AI(人工知能)は、新しい学習方法によってビジネスや社会環境を大きく変える技術として注目されるようになりました。その新しい学習方法が、「機械学習」であり「ディープラーニング」です。ディープラーニングとは、一体どのような学習方法なのでしょうか。今回は、AIへの学習方法であるディープラーニングについて解説していきます。ディープラーニングを応用したAIの活用事例も紹介します。今後AIを活用したビジネスを展開しようと考えている方は、ぜひ参考にしてください。

ディープラーニング(深層学習)とは

ディープラーニングとは、「教師あり学習」に分類される機械学習の一つの方法です。この方法が開発されたことによって、AIの認識制度は大きく進歩しました。ディープラーニングは、大量のデータを学習して自動的に特徴量を測定する技術です。特に画像認識や音声認識などに応用されています。例えば画像認識では、動物の種類をデータを基にして特徴量を自動的に定義します。特徴量が定義されると、新しい画像データが入力された際にも正しい判定をおこなうことができます。

ディープラーニングの仕組み

ディープラーニングは、ニューラルネットワークと呼ばれている人間の脳の神経回路を模倣した数式モデルで学習します。多層構造をしているニューラルネットワークに大量のデータを入力していくと、自動的に学習していく仕組みです。ニューラルネットワーク内の「中間層(隠れ層)」が何層もできたことにより、従来の学習方法よりも複雑なデータも処理ができるようになりました。

ニューラルネットワーク

特徴量を自動で学習する仕組みを担っているのが、ニューラルネットワークです。ニューラルネットワークは、「入力層」「中間層(隠れ層)」「出力層」によって成り立っています。人間の脳神経回路を模倣したニューラルネットワークを多層的にすることによって、複雑な関数を近似させます。

データセットとは

データセットとは、機械学習やディープラーニングをおこなう際に必要となる大量のデータ標本です。ディープラーニングを普及させる要因となったのは、「データの収集」です。ディープラーニングが登場する以前は、インターネットの普及もしておらず、GPUなどのハードウェアの性能も高くありませんでした。インターネットの普及やハードウェアの性能が向上したことによって、データの収集が容易になりました。インターネット上には、数多くの種類のデータセットが用意されています。画像認識に使用されている「ILSVRC2012」や「MINIST」のように手書きの数字の画像データセットがあり、手書きの数字をAIが学習するのに役立てられています。

ディープラーニングの種類

ディープラーニングは、用途によって種類が異なります。画像認識をおこなうディープラーニングもありますし、音声や自然言語などのデータを扱う事を得意とする種類もあります。ディープラーニングの主な種類は以下の通りです。

それぞれの種類について詳しく解説します。

DNN（ディープニューラルネットワーク）

DNN（ディープニューラルネットワーク）は、ディープラーニングの学習方法の一つです。ニューラルネットワークは、「入力層」「隠れ層(中間層)」「出力層」の三層構造からなります。DNNでは、「隠れ層(中間層)」が多層構造になっていて、複雑なデータや情報への対応も可能にしています。この多層構造の隠れ層によって、画像認識などの精度が向上しました。

CNN（畳み込みニューラルネットワーク）

CNN（畳み込みニューラルネットワーク）は、順伝播型ネットワークの一種です。CNNの構造は、畳み込み層とプーリングによって構成されています。はじめに入力層があり、畳み込み層とプーリング層が隣接して並び、最後は出力層という配列です。入力層近くで画像の局所的な特徴を抽出し、出力層に近づくにつれて画像の全体的な特徴を抽出していきます。CNNは、画像認識に応用されています。

RNN（再帰型ニューラルネットワーク）

RNN（再帰型ニューラルネットワーク）は、内部に再帰構造を持っているニューラルネットワークです。RNNは、この構造によって、情報を一時的に記憶できるように設計されています。そのため理論上は、過去のすべての入力データを扱うことができます。RNNは、音声認識や自然言語処理に利用されています。

LSTM（長・短期記憶）

RNN（再帰型ニューラルネットワーク）には、内部に再帰構造をもっているために勾配消失問題が起こりやすい特徴がありました。ニューラルネットワークの勾配が0になってしまうと、学習をすることができなくなってしまいます。この問題を解決したのがLSTMです。LSTMは、RNNの中間層ユニットを「メモリ・セル」「入力ゲート」「忘却ゲート」の3つのゲートに置き換えて、データの勾配消失が起こらないように学習できます。

オートエンコーダ

ディープラーニングは、白黒写真をカラー写真に加工したり、簡単なイラストを複雑なイラストへと変換することも可能です。オートエンコーダは、入力したデータをそのまま出力するように構成されているニューラルネットワークです。隠れ層にある潜在変数を操作すれば、入力して学習したデータに似た異なるデータを生成することができます。

GAN（敵対的生成ネットワーク）

ディープラーニングでは、有名な画家が描いた作品を本物と同じようなレプリカを製造することも可能です。GAN（敵対的生成ネットワーク）は、本物と同じレプリカを作成しようとするジェネレーターと、生成されたレプリカを本物なのかどうか識別するディスクリミネーターを用意しています。お互いを敵対的に競争させることによって、本物とも見分けがつかないレプリカを生成することができるように学習していきます。

ディープラーニングの活用例

ここまでは、ディープラーニングの仕組みや種類を解説してきました。それでは、ディープラーニングは、実際にどのような分野で活用されているのでしょうか。ここからは、ディープラーニングが実際に活用されている事例を紹介していきます。

自動運転技術上の向上

自動車の自動運転技術にディープラーニングへの搭載が進んでいます。自動車に取り付けられたカメラから得た画像データを素早く認識することで、障害物からの回避や守らなければいけない道路標識を読み取ります。すでに数秒間の自動運転は実装されていて、技術の進歩と法的な整備が進めば近い将来実現します。

工場での製品生産過程での不良品検知

製品を生産する工場でも、ディープラーニングの技術は活用されています。工場では、膨大な量の製品を生産しているため、人間によって一つひとつの製品がきちんとミスなく生産されているか確認するには限界があります。ディープラーニングで完成品と不良品の知っ街を学習させたAIを搭載したカメラを工場に設置して、不良品チェックをおこなうことでチェック漏れを無くし作業も迅速化させています。さらに、不良品の傾向をデータ化して学習させることで、作業工程のどこに問題があるか導き出すことも可能です。

農業の効率的な育成と収穫

農業では、作物の効率的な育成と収穫をおこなうためにディープラーニングが活用されています。これまで、作物の育成や収穫のタイミングは、農業を営む人間の経験や勘に依存する部分が大半でした。しかし、ディープラーニングを活用し気候や収穫時期、画像認識による作物の熟れ具合を学習させることで、人間の経験や勘だけに頼る農業が変化しました。気温や気候の変化のデータを学習することで、適切な量の肥料や農薬の量をAIが提案します。また、画像認識により、作物を収穫するタイミングも知らせてくれるようになりました。

証券取引のタイミングを提案させる

証券取引所でも、ディープラーニングは活用されています。株価の変動はトレーダーの経験や勘、予測による取引が主流でした。しかし、膨大な量の取引情報を人間個人が記憶して、分析し予測していくのは不可能です。ディープラーニングを活用することで膨大な量の過去のデータから株価の変動を予測して、取引に有効な予測をおこなってくれます。データの量が増えれば増えるほど、予測の精度が向上していきますので証券取引のタイミングを逃すことがなくなります。

サイバーセキュリティ分野でリスクを軽減

サイバーセキュリティ分野でも異常検知するディープラーニングが活躍しています。サーバーセキュリティは技術が向上していますが、リスクとなるハッカーやウイルスの技術も向上し、手口も多様化しているのが現実です。AIは、これまでのデータを学習してウイルスを撃退する能力を持っています。さらに、過去のデータを参考にすることで、未知のウイルスやサイバー攻撃への予測もします。ディープラーニングによるサイバーセキュリティは、データを守るためには搭載必須になります。

まとめ

AIを作る技術の一つであるディープラーニングは、今後の発展にも注目していくべきです。AIにディープラーニングをさせるには、専門的な技術者だけではなく初心者でも可能です。しかし、ディープラーニングを活用するためには、大量のデータは必須です。例えば、大量のデータはWeb上にすでにあるものの、その中から最適なデータだけを抽出するのは人間の手では難しいのが現実です。Web上にある大量のデータは、スクレイピングを活用すれば容易に手に入れられます。PigDataでは、スクレイピングを活用して要望に合ったデータを大量に提供できます。データを必要とする方は、PigDataにお任せください。