情報化時代（またはデジタル時代）が始まって以来、テクノロジーは絶え間なく、そして急速に台頭してきた。デジタル革命はそれ以来、意思決定者が知り、適応する必要がある最大の話題の一つとなっている。あらゆる技術トレンドの中で、人工知能（AI）は最も重要で不可欠な技術分野の一つとして際立っている。
AIと並んで、機械学習（ML）やディープラーニング（DL）といった他の用語も登場し始め、時には同じ意味で使われることもある。では、これらの用語は一体何を意味し、どのように区別するのだろうか？ここでは、これらの用語の違いと、それぞれのテクノロジーがあなたのビジネスにもたらすものについて説明しよう。
人工知能とは？
“コンピュータは、それが人間であると信じるように人間を欺くことができれば、知的と呼ばれるに値するだろう”
アラン・チューリング
1956年にダートマス大学で初めて造語されたAIは、その魅力的で変革的な性質から、多くの愛好家や専門家が追い求める魅力的な技術・研究分野である。当初はコンピュータが身近で高価なものであったため、不可能な理想に思えたが、技術の進歩とともに、人間はAIが本来あるべき姿に近づき、人間の知能をシミュレーションすることで機械が発揮する知能を開発してきた。
AIは以下の2種類に分類される：
- 人工狭域知能（ANI）は、狭域AIまたは弱域AIとも呼ばれ、現在までに達成されている唯一のタイプのAIである。ナローAIは目標指向型であり、機械は限られた制約と制限の下で実行する。ナローAIは人間のように考えることはできないが、アルゴリズムに基づいて人間の知能を模倣し、シミュレートするだけである。ナローAIは自然言語処理（NLP）を使ってテキストや音声を理解し、タスクを実行したり人間とコミュニケーションをとったりする。
- ストロングAIやディープAIとも呼ばれる人工知能（Artificial General Intelligence：AGI）とは、人間の一般知能を発展させたAIの概念であり、自らタスクを実行し、新しい知識を学習・適応することで、人間の知能を発揮することができる。AGIは、”機械は考えることができるのか？”という問いに対する答えである。しかし、AGIはまだ実現可能ではなく、ありえない話ではないにせよ、現在のところ近い将来に達成できるものではない。
機械学習とは？
1959年にアーサー・サミュエルによって造語された機械学習（ML）は、AIとコンピュータサイエンスの一分野であり、人間が学習する方法をシミュレートするためにデータとアルゴリズムを使用することに焦点を当てている。
MLモデルが機能するためには、「学習」して正しいパターンを見つけ、予測を行うために、答えがわかっているパラメータデータを与える。最終的には、MLモデルは未知のデータでも正確に予測できるようになる。MLの最も重要な部分は、MLモデルが適切に動作し学習するためには、データが信頼でき適切でなければならないということです。
MLには2種類の学習がある：
- 教師あり機械学習：SMLでは、アルゴリズムはラベル付けされたデータを使って学習される。SMLはより簡単で正確だが、MLモデルにデータを与える前にラベル付けする必要があるため、人間の介入が頻繁に必要となる。
- 教師なし機械学習：SMLとは逆に、UMLは機械学習アルゴリズムを使って、ラベル付けされていないデータセットをクラスタリングし、分析する。これにより、MLモデルが独自に動作し、未知のパターンや情報を発見することができる。SMLほど正確ではないにせよ、UMLはより広範なデータをリアルタイムで扱うことができる。
ディープラーニングとは？
ディープラーニング（DL）はMLのサブセットで、表現学習法を用いた人工ニューラルネットワーク（ANN）で完全に動作する。ディープラーニングは、ニューラルネットワークを何層にも重ねることで、コンピューターに例によって学習することを教える。ディープラーニングは、自動運転車を支える中核技術であり、物体を認識し区別することを可能にする。
ディープラーニングはニューラルネットワークなしでは機能しない。ニューラルネットワークは、人間の脳の働きと同じように機能するように設計されている。ニューラル・ネットワークは、人間の脳がどのように動作するかと同じように、膨大なデータ間の関係を分析・認識する一連のアルゴリズムで構成されている。ニューラルネットワークという名称は、人間の脳と、生物学的ニューロンがどのように操作し、互いにシグナルを送ることでコミュニケーションをとるかにヒントを得ている。
DLモデルには構造化データと非構造化データの両方が使用されるが、大量の特徴を処理できることから、非構造化データの処理にはDLが優位である。DLは3層以上のニューラルネットワークで構成される。各レイヤーは、前のレイヤーの出力に基づき、特徴量の異なるセットでトレーニングされる。これらのニューラルネットワークは、大量のデータから学習する人間の脳の動作をシミュレートするために、DLモデルを訓練する。
人工知能と機械学習とディープラーニングの違い
しかし、結局のところ、AI、ML、DLの違いは何なのだろうか？この3つの関係を簡単に説明すると、MLはAIのサブセットであり、DLはMLのサブセットである。しかし、ある特定の状況に対して適切な用語を使いたいのであれば、この3つを明確に区別するいくつかの特徴がある。
| 人工知能 | 機械学習 | ディープラーニング |
|---|---|---|
| アルゴリズムによって人間の行動を模倣する機械を作ることに焦点を当てた研究分野。 | 統計的な手法を用いて、機械が学習し、経験とともに改善することを可能にする研究分野。 | 人間の脳を模倣するためにニューラルネットワーク（人間の脳の神経細胞に似ている）を利用する研究分野。 |
| AIはMLとAIの総称である。 | MLはAIのサブセットである。 | DLはMLの部分集合である。 |
| AIの目標は、コンピューターや機械が知的に働くことだ。 | MLの目標は、明示的にプログラムされなくても学習できる能力をコンピューターに与えることだ。 | DLの目標は、人間の脳を模倣してデータをクラスター化し、予測を立てることだ。 |
| AIの核心は知的行動であり、正確さではない。MLとDLの両方のより広いセグメントである。 | DLに比べて扱うデータ量が少ないため、効率と精度が劣る。 | 広範で大規模なデータセットに対応。最高の精度を提供。 |
まとめ
結論から言うと、人工知能（AI）、機械学習（ML）、ディープラーニング（DL）は通常、同じ意味で使われることが多く、混乱を招くことがある。しかし、簡単に言えば、AIはコンピュータや機械に人間の知能を開発する研究分野の包括的な用語であり、MLは経験から学習し、人間の介入なしに自己改善できる機械の構築を目指し、DLは大量のデータとニューラルネットワークのレイヤーに依存して自己訓練し、より高い精度で情報に基づいた判断を下す。
何を目的とするかにもよるが、各分野の違いを十分に理解した上で適切なテクノロジーを選択すれば、ITプロジェクトを加速させ、より良い結果を得ることができるだろう。
Topics: 人工知能とデータサイエンス
