「AI（人工知能）の最新技術について理解する」と聞くと難しいことのように思われるかもしれませんが、基礎的な部分についてお伝えすると、多くのAIのイノベーションは大まかに言うと機械学習とディープラーニングの2つの概念に分けられます。
機械学習とディープラーニングはあらゆる場面で活用されています。こういった技術によって自動運転車を実用化したり、Netflixが次のおすすめ番組を把握したり、Facebookが写真に写っている人を認識しています。
機械学習とディープラーニングは同じようなものとして捉えられることも多いのですが、実際はそれぞれ別物です。では、AIに関する話題の中心的存在である2つの概念の正確な定義と違いは何でしょうか？ この記事で解説いたします。
ディープラーニングと機械学習
機械学習とディープラーニングの違いを理解する第一歩は、ディープラーニングは機械学習であると認識することです。
具体的に言うと、ディープラーニングとは機械学習が進化したものです。プログラミング可能なニューラルネットワークを利用しており、人間の助けを借りずに正確な判断ができます。
とはいえ、まずは初めての方のために機械学習について定義しましょう。
機械学習とは？
機械学習の定義： 人工知能を応用したもので、具体例としてはデータを解析・学習し、学習内容を応用して情報に基づいた判断を行うアルゴリズムが挙げられます。
機械学習の仕組みとは？
機械学習のアルゴリズムを利用しているわかりやすい例として、オンデマンド音楽ストリーミングサービスがあります。リスナーにどの新曲やアーティストをレコメンドするか判断するサービスであれば、機械学習のアルゴリズムがリスナーの好みを同じような音楽を好む他のリスナーと関連付けます。こういった技術はシンプルにAIと呼ばれることが多いのですが、自動レコメンデーション機能を提供している多くのサービスで活用されています。
機械学習には多くの複雑な計算やコーディングが必要です。そして最終的には、それが懐中電灯、自動車、コンピューターの画面などと同じ機械的機能を果たすようになります。「機械学習」可能なものとは、与えられたデータによって機能し、時間と共にだんだんと進化できるものを指します。「暗いですね」と言えば必ず点灯する懐中電灯があるとすると、この懐中電灯は「暗い」という言葉を含む違うフレーズも認識できるでしょう。
マルウェアを追跡するデータセキュリティ企業から有益な動向を見逃したくない金融専門家まで、機械学習は多くの業界に存在するあらゆる自動化業務を支えています。AIのアルゴリズムは働きぶりの良い仮想の人間からサポートを受ける状況を想定したもので、継続的に学習できるようにプログラミングされています。
ディープラーニングやディープニューラルネットワークという視点で見ると、機械が新しいことを学ぶ様子は本当に興味深くワクワクさせてくれます。
ディープラーニングとは？
ディープラーニングの定義： 機械学習の一つで、何層にもアルゴリズムを構築し、自分で学習したり賢明な判断を下せる「人工ニューラルネットワーク」を作成するものです。
ディープラーニングの仕組みとは？
ディープラーニングモデルは人間が結論を導き出す過程と似た論理構造を持っており、継続的にデータを分析できるように設計されています。こういった分析を完了するために、ディープラーニングアプリケーションは人工ニューラルネットワークと呼ばれる複数の層で構成されたアルゴリズムの構造を利用しています。人工ニューラルネットワークの設計は人間の脳にあるニューロンの生物学的ネットワークからインスピレーションを得たもので、標準的な機械学習モデルよりもはるかに能力の高い学習システムを構築できます。
ディープラーニングモデルが間違った結論を導き出していないと確認するのは困難です。他のAIの事例同様、正しい学習プロセスを確立するにはたくさんのトレーニングが必要です。しかし狙いどおりに機能すれば、多くの場合実用的なディープラーニングは科学の驚異として、そして真の人工知能の根幹を成すものとして認められます。
ディープラーニングのインパクトのある使用例はGoogleのAlphaGoです。Googleは、鋭い思考力と直感力が必要なことで知られるアブストラクト系ボードゲーム「Go」をプレイするために学習した自社のニューラルネットワークを活用し、コンピュータープログラムを作成しました。Goのプロのプレイヤーと対戦することで、AlphaGoのディープラーニングモデルはAIにおいて今まで見たことのないレベルでプレイする方法を学習し、それを実現しました。特定の動きが必要な場合、標準的な機械学習モデルには指示が必要ですが、このディープラーニングモデルにその必要はありません。
AlphaGoが世界的に有名な何人もの「マスター」に勝利したときは、機械がゲームの複雑なテクニックや抽象的な要素を理解できるだけでなく、最高ランクのプレイヤーになりつつあるということが証明され、大変な騒ぎが起きました。人間の知能と人工知能の戦いに勝利したのは、後者のほうでした。
より実用的な使用事例をご紹介します。写真を基に花の種類や鳥の種を識別できる画像認識アプリを想像してみてください。ディープニューラルネットワークが画像分類を行っているのですが、 ディープラーニングは音声認識や翻訳の舵を取ったり、事実上自動運転車の運転もしています。
機械学習とディープラーニングの違い
実際には、ディープラーニングは機械学習の一部です。ディープラーニングは機械学習であり、機能の仕組みは似ています（これが、それぞれの言葉が時に大体同じ意味を持つものとして扱われる所以です）。しかし、能力は違います。
機械学習の基本的なモデルの場合、新しいデータを取り込むたびに特定の機能が徐々に進化しますが、今もなお人間の介入が必要です。AIのアルゴリズムが間違った予測を返すのであれば、エンジニアが介入して調整しなければなりません。ディープラーニングモデルの場合、アルゴリズムが自身のニューラルネットワークを通して予測が正しいか否か判断できるので、人間のサポートは必要ありません。
懐中電灯の例に戻りましょう。この懐中電灯は、誰かが発する「暗い」という言葉を音声合図として認識したら点灯するようプログラミングされているとします。学習は継続します。特定の言葉を含んでいるのであれば、どんなフレーズを聞いても同じ機能を果たすようにいずれはなるかもしれません。しかし、もし懐中電灯がディープラーニングモデルを実装しているのであれば、「見えない」「スイッチが入らない」といった合図でも点灯するべきだと理解するでしょう。光センサーと連動している可能性もあります。
ディープラーニングモデルは、自身のコンピューティング方法で学習することができます。こういった技術が作用し、まるで自分の脳を持っているかのように見えます。
要点をまとめると、機械学習とディープラーニングの主な違いは下記のとおりです。
機械学習はアルゴリズムを利用してデータを解析・学習し、学習内容に沿って情報に基づいた判断を行うものです。
ディープラーニングは何層にもアルゴリズムを構築し、自分で学習したり賢明な判断を下せる「人工ニューラルネットワーク」を作成するものです。
ディープラーニングは機械学習の一部です。どちらも人工知能という広範なカテゴリに含まれますが、ディープラーニングは最も人間に近いAIを支える存在です。
機械学習の種類
もう少し深く掘り下げるために、3種類の主な機械学習とそれぞれの違いについてご紹介いたします。
ディープラーニングアルゴリズムの種類
機械学習によりコンピューターは優れた仕事ぶりを見せていますが、人間の知能の再現には至っていません。一方ディープニューラルネットワークは人間の脳をモデルにしたものであり、より高度なレベルの人工知能です。
ディープラーニングアルゴリズムにはいくつか種類があります。今回は最もポピュラーなモデルについて解説いたします。
畳み込みニューラルネットワーク
畳み込みニューラルネットワーク（CNN）は、画像処理や物体検出用に設計されたアルゴリズムです。「畳み込み」とは、画像でフィルターをかけて画像内の全要素を評価するというユニークなプロセスです。
CNNは、機械に視覚世界の処理方法を教えるAIの分野であるコンピュータービジョンを強化するためによく利用されます。顔認識技術はコンピュータービジョンの一般的な活用方法です。
リカレントニューラルネットワーク
リカレントニューラルネットワーク（RNN）は内部にフィードバックループを含んでおり、アルゴリズムに過去のデータポイントを「記憶させる」ことができます。RNNはこのような過去のイベントの記憶を活用し、現在のイベントに対する理解を示したり、未来を予測することもできます。
ディープニューラルネットワークがより適切に「思考する」ことができる場面の例を挙げると、 たとえばRNNを活用した地図アプリは、いつ交通渋滞が起きる傾向にあるのか「記憶する」ことができます。そしてこういった知識を活用し、ラッシュアワーの渋滞に巻き込まれそうになったら代わりのルートを提案してくれます。
未来の原動力となるデータ
現在の「ビッグデータ時代」が生み出す膨大な量の新しいデータにより、未だ想像がつかないようなイノベーションを目にする未来が来るのは間違いありません。データサイエンスのエキスパートは、こういった飛躍的進歩にはディープラーニングアプリケーションが含まれるだろうと予測しています。
中国の大手検索エンジンBaiduの元チーフサイエンティストであり、Google Brainプロジェクトのリーダーを務めていたAndrew Ng氏が、ディープラーニングモデルに関する分かりやすい例をWiredに解説しています。
彼はWiredのジャーナリスト・Caleb Garling氏に「AIは宇宙船の建設に似ていると思います。宇宙船にも巨大なエンジンとたくさんの燃料が必要ですから」と語っています。そして、「もし大きなエンジンに対して燃料の量が少なければ、宇宙船を軌道に乗せられません。小さいエンジンに対して何トンもの燃料があれば、離陸すらできません。ロケットを作るのであれば、巨大なエンジンとたくさんの燃料が必要です。ディープラーニングに例えると、ロケットエンジンがディープラーニングモデルで、燃料がアルゴリズムに入力する大量のデータです」と続けています。
機械学習とディープラーニングがカスタマーサービスに意味すること
カスタマーサービスに活用されている今日の多くのAIアプリケーションは、機械学習のアルゴリズムを利用しています。目的はセルフサービスの促進、サポート担当者の生産性アップ、ワークフローの信頼性向上です。
アルゴリズムに入力されるデータは、顧客から常時受信する問い合わせが元になっています。ここには、購入者が直面している問題に関連のある背景情報なども含まれます。すべての情報をAIアプリケーションに集約すると、より迅速かつ正確に予測できるようになります。こういった点から、人工知能は多くのビジネスにとっての大きな希望となっています。業界の最大手企業は、ビジネス関連のAIの最も実用的な使用事例はカスタマーサービスになるだろうと推測しています。
たとえば、機械学習とディープラーニングはどちらもNLP（自然言語処理）の支援に利用されます。NLPとはコンピューターサイエンスの分野の一つで、コンピューターが文章や発話を理解できるようにする技術のことです。CX（カスタマーエクスペリエンス、顧客体験）で言うと、Amazon AlexaとAppleのSiriが「バーチャルエージェント」の良い例です。バーチャルエージェントは、消費者からの質問に答えるために音声認識を活用することができます。
また、AIを搭載したカスタマーサービスボットは、同じ学習方法を利用して入力された文章に回答することもできます。その良い例がZendeskのAdvancedボットです。これは強化されたメッセージングおよびメール向けボットで、業界内のCXチームに特化した最も広範な顧客インテント・データベースを活用して、よりパーソナライズされた正確な応答、エージェントの生産性向上、迅速なセットアップを実現します。
