AI、機械学習、ディープラーニングの違いを徹底解説

人工知能（AI）、機械学習（ML）、ディープラーニング（DL）という用語は今日非常に一般的になりました。特にビッグデータ、分析、検索とインデックス作成を扱う際によく混同されます。これら3つの用語は密接に関連していますが、同じものではありません。

今回は、AI、ML、DLが実際に何であるか、そしてそれらが互いにどのように異なるかを説明します。心配しないでください。複雑な科学用語は使わず、短く、できるだけシンプルに説明します。

人工知能（AI）

AIは、1956年にジョン・マッカーシーによって初めて用語が作られたコンピュータ科学の一分野です。コンピュータは通常、私たちが命令したタスクを実行します。しかし、AIは人間のように知的に考え、自ら実行できる機械やソフトウェアを構築する方法です。これには、言語の理解、音声と視覚の認識、学習、計画、問題解決などが含まれます。

例えば、従来のプログラムは特定の質問にしか答えられませんが、AIプログラムは一般的な質問に答えることができます。

AIには4つのタイプがあります。

1. 完全反応型： 基本タイプで、結論を導き出せません。例：GoogleのAlphaGo、IBMのDeepBlue
2. 限定記憶型： 適切な意思決定と行動が可能です。例：チャットボット、自動運転車
3. 心の理論型： 思考や感情を理解し、社会的に相互作用できます。 — まだ構築されていません*
4. 自己認識型： 自己についての表現を形成し、自己状態を認識し、他者の感情を予測できます。 — まだ構築されていません*

*第3と第4のタイプのマシンは実際には存在しませんが、SF映画で描写されています。例えば、スター・ウォーズのR2D2（タイプ3）やエクス・マキナのエヴァ（タイプ4）などです。

機械学習（ML）

MLはAIのサブセットで、システムに明示的にプログラミングされることなく、経験から学習、行動、改善する能力を与えます。特定のタスクを達成するために具体的な指示を含むすべてのメソッドを明示的に記述する代わりに、MLはプログラムを訓練して過去の経験から学習させる技術です。ここでの訓練とは、大量のデータをプログラムに供給し、プログラムが自己設定して改善することを許可することを指します。

例えば、数千枚の猫の画像をMLアルゴリズムに提供すると、猫の見た目（高さ、色、顔の形など）を認識し始めます。最終的に、画像内の猫を自動的に識別してタグ付けできるようになります。精度が十分に高くなると、アルゴリズムは猫の見た目を正確に判断できるようになります。

機械学習の種類：

1. 教師あり学習： 定義された出力を持つデータを通じて機械に明示的に学習させます。
2. 教師なし学習： 機械がデータ（パターン/構造）を理解し、データセットから推論を導き出します。
3. 強化学習： AIへのアプローチで、正と負の強化から学習し、ポジティブな結果に報酬を与えます。

ディープラーニング（DL）

ディープラーニングは、人間の脳の構造と機能、または多数のニューロンの相互接続に着想を得たアルゴリズムを扱う機械学習のサブフィールドです。これらのアルゴリズムは人工ニューラルネットワーク（ANN）と呼ばれ、脳の生物学的構造を模倣します。

ニューロンは離散的な層を持ち、他のニューロンと接続しています。これらの層を、関連する概念や意思決定ツリーのネストされた階層として視覚化できます。各層は特定の特徴を学習するか、特定の経路をたどることができます。複数の層によって深さが構築されます。ネットワークが持つ層が多いほど、より深く/複雑になります。

十分に訓練するためには、ディープラーニングネットワークには大量のアイテムが必要です。アイテムを定義する各エッジのコードを書く代わりに、システムは数百万のデータポイントへの曝露から学習します。

Google Brainは、1000万枚以上の画像サンプルを取得した後に猫を認識するディープラーニングの完璧な例です。これらのネットワークは、アイテムを定義する特定の基準でコーディングする必要はなく、大量のサンプルに曝露されることでエッジを識別できます。

2017年10月、Google Brain責任者のJeff Dean氏はVB Summit、バークレーで次のように述べました。

「今日、ディープラーニングで開発された画像認識システムは人間より優れています。これは猫の認識から、MRIスキャンでの血液がんや腫瘍の指標の特定まで幅広く及びます。」

Google AlphaGoは、チェスよりはるかに複雑な囲碁で訓練され、自分自身と何度も対戦することでニューラルネットワークを向上させました。2016年3月、プロの人間囲碁プレイヤーを破った最初のコンピュータプログラムとなりました。

関連記事: レーティングに基づくベストチェスエンジン18選

AI、ML、DLの関係性を視覚化する

Image credit: Nvidia

AI、ML、DLの関係を考える最もシンプルな方法は、同心円として視覚化することです。人工知能が最初にあり、次に機械学習、そして現在のAI爆発を牽引しているディープラーニングが最も内側にあります。

低迷からブームへ

人工知能は1956年以来、人間の想像力の一部であり、研究室で熟成されてきました。2012年以来の7年間で、テキスト理解、信号処理、音声・画像認識（困難な仕事）など、多数の主要なAI問題において、先行する25年間よりも多くの進歩を遂げました。

過去数年間でAIが爆発的に普及した主な理由は、並列処理をさらに高速かつ安価にするGPUの広範な利用可能性です。また、実質的に無限のストレージとビッグデータムーブメント（テキスト、画像、取引、何でも）とも関係があります。

今日、すべてのテック大手がAIプロジェクトに多額の投資を行っており、数十億人の人々がウェブ検索エンジン、ソーシャルメディア、Eコマースプラットフォームを通じて毎日AIソフトウェアと対話しています。そして、私たちが最も頻繁に対話するAIのタイプ（または唯一のタイプと言える）は機械学習です。Statistaによると、世界のAI市場収益は2025年までに59兆ドルを超えると予測されています。

関連記事: 量子コンピュータに関する18の最も興味深い事実

ディープラーニングのおかげでAIは未来へ

ディープラーニングは、あらゆる種類の機械支援が可能に見えるようにタスクを分解することで、機械学習のいくつかの実用的な応用を可能にしました。より良い商品レコメンデーションとストーリー提案、より良い予防医療、自動運転車 — 今日、これらすべてが可能になっています。ディープラーニングの助けを借りて、AIは人間が長年想像してきたSF的な状態に到達するかもしれません。