人工知能、ディープラーニング、機械学習の概念と違い

人工知能の波が世界を席巻しています。人工知能、機械学習、ディープラーニングなどの高頻度語が頻繁に登場します。業界関係者はこれらの概念に精通しているはずですが、ほとんどの非実務者にとって、これらの高頻度語の意味とその背後にある関係性は不明瞭であるようです。誰もが人工知能をよりよく理解できるように、この記事では、この概念をより一般的な言葉で説明し、それらのつながりと違いを明確にして、これから始める人にとって役立つことを願っています。

人工知能

「人工知能」の概念は、1956 年のダートマス会議で初めて提案されました。その目的は、コンピューターを使用して、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でした。その後の数十年間、人工知能は疑問と進歩の間で揺れ動いてきました。 2012年以降、データ量の増加、コンピューティング能力の向上、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、人工知能は大きな爆発的な発展を遂げ、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、ファジー論理、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、人工知能の研究分野も拡大しています。

現在の科学研究は、機械が観察能力や知覚能力を持つようにする弱い人工知能に主に焦点を当てており、これは映画で描かれているような、機械が適応能力を獲得できるようにする強い人工知能とは程遠いものです。弱い人工知能を突破し、「知能」を実現するには、人工知能を実現する手法、つまり機械学習が必要です。

機械学習: 人工知能を実装する方法

最も基本的な意味では、機械学習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関する決定や予測を行います。特定のタスクを解決するために設計された従来のハードコードされたソフトウェア プログラムとは異なり、機械学習は「トレーニング」に大量のデータを使用し、さまざまなアルゴリズムを通じてデータからタスクを完了する方法を学習します。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。

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とは、人間の脳のように分析・学習するニューラルネットワークを構築・シミュレートし、人間の脳の仕組みを模倣してデータを解釈する機械学習技術です。その基本的な特徴は、脳内のニューロン間で情報が伝達され、処理される方法を模倣することです。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。

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。