機械学習とディープラーニング(深層学習)の違いをわかりやすく解説

昨今では、AI(人工知能)が話題になることもしばしばあり、機械学習という言葉を耳にしたことがある方もおられるのではないでしょうか。この機械学習ですが、「マシンラーニング(機械学習)」と「ディープラーニング(深層学習)」が混同されて使われています。しかし、厳密にはイコールではありません。
ディープラーニングは機械学習をさらに推し進めた手法であり、多段階の処理によって複雑な問題にも対応できる点が大きな違いです。
本稿では、区別がしにくい機械学習とディープラーニングの違いについて、わかりやすく解説します。これからさらに進化していくことが予想されるディープラーニングについて、今のうちにしっかり理解しておきましょう。
AIの進化によって変わる生活
AIは、我々の生活に影響を及ぼし始めています。身近な例を挙げれば、自動お掃除ロボをイメージするとわかりやすいのではないでしょうか。
自動お掃除ロボの場合、自律的に室内の広さやインテリアなどの配置を学習し、その情報を元に部屋を掃除します。従来の機械的なプログラミングでは、特定の状況下でしか活用できませんでしたが、AIの進化によって幅広い分野で使えるようになりました。
そんなAIの学習方法には、さまざまなものがあるのをご存知でしょうか?以下、一般的な概念としての「マシンラーニング(機械学習)」と「ディープラーニング(深層学習)」について解説しますので、ぜひ参考にしてください。
機械学習の定義
機械学習とは、人間が手取り足取り手順を指示するのではなく、コンピューター自身に課題の解決方法を見つけさせる手法です。
たとえば、画像を見て「人間の顔かどうか」を判断するプログラミングを行うのは簡単ではありません。このような明確なルール化をするのが難しい分野こそ、機械学習が活躍します。
機械学習には大きく分けて「教師あり学習」と「教師なし学習」の2種があります。
「教師あり学習」とは、正解付きのデータを大量に入力し、正解と答えの関係性をコンピューターに学ばせるものです。正解と不正解を覚えさせ、対象を識別できるようにします。
一方、「教師なし学習」は、正解付きでないデータを入力して、AI自身に特徴や定義を発見させるものです。データから規則性や傾向を発見させるなど、正解のないデータを分析する際に活用されます。
囲碁AIの「AlphaGo」を例に挙げると、人間の棋譜を元に学習していた初期の学習方法が「教師あり学習」で、「AlphaGo」同士で対戦して棋力を高めていった後期の学習方法が「教師なし学習」です。この流れは「半教師あり学習」といわれるプロセスにも分類できます。
ディープラーニング(深層学習)の定義
ディープラーニングは、上述した機械学習をさらに発展させたものを指します。実のところ、機械学習を1段階走らせるだけではあまり複雑な問題には対応できません。
たとえば、画像データを入力として与えたとき、明るいか暗いかであったり、右半分が明るい、左半分が明るいであったりといったような、単純な判断は1段階の処理でできたとします。しかし、1段階ではこのような単純な処理が限界で、明暗に加え、その画像に写っている生き物が何であるかといった多段階の処理を行うのは困難です。
先に「人間の顔かどうか」を判断するような問題に機械学習が向いていると書きましたが、この問題を解くためにも、「両目が前面についているか」「耳は左右に一対か」「鼻が中央で隆起しており、2つの穴が開いているか」といった無数の判断を積み重ねなければ正解を導き出せません。
なぜなら、人間の顔を判別するには、『いくつかの判断』をしなければならないからです。
「ディープラーニング(深層学習)」では、このような『いくつかの判断』に必要な情報(判断の着眼点)を、大量にあるデータの中から自律的に学習します。そしてそこで得た情報を利用して、自律的に判断することができるようになります。
ディープラーニングの手法そのものは昔から考えられていましたが、当時はコンピューターの性能が低く、現実的ではありませんでした。それが現在になり、コンピューターの性能が飛躍的に高まりコストも低くなったことで現実に使用可能になったのです。
RPAにおける機械学習とディープラーニングの活用
RPAは、オフィス業務や事務作業などの定型作業を自動化できるツールです。一方、機械学習やディープラーニングをするAIは、自律的な学習を用いた非定型業務を自動化することができます。
たとえば、RPAは決められたワークフローに従うことを得意としていますが、その範囲を超えた業務はできません。しかし、RPAのワークフローにAIを組み込むことができれば、非定型業務も定型業務のように自動で処理可能となります。
つまり、RPAはAIの力を借りることにより、従来は自動化が困難とされていた非定型業務にも対応できるようになり、業務の幅が広がるということです。
例えば、RPAとAI-OCRを組み合わせて請求書の処理を自動化しようとした場合、新規取引顧客の請求書の様式がOCRやRPA側に定義されていなくても、「金額はどこか」、「日付はどこに入っているか」といったほしい情報を学習内容に基づいて自動的に取得し、データにしてシステムへ入力するところまで全て自動処理することが可能になるでしょう。
また、現在ではRPAで自動化のためのワークフローを組み立てるのは人間の仕事ですが、AIの性能が上がれば、いずれワークフローもAIが設定してくれるようになるかもしれません。近い将来、人間は煩雑な業務から解放され、より力を入れるべき、人間でなくてはならない仕事に時間を割けるようになるでしょう。
おわりに
機械学習とディープラーニングの違いについておわかりいただけたでしょうか?一つの課題に対して、多段階で処理することにより、複雑な判断を可能としているのがディープラーニングです。
また、現状では困難である非定型業務の自動化も、機械学習やディープラーニングとRPAを組み合わせれば、可能となります。RPAも進化し続けているため、これからどんどん対応できる業務は増えるでしょう。
その他のコラム
-
《導入事例》【NTTデータ購買部】 AI-OCR × RPAの連携で戦略...
NTTデータ 購買部では、各部門が取った見積書を収集、製品やサービスごとに分類・データベース化し、BIツールを通じて社内に公開する仕組みを整え...
2021/01/14
導入事例
-
《ニュースリリース》NTTデータ関西と大阪大学が協力しRPA...
NTTデータ関西は大阪大学とWinActorを活用した実証実験を2020年11月から開始しました。 本実験は、事務改革・事務効率化の観点から全学展開を踏...
2020/12/17
ニュースリリース
-
《ニュースリリース》WinActorによりRPAスキル習得と雇用機会...
NTTデータは、NTTデータだいち、NTTドコモ、ドコモgacco、パーソルチャレンジ、ベネッセビジネスメイト、パーソルプロセス&テクノロ...
2020/12/03
ニュースリリース