ディープラーニングとは？従来の機械学習との違いからAIビジネスへの導入ポイントまで紹介。

1. AI開発とディープラーニングの仕組み

1-1. ディープラーニングとは

ディープラーニング(深層学習)とは、AI開発のプロセスである機械学習の手法のひとつです。近年導入が広がっていますが、その基本的な仕組みは以前から存在していたものです。従来の機械学習との違いを理解するために、AI開発の発想から解説します。
なお、AI開発における機械学習の位置づけはこのようになります。

アノテーションの意味についてはこちら
>>アノテーションとは？その意味からAI・機械学習との関係まで解説。

機械学習に利用する教師データについての記事はこちら
>>教師データとは？AI・機械学習・アノテーションとの関係から作り方まで解説。

　　

1-2. 機械学習とは

　　

機械学習とはAIの一分野です。機械に事前にデータやパターンを与えることによって機械が学習し、新規のデータを分類・識別する事ができるようになる技術です。データ分析・画像解析・自然言語処理など様々な分野で活用されています。機械学習が登場する前は、手動でルールやアルゴリズムを設計する必要がありました。こうした手法はルールベースシステムと呼ばれています。ルールベースでは特定のルールに当てはまるデータでは予測や分析が高精度で行なえますが、そこから外れたデータに柔軟な対応をすることができませんでした。

1-3. 機械学習の種類

機械学習の種類には大きく分けて3つの種類があります。
1.教師あり学習 データに正解のラベルを付与した教師データを用意し、機械に与えることで正解を学習 します。分類と回帰のアルゴリズムが利用されます。線形回帰やランダムフォレストなどが、代表的なアルゴリズムです。 2.教師なし学習 明確な答えや正解のある教師データを用意せず、データのもつ規則性や類似性といったパターンを機械が自動的に見つけ出し学習します。クラスタリングやアソシエーション分析などのアルゴ 3.強化学習 データを事前に用意しないのが特徴です。機械が自ら試行錯誤しながら学習を進めていきます。人間が点数（報酬/目標）を指定し、それが大きくなるように機械が自律的に判断、施行錯誤を繰り返します。どのような行動をすれば点数が最大になるかを探し出し、学習するアルゴリズムが利用されます。Q-learning（Q学習）やSARSAなどが、代表なアルゴリズムです。

こうした学習法が機械学習の種類となりますが、新たにニューラルネットワークという手法が登場したことによって、機械学習は大きく進化しました。

1-4. ニューロンとニューラルネットワーク

人間の脳はニューロン（neuron）と呼ばれる神経細胞で構成されています。たくさんのニューロンがお互いに複雑に結合することで、脳内での情報処理が行われると考えられています。AI開発の発想は、人間の脳の構造を真似すれば人間の知能を再現することができるのではないか、というところから始まっています。ニューロンの仕組みを模したこのモデルのことをニューラルネットワークと呼びます。

1-5. ディープラーニングの中で行われていること

AIに入力が行われた時、ニューラルネットワークでは各ユニットがお互いに作用してそれぞれのバイアスを調整した演算が行われます。ディープラーニングによる機械学習では、このときの中間層を多層構造とすることで、従来の単純な層のニューラルネットワークよりも膨大な数のニューロンでの演算と判定が行われることになります。

これはディープラーニングのニューラルネットワークのイメージ図です。円形がニューロンに該当する各ユニット、それらをつなぐ矢印線がAIの判断経路だとします。中間層を多層化すればするほど、入力層から出力層までの経路のバリエーションが増えることが見て取れます。経路が増えることは複雑な演算に対応できることに寄与します。この図では中間層は三層ですが、実際のディープラーニングではより多くの層が用いられることもあります。

1-6. ディープラーニング導入のポイント

ディープラーニングがその特性を発揮して効果的なAI学習を実現するには、従来の手法よりもより多くのデータ量が必要になります。膨大なデータを処理できる高性能なハードウェアも必要です。データが少ない場合では、ほかの方法の方が良い結果をもたらすこともあります。すべてのAI開発プロジェクトにディープラーニングがふさわしいと考えるのではなく、用意できるデータの量やアノテーションツール、コストパフォーマンスも考慮して、ディープラーニングを採用するかを総合的に判断することが重要です。

1-7. ディープラーニング発展の背景

ディープラーニングの理論が最初に登場したのは1980年代のことです。近年になって発展している背景にはコンピュータの性能とデータの入手性の向上があります。ディープラーニングでは膨大な量のラベル付けされたデータが必要です。しかしラベルを付ける前の素材を用意するにも、これまでは大規模な数量のデータを入手すること自体が簡単ではありませんでした。近年のコンピュータの処理能力の向上と、あらゆるデータ、特に画像や動画のデジタル化の流れによって、昔からあった理論が現実的なものになったといえるでしょう。

1-8. ディープラーニングと機械学習の違い

ディープラーニングは機械学習の様々な技術の中の一つという位置づけです。これまでの機械学習の発展型といえるでしょう。従来の機械学習にはないディープラーニングの最大の特徴は、人が介入することなく機械が自動で学習を進めることができるという点です。人の介入とは「*特徴量」を機械に付与することを指します。機械学習では「特徴量」を人が与えることで、機械が正解を導き出しますが、ディープラーニングでは機械自らが「特徴量」を見つけ出し学習を進めていきます。

*特徴量とは、予測に影響する要素で、言い換えれば、予測を導き出すための変数を指します。例えば、販売予測において「価格」「色」「ブランド」「陳列棚の位置」「天気」などの要素がこれに当たります。この要素を適切に選択することによって精度の高い予測が成り立ちます。人が介入する場合、適切な特徴量を見つける必要があり、これを誤ると高精度の予測が得られません。ディープラーニングにおいては、人が介入することなく機械自らが特徴量を見つけ出すことで最適解に到達することができます。

1-9. ディープラーニングと機械学習の使い分け

ディープラーニングと機械学習の使い分けは、データの種類や量、解決したい課題や目的によって異なります。

まず、データの種類や量についてですが、ディープラーニングでは、上段で述べたように、機械が自ら特徴量を見つけ出すには、一般的に膨大なデータが必要になる一方、機械学習は、比較的少ないデータしか準備できなくても、適切なアルゴリズムを用いることにより、高い精度を発揮することができます。

次に、解決したい課題や目的によって使い分けが異なります。ディープラーニングは、複雑なパターン認識や予測問題に優れています。例えば、画像認識や音声認識、自然言語処理などが挙げられます。一方、機械学習は、回帰分析、クラスタリング、分類など、比較的単純な問題に向いており、一般的に少ないデータでも高い精度を発揮することができます。

さらに、ディープラーニングは、一般的に多くの計算リソースを必要とするため、GPUなどの高速な演算装置を必要とします。一方、機械学習は、比較的軽量な計算で済むため、一般的なCPUでも実行可能です。

以上のように、データの種類や量、解決したい課題や目的によって、ディープラーニングと機械学習の使い分けが異なります。適切な手法を選択することで、効率的かつ正確な解決策を提供することができます。

2. ディープラーニングを活用したサービス事例

 

現在のAIのほとんどがディープラーニングを用いて開発されています。従来からAIが導入されていたこれらの分野でもディープラーニングの手法を導入することで、AIが目指す可能性や精度は飛躍的に向上しています。

2-1. 医療サポート

内視鏡画像やX線画像を素材に、特徴や疑いのある候補域などをAIで特定します。腫瘍や病変の見落としの防止や診断精度の向上に役立てます。

2-2. 自動運転技術の開発

ドライブレコーダーによる事故やニアミスなどの画像、動画素材を利用して、交通標識や歩行者、対向車などのあらゆる要素をAIに正しく認識させます。

2-3. 自然言語処理の精度向上

スマートフォンやAIスピーカーで利用される”Hey Siri”や”OK, Google”などに代表される音声認識や意図抽出の精度向上に役立てます。

2-4. 生産・建築現場での安全確保

生産や建築の現場において、製造機器や重機の周辺で従事する作業者の体の動きを捉えます。作業従事者が危険域に侵入してしまった際にAIが自動的に検出することで、従事者の安全確保につなげます。

3. ディープラーニングについて学習する際のおすすめ本

 

ここまでディープラーニングの概要についてお話してきました。その仕組みについてより深く理解するには、本で知識を深めることが近道です。ここではディープラーニングを含むAIや機械学習についての書籍からピックアップしてご紹介します。

いちばんやさしい機械学習プロジェクトの教本　人気講師が教える仕事にAIを導入する方法

機械学習を用いた事業成長ノウハウについて、ITや数学の知識がなくてもわかるように解説されています。AIやディープラーニングの仕組みからプロジェクトの運用まで、マネージャーとして知っておくべきことを学ぶことができます。

AIにできること、できないこと—ビジネス社会を生きていくための4つの力

AIを活かすために、AIにできること、できないことを知ろう!というコンセプトで書かれた1冊です。AIの実態から、ディープラーニングについて知っておくべきこと、実際の事例の紹介まで、非常に読みやすくまとめられています。

AIをビジネスに実装する方法

企業が実際にAIを実装したプロジェクトを立ち上げるときのノウハウにフォーカスされた１冊です。幅広い業種を対象に、AIを導入した企業のビフォー&アフターの実例も紹介されています。AIやディープラーニングのビジネスへの活かし方を戦略的に学ぶことができます。

深層学習教科書 ディープラーニング G検定（ジェネラリスト) 公式テキスト

ディープラーニングの基礎知識と事業活用能力の検定試験であるG検定（ジェネラリスト検定）の公式テキストです。ディープラーニングの基本から最新事情、練習問題まで１冊でまとめられています。検定試験を受ける予定がなくても知識を体系立てて学ぶのには最適です。

4. ヒューマンサイエンスのアノテーション代行サービス

4-1. 教師データ作成数4,800万件の豊富な実績

ヒューマンサイエンスでは自然言語処理、医療支援、自動車、IT、製造や建築など多岐にわたる業界のAI開発プロジェクトに参画しています。これまでGAFAMをはじめとする多くの企業様との直接のお取引により、総数4,800万件以上の高品質な教師データをご提供してきました。数名規模のプロジェクトからアノテーター150名の長期大型案件まで、業種を問わずさまざまなアノテーションのプロジェクトにご対応しています。 AIを導入したいけれど何から取り組んだらよいのかわからないという企業様も、ぜひ当社にご相談ください。

4-2. クラウドソーシングを利用しないリソース管理

ヒューマンサイエンスではクラウドソーシングは利用せず、当社が直接契約した作業担当者でプロジェクトを進行します。各メンバーの実務経験や、これまでの参加プロジェクトでの評価をしっかりと把握した上で、最大限のパフォーマンスを発揮できるチームを編成しています。

4-3. 最新のアノテーションツールを活用

ヒューマンサイエンスが導入しているアノテーションツールの一つAnnoFabでは、プロジェクトの進行中にもクラウド上でお客様から進捗確認やフィードバックをいただくことが可能です。作業データはローカルのマシンに保存できない仕様とすることで、セキュリティにも配慮しています。

4-4. 自社内にセキュリティルームを完備

ヒューマンサイエンスでは新宿オフィス内に ISMSの基準をクリアしたセキュリティルームを完備しています。守秘性の高いプロジェクトであってもオンサイトでご対応します。当社ではどのプロジェクトでも機密性の確保は非常に重要と捉えています。作業担当者にはセキュリティ教育を継続して実施し、リモートのプロジェクトであっても情報やデータの取り扱いには細心の注意を払っています。