人工知能、機械学習、ディープラーニングの違いと関連性

最近では、新しいデータ処理技術に関して、さまざまな用語が飛び交っています。ある人は機械学習を使用していると言い、別の人はそれを人工知能と呼び、さらに別の人はディープラーニングを行っていると主張するかもしれません。これは一体何を意味するのでしょうか?

これらの用語の多くは関連しており、ある意味では重複している可能性がありますが、重要な違いもいくつかあり、それらの正しい定義を理解するのに役立つ可能性があります。

• 人工知能とは、コンピューターに何らかの方法で人間の行動を模倣させることです。

• 機械学習は人工知能のサブセットであり、コンピューターがデータから問題を解明し、AI アプリケーションを提供できるようにするテクノロジーが含まれます。

• 一方、ディープラーニングは機械学習のサブセットであり、コンピューターがより複雑な問題を解決できるようにします。

以下では、わかりやすい例を挙げて、人工知能、機械学習、ディープラーニングの違いを簡単に説明します。

人工知能とは何ですか?

人工知能という学問分野は 1956 年に米国で創設されました。当時の目標は、現在と同様、人間に特有だと見なされるタスク、つまり知性を必要とするタスクをコンピューターが実行できるようにすることでした。当初、研究者が研究した問題には、チェスのプレイと論理問題の解決が含まれていました。

チェッカーをプレイするプログラムの出力を見ると、特にコンピューターが勝っているときに、動きの背後に何らかの形の「AI」があることに気付くでしょう。初期の成功により、最初の研究者たちは AI の可能性に対してほぼ無限の熱意を表明するようになったが、それは一部の問題がいかに難しいかを彼らが誤って判断した程度に匹敵する。

したがって、人工知能とはコンピューターの出力を指します。コンピューターは知的なことを行っているので、人工知能を実証しています。

AI という用語は、これらの問題がどのように解決されるかを説明するものではありません。ルールベースや特殊なシステムなど、さまざまな手法があります。 1980 年代に、機械学習という技術が広く使われるようになりました。

機械学習とは何ですか?

初期の研究者たちがいくつかの問題をより困難だと感じた理由は、それらの問題が AI の初期に使用されていた手法に単純に適応できなかったためです。ハードコードされたアルゴリズムや固定されたルールベースのシステムは、画像の認識やテキストからのコンテンツの抽出などの作業ではうまく機能しません。

解決策は、人間の行動 (AI) を模倣するだけでなく、人間の学習方法を模倣することであることがわかりました。

どのようにして読むことを学んだか考えてみましょう。最初の本を読む前にじっくりとスペルと文法を学ばなければ、簡単な本しか読めなくなり、時間が経つにつれてより複雑な本を読めるようになります。実際、スペルや文法のルールは読むことで学びます。つまり、大量のデータを処理して、そこから学習するのです。

これはまさに機械学習の考え方です。アルゴリズム（あなたの脳ではありません）に大量のデータを与えて、物事を理解させます。ビッグデータ分析やデータマイニングで遭遇する多くの種類のプログラムを網羅しています。結局のところ、スパムフィルター、商品の推奨、詐欺検出機能など、ほとんどの予測プログラムを動かす「頭脳」は、実際には機械学習アルゴリズムです。アルゴリズムに金融取引に関する大量のデータを入力し、不正行為とは何かを伝え、不正行為を判別させて、将来の不正行為を予測します。または、顧客ベースに関する情報を入力して、セグメント化するための最適な方法を見つけ出させることもできます。

[[413514]]

データ サイエンティストは、Java、Python、Scala などのさまざまなテクノロジーと言語を使用して機械学習アルゴリズムを作成できます。事前に構築された機械学習フレームワークを使用してプロセスを高速化することもできます。

これらのアルゴリズムが進化するにつれて、幅広い問題を解決できるようになります。しかし、人間にとって簡単だと思われること（音声認識や手書き認識など）でも、機械にとっては依然として難しいものがあります。しかし、機械学習が人間の学習方法を模倣することであるならば、なぜ人間の脳を模倣しないのでしょうか?これがニューラル ネットワークの背後にあるアイデアです。

人工ニューロン（シナプスで接続されたニューロンは脳の主な要素です）を使用するというアイデアは、しばらく前から存在していました。ソフトウェアによってシミュレートされたニューラル ネットワークが、特定の問題を解決するために使用され始めています。これらは大きな可能性を示しており、他のアルゴリズムでは解決できない複雑な問題を解決することができます。

しかし、機械学習は、たとえば「この写真のうち犬はどれくらいで、オオカミはどれくらいか」といった、小学生でも簡単に解ける問題にまだとどまっています。生のバナナと熟したバナナの違いはどうやって見分けますか?この本の中の登場人物はなぜあんなに泣いたのでしょうか？

この問題は、機械学習の概念や、人間の脳をエミュレートするという考えとはまったく関係がないことが判明しました。数百、あるいは数千のニューロンが比較的単純な方法で接続された単純なニューラル ネットワークでは、人間の脳の機能を再現することはできません。よく考えてみると、これは驚くべきことではありません。人間の脳には、非常に複雑に相互接続された約 860 億個のニューロンがあるのです。

ディープラーニングとは何ですか?

ディープラーニングは、教師ありアルゴリズム、教師なしアルゴリズム、またはその両方の組み合わせを使用できる機械学習の一種です。しかし、より多くのニューロン、レイヤー、相互接続性を含むニューラル ネットワークを使用します。人間の脳の複雑さを模倣するにはまだ遠いですが、私たちはそこに近づいています。

自動運転車から、Go をプレイするスーパーコンピューター、音声認識に至るまで、コンピューター技術の進歩について読むと、すべてがディープラーニングによって隠されていることがわかります。何らかの形の人工知能を体験することになります。舞台裏では、AI は何らかの形のディープラーニングによって駆動されています。

ディープラーニングが単純なニューラル ネットワークや他の形式の機械学習とどう違うのかを確認するために、いくつかの質問を見てみましょう。

[[413515]]

ディープラーニングの原理

ディープラーニングは必ずしも新しいものではありませんが、特にコンピュータービジョンや自然言語処理 (NLP) の分野で、特定の種類の難しいコンピューター問題を迅速に解決する方法として最近人気が高まっています。

もし私があなたに馬の画像をいくつか見せたら、あなたはその画像を見たことがなくてもそれが馬であると認識するでしょう。馬がソファでくつろいでいるか、ハロウィーンのためにカバのような格好をしているか。馬を定義するさまざまな要素、たとえば鼻の形、脚の数と位置などを知っているので、それが馬であると認識できます。

ディープラーニングはこれを実現します。階層化された学習プロセスを通じて高レベルの複雑な抽象化をデータ表現に抽出することにより、ディープラーニング モデルは標準的な機械学習手法よりも速く結果を生成します。簡単に言えば、ディープラーニング モデルは、データ サイエンティストが関連する機能を手動で選択する必要はなく、重要な機能を独自に学習します。これは多くの点で重要です。自動運転車も含みます。車が次の動きを決める前に、周囲に何があるのか​​を知る必要があります。人、自転車、他の車両、道路標識などを認識できなければなりません。そして、厳しい視覚環境でもそうします。しかし、標準的な機械学習技術ではこれは実現できません。

ディープラーニングの「ディープ」は、ディープラーニング モデルに組み込まれた多数のレイヤー (通常はニューラル ネットワーク) に由来します。畳み込みニューラル ネットワーク (CNN) は、多数のモデルの層で構成できます。各モデルは、前の層から入力を受け取り、それを処理し、畳み込み方式で次の層に出力します。

たとえば、チャットボットやスマートフォンの音声アシスタントで現在使用されている自然言語処理を考えてみましょう。次の文について考えて空欄を埋めてください。

私はイタリアで生まれ、人生の大半をポルトガルとブラジルで過ごしましたが、今でも流暢な ________ を話します。

おそらく、最も可能性の高い答えはイタリア語であることがわかるでしょう (ただし、フランス語、ギリシャ語、ドイツ語などでもおそらく同様に機能します)。しかし、この結論に達するには何が必要か考えてみてください。

まず、空欄補充単語は言語であることを知っておく必要があります。 「流暢に話せるようになる…」と理解できれば安心です。それがイタリア語であるという答えを得るには、文章をもう一度見直し、テキスト内のポルトガルとブラジルの言及に惑わされないようにする必要があります。 「私はイタリアで生まれました」というのは、私が成長する過程でイタリア語を学んだことを意味します（Wikipedia によると 93% の確率）。そのため、「生まれた」の意味を理解する必要があります。 「although」と「still」の組み合わせにより、私がポルトガル語を話していないことが明確になり、答えはイタリア語に戻ります。したがって、イタリア語が答えの可能性があります。

脳内の神経ネットワークに何が起こるか想像してみてください。 「イタリア生まれ」や「にもかかわらず…」といった事実は、あなたが何かをしている間、脳の残りの部分に入力されます。この概念は、複雑なフィードバック ループを通じてディープ ニューラル ネットワークに導入されます。