ディープラーニング（深層学習）とは？仕組み・手法・応用例を紹介

ディープラーニングという言葉がニュースなどで聞かれるようになってきました。ディープラーニングがどんなものなのか事例を交えて、紹介していきたいと思います。

知識・情報

2019/09/27 UP

ディープラーニングという言葉がニュースなどで聞かれるようになってきました。言葉が増えてきている一方で、意味やどんな状況で使うのかなどが、知らないという方もいらっしゃるかもしれません。今回は、ディープラーニングがどんなものなのか事例を交えて、紹介していきたいと思います。

ディープラーニングとは

ディープラーニングは、深層学習とも言われ、より深い機械学習のことを指します。人工知能が人間の手を必要とせず、自分で考えて答えを出せるようにしていくものです。

ディープラーニング（深層学習）

ディープラーニングは音声の認識や画像の特定、識別、予測など、人間が行うタスクをコンピューターに学習させる機械学習の手法の一つです。十分なデータ量を用意することで、機械が自動的にデータから特徴を抽出してくれるディープニューラルネットワーク（DNN）を用いた機械学習で、今脚光を浴びています。DNNとは、人間や動物の脳神経回路をモデルにしたアルゴリズムを用い、パターン認識をするように設計されたニューラルネットワーク（NN）を、さらに多層構造化したものです。

人工知能（AI）・機械学習との違い

よく混同されますが、人工知能の学習と機械学習は異なります。人工知能は人間と同様の知能を実現させる取り組みのことで、「大量の知識データに対して、高度な推論を的確に行うことを目指したもの」と定義されており、非常に広義な範囲を持ちます。

一方で機械学習は人工知能として定義されている範囲に含まれるデータ処理の一種であり、さらにディープラーニングは機械学習と定義される中に含まれる要素です。

機械学習はデータから反復学習をして学習結果を法則化し、規則性や関係性を掴めますが、まずは人間がデータの特徴を定義することが必要になります。ディープラーニングでは、人間が定義を作っていた部分をコンピューターの判断に任せ、多くのデータから自動で特徴を抽出できるという違いがあります。

わかりやすくすると・・・

ディープラーニングをもっと噛み砕いて説明すると、機械学習やディープラーニングはたくさんのデータをもとに最適解を出す仕組みです。

例えば、信号は青なら進む、赤は止まるということを、小さいころに信号を見ながら教えられることで、信号という機械の存在を知り、色の意味を判断出来るようになります。

これと同じように、いろいろな信号の画像を読み込ませることで、信号の形、どこを見て青と判断するのかといった特徴を、理解させるのが機械学習です。

また、信号の画像とセットで、青信号や赤信号などのラベルをつけておくのが教師あり学習、ラベル無しで画像だけを渡して自動判断してもらうのが教師なし学習です。

なおディープラーニングは教師なし学習の一種で、類似度や規則性によって判断、その傾向を学習させていきます。

ディープラーニングが注目されている背景

近年、ディープラーニングが注目されている理由として、その精度の高さが挙げられます。特に画像認証などの分野においては、スピードも精度も人間を越えてきているのです。

こうした急激な進化の背景には、サーバーの処理能力向上があります。ディープラーニングの精度を上げるためには、データを大量処理する必要があり、今までのサーバーではそれができませんでした。

しかし、サーバーの性能がレベルアップしたことで、学習速度が向上。一部の分野では、人間を上回る能力を持つようになったのです。

ディープラーニングの仕組み

ここからは、ディープラーニングの仕組みと、もとになっているニュートラルネットワークについて解説していきます。

ディープラーニングとニューラルネットワーク

ディープラーニングのベースになるニューラルネットワークとは、人間の脳神経系のニューロンを数理モデル化したものを多重に組み合わせたものです。ニューラルネットワークは人間の脳のしくみから着想を得たもので、脳機能の特性をコンピューター上で表現するために設計されています。

このニューラルネットワークを使い、入力されたデータのパターンを判断、学習し、分類や識別していくためのパターン学習を行うのがディープラーニングです。施行される回数とデータの数が多いほど、パターン学習はより正確になり、識別精度が上がっていきます。

ディープラーニングはニューラルネットワークの中間層を深めたもの

ニューラルネットワークの中間層を、画像のように増やして複数列を作り、多層化することで、情報伝達と処理の増加、特徴量・汎用性・予測の精度を向上させたのがディープラーニングです。

上図のように猫の画像を入力すると、これまで蓄積された多くのデータをもとに、何の写真なのかを判断します。また、その特徴はニュートラルネットワーク自身が考えるため、人間による性質の入力を必要としません。

また、ディープラーニングは多層化によって何層もの隠れた層を持ちます。複雑な多重構造によって、より人間の脳に近いニューラルネットワークの構造を構築することが可能です。

ディープラーニングの代表的な手法

ディープラーニングには、大きく分けて3つの代表的な手法があります。どれも、よく使われるものなので、しっかりと理解しておきましょう。

CNN（畳み込みニューラルネットワーク）

最もよく使用されているネットワーク構造です。主に画像認識や動体検知に使用されています。

「畳み込み層」と「プーリング層」で構成され、畳み込み層は画像の局所的な特徴を抽出して際立たせ、プーリング層は局所的な特徴をまとめてフィルタリングし、分析します。これによって、画像の特徴を抽象化し、パターン学習を進めていきます。動画や音声の認識ができないというデメリットはありますが、画像認識と識別の速さがあり、幅広い分野で応用されています。

RNN（再帰型ニューラルネットワーク）

音声データのような可変長の時系列データをニューラルネットワークで扱うため、隠れ層の値を再び隠れ層に入力するというネットワーク構造を持ちます。時系列データの学習や、自然言語処理分野（機械翻訳、文章生成、音声認識など）で使われていますが、長い系列データを学習させると、勾配消失が発生し、上手く学習できない問題があるため、短時間のデータしか処理できませんでした。

LSTM法（Long Short Term Memory）

RNNのデメリットを解消した、長期の時系列データを学習することができるモデルです。1997年に提唱された古いモデルですが、RNNの欠点を解消し、自然言語分野での処理に活用されています。このモデルによって画像からのキャプション生成や自然なテキストの読み上げが可能になりました。また動画をリアルタイムで解析して字幕を追加するなど、今までは人が行っていた分野も自動化されました。

ディープラーニングの応用例・ビジネスモデル

ディープラーニングはいろいろな分野で応用され、ビジネス化されています。ここでは、ディープラーニングの具体的な活用例を紹介します。

自動運転

自動車の自動運転ではディープラーニングは運転にもっとも重要な認知のプロセスで利用されています。認知プロセスで利用される人工知能は、画像処理の分野で力を発揮しています。車載カメラによって周囲を認知し、障害物や走行レーンを識別することで、安全な自動運転を行っています。

IoT

物のITであるIoTは複数のモノを繋ぐ時、複数の情報を蓄積して次のアクションを予見することが大切です。ディープラーニングはこの情報の蓄積と分析で利用されています。

自動翻訳

自然言語分野で文脈などを読み取り判断して、より文脈に沿った単語を選択することで、人が翻訳したような自然な翻訳をする自動翻訳にも、LSTM法を用いたディープラーニングが活用されています。

医療研究

AIが過去に蓄積された診断画像や健康診断の数値、各種の論文やデータ報告などの医療データを解析することで、病気の早期発見と適切な治療を見つけ、提案します。また、人間では限界のある大量のデータの解析により、今まで見過ごされてきた様々な医療に役立つデータを提案できるようになりました。

在庫管理

顧客のデータをAIが解析し、パターンや傾向を見つけ出すことで、天候や季節、曜日などによって商品の購買傾向を導き出し、発注数を決定することで、在庫の無駄なく仕入れを行い廃棄の量を抑えることができます。今までは店員の経験則などから行われていた仕入れが、AIによって正しいデータで判断できるようになるのです。

サイバーセキュリティ

サーバーの平常状態を学習させておき、外部からサイバー攻撃を受けたとき、システムの状態を分析して平常状態と比較、なにが起きているのか判断してリアルタイムでの検知することが可能になります。24時間監視することができるため、今まではアラートによって人が対応していたものが、より早く対処できるようになりました。