ディープラーニングとは？
仕組みや活用方法などを初心者向けに簡単に解説

AIモデルを開発する際やAI技術を活用する際は、「ディープラーニング」と呼ばれる用語を必ず目にすることになります。それだけAI分野でディープラーニングは重要な技術とされており、AI技術を最大限に活用する場合はディープラーニングに対する理解が欠かせないということです。

ディープラーニングは機械学習手法の一種で、大規模なデータ群のなかから分析を行い、その特徴を正確に抽出できる点に特徴があります。ほかの手法に比べて複雑なタスクを処理できるようになり、さらにその精度も向上できることから、需要予測や人物・物体の検出など、特に正確性が求められる業務で活用が進んでいます。

本記事では、ディープラーニングの仕組みやアルゴリズムの種類、学習方法などを解説します。また、ディープラーニングを使ってできることをもとに、具体的な活用事例も紹介しているので、ぜひ参考にしてください。

ディープラーニングとは機械が大規模データを解析して特徴を抽出する技術

ディープラーニングとは、コンピュータ（機械）が大規模なデータを解析したうえで、その特徴を明らかにする技術です。「深層学習」や「DL」と呼ばれることもあります。

ディープラーニングは、主にAIモデルを開発する際に用いられます。AIモデルを開発する際は、最初にコンピュータに対して大量の学習データを取り込み、その過程でデータ同士の関連性や法則性を明らかにします。学習方法にはさまざまな種類があり、ディープラーニングはそのなかの一つに該当します。

さまざまな学習方法のなかでもディープラーニングは、コンピュータによる的確な判断や複雑な処理を行えるのが特徴です。そのため、AIモデルに落とし込んだ後、画像認識や異常検知、需要予測といったさまざまな場面に発展できます。

ディープラーニングの仕組み

ディープラーニングは、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。

ディープラーニングが注目されている理由

現在、ディープラーニングはAI技術の中核を担っています。ディープラーニングが発展した背景には、コンピュータの性能向上や、データの増加などの要因があります。ディープラーニングでは、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ディープラーニングの理論自体は、1940年代から存在していました。しかし、ディープラーニングを行うには膨大な計算リソースが必要であったり、効率良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こともあり、ほか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ったのも大きいでしょう。そして、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・開発されてきました。

その後、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）でディープラーニング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、ディープラーニング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。ディープラーニング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。

機械学習との違い

ディープラーニングとほか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に差があります。

ディープラーニングと機械学習は、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。

ほか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なかでしか行うことができません。一方でディープラーニング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。

ディープラーニングは、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。

ディープラーニングを使ってできること

ディープラーニングを活用すると、次のようなことが可能になります。

• 画像認識
• 音声認識
• 自然言語処理
• シミュレーション

ディープラーニングを使ってできることを具体的な例をあげて解説します。

画像認識

ディープラーニングを活用した主要な技術として、画像認識があげられます。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、まさにディープラーニングが向いているといえるでしょう。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

ディープラーニングの技術は、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起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、さまざま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

深層ディープラーニングの活用により、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。しかし、現在はディープラーニングの技術が発展し、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で同音異義語が多い点から、精度を高めるのが最も難しい言語の一つでしたが、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。

シミュレーション

ディープラーニングは、ビジネスシーンにおけるさまざまなシミュレーションとしても発展が可能です。対象となる事象に関して実験や観測が困難な場合でも、ディープラーニングの高精度な解析技術を活用することで、その事象の予測や検証を行えるようになります。

本来、シミュレーションを行おうとすれば、特定の事象に対して数理モデルを構築したり、計算機で処理できるように方程式を組み立てたり、プログラムを作成したりと、高度なノウハウや技術が求められます。その点、ディープラーニングを活用すると、数理モデルの構築からシミュレーションまで、コンピュータが一気通貫で自動的に実行してくれるシステムを作成できます。その際、人間側が行う処理といえば、観測データを用意することのみです。

実際、ビジネスの現場では上記の特徴やメリットを活かし、需要予測や危険予測といった幅広い分野で活用が進んでいます。

ディープラーニングの活用事例7選

ディープラーニングを活用すれば、画像認識や音声認識、自然言語処理などに発展が可能です。さらにこのような技術は、自動運転や医療業界の画像診断支援、小売業界のレコメンデーション施策など、さまざまな分野で活用されています。業界ごとに具体的な活用事例を紹介します。

【自動車・輸送用機器】自動運転

ディープラーニング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。自動運転では、運転における認知・判断・操作をコンピュータが行います。ディープラーニングが活躍するのは、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

ディープラーニングは、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機能として、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ディープラーニングが活用されています。レコメンド機能とは、コンピュータ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。

【小売】需要予測

ディープラーニングでは、膨大なデータを学習し、短時間でデータ同士の相関性や法則性を見つけ出せることから、需要予測にも活用が可能です。需要予測を行うには本来、顧客の属性情報や行動履歴データ、天候データなど、膨大なデータを分析する必要がありますが、ディープラーニングを用いてAIモデルを開発することで、分析作業や予測を自動化できます。

これはディープラーニングによるシミュレーション技術を応用したもので、需要予測のほかにも、来客予測や原材料の発注量予測などにも発展可能です。このような予測データを活用することで、販売計画を立案する際の業務効率化や生産・在庫量の最適化といったメリットが生まれます。

【製造】製品の不良品検出

ディープラーニングは、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。ディープラーニング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。

【製造】製品の品質予測

製造業界では、製品の品質予測にもディープラーニングが活用されています。コンピュータに対して観測データをインプットし、自ら学習を行わせることで、最終品質を予測する数理モデルを自動的に構築できます。

従来の品質予測は、製造工程に熟知した経験豊富な技術者が担うのが一般的でした。一方、ディープラーニングによって数理モデルを構築することで、自動分析によって製品の品質を正確に予測することができ、熟練者でなくても適切な品質管理を行えるようになります。

【不動産】物件画像の分類

ディープラーニング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。ディープラーニングにより、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。ディープラーニング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。

ディープラーニングに活用されているアルゴリズムの種類

ディープラーニングでは、畳み込みニューラルネットワークや敵対的生成ネットワークなど、さまざまなアルゴリズムが活用されています。アルゴリズムとは、コンピュータがスムーズに問題を処理できるように定められたルールや手順のことです。ディープラーニングで活用されている代表的なアルゴリズムについて解説します。

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（Convolutional Neural Network/CNN）とは、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。

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できるのがポイントです。また、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っています。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な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（Generative Adversarial Network/GAN）とは、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にあります。

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（Recurrent Neural Network/RNN）とは、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。

長・短期記憶（LSTM）

長・短期記憶 （Long Short-Term Memory/LSTM）とは、再帰型ニューラルネットワークを改良する形で開発されたアルゴリズムです。再帰型ニューラルネットワークと同じように時系列データを扱えるほか、データ同士の長期的な依存関係を見出せる点に特徴があります。

メカニズムとしては、まず「ゲート」と呼ばれる箇所で入力と出力を制御します。ゲートの入力層で適切な情報のみを通過させることで、「記憶セル」と呼ばれる場所で、その情報を長期記憶として残せるのがポイントです。

再帰型ニューラルネットワークには記憶セルの仕組みが備わっておらず、特定の層で処理された情報が次の層へとそのまま移行します。すると、数多くの層で計算を行わなければならず、データの特徴が消失する勾配という現象が生じやすくなります。長・短期記憶では、記憶セルに必要な情報を蓄積できることから勾配が起こりづらく、ディープラーニングにおいてより精度の高い結果をもたらすことが可能です。

ディープラーニングの学習方法

一概にディープラーニングといっても、その学習方法にはさまざまな種類があります。AIモデルを開発・構築する際の重要な判断材料となるため、それぞれの特徴を押さえましょう。

ゼロから学習

まったく学習されていないまっさらな状態から、特定のタスクを処理するために一からモデルを学習させる方法です。ラベルが付与された大量のデータを投与し、繰り返しニューラルネットワークを訓練して精度を向上させていきます。

ゼロから学習する方法は、特定のタスクを処理するための特化型のモデルを構築する際に役立ちます。ただし、データの収集や前処理に加え、独自のモデルを構築する必要があるため、大規模なデータやリソースが必要です。また、学習が完了するまでに長い時間がかかる点にも注意すべきでしょう。

特徴抽出

特徴抽出とは、複数のデータのなかから重要な情報（特徴量）を洗い出し、それをもとに学習を進める手法です。インプットされたデータから低次元で意味のある特徴量を抽出できるため、一般的な機械学習の手法に比べて学習効率が高まりやすく、結果として精度向上も見込めます。また、画像や音声など、複雑なデータを処理することも可能です。

データ同士の関連性を正確に捉えられるほか、複雑なパターンにも対応しやすいため、画像認識や自然言語処理といったさまざまな形へと発展できます。

転移学習

転移学習とは、特定のタスク処理に特化したモデルの学習内容を、別のモデルへと発展させる形で使用する学習方法です。学習済みのモデルを参考にデータセットの微調整を行うことから、類似タスクに対応できる新しいモデルを構築できるメリットがあります。そのため、コンピュータに処理させたいタスクが複数ある場合、転移学習を使ってモデルを構築するのがおすすめです。

また、転移学習は、事前に投与する学習データの量が少なくて済みます。学習期間も短く抑えられるため、低コストでディープラーニングのモデルを構築できるのが利点です。

ディープラーニングを活用するならGoogle Cloudがおすすめ

ディープラーニングを用いてAIモデルを開発・構築する場合は、Google Cloudを活用してみてはいかがでしょうか。Google Cloudとは、クラウドコンピューティングやデータ分析基盤、コンテナなどに関連するサービスが、統合的に含まれているクラウドプラットフォームです。そのほかにも、次のようなAIモデルを開発・構築するためのサービスも搭載されています。

• Vertex AI：
  機械学習やディープラーニングに関する一連の処理を効率化するためのサービス
• AI Building Blocks：
  アプリケーションにAIモデルを組み込むためのサービス
• AutoML：
  機械学習やディープラーニングを自動化できるプログラムをノーコードで作成できるサービス

このようなサービスはすべて従量課金制となっており、それぞれを自由に組み合わせて独自のシステムを構築することが可能です。例えば、AIモデル開発とデータベース構築のサービスを組み合わせると、学習工程を効率化できるだけでなく、学習データの蓄積や一元管理にも役立ちます。

Google Cloudの特徴や機能、料金などに関しては、こちらの記事で詳しく解説しています。

ディープラーニングを活用して独自のAIモデルを構築しよう

ビジネスシーンでAIを活用する際や、独自のAIモデルを開発したい場合には、ディープラーニングに対する理解が欠かせません。数ある機械学習の手法のなかでも、ディープラーニングは主流となる技術だからです。

高い精度でデータの特徴を抽出できるディープラーニングは、活用範囲が広く、さまざまな場面へと発展が進んでいます。ビジネスシーンでは、需要予測や危険予測、商品・サービスのレコメンド、製品の検品といった形で活用が可能です。このような形で活用することで、日常業務における省人化につながり、業務効率化やコスト削減といったメリットも生まれるでしょう。

電算システムでは、Google Cloudのスターターパックサービスや技術コンサルティングサービスなどを提供しています。Google Cloudを活用したデータ分析基盤の構築方法や、データの活用方法などに関して、プロの観点からアドバイスを行っています。「Google　Cloudを活用したいが具体的なイメージが湧かない」といったお悩みを抱える方は、ぜひ以下の資料を参考にしてください。