深層学習とは、ニューラルネットワークを使った機械学習の手法です。「ディープラーニング」とも呼ばれており、現在のAI技術の中核を担っています。本記事を読んでいる方の中には、「機械学習との違いを知りたい」「深層学習でできることを知りたい」という方がいらっしゃるのではないでしょうか。
本記事では、深層学習の仕組みや、機械学習との違いを解説しています。また、代表的なアルゴリズムや深層学習でできることについても紹介しています。深層学習が発展した背景から活用事例まで、深層学習の概要がわかる内容となっています。
深層学習の前提知識がない方にも理解していただけるような記事となっていますので、ぜひ最後までお読みください。
深層学習（ディープラーニング）とは？機械学習との違いや仕組みを解説
深層学習とはどのようなものなのでしょうか。深層学習の概要や機械学習との違い、仕組みについて解説します。
深層学習とはニューラルネットワークを使った機械学習の手法
深層学習とは、人間の脳の構造を模したニューラルネットワークを用いた機械学習の一つの手法で、ディープラーニングとも呼ばれます。ニューラルネットワークを多層化した構造になっており、複雑なデータの特徴をより深く学習することが可能です。深層学習自体は機械学習の手法の1つですので、広く機械学習と言えば深層学習も含まれることになります。深層学習は、現在のAI技術の中核をなす手法として、主に画像認識や音声認識、自然言語処理に活用されています。
深層学習と機械学習の違いは特徴量抽出の柔軟さ
深層学習（≒ニューラルネットワーク）と他の機械学習アルゴリズムの違いを一言で表すと、データから特徴量を抽出する際の自由度の高さです。深層学習と機械学習は、どちらもAI技術の一つですが、データから特徴量をどのように抽出するかが異なります。特徴量とは、対象データの参考にすべき部分が数値化されたものです。どのようなデータであっても、コンピューターが機械学習として扱うためには数値で表現しなければいけません。他の機械学習アルゴリズムは、与えられたデータをどのように解析して、どの部分に着目するかというのを、ある程度事前に決められた枠組みの中でしか行うことができません。一方で深層学習はデータの複数の部分を複雑に関連付けて特徴を作り出したりと、データに対してより柔軟に対応することができます。
深層学習は、複雑なデータに対しても柔軟に特徴の抽出ができるため、画像や動画、音声、文章といった特徴を数値に置き換えるのが難しい課題（例えば、耳の形や色、毛並みといった猫の画像の特徴を数値として抽出するような）に対して、これまでの機械学習では実現できなかったパフォーマンスを発揮できるようになりました。
深層学習の仕組み
深層学習は、人間の脳の仕組みを模したニューラルネットワークの隠れ層（中間層）を多層化したものです。ニューラルネットワークは、入力層、隠れ層、出力層の3種類の層で構成されています。入力層は情報を受け取る、隠れ層は入力層から情報を受け継ぎ特徴量を抽出する、出力層は結果を出力するといった役割があります。各層には複数のユニット（＝ニューロン。実際にデータを処理する部分）があり、各層のユニットはお互いに結合し合っています。学習を重ねることによって、各ユニットが特徴を扱う際の重みやユニット同士の結合度合いが調整されていきます。この層の数を増やすことでより複雑なタスクにも対応できるようになり、高い精度で結果を出すことが可能です。
深層学習が発展した背景
現在、深層学習はAI技術の中核を担っています。深層学習が発展した背景には、コンピューターの性能向上や、データの増加などの要因があります。深層学習では、大量のデータとそれを処理する計算力が必要です。
ニューラルネットワークや深層学習の理論自体は、1940年代から存在していました。しかし、深層学習を行うには膨大な計算リソースが必要であったり、効率よく精度を向上させるためのアルゴリズムが発見されていなかったりといった背景から、他の機械学習アルゴリズムに目が向けられていました。
2000年代以降になると、コンピューターの性能向上により高速な計算が可能となり、膨大なデータを処理できるようになりました。また、インターネットやスマートフォンの普及により、ユーザーのデータを活用したサービスが増加し、学習に必要な大量のデータを以前よりも簡単に扱うことができるようになりました。また、多くの研究者の手によって精度向上のためのアルゴリズムが研究、開発されました。
そして、機械学習のコンペティション（より良い精度のモデル開発を競う競技）で深層学習を利用したチームがダントツの好成績を収めたことから深層学習のブームに火が付き、現在まで発展することとなりました。
深層学習の研究開発は現在も進められており、今後より広く活用されていく見込みです。
深層学習の代表的なアルゴリズム3選
深層学習の代表的なアルゴリズム3選を解説します。それぞれのアルゴリズムにどのような特徴があるのか見ていきましょう。
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とは、Convolutional Neural Networkの略で、画像認識を中心に幅広く用いられているアルゴリズムです。畳み込みニューラルネットワークは、畳み込み層とプーリング層を複数重ねた構造になっています。
畳み込み層では、各ニューロンは前の層の一部のニューロンからのみの情報を受け取ることで、人間のように画像内のパターンを特徴として抽出し、プーリング層は画像を縮小することで不要なパラメータの削減による計算量の削減や過学習の防止といった役割を担う。通常のニューラルネットワークと比べて、画像を二次元的に捉えることができるので、複雑な画像であっても非常に高精度で結果を出すことができる点が特徴です。
敵対的生成ネットワーク（GAN）
敵対的生成ネットワークとは、Generative Adversarial Networkの略で、生成（Generator）と識別（Discriminator）の二つのネットワークで構成されているアルゴリズムです。敵対的生成ネットワークの特徴は、非常に高精度な画像を生成できる点です。
二つのネットワークを競い合わせて学習させることで精度を高め、最終的にまるで本物のような質の高い画像を生成できます。具体的には、解像度の低い画像を高解像度に変換したり、実在しない人物の画像を生成したりすることが可能です。また、テキストから特徴を想像して画像を生成することもできます。
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とは、Recurrent Neural Networkの略で、時系列データを扱うのに適したアルゴリズムです。回帰型ニューラルネットワークとも呼ばれます。隠れ層に「再帰」と呼ばれる再帰構造を持つ点が特徴です。この再帰とは、前の入力の出力結果を再び入力に取り入れることで、出力から入力に循環する仕組みとなっています。この仕組みにより、時系列データにとって重要な、過去の結果が未来にどのような影響を及ぼしたかといった因果関係を強力に学習することができます。再帰的ニューラルネットワークは、主に音声認識や自然言語処理などに用いられています。
深層学習でできること3選
深層学習の技術を活用するとどのようなことができるのでしょうか。深層学習でできること3選を解説します。
画像認識
深層学習を活用した主要な技術として、画像認識が挙げられます。画像認識とは、入力された画像から対象物を認識する技術です。人物の顔や物体、文字といった対象物の特徴を読み取り、画像に写っているのは何かを識別・検出します。撮影された角度や物体の向き、光源の位置など複雑な情報を処理するためには、まさに深層学習が向いていると言えるでしょう。画像認識は人間の視覚に代わるものとして応用範囲が広く、顔認証システムや自動運転、カメラアプリなどのさまざまな製品・サービスに活用されています。
音声認識
深層学習の技術は、音声認識にも活用されています。音声認識とは、音声をテキストに変換する技術です。音声データは、波形で表すことができます。マイクなどから取得した音声の波形データから特徴量を抽出します。次に、抽出された特徴量から音素へ変換し、さらに音素を文字に変換します。音素とは、音の最小構成単位のことです。
最後に文字列を評価し、最終結果をテキストに書き起こします。音声認識は、AIスピーカー・スマートスピーカーと呼ばれる製品・サービスに活用されています。さらに、音声認識と自然言語処理を組み合わせることで非常に高い精度で文字おこしをするサービスや、翻訳機能と組み合わせてのリアルタイム翻訳サービスなど、様々なサービスのベースとなっている技術です。GoogleのGoogle HomeやGoogle アシスタントもその一つです。
自然言語処理
深層深層学習の活用により、自然言語処理の精度が向上しています。自然言語処理とは、人間が日常的に使用する言葉（自然言語）をコンピューターが処理・分析する技術です。話し言葉や書き言葉は言葉に曖昧さが含まれるため、コンピューターが内容を正しく理解するのは難しいとされていましたが、現在は深層学習の技術が発展し、自然言語を正しく理解することが可能になりつつあります。
特に日本語は、単語の区切りが曖昧だったり、同音異義語が多い点から精度を出すのが最も難しい言語の1つでしたが、最近では日本語に対しても高精度な解析ができるようになってきています。
自然言語処理は、チャットボットや自動翻訳、ブラウザの検索、などに活用されています。
深層学習の活用事例5選
前述したように深層学習の適用領域はさまざまなものがあり、幅広い分野で活用されています。ここでは、深層学習の活用事例5選を紹介します。
【自動車・輸送用機器】自動運転
深層学習を活用した自動運転の実用化に向けた開発が進められています。自動運転は、運転における認知・判断・操作をコンピューターが行います。深層学習が活躍するのは、カメラやセンサーが取得した車両周辺データの解析です。無数のデータを瞬時に解析し、ブレーキをかけるなどの命令を出す司令塔の役割を担うとされています。
自動運転レベルは、アメリカ自動車技術会（SAE）が定める6段階を採用するのが主流です。日本では、ホンダが世界で初めての自動運転レベル3搭載車「レジェンド」を発売しました。
現在、レベル5の完全自動運転の実現に向けて、事故を避けられない状況で二者択一を迫られた場合にコンピューターはどのように判断するのかという「トロッコ問題」についての議論や、法整備などさまざまが取り組みが行われています。
【医療】画像診断支援
深層学習は、医療機関での画像診断システムに活用されています。コンピューターに症例データと正常な状態のデータを学習させ、CTやMRI、レントゲンなどの画像データから異常が見られる部分を高精度で検出することが可能です。
医師の診断支援に役立つ知能として、医療機器メーカーで開発・実装化が進められており、病気の早期発見や読影業務の効率化につながると期待されています。
【小売】通販サイトのレコメンド機能
ECサイトのレコメンド機能にも深層学習が活用されています。レコメンド機能とは、コンピューターがユーザーの購買傾向や趣味嗜好を分析し、ユーザーに関連性のある商品をおすすめとして表示する機能です。
購入履歴や閲覧履歴などのユーザー行動から購入と相関の高い特徴量を抽出することで、ユーザーの潜在的なニーズを引き出せます。潜在的なニーズの掘り起こしにより、ユーザーは思わぬ商品を発見しやすくなり、購買率の向上につながります。
【製造】製品の不良品検出
深層学習は、製造現場における不良品検出の自動化にも役立っています。カメラやセンサーで取得した画像データをコンピューターが自動で解析し、不良品を検出します。従来の目視検査では、判別スキルを持つ従業員に依存したり、一定の人員が必要だったりと、人的リソースの確保が難しいという課題がありました。深層学習が代わりに不良品検出を行うことで、人手不足を解消するだけでなく検品スピードが速くなるなどして、労働生産性を高めることが可能です。
【不動産】物件画像の分類
深層学習を活用した画像分類システムが、不動産業界における物件画像の分類に活用された事例があります。深層学習により、物件の室内・外観の画像データをカテゴリー別に分類することに成功しました。物件画像の分類を自動化したことで、大幅な作業時間削減や業務効率化を実現しています。
また、不動産情報サイトの物件レコメンド機能も、不動産業界の活用事例の一つです。深層学習を活用して物件画像の特徴を解析し、間取りの特徴が類似した物件を抽出して、おすすめの物件を表示することが可能です。
AI・機械学習サービスが使える「Google Cloud」
Googleのサービス「Google Cloud™」をご存知でしょうか。ここからは、「Google Cloud」について解説します。
Google CloudとはGoogleのクラウドサービス
Google Cloudとは、Googleが提供するクラウドサービスの総称です。Googleの優れたインフラストラクチャを活用し、サーバーやデータベースなどのシステム構築に必要な機能を提供します。
Google Cloudの特徴として、グローバル規模の分析情報をスピーディーに取得できる点が挙げられます。Google Cloudのデータセンターは世界各地に存在しており、グローバルネットワークを使って高速かつ安定した通信が可能です。
さらに、料金は従量制となっており、使用したサービスにのみ料金が発生するため、コストの最適化が図れるところもポイントです。
ほかにも、Google Cloudでは、専門知識の有無にかかわらず、簡単にAI・機械学習を扱えるサービスが提供されています。以下でGoogle Cloudの基本知識やAI・機械学習サービスの概要、活用事例を詳しく紹介した資料をご用意しております。各サービスの機能がわかる内容となっておりますので、ぜひご覧ください。
Google Cloudの2つのAI・機械学習サービス
Google CloudのAI・機械学習サービスは、大きく2つに分けられます。AI Building BlocksとVertex AIについて解説します。
AI Building Blocks
AI Building Blocksは、AI分野以外のデベロッパー向けに、AIをより簡単にアプリケーションに組み込むことをサポートするプロダクト群です。事前トレーニング済みモデルとカスタムモデルの2つに分けられています。
事前トレーニング済みモデルは、Googleが構築・調整しているトレーニング済みのモデルを利用するものです。自社製品の識別のような専用の用途には利用できませんが、画像、動画、自然言語、音声といった分野でGoogleによって高度にトレーニングされたデータをすぐに呼び出せるので、手間をかけずに高度なAIをアプリケーションに組み込めます。
一方、カスタムモデルは、自分で用意したデータを使って、個別にトレーニングしながら精度の高いモデルを生成するものです。社内データを使う必要がある場合や、特定の業種で使う場合などに適しています。こちらは、AutoMLという自動機械学習機能を利用できるので、AIの専門ではないデベロッパーも独自のデータを利用して高精度なモデルを作成することができます。
Vertex AI
Vertex AIは、AI・機械学習に関わる一連のタスクを効率的に行うためのプラットフォームサービスです。Vertex AIの特徴は、多種多様なサービスが統合されている点だと言えます。例えば、Vertex AI WorkBenchではデータの分析・前処理からモデル構築までを一貫して行うことができるPythonノートブック環境を提供します。他にも、作成した機械学習モデルをバージョン管理するModel Registryや、機械学習モデルをオンラインにデプロイできるエンドポイント機能、高度な知識が無くても高精度な機械学習モデルを開発することができるAutoMLなど様々な機能を扱うことができるので、機械学習エンジニアだけでなくアナリストやデータサイエンティスト、データエンジニアといった様々な役割のメンバーが統一された環境で作業を行うことを可能にします。そのため、Vertex AIを有効活用することで、AI開発の一連の工程にかかる時間を短縮することが可能です。最近では、話題の生成AIを開発できる機能「Generative AI Studio」や、一般公開されているモデルを利用してスピーディに開発を行える「Model Garden」も統合され、さらなる機能の拡大が進んでいます。
以下でGoogle CloudのAI・機械学習サービスの概要や各サービスの機能についてまとめた資料をご用意しております。ぜひお気軽にご利用ください。
GoogleCloudを利用して簡単に機械学習を活用しよう
深層学習とは、機械学習の手法の一つで、他の機械学習アルゴリズムでは難しい柔軟な特徴抽出を可能にする技術です。深層学習の発展によって、人間の力では実現できなかったパフォーマンスが可能となりました。
現在、深層学習を含むAI技術は、さまざまな分野で活用されています。Google Cloudは、AI・機械学習サービスが簡単に扱えるクラウドサービスです。AIを経営戦略に活用したいとお考えの企業のご担当者様は、ぜひGoogle Cloudの導入を検討してみてください。
