は何ですか？詳しくはドキュメントをご覧ください〜

人工知能

人工知能に関して言えば、誰もが最初に思い浮かべるのはSF映画に出てくる人間の知能を持つロボットかもしれませんが、実際には人工知能は単なるロボットではありません。

人工知能は 1956 年にジョン・マッカーシーによって初めて造られ、当時は「知的な機械を作る科学と工学」と定義されていました。

今日の人工知能とは、「人間の知能をシミュレート、拡張、拡大するための理論、方法、技術、アプリケーション システムを研究および開発する新しい技術科学」を指します。

ちょっとわかりにくいですね。まとめると、人工知能とは、機械が人間の思考能力をシミュレートできるようにし、機械が人間のように認識し、考え、さらには決定を下すことを可能にすることです。

今日、人工知能はもはや単純な主題ではなく、コンピューターサイエンス、心理学、言語学、論理学、哲学などの複数の分野が交差する分野となっています。

写真

人工知能は高度な技術のように思えるかもしれませんが、実は非常に広範な概念です。自動運転、顔認識、知能ロボット、機械翻訳など、さまざまな種類の人工知能が私たちの身の回りに存在し始めました。

写真

さまざまな人工知能がありますが、その強さに応じて 3 つのカテゴリに分類できます。

• 人工知能（ANI）
  特定の分野に優れた人工知能は、特定のタスクしか実行できません。たとえば、顔認識システムは画像しか認識できません。明日の天気がどうなるかを尋ねても、どう答えてよいかわかりません。
• 汎用人工知能 (AGI)
  人間レベルの人工知能は、複数の分野で人間のような知能を発揮することができ、さまざまなタスクを理解し、学習し、実行することができます。現時点では、強力な人工知能はまだ実現されておらず、人工知能研究の長期的な目標のままです。
• 人工超知能（ASI）
  人間の知能を超える人工知能は、あらゆる分野で人間よりも賢く、あらゆる知的タスクを実行でき、多くの面で人間を上回ります。スーパー人工知能はSF作品によく登場しますが、実際には理論上の概念に過ぎず、現時点では実現の可能性はありません。

ここで皆さんに聞きたいのですが、囲碁の世界チャンピオンを破ったコンピュータープログラム「AlphaGo」とはどのような人工知能なのでしょうか？

写真

機械学習

前述のように、人工知能の目的は、機械が人間のように考え、判断できるようにすることです。これはどのように実現できるのでしょうか?

考えてみてください。私たちは生まれたとき、基本的に何も知りませんでした。何十年にもわたる学習を経て、さまざまな知識とスキルを身に付けました。

機械についても同じことが言えます。機械に考えさせたいなら、まず学習させ、経験からルールをまとめ、それから一定の意思決定と識別能力を持たせる必要があります。これが人工知能の核心、つまり機械学習です。

写真

機械学習は、具体的には、コンピューターが人間の学習行動をシミュレートまたは実装し、学習を通じて新しい知識やスキルを獲得し、それによって既存の知識構造を再編成し、自身のパフォーマンスを継続的に向上させる方法を研究します。

機械学習は、確率論、統計、近似理論、アルゴリズム複雑性理論、その他多くの分野を含む多分野にわたる学際的な科目です。

写真

機械はどのように学習するのでしょうか?まず人間の学習プロセスを見てみましょう。

1. 授業：理論的な知識とインプットの知識を学ぶ
2. 要約復習:復習を通して理解を深める
3. 知識の枠組みを整理する：知識を体系化し、システムを形成する
4. 宿題：理解を深めるための練習
5. ウィークリークイズ: 習熟度チェック
6. ギャップを埋める：学習方法の改善
7. 最終試験：最終的な学習成果を確認する

機械学習のプロセスも同様で、次の 7 つのステップが含まれます。

1. データ収集: 関連データを収集する
2. データ処理: データの変換とデータ形式の統一
3. モデルの選択: 適切なアルゴリズムの選択
4. モデルトレーニング: データを使用してモデルをトレーニングし、アルゴリズムを最適化します
5. モデル評価: 予測結果に基づいてモデルのパフォーマンスを評価する
6. モデル調整: モデルパラメータを調整してモデルのパフォーマンスを最適化します
7. モデル予測: 未知の結果データを予測する

簡単に言えば、機械学習とは、アルゴリズムを通じてデータからロジックやルールを自動的に誘導し、誘導結果と新しいデータに基づいて予測を行うプロセスです。

たとえば、コンピューターが犬を見たときにそれを識別できるようにしたい場合、コンピューターに大量の犬の画像を見せて、これが犬であると伝える必要があります。

コンピューターは、多くのトレーニングを経て、特定のルールをまとめます。次に犬を見たとき、対応する特徴を捉えて、「これは犬だ」と結論付けます。

アルゴリズムが完璧でない場合、猫を犬と間違える可能性があります。そのため、コンピューターは経験的データを通じてアルゴリズムを自動的に改善し、予測能力を高める必要があります。

写真

学習方法に基づいて、機械学習は次の 4 つのカテゴリに分類できます。

• 教師あり学習は、ラベル付きデータ、つまり独立変数と従属変数を含むデータから学習し、分類タスクや回帰タスクなどの既知の入力データと出力データを学習して予測を行います。
  分類タスク: スパムの検出、植物や動物のカテゴリの識別など、データが属するカテゴリを予測します。
  回帰タスク: 住宅価格の予測、身長と体重の予測など、以前に観測されたデータに基づいてデータを予測します。
• 教師なし学習は、ラベルなしデータ、つまり独立変数のみを持ち従属変数を持たないデータを分析し、クラスタリングや次元削減などのデータ内のパターンを検出します。
  クラスタリング: 顧客のグループ化など、どのようなものかを意識せずに類似したものをグループ化します。
  次元削減: 特徴を抽出することで、高次元データを低次元表現に圧縮できます。たとえば、自動車の走行距離と年式を組み合わせて摩耗値を算出することができます。
• 半教師あり学習では、トレーニング データの一部のみにラベルが付けられます。最初に教師なし学習を使用してデータを処理し、次に教師あり学習を使用してモデルをトレーニングおよび予測します。
  たとえば、携帯電話は同じ人物の写真を認識できます (教師なし学習)。同じ人物の写真にラベルが付けられると、同じ人物のその後の写真にも対応するラベルが自動的に付けられます (教師あり学習)。
• 強化学習は、環境と相互作用し、報酬またはペナルティに基づいてアルゴリズムを最適化し、最大の報酬が得られて最適な戦略が生成されるまで続けます。たとえば、掃除ロボットが障害物にぶつかると、掃除経路が最適化されます。

ディープラーニング

上記の理解を通じて、誰もが機械学習に精通していると信じています。ではディープラーニングとは何でしょうか?これは機械学習とどのような関係があるのでしょうか?

ディープラーニングは、機械学習の分野における新しい研究方向です。これは、多層ニューラル ネットワークを通じて複雑なデータを学習し、理解するアルゴリズムです。

機械はサンプルデータの詳細な表現を学習することで複雑なタスクを学習し、最終的には人間のように分析および学習し、テキスト、画像、音声を認識できるようになります。

写真

従来の機械学習とは異なり、ディープラーニングはニューラルネットワーク構造を使用します。ニューラルネットワークの長さはモデルの「深さ」と呼ばれ、ニューラルネットワークに基づく学習は「ディープラーニング」と呼ばれます。

ニューラル ネットワークは、ニューロン ノードがデータを処理および変換できる人間の脳のニューロン ネットワークをシミュレートします。多層ニューラル ネットワークを通じて、データの特徴を継続的に抽出および抽象化できるため、機械はさまざまな問題をより適切に解決できるようになります。

写真

典型的なディープラーニングアルゴリズムは次の 4 つあります。

• 畳み込みニューラル ネットワーク (CNN): 画像認識および分類タスクでよく使用されます。
• リカレントニューラルネットワーク (RNN): 自然言語処理などのシーケンスデータの処理に適しています。
• Long Short-Term Memory (LSTM): 長いシーケンス データをより適切に処理できる特殊な RNN 構造。
• 敵対的生成ネットワーク (GAN): 画像、音声、テキストなどの新しいデータを生成するために使用されます。

ディープラーニングのサポートにより、人工知能は急速に発展することができました。近い将来、新しいAI時代が到来すると信じています。

結論

役に立つ知識が追加されましたので、簡単にまとめます。

• 「人工知能」とは、機械が人間のように考え、タスクを実行できるようにすることを目的とした幅広い概念です。
• 「機械学習」は人工知能を実現する手法であり、データからパターンを学習することを目的としています。従来の機械学習では、データの特性を手動で判断する必要があります。
• 「ディープラーニング」は、ニューラルネットワークに基づいてデータの特徴を自動的に学習できる機械学習の特定の分野です。