「ニュースでよく見る『機械学習』と『ディープラーニング』。何が違うの?」
AIの話題では、この2つの言葉が当たり前のように並んで出てきます。なんとなく「AIの難しい技術」とひとまとめにしていても、違いを聞かれると答えに詰まる人は多いのではないでしょうか。
先に答えを言うと、ディープラーニングは、機械学習の中の一つの手法です。そして2つを分ける大きなポイントは、「何に着目すれば見分けられるか」を人が指示するのか、コンピューターが自分で作り出すのか、という点にあります。
この記事では、機械学習がどんな流れで「学ぶ」のかを身近な例でたどり、ディープラーニングが何を変えたのかを整理します。読み終えると、AI・機械学習・ディープラーニングの関係を自分の言葉で説明でき、「AI搭載」と書かれた製品を見たときに、どこを確かめればよいかが分かります。AIそのものの意味から知りたい方は、AI(人工知能)とは?意味・身近な例・生成AIとの違いを初心者向けに解説もあわせてどうぞ。
機械学習とは?
一言で言うと
機械学習は、データからパターンやルールを見つけ、それを新しいデータに当てはめて、見分けたり予測したりする方法です。
たとえば、大量のニンジンとジャガイモの写真をコンピューターに読み込ませると、両者を見分けるための手がかり(パターン)が見つかります。すると、ニンジンの写真を見せたときに、それがニンジンだと答えられるようになります。
スマートフォンの写真アプリで「猫」などと検索してみると、該当する写真が並んで出てくることがあります。身近なところでも、写真から見分ける仕組みが使われているのかもしれません。
人が見分け方を一つずつ書き込むのではなく、たくさんの例からコンピューターが見分け方を身につけていく。ここが「学習」と呼ばれる理由です。
AIとは、どういう関係?
機械学習は、AIを実現するための手法の一つです。AIの中には、機械学習を使わないものもあります。その例の一つが、「エキスパートシステム」です。
エキスパートシステムは、特定の分野で、専門家のように判断ができるコンピューターシステムです。1980年代から90年代の「第2次AIブーム」で登場しました。AIブームは、AIの研究が大きく盛り上がった時期のことで、これまでに第1次から第3次までのブームがありました。ただ、この時代のAIは、学習のためのデータを、人の手でコンピューターが理解できる形に書き込む必要があり、大変な労力がかかりました。
人が一つずつ書き込むか、データから見つけるか。この違いを押さえておくと、機械学習の位置づけが見えやすくなります。
機械学習は、どんな流れで学ぶの?
「学習」と「推論」の2段階
機械学習は、大きく2つの段階に分かれます。
1つ目は「学習」です。データを分析して、見分けたり予測したりするためのパターンを見つけ出します。こうしてできたものは「学習済みモデル」と呼ばれます。学んだパターンを、新しいデータに使える形にまとめた仕組み、と考えると分かりやすいでしょう。
2つ目は「推論」です。学習済みモデルに新しいデータを入れ、身につけたパターンに沿って、実際に見分けたり予測したりします。
先ほどの例でいえば、たくさんの写真から見分け方を身につけるのが「学習」、新しい写真を見てニンジンだと答えるのが「推論」です。練習問題で解き方を覚え、本番の問題を解く流れに近いと考えると、イメージしやすくなります。
学び方は、大きく3つ
「学習」の段階の学び方は、「教師あり学習」「教師なし学習」「強化学習」の3つに大きく分けられます。ここでいう「教師」は、データに付けた「正解」のことです。
教師あり学習:正解付きのデータで学ぶ
正解が付いたデータをたくさん見て学び、予測できるようになる方法です。たとえば、メールが迷惑メールかどうか、写真に猫が写っているかどうかを見分ける使い方や、住宅の価格を予測する使い方があります。
教師なし学習:正解を付けずに、似たもの同士をまとめる
正解を付けていないデータを使い、データの中の傾向を見つける方法です。たとえば、顧客をいくつかのグループに分ける使い方があります。
強化学習:試行錯誤して、うまくいったら「ほうび」をもらう
試しに行動し、よい結果に報酬(うまくいったことを示す点数のようなもの)を与えることを繰り返して学ぶ方法です。たとえば、二足歩行ロボットに、長い距離を歩けたときに報酬を与えることを繰り返すと、倒れずにスムーズに歩けるようになります。
ただし、これは代表的な分け方です。これらを組み合わせた方法もあります。また、この3つの学び方は、次に紹介するディープラーニングと組み合わせて使うこともできます。
ディープラーニングとは?
一言で言うと
ディープラーニング(深層学習)は、多数の層から成るニューラルネットワークを使って行う機械学習です。
ニューラルネットワークは、人間の脳の仕組みをコンピューターでまねる、という考え方から生まれた技術です。ざっくり言えば、受け取ったデータに計算を加えて次の段へ渡す、という「段」をいくつも重ねた仕組みで、この段を「層」と呼びます。層を何段にも深く重ねていることから、「ディープ(深い)」ラーニングと呼ばれます。
何が新しいの?「どこに着目するか」を自分で作り出す
再びニンジンとジャガイモの例で考えます。
ディープラーニング以外の機械学習(ここでは「従来の機械学習」と呼びます)でも、データから見分け方を見つけるのはコンピューターです。ただ、ニンジンとジャガイモの例では、人があらかじめ「色に着目する」と指示を与えていました。そうすると、見分ける作業がうまく進みます。つまり、「どの色ならニンジンか」はコンピューターが見つけますが、「どこを見るか」は人が指示していた、ということです。この「何に着目するか」は、「特徴量」と呼ばれます。
ディープラーニングでは、「色に着目するとうまくいく」ということ自体も、コンピューターが学びます。この、特徴量を人が指示しなくても自ら作り出せる点が、大きなブレークスルー(行き詰まりを打ち破る進歩)とされています。
どんな場面で使われている?
ディープラーニングによって、画像認識(画像に何が写っているかを見分けること)や自然言語処理(人間の言葉をコンピューターで扱うこと)などができるようになりました。カメラの画像から人の顔を見分けたり、ロボットが自分で動くときの動き方をよりよくしたりと、活用が広がっています。
AI・機械学習・ディープラーニングの関係は?
大きい順に、入れ子になっている
3つの言葉は、次のような入れ子の関係です。
AI > 機械学習 > ディープラーニング
AIが最も広い言葉で、機械学習はAIを実現する手法の一つ、ディープラーニングは機械学習の手法の一つです。「ディープラーニングもAIの一つ」と言えますが、「AIはすべてディープラーニング」とは言えません。
従来の機械学習と、ディープラーニングを比べると
ここまでの内容を、表にまとめます。
| 比べる点 | 従来の機械学習 | ディープラーニング |
|---|---|---|
| 仕組み | データからパターンを見つける | 多数の層から成るニューラルネットワークで、データからパターンを見つける |
| 何に着目するか(特徴量) | 人が指示して、見分ける作業を助けることがある | 人が指示しなくても、データから自ら作り出す |
| ニンジンとジャガイモの例 | 「色に着目する」と人が教える | 「色に着目するとよい」こと自体も学ぶ |
生成AIとは、どうつながる?
ChatGPTのような生成AIも、機械学習の種類の一つとして扱われています。生成AIは、入力をもとにコンテンツを作り出すモデル(学習によって作られた、答えを出すもとになる仕組み)の一種です。最初は教師なし学習の方法で学び、そのあと、特定の作業に合わせて、教師あり学習や強化学習でさらに学ぶこともあります。
生成AIが文章を作る仕組みは、生成AIとは?ChatGPTなどの仕組みを初心者向けに解説で、身近な例を使って紹介しています。
ディープラーニングなら、何でもできる?
万能ではなく、分野ごとのデータが必要
答えは「いいえ」です。
ディープラーニングは画期的な技術ですが、単独で、あらゆる分野のどんな問題でも解決できる万能のAIを生み出せるわけではありません。実用化するには、特定の分野について、大量で、内容も適切なデータを使って学習させることが条件とされています。
判断の理由が、分かりにくいことがある
ディープラーニングでは、AIがどんな根拠で判断したのかを、人間が理解しにくいという点も指摘されています。コンピューターが自分で作り出した着目点は、人が決めたものではありません。そのため、着目点を自分で作り出す強みは、裏を返すとなぜその答えになったのかを人が追いにくい、ということでもあります。
データは「集めればよい」わけではない
データの量だけでなく、質も大切です。単にデータを集めるのではなく、「使えるデータ」を用意する必要があります。たとえば、ニンジンの写真の中にミカンが写り込んでいたら、取り除いておくといった下準備です。
仕事で使うときは、どう考える?
ここまでの内容を仕事に当てはめると、AIを「使う側」として押さえておきたい点が見えてきます。
「AI搭載」と聞いたら、何を学んだAIかを確かめる
機械学習は、学んだデータから見つけたパターンを、新しいデータに当てはめる仕組みでした。そうであれば、学んだデータと大きく違う場面では、期待どおりに働かない可能性があります。製品やサービスを選ぶときは、「AI搭載」という言葉だけでなく、何のデータで学び、何を見分けたり予測したりするAIなのかを確かめると、自分の仕事に合うかを判断しやすくなります。
理由の説明が必要な判断には、慎重に使う
ディープラーニングは、判断の根拠を人が理解しにくいことがあります。そのため、人の評価や審査、お客様への説明が必要な判断など、「なぜそうなったのか」を問われる場面では、AIの結果をそのまま結論にせず、参考の一つとして扱うほうが安心です。一方で、書類の仕分けや候補の洗い出しのように、結果を人が見て確かめられる作業は、AIに任せやすい場面といえます。
たとえば、AIが出した結果をそのまま会議資料に使い、「なぜこの結果になったの?」と聞かれたとします。根拠を説明できなければ、資料の説得力は下がってしまいます。説明が必要な場面では、AIの結果を参考にとどめ、根拠は自分で用意しておくと安心です。
「自社でもAIを」と言われたら、まずデータから考える
AIの出来は、学ばせるデータに左右されます。社内でAIを使う話が出たら、どんなデータが手元にあるか、正解付きのデータ(たとえば、過去の問い合わせと、その分類結果)を用意できるか、関係のないデータが混ざっていないかから考えると、話が具体的になります。
導入を検討するときの、3つの確認
- 何のデータで学び、何を見分けたり予測したりするAIか
- 間違えたときに、誰がどう気づき、直せるか
- 判断の理由を、説明する必要がある場面か
生成AIが事実と違う内容を、正しそうに答えてしまうこと(ハルシネーション)と、その確かめ方は、生成AIはなぜ間違える?ハルシネーションの意味と確認の仕方で紹介しています。
まとめ|機械学習とディープラーニングの違い
- 機械学習は、データからパターンを見つけ、新しいデータに当てはめて見分けたり予測したりする方法
- 「学習」で見分け方を身につけ、「推論」で実際に使う。学び方は、教師あり・教師なし・強化学習の3つが代表的
- ディープラーニングは、多数の層から成るニューラルネットワークを使う、機械学習の手法の一つ
- 大きな違いは、「何に着目するか(特徴量)」を、人が指示するか、自ら作り出すか
- 関係は、AI > 機械学習 > ディープラーニング の入れ子
- ディープラーニングも万能ではなく、適切なデータが必要で、判断の根拠が分かりにくいことがある
「機械学習」も「ディープラーニング」も、AIが「どうやって学ぶか」を表す言葉です。製品やニュースでこれらの言葉に出会ったら、何のデータから何を学んだAIなのかに目を向けると、その中身がぐっと見えやすくなります。

コメント