AI、機械学習対ディープラーニング、ニューラル・ネットワーク：その違いは？
これらのコンピューター・サイエンスの用語はしばしば同じ意味で使用されますが、どのような違いがそれぞれを独自のテクノロジーにしているのでしょうか。
テクノロジーは私たちの日常生活に刻々と浸透しています。消費者の期待のペースに追いつくために、企業は作業を容易にする機械学習アルゴリズムへの依存度を高めています。これはソーシャル・メディア（写真内の物体認識による）やデバイスとの直接会話（AlexaやSiriなど）に用いられています。
人工知能(AI)、機械学習(ML)、ディープラーニング、ニューラル・ネットワークは関連する技術ですが、これらの用語は互換的に使用されることが多く、その違いについて混乱が生じることがよくあります。このブログ記事では、あいまいさの一部を明確にします。
人工知能、機械学習、ディープラーニング、ニューラル・ネットワークについて簡単に言うと、一連のAIシステムであり、今挙げた順に規模が大きい方からだんだん小さくなり、それぞれが次のシステムを包含しています。
AIは包括的なシステムです。機械学習は、AIのサブセットです。ディープラーニングは機械学習のサブフィールドであり、ニューラル・ネットワークはディープラーニング・アルゴリズムのバックボーンを構成するものです。単一のニューラル・ネットワークと、3つ以上のノード層を必要とするディープラーニング・アルゴリズムを区別するのは、ニューラル・ネットワークのノード層の数、つまり深さです。
3 つの中で最も広義の用語である人工知能 (AI) は、問題解決や学習などの人間の知能や認知機能を模倣する機械を分類するために使用されます。AIは予測と自動化を使用して、顔認識や音声認識、意思決定、翻訳など、これまで人間が行ってきた複雑なタスクを最適化し、解決します。
AIのカテゴリ
AIには主に次の3つのカテゴリーがあります。
- 狭い人工知能（ANI）
- 汎用人工知能（AGI）
- 人工超知能（ASI）
ANIは「弱い」AIと考えられていますが、他の2つのタイプは「強い」AIに分類されます。弱い AI とは、チェスに勝つことや、一連の写真の中から特定の人物を識別することといった特定のタスクを完了する能力によって定義するものです。企業がタスクを自動化し、Siri や Alexa などのチャットボットやバーチャル・アシスタントを支えることを可能にする自然言語処理とコンピューター・ビジョンは、ANI の例です。コンピューター・ビジョンは、自動運転車の開発の要因です。
AGIやASIのようなより強力な形式のAIでは、口調や感情を解釈する能力など、人間の行動がより顕著に組み込まれています。強力な AI は、人間と比較した能力によって定義されます。AGIは他の人間と同等の性能を発揮しますが、超知能としても知られるASIは人間の知能と能力を超えています。どちらの形式の強い AIもまだ存在しませんが、この分野での研究は継続中です。
ビジネスのためのAIを利用する
世界中で約35%の企業が AI を使用し、さらに 42% の企業がこの技術を検討しています。大量のラベルなしデータでトレーニングする強力な基礎モデルを使用する生成 AIの開発は、新しいユースケースに適応でき、柔軟性と拡張性をもたらし、AI の導入を大幅に加速させる可能性があります。IBMは、初期のテストでは、生成AIが従来型AIよりも価値実現までの時間を最大70％短縮するのを目の当たりにしています。
MLまたは基盤モデルにのどちらに基づいたAIアプリケーションを使用するかに関係なく、AIはビジネスに競争上の優位性をもたらすことができます。カスタマイズしたAIモデルをワークフローやシステムに統合し、カスタマー・サービスやサプライチェーン・マネジメント、サイバーセキュリティーなどの機能を自動化することで、現在そして将来的に高まる顧客の期待に、企業が応えることができます。
重要なのは、最初から適切なデータセットを特定し、高品質のデータを使用して最も大きな競争上の優位性を達成することです。また、メインフレーム、データセンター、プライベートクラウドやパブリッククラウド、エッジなど、データが存在する場所を問わず、データを効果的に利用できるハイブリッドなAI対応アーキテクチャーを構築する必要もあります。
AIは信頼されなければなりません。なぜなら、少しでも欠点があれば企業の評判を傷つけるリスクがあり、規制上の罰金を科せられることになるからです。誤解を招くモデルや、偏見や幻想を含むモデルは、顧客のプライバシー、データの権利、信頼に大きな損害を与える可能性があります。AI は説明可能で、公正で透明性がなければなりません。
機械学習は、最適化を可能にするAIのサブセットです。正しく設定すると、単なる推測から生じるエラーを最小限に抑える予測を行うことができます。例えば、Amazonなどの企業は、機械学習を使用して、過去に見て購入した内容に基づいて特定の顧客に製品を推薦しています。
従来の「非深層」機械学習は、コンピューター・システムがパターンを特定し、学習し、特定のタスクを実行し、正確な成果を得るために人間の介入に依存しています。人間の専門家は、データ入力間の違いを理解するために特徴の階層を決定します。通常、学習にはより構造化されたデータが必要です。
たとえば、「ピザ」、「ハンバーガー」、「タコス」といったさまざまな種類のファーストフードの画像をいくつか見せたとします。これらの画像を処理する場合、人間の専門家は、各写真が特定のファーストフードの種類であることを示す特徴を判別します。それぞれの食品の種類に含まれるパンが、特徴を分ける要素になるかもしれません。あるいは、「ピザ」、「ハンバーガー」、「タコス」などのラベルを使用して、教師あり学習による学習プロセスを効率化することもできます。
深層機械学習と呼ばれるAIのサブセットは、ラベル付きデータセットを活用して教師あり学習のアルゴリズムに情報を提供できますが、必ずしもラベル付きデータセットを必要とするわけではありません。非構造化データを生の形式（テキスト、画像など）で取り込むことができ、「ピザ」、「ハンバーガー」、「タコス」を区別する主要な機能を自動的に特定できます。ビッグデータが増えるにつれて、データサイエンティストは機械学習を利用するようになりました。これらのアプローチの違いを詳しく知るには、「教教師あり学習と教師なし学習の違いとは」をご覧ください。
機械学習の3番目のカテゴリーは強化学習です。コンピューターは環境と対話し、その行動に対するフィードバック（報酬またはペナルティ）を得ることで学習します。また、オンライン学習は機械学習の一種であり、新しいデータが利用可能になるたびにデータサイエンティストがMLモデルを更新します。
機械学習の詳細については、次のビデオをご覧ください。
ディープラーニングに関する記事で説明されているように、ディープラーニングは機械学習のサブセットです。機械学習とディープラーニングの主な違いは、各アルゴリズムがどのように学習するか、および各種類のアルゴリズムが使用するデータの量にあります。
ディープラーニングは、主要な機能抽出プロセスの多くを自動化し、必要な手動介入の一部を排除します。また、大規模なデータセットの使用も可能となり、スケーラブルな機械学習という称号を得ています。非構造化データの使用をさらに検討する上で、この機能は非常に興味深いものです。特に、組織のデータの 80% 以上が非構造化データであると推定されているためです。
データ内のパターンを観察することで、ディープラーニング モデルが適切にクラスター化されたインプットを行うことができます。先ほどの同じ例を例に挙げると、ピザ、バーガー、タコスの写真を、画像内で特定された類似点や相違点に基づいて、それぞれのカテゴリーにグループ化できます。ディープラーニングモデルでは、精度を向上させるためにより多くのデータポイントが必要となりますが、機械学習モデルはその基盤となるデータ構造により、比較的少ないデータで機能します。企業は通常、バーチャル・アシスタントや不正アクセス検知など、より複雑なタスクにディープラーニングを使用します。
ニューラル・ネットワークsは、人工ニューラル・ネットワークまたはシミュレートされたニューラル・ネットワークとも呼ばれ、機械学習のサブセットであり、ディープラーニングのバックボーンです。脳内のニューロンが相互に信号をやり取りする様子を模倣しているため、「ニューラル」と呼ばれています。
ニューラル・ネットワークは、ノード層、インプット層、1つ以上の隠れ層、およびアウトプット層で構成されています。各ノードは、次のノードに接続する人工ニューロンであり、それぞれに重みとしきい値があります。ノードのアウトプットがしきい値を超えている場合、そのノードがアクティブ化され、そのデータがネットワークの次の層に送信されます。しきい値を下回っている場合、データは渡されません。
トレーニングデータはニューラル・ネットワークを教育し、時間の経過とともに精度を向上させるのに役立ちます。学習アルゴリズムが微調整されると、データの迅速な分類とクラスター化が可能になるため、強力なコンピューター・サイエンスおよびAIツールとなります。ニューラル・ネットワークを使用すると、音声認識や画像認識のタスクを数分で行うことができます。手作業で行う場合に何時間もかかるからです。Googleの検索アルゴリズムは、ニューラル・ネットワークのよく知られた例です。
上記のニューラル・ネットワークの説明で述べましたが、より明確に説明すると、ディープラーニングの「ディープ」とは、ニューラル・ネットワークにおける層の深さを指します。入力層と出力層を含む3層以上のニューラル・ネットワークは、ディープラーニング・アルゴリズムと考えることができます。これは、次の図で表すことができます。
ほとんどのディープ・ニューラル・ネットワークはフィードフォワードであり、これは入力から出力へと1方向のみに流れることを意味します。ただし、バックプロパゲーションを通じてモデルをトレーニングすることもできます。これは、出力から入力への反対方向の移動となります。バックプロパゲーションにより、各ニューロンに関連する誤差を計算し、属性化することができるため、アルゴリズムを適切に調整して適合させることが可能になります。
これらすべてのAIの分野は、ビジネスの合理化と顧客体験の向上に役立ちますが、AIの目標達成は困難な場合があります。まず、データを管理するための学習アルゴリズムを構築するための適切なシステムを確保する必要があるからです。データ管理は、単にビジネスで使用するモデルを構築するだけではありません。構築を開始する前に、データを保存する場所と、データをクリーニングしてバイアスを制御するためのメカニズムが必要です。
IBMでは、基盤モデル、生成AI、機械学習のための新しいスタジオであるIBM watsonx.aiで、機械学習とAIの力を組み合わせています。
Thinkニュースレターを購読する