AIや機械学習のプロジェクトに携わる中で、「AI」「機械学習」「ディープラーニング」という言葉が飛び交っていますが、その正確な違いをご存知でしょうか？
今回は、非エンジニアの方やこれからAI導入を検討される企業担当者様向けに、AI周辺の基礎知識をできるだけ簡潔に図解・整理してまとめました。

結論から申し上げますと、以下の3点が非常に重要です。

• 現在注目を集めているDeep Learning（深層学習）は、機械学習における学習手法の1つに過ぎない（＝どんな課題でもDeep Learningを使えば解決する、というのは間違い）
• ビジネスの課題に対して「適時適応（適切なアルゴリズムを選ぶこと）」が最も重要
• 「AI」という言葉自体は非常に広義で曖昧な概念である

AI（人工知能）とは？広義な概念を整理する

「AI（Artificial Intelligence：人工知能）」という言葉は非常に広義です。1950年頃から歴史があり、ガチガチに定義付けされていないのが実情です。個人的にまとめると、「知的な行動を再現しようとする（または同等の）技術の集合体」を指します。

AIの大きな分類としては、以下の2つがあります。

• 汎用型人工知能（AGI：Artificial General Intelligence）：強いAI。人間と全く同じように思考し、判断できるコンピューター（SF映画のターミネーターのような存在）。
• 特化型人工知能（ANI：Artificial Narrow Intelligence）：弱いAI。個別の特定領域においてのみ、人間のように処理を行うAI（画像認識や音声認識など）。

現在ビジネスで実用化され、我々の身近で稼働しているAIのほとんどは「特化型人工知能（ANI）」に分類されます。

ML（Machine Learning：機械学習）とは？

Machine Learning（以下、機械学習）とは、開発者が予めすべての動作をルールとしてプログラミングする従来の手法とは異なり、「与えられた膨大なデータを元に機械自身が学習し、自律的に法則やルールを見つけ出す手法」です。

機械学習は、主に以下の4つのアルゴリズムに分類されます。

教師あり学習（Supervised Learning）

一言で言うと「正解データを教える」学習方法です。

例えば、大量の画像データに対して人間が1つ1つ「これは猫です」「これは犬です」とラベル（正解）をつけて機械に学習させます。人間側の労力（アノテーション）が必要ですが、高い精度が出ます。

主に以下の2つの概念を持っています。

• 分類（Classification）：過去のデータを元に、新しいデータをグループに仕分けする。
• 回帰（Regression）：過去の数値データを元に、未来の数値を予測する（売上予測など）。

教師なし学習（Unsupervised Learning）

「正解を教えない（ラベルをつけない）」学習方法です。

膨大なデータから自動的に特徴やパターンを算出し、機械自身に法則を導き出させます。

• クラスタリング：データを似た者同士で自動的にグルーピングする。
• 異常検知（外れ値検出）：データから著しく外れたものを「異常値」として検出する（工場での不良品検知などに利用）。

半教師あり学習（Semi-supervised Learning）

ラベル付きの正解データと、ラベルの無い大量のデータを組み合わせて学習させる手法です。

すべてのデータに人間がラベルをつけるのはコストがかかるため、労力を減らしつつ高い予測精度を出すために用いられます。

強化学習（Reinforcement Learning）

「正解か不正解か人間でもわからない」ような複雑な課題に対し、最終的な「報酬（スコア）」が最大化するようにAI自身に行動を学習させる手法です。自動運転や、ゲームのAI（囲碁のAlphaGoなど）で活用されています。

NN（Neural Network：ニューラルネットワーク）とは？

ニューラルネットワークとは、人間の脳の神経細胞（ニューロン）の仕組みをコンピューター上でシミュレートした計算アルゴリズムです。

入力層、中間層（隠れ層）、出力層の構造を持ち、学習データの特徴を数値化して分類を行います。

DLの基盤となる代表的なアルゴリズムには以下があります。

• CNN（畳み込みニューラルネットワーク）：画像認識に特化。画像から特徴を抽出し、カテゴリ分類を行う。
• RNN（再帰型ニューラルネットワーク）：時系列データや文脈理解に特化。中間層にループを持たせ、過去のデータを記憶して次の予測に生かす（自然言語処理などに利用）。

DL（Deep Learning：ディープラーニング）とは？

Deep Learning（深層学習）とは、機械学習の1種であるニューラルネットワークの「隠れ層（中間層）」をさらに深く多層にしたアルゴリズムのことです。

DLの最大のブレイクスルーは、「特徴量の自動抽出」が可能になった点です。従来の機械学習では「どこに注目すべきか（特徴量）」を人間が設定する必要がありましたが、DLでは十分なデータ量があれば、機械が自動的にデータから特徴を学習してくれます。これにより、画像、音声、自然言語など、人間でも扱いづらかった複雑なデータ処理の精度が飛躍的に向上しました。

ただし、「大量の学習データが必要」「なぜその結果になったのかの過程（ブラックボックス化）が分かりにくい」といった弱点もあります。

まとめとビジネスへの適用

AIやDeep Learningは魔法の杖ではありません。目的や保有しているデータ量によって、従来の機械学習（ML）を選ぶべきか、Deep Learning（DL）を選ぶべきか、「適材適所の技術選定」が成功の鍵を握ります。

バイタリフィアジアのAI R&Dチームでは、最新のアルゴリズムを用いた検証や、実際のビジネス課題を解決するためのAIモデル構築（PoC）を得意としています。AI導入の第一歩に迷われましたら、ぜひお気軽にご相談ください。