機械学習とディープラーニングの違いは何ですか?

人工知能は今やどこにでもありますが、この影響力のある新技術の仕組みの基本はわかりにくいものです。AI 開発における最も重要な 2 つの分野は、「機械学習」とそのサブ分野である「ディープラーニング」です。ここでは、これら 2 つの重要な分野がどのようなものか、また、これらが自動化の進化にどのように貢献しているかについて簡単に説明します。

まず、AIとは何でしょうか?

AIが実際は何なのかを思い出す価値がある。人工知能の支持者は、いつか自分で「考える」ことができる機械を作りたいと言っている。人間の脳は素晴らしい道具であり、現在存在するどの機械の能力をもはるかに超える計算を行うことができる。AI開発に携わるソフトウェアエンジニアは、最終的には人間が知的にできることはすべてできるだけでなく、それを超えることもできる機械を作りたいと願っている。現在、ビジネスや政府におけるAIの応用は、Spotifyで次の曲を提案したり、先週Amazonで購入した商品に似た商品を売りつけようとするような予測アルゴリズムが大部分を占めている。しかし、AIの伝道師たちは、この技術が最終的にははるかに複雑な推論や決定をできるようになると信じている。ここでMLとDLが登場する。

機械学習の説明

機械学習（ML）は、人工知能の幅広いカテゴリであり、ソフトウェア プログラムに予測や「決定」を行う方法を「教える」プロセスを指します。IBM のエンジニアの 1 人である Jeff Crume 氏は、機械学習を「非常に洗練された形式の統計分析」と説明しています。Crume 氏によると、この分析により、機械は「データに基づいて予測や決定」を行うことができます。「システムに入力される情報が増えるほど、より正確な予測が可能になります」と彼は言います。

非常に特殊なタスクを完了するように機械を設計する一般的なプログラミングとは異なり、機械学習は、データ内のパターンを自ら識別するアルゴリズムをトレーニングすることを中心に展開します。前述のように、機械学習には多種多様なアクティビティが含まれます。

ディープラーニングの説明

ディープラーニングは機械学習です。これは前述の機械学習のサブカテゴリの 1 つで、他の形式の ML と同様に、AI に「考える」ことを教えることに重点を置いています。他の形式の機械学習とは異なり、ディープラーニングではアルゴリズムに作業の多くを実行させようとします。ディープラーニングは、人工ニューラル ネットワーク (ANN) と呼ばれる数学モデルによって実現されます。これらのネットワークは、意思決定やパターン識別など、人間の脳内で自然に発生するプロセスをエミュレートしようとします。

MLとDLの主な違い

ディープラーニングと他の形式の機械学習の最大の違いの 1 つは、機械に提供される「監督」のレベルです。それほど複雑ではない形式の ML では、コンピューターはおそらく教師あり学習(ラベル付けされた構造化データ内のパターンを機械が認識できるように人間が支援し、予測分析を実行する能力を向上させるプロセス) に従事します。

機械学習は膨大な量の「トレーニング データ」に依存しています。このようなデータは多くの場合、データ ラベリングを通じて人間によってまとめられます (これらの人間の多くはあまり高給ではありません)。このプロセスを通じてトレーニング データセットが構築され、これを AI アルゴリズムに取り込んでパターンを識別するように教えることができます。たとえば、ある企業が写真に写っている特定のブランドの車を認識する アルゴリズムをトレーニングする場合、人間のスタッフが手作業でラベル付けしたその車種の写真の膨大な断片をアルゴリズムに入力します。トレーニングが完了したら、機械の予測能力の精度を測定するための「テスト データセット」も作成されます。

一方、DL に関しては、機械は「教師なし学習」と呼ばれるプロセスを実行します。教師なし学習では、機械がニューラル ネットワークを使用して、いわゆる非構造化データまたは「生」データ(ラベル付けされていない、またはデータベースに整理されていないデータ) のパターンを識別します。企業は自動化されたアルゴリズムを使用して、整理されていない大量のデータをふるいにかけることで、大量の人的労力を回避できます。

ニューラルネットワークの仕組み

ANN は「ノード」と呼ばれるもので構成されています。MITによると、1 つの ANN には「数千、あるいは数百万」のノードが含まれることがあります。これらのノードは少し複雑ですが、簡単に説明すると、人間の脳のノードのように、情報を中継して処理します。ニューラル ネットワークでは、ノードは「レイヤー」と呼ばれる整理された形式で配置されます。したがって、「ディープ」 ラーニング ネットワークには複数のレイヤーのノードが含まれます。情報はネットワーク内を移動し、さまざまな環境と相互作用します。これは、人間のプロンプトを受けたときの機械の意思決定プロセスに貢献します。

ANN のもう 1 つの重要な概念は「重み」です。あるコメンテーターはこれを人間の脳のシナプスに例えています。重みは単なる数値ですが、AI のニューラル ネットワーク全体に分散され、AI システムの最終的な出力の最終的な結果を決定するのに役立ちます。重みは、ニューラル ネットワークを調整して決定を下すのに役立つ情報入力です。MIT のニューラル ネットワークに関する詳細な調査では、次のように説明されています。

ノードは、各入力接続に「重み」と呼ばれる数値を割り当てます。ネットワークがアクティブな場合、ノードは各接続で異なるデータ項目 (異なる数値) を受信し、関連付けられた重みで乗算します。次に、結果の積を合計して 1 つの数値を生成します。その数値がしきい値を下回る場合、ノードは次のレイヤーにデータを渡しません。数値がしきい値を超えると、ノードは「発火」します。これは、今日のニューラル ネットでは通常、その数値 (重み付けされた入力の合計) をすべての出力接続に送信することを意味します。

簡単に言うと、ニューラル ネットワークは、入力されたデータについてアルゴリズムが独自の結論を導き出すのを支援するように構成されています。プログラミングに基づいて、アルゴリズムは大量のデータから有用なつながりを特定し、その分析に基づいて人間が独自の結論を導き出すのを支援します。

AI 開発にとって機械学習が重要なのはなぜですか?

マシンとディープラーニングは、これまでは人間だけが行っていた予測や解釈の活動を実行できるようにマシンをトレーニングするのに役立ちます。これには多くの利点がありますが、明らかな欠点は、これらのマシンが、政府や民間の監視システム、軍事および防衛活動の継続的な自動化など、役立つだけでなく悪意のある目的に使用される可能性があることです（そして、正直に言うと、そうなるでしょう）。しかし、それらはまた、明らかに消費者の提案やコーディング、そして最高の場合は医療および健康研究に役立ちます。他のツールと同様に、人工知能が世界に良い影響を与えるか悪い影響を与えるかは、誰がそれを使用するかに大きく依存します。