【AI技術者初心者向け】AIを分類してみた：スーパーバイズド、半教師あり、教師なし

AIに関する話題が多すぎて混乱していませんか？本記事では、機械学習・深層学習・自然言語処理の関係と、教師あり・半教師あり・教師なしの学習設定を整理し、理解することができます。各タイプの機能や用途に関する面白い洞察が得られます。

AIの世界へのエキサイティングな旅への準備を始めましょう！

AIとは

人工知能（AI）は、コンピューターや機械が人間のように思考することができるテクノロジーの一種です。このテクノロジーには、機械学習、深層学習、自然言語処理といったサブセットがあります。これらは全て異なる手法で構成されていますが、同じ基本原則に基づいています。

機械学習は、トレーニングデータと例を提供することで、人間のようにコンピューターに「考える」ことを教えることを含む人工知能の一種です。機械学習モデルはデータから学習し、その知識を新しい状況に応用することができます。深層学習は、多層のニューラルネットワークを使う機械学習の一分野です。「高度な上位版」という順位ではなく、手法の違いとして捉えます。脳に着想を得た数理モデルですが、人間と同じ思考や理解を再現できることを意味しません。

自然言語処理は、コンピューター技術を使って、テキスト内のパターンを認識して人間の言語を理解することを重視しています。自然言語処理アルゴリズムは、機械翻訳、感情分析、音声認識などのアプリケーションで使用することができるように、人間の言語を読み取り、理解し、解釈し、生成するために利用されます。

人工知能は、多様な業界に革命をもたらす技術であり、人間の能力を超える速度や精度を持ったソリューションを提供します。複雑なアルゴリズムを使用して、大量のデータを処理することで、新しい革新的な解決策を迅速かつ正確に提供することができます。このことが、医療診断、サイバーセキュリティ対策、工業施設内の自動在庫管理など、幅広い分野での可能性を開いています。

機械学習とは

機械学習の考え方

機械学習は人工知能 (AI) のサブフィールドであり、データから学習するために使用されるアルゴリズムを研究し、時間の経過とともにモデルを適応させて更新する能力をコンピューターに与えます。これにより、マシンは大量のデータを分析し、重要なパターンを特定し、明示的にプログラムされていなくても予測を行うことができます。一般的なアプリケーションには、顔認識、画像内のオブジェクト認識、音声認識、機械翻訳、レコメンデーションシステムなどがあります。

教師あり・半教師あり・教師なしの違い

学習設定	使う情報	例
教師あり	入力と正解ラベル	ラベル付きメールによる迷惑メール分類
半教師あり	ラベル付きとラベルなしのデータ	一部だけ分類済みの文書を使う学習
教師なし	正解ラベルなしのデータ	類似した顧客のグループ分け

これは学習に使う情報の違いです。深層学習はモデルの手法、自然言語処理は言語を扱う分野なので、同じ軸で三択にしません。強化学習は行動に対する報酬を利用する別の設定です。出典：Googleの機械学習入門、scikit-learnの半教師あり学習。表の例は理解のために作成したもので、実施成果ではありません。

機械学習のアルゴリズム

機械学習の背後にある考え方は、事前にプログラムされた命令やルールに頼るのではなく、問題を解決したり意思決定を行うための証拠としてデータ入力を使用する機能を備えたアルゴリズムを作成することです。

機械学習で使用される一般的なアルゴリズムには、線形回帰や分類などの教師あり学習、クラスタリングや異常検出などの教師なし学習、より良い意思決定のために報酬システムを考慮した強化学習があります。

これらの方法はすべて、コンピュータービジョンや自然言語処理 (NLP) など、さまざまな分野で働く研究者によって常にテストされ、改善されています。

機械学習の最新動向

さらに、大規模なデータセットを処理できる強力なプロセッサの開発により、さらなる研究のブレークスルーが可能になりました。速度や精度に必ずしも追いつくことができないさまざまなソリューションを提供しています。

機械学習のアプリケーション

AI ソリューションは、大量のデータを継続的に処理する複雑なアルゴリズムに依存することで、革新的なソリューションを迅速かつ正確に提供できます。これにより、ヘルスケア診断、サイバーセキュリティ脅威検出システム、および産業施設内の自動在庫管理システムの可能性が開かれます。

ディープラーニング

ディープラーニングとは

ディープラーニングは機械学習のサブセットであり、アルゴリズムを使用して、データの入力と出力の間の高レベルの抽象化をモデル化します。ディープニューラルネットワークは、ノードまたはニューロンの層で構成され、各層は、行列の乗算や活性化関数などの非線形性などの数学的演算を通じて、数値の配列 (またはテンソル) の形式で情報を処理します。

ディープラーニングのアプリケーション

画像分類では、画像を数値として入力し、各層で重み・バイアスや活性化関数による変換を行い、最終的にクラスのスコアなどを出力します。各層が単に元のピクセルを選んで渡すという説明では不十分です。Googleのニューラルネットワーク解説で層と非線形変換の役割を確認できます。

「ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装」はディープラーニングの基礎をPythonで学ぶための優れたガイドです。理論から実装までを一通りカバーしており、理論的な背景を深く理解しながらスキルを実践的に磨けます。

もし、ディープラーニングを本格的に学び、実際にPythonで実装してみたいと思っているのなら、「ゼロから作るDeep Learning ―Pythonで学ぶディープラーニングの理論と実装」はお勧めの一冊です。

ざっくりと本のご紹介

この本ではディープラーニングの基本要素から、その実装まで学ぶことができます。パーセプトロンや活性化関数、誤差逆伝播法などの学習アルゴリズム、損失関数やパラメータ更新法などの学習に関するテクニックも網羅されています。さらに、計算グラフやレイヤといった概念を用いた実装方法、畳み込みニューラルネットワークや自然言語処理などの応用例、ディープラーニングが優れている理由や層を深くする効果など、ディープラーニングの"なぜ"についても深く掘り下げています。

ディープラーニングと機械学習の比較

深層学習では特徴の表現をデータから学習できる一方、目的設定、データの整備、モデル選択、評価などには人の設計・確認が必要です。従来の機械学習にも特徴を学習する手法があり、「機械学習は手作業、深層学習は人間の介入なし」という二分は正確ではありません。

特徴量エンジニアリングは、モデルに入力する特徴を作成・変換・選択する作業です。このような特徴選択は、モデルの訓練に有用な情報を提供し、高い精度を生み出すことを助けます。この作業は手作業によって行われることもありますが、自動的な手法もあります。

自然言語処理 (NLP) は、機械学習やディープラーニングなどの自然言語処理技術を使用してコンピューターが人間の言語を理解できるようにする人工知能の分野です。NLP を使用すると、企業は大量の非構造化テキストデータから洞察を得ることができます。テキスト分析と自動意思決定を組み合わせて、テキストからの知識の自動理解と抽出を可能にします。

自然言語処理

NLP 手法は、自動質問応答システム、テキスト分類、感情分析、言い換え、エンティティ認識、要約など、さまざまなアプリケーションに使用できます。これらのコアタスクに加えて、NLP は、セマンティック解析やインテントマッチングなどの高度なテクノロジを適用することにより、エンティティ間の複雑な関係を抽出するための強力なツールとして最近登場しました。

マシンは、Word2Vec や GloVe などの強力な NLP アルゴリズムを使用して、単語内のセマンティック情報をキャプチャできるため、言語のニュアンスをよりよく理解できるようになります。近年、NLP テクノロジーのアプリケーションは、対話システムや仮想アシスタントに統合することで、自然言語処理タスクを超えて拡張されています。音声またはテキスト入力データをリアルタイムで処理することにより、ユーザーの意図を推測し、旅行のアドバイスや金融のヒントなど、幅広いトピックについて意味のある回答を返すことができます。

AI アプリケーション

人工知能 (AI) は、機械やソフトウェアが、通常人間が高度な認知能力を必要とするタスクを実行できるようにするテクノロジです。AI アプリケーションは、ロボット工学、自然言語処理、カスタマーサービスの自動化、ヘルスケア、金融、製品レコメンデーションシステム、画像分析、コンピュータービジョンなど、さまざまな分野で使用されています。

機械学習 (ML) は、機械が明示的なプログラミングを必要とせずにデータから学習できるようにする AI のサブセットです。パターン認識技術を活用してデータを分析し、意思決定と予測を行います。ML は、画像内のオブジェクトの認識、メールのスパムまたは非スパムカテゴリへの分類、予測分析による顧客解約率の改善など、さまざまなタスクに使用できます。

ディープラーニング (DL) は ML のもう 1 つのサブセットであり、生物の脳に見られる複雑なニューロンシステムの後に作成された人工ニューラルネットワークまたはコンピューター化された構造を利用します。これらのネットワークは、目的関数を最適化してパターンを抽出し、それらに基づいて予測を行うことにより、教師あり学習のほか、ラベルなしデータを利用する学習設定にも使われます。DL は、顔認識や画像分類などに使われますが、従来手法より常に高精度とは限りません。同じ評価条件で、精度・計算量・データ量を比較する必要があります。

自然言語処理 (NLP) は、機械学習などのアルゴリズムと統計モデルを使用して、テキストからキーワードを抽出したり、WhatsApp や WeChat などのテキストメッセージングアプリのような自然な環境で人々が会話する方法を理解したりするなど、コンピューターによる人間の言語の理解を促進します。NLP はまた、自然言語理解 (NLU) を使用することで、自動化されたカスタマーアシスタントをより効果的にします。NLU は、特定のキーワードが含まれていなくても機械がフレーズの背後にある意図を理解するのに役立ち、他の自動化タスクに使用される単純なキーワードマッチング方法よりも効果的です。

AI の利点

AI テクノロジーには多くの実用的なアプリケーションがあり、さまざまな分野で有益です。AI システムは、さまざまなプロセスやタスクを自動化するためにますます使用されており、顧客サービスやより高度な問題解決などのより重要なタスクに集中する時間を解放しています。AI は、予測モデルと予測の精度を向上させるのに特に役立ち、組織がより多くの情報に基づいた意思決定を行えるようにします。AI を使用して、大規模なデータセットから洞察を生成することもできます。これにより、人間が手動で行うのは非常に困難または時間がかかる実用的な洞察を迅速に提供できます。

自然言語処理 (NLP) に関しても、AI の能力はますます高まっています。NLP は、機械学習、ディープラーニング、自然言語処理アルゴリズムなどのテクノロジを使用して、人間の発言や記述を理解し、意味のある応答を生成します。NLP 対応システムの助けを借りて、企業は大量の顧客データをリアルタイムで処理し、これまで以上に迅速に有益な応答を生成できるようになりました。これは、最新のカスタマーサービスイニシアチブの重要な部分を形成しています。

一般に、すべてのタイプの AI テクノロジーは、手動プロセスを自動化したり、予測分析を通じて意思決定を改善したりすることで、ヘルスケア、製造、金融、物流、小売などの複数の業界で効率を大幅に改善する可能性を秘めています。最終的に、AI ソリューションの導入により、1 人の個人またはチームだけでは明らかにするのに時間がかかりすぎるか、不可能でさえあるデータから生成された洞察に、私たち全員がより適切にアクセスできるようになるはずです。

AIの課題

人工知能 (AI) の開発と使用は大幅に拡大しており、日々新しい進歩が行われています。しかし、AI はまだ多くの課題に直面しているため、この技術の開発は完璧には程遠いものです。最も一般的な問題には次のようなものがあります。

データの品質とアクセシビリティ: AI システムは、パターンを学習して意思決定を行うために「トレーニングデータ」に依存していますが、十分な品質のトレーニングデータを収集することは困難な場合があります。さらに、このデータがすぐに利用できない場合や十分に多様でない場合、偏った結果につながる可能性があります。

説明可能性と解釈可能性: AI システムは、解釈と説明が難しいブラックボックスアルゴリズムを使用して動作することがよくあります。これは、そのようなアルゴリズムに対する信頼の欠如につながるだけでなく、潜在的な規制やコンプライアンスの問題につながる可能性があります.

オーバーフィッティングとアンダーフィッティング: オーバーフィッティングは、AI モデルがトレーニングデータに適合しすぎて、目に見えないデータセットにうまく一般化されない場合に発生します。アンダーフィッティングは、モデルが十分に複雑ではなく、データ内の重要な関係を捉えることができない場合に発生します。

結論

結論として、人工知能とは、人間の行動を模倣するように設計された一連の技術を指します。AI が進歩し続けるにつれて、問題解決や意思決定など、インテリジェントな意思決定を必要とする活動をマシンやその他の自動化システムが実行できるようになりました。

機械学習はAIの一分野、深層学習は機械学習の一分野です。自然言語処理は言語を扱う研究・応用分野であり、機械学習や深層学習も利用します。一方、教師あり・半教師あり・教師なしは学習に使う情報の違いです。分類するときは、何を基準に分けているかを先に確認しましょう。

最終的に、AI は、日常生活だけでなく、複数の業界にわたる基礎研究の取り組みにおいても、ますます大きな役割を果たしています。

よくある質問

Q1: 機械学習・深層学習・自然言語処理は、並列の3種類ですか?

A1: いいえ。深層学習は機械学習に含まれ、自然言語処理は言語を扱う分野です。教師あり・半教師あり・教師なしとは分類軸が異なります。

Q2: 機械学習は深層学習とどう違うのですか?

A2: 機械学習は、既存のデータに基づいてアルゴリズムを使用して予測を行う AI の一種であり、ディープラーニングは、人工ニューラルネットワークを使用して大量のデータから学習し、意思決定を行う AI の一種です。

Q3: 自然言語処理とは何ですか?

A3: 自然言語処理 (NLP) は、自然言語処理アルゴリズムを使用して人間の言語を理解し、分析する AI の一種です。