機械学習の新しい形として採用が進むディープラーニングは、単にAI開発を促進する働きがあるだけでなく、企業のデータ活用のあり方を刷新するとして注目されているテクノロジーです。
今回は、ディープラーニングにおけるデータ活用のプロセスに注目し、どのようなデータ運用がAI開発において求められるのか、そして各企業ではどう活用されているのかについて、事例を交えながら解説します。
ディープラーニングとは
ディープラーニングは日本語で「深層学習」と呼ばれ、従来の機械学習よりも複雑な計算ができるようになったとして知られる機械学習手法です。
ディープラーニングの最大の特徴ともいえるのが、ニューラルネットワークの存在です。ニューラルネットワークは人間の神経細胞から着想を得た仕組みで、あらかじめ用意した複数の層でデータを分析することで、従来よりもデータに対して深い理解を促せるよう設計されています。
ディープラーニングが実現した結果、これまでの機械学習では実現し得なかった自動運転の実現や、高度な機械翻訳の実現が進められています。
ディープラーニングと従来の機械学習の違い
ディープラーニングと従来の機械学習においては、「教師なし学習」と「教師あり学習」の違いにあります。
従来の機械学習においては、「教師あり学習」と呼ばれる学習方法が採用されていました。これは、開発者があらかじめAIに読み込ませるデータへ正解のデータを別途付与することで、答えありきの読み込み作業を行なうものでした。
一方のディープラーニングが実現したのは「教師なし学習」と呼ばれる手法です。教師なし学習は、教師あり学習のような正解データを必要とせず、AIにあらかじめ達成すべき目標を設定することで、自動的にデータを分析し、自ら答えを見出すことができます。
教師あり学習とは異なり、教師なし学習は自ら答えを発見できることから、開発者の手を煩わせることがないことはもちろん、人間では理解し得ない物事の違いも把握できるようになるため、時として人智を超えるAIが誕生することもあります。
このような理由から、今では多くの AI開発の現場においてディープラーニングが採用されています。
ディープラーニングが実現する非構造データの解析とは
ディープラーニングは教師なし学習が行える機械学習手法であるため、従来よりもはるかに柔軟性の高いデータ解析を実現しています。中でも注目されているのが非構造化データの解析ですが、そもそも非構造化データとはどういったデータなのでしょうか？
非構造化データについて
非構造化データは、端的にいえば構造化されていないデータのことを指します。
構造化されているデータとは、特定の規則に則って表にまとめられているデータのことを指します。顧客データや勤怠情報など、エクセルデータやCSVデータとしてまとめられているデータは構造化データと呼ばれ、コンピュータが最も認識しやすい形式のデータであるとされてきました。
これに対して、非構造化データは表にまとめられておらず、不規則に配置されているデータ全般を指しています。私たちが日常的に利用しているデータの多くは非構造化データに分類され、コンピュータにとっては認識が難しいデータであるといえます。
非構造化データ解析で実現すること
このような非構造化データの解析がAIによって行うことができれば、データ分析の大幅な効率化が進みます。
これまでデータ分析を行うためには、データを非構造の状態から構造化された状態に変換する必要がありました。これは面倒な作業を手動で行う必要もあったため、負担の大きな業務であっただけでなく、貴重な人材をコア業務から遠ざけてしまう要因にもなっていたのです。
非構造化データをそのままAIが読み込めるようになれば、そんな負担を丸ごと解消できるようになるため、AI開発を高速化させ、さらに効率的なデータ運用が可能となります。構造化されていないことから、無視されてきたデータ群も適切に処理を行い、会社の資産として利用が可能になります。
ディープラーニングで分析可能な主なデータ
ディープラーニングの導入で分析が容易となったデータとしては、次のようなものが挙げられます。いずれも非構造化データとして日常的に利用されているものばかりであるため、いかにディープラーニングがデータ活用において重要なテクノロジーであるかがわかります。
テキスト
テキストデータは最もポピュラーなデータ形式ですが、その多くは非構造化データです。メールやチャットログ、契約書や請求書など、多くの情報はテキストデータを主体としていますが、これらは構造化されていないため、そのままの状態で分析することは極めて困難です。
従来であれば、これらのテキストデータは表に落とし込んで読み込む必要がありました。しかし、ディープラーニングであればそのままの状態で、データ分析を行うことができます。
音声
音声データも、代表的な非構造化データとして企業に蓄積されているケースが多いといえます。
コールセンター業務で生まれた録音データや会議の議事録など、多様な場面で音声データは収集可能です。音声データをディープラーニングで解析することにより、文字起こしツールの精度改善や、音声データに存在する特定の単語の特定、あるいは翻訳など多用途での活躍が期待できます。
映像・画像
映像および画像の解析も、ディープラーニングが強みとしています。
請求書の画像データをOCR機能によって読み取り特定のフォーマットへ自動で記入したり、リアルタイムの映像を解析し、商品の異常を検知したり、生産ラインに故障が発生していないかをチェック可能です。
また、大量の映像データや画像データをAIに読み込ませることで、自動でテーマに沿った画像を生成したり映像を生成したりといった高度なグラフィック技術を実現することも可能になります。
ディープラーニング向けデータセットはどこで入手できる？
上記のようなディープラーニングによる非構造化データ解析を進める上では、まずデータセットをどこからか確保する必要があります。データの入手経路はさまざまありますが、ここでは主なデータセットの入手方法について紹介します。
社内
ディープラーニング向けデータの確保先として、まず確認しておきたいのが社内データです。
企業は日々の活動の中で、実に多くの情報をやり取りするとともに、その活動の中で生まれたデータも膨大なものとなっているため、ディープラーニングに活用できるデータも多く含まれています。監視カメラの映像や社員の勤怠記録など、多様なデータを社内の資産として利用することができます。
また、社内データは入手そのものにお金がかかるわけではないため、コストパフォーマンスに優れている点も特徴です。社内の問題を解決するためのAI開発を進めている場合、問題解決につながるデータ活用を推進しやすいこともポイントです。
社内でデータを蓄積できる仕組みが整っていない場合、まずはここから整備していくことが重要です。
研究機関
2つ目の入手先は、研究機関です。
日々膨大な情報収集に明け暮れている研究機関では、企業にとって価値の大きなデータも大量に公開しているため、積極的に活用したいところです。最近では、AI開発者向けにデータセットを提供している研究機関も増えてきており、中には無料で手に入るデータも存在します。
研究機関が提供するデータは精度が高く、出どころもはっきりしていて信憑性が高いため、必要に応じて選択肢の一つとして頭に入れておくことをおすすめします。
企業・行政
企業や行政も、近年はデータ活用の活性化施策として、ディープラーニング向けのデータセット提供を推進しています。
企業が提供するデータセットには有料のものが多いですが、無料で公開されているものも少なくなく、行政が提供しているデータ設置に至ってはほとんどが無料化されています。コストパフォーマンスに優れるとともに有用性も高いため、基本的なデータで不足しているものがある場合、こういった組織から調達する方が効率的といえます。
SNSなどのWebサービス
最近ではSNSをはじめとするWebサービス経由で、データセットの確保に努めている組織も増えています。WebサービスのAPIを介して、データを自動で抽出できる仕組みを作り、AIに対して半永久的にデータをインプットさせることができます。
インターネット上は多くの人がリアルタイムで情報をやり取りしているため、最新のデータを瞬時に獲得できるというのもSNS活用のメリットです。
ディープラーニングの活用例
ディープラーニングは、すでに多くの企業で導入が進められており、データ解析に応用されています。ここでは、国内企業の代表的な取り組みを確認しておきましょう。
花王株式会社
日用品やコスメでお馴染みの花王株式会社では、ディープラーニングを用いて肌の質感を可視化する「肌評価AI」を開発しました。
ヒトの感性を学習させ肌の精緻な解析とヒトの視点、そして判断力を実装することで、肉眼でも評価の分かれる肌の評価を正確に行えるよう開発されています。肌評価AIは個人の目視に頼ることなく客観的な判断を下せることから、顧客向けのカウンセリングやさらなる製品開発に役立てられることが期待されています。
キヤノン株式会社
光学メーカーのキヤノン株式会社では、専用端末の前に立ち止まらなくとも、適切な顔認証が行えるAIソフトを開発しました。
従来の顔認証ソフトの多くは、コンピュータが顔を認証するまでに静止しておく必要があり、人流に滞留が起きてしまったりする要因となってきました。キヤノンが開発した「スマートフォーカス顔認証for Milestone XProtect」は、ディープラーニングを採用した独自のAIアルゴリズムにより、複数人の顔を移動していても識別ができる機能を実装しています。
顔の明るさに合わせて自動で露出を補正することで、暗闇での認証や、時間帯によって認識のしづらさにギャップがあった問題も解消しました。
日本電気株式会社
ハードウェア開発やITソリューションを手掛けるNECでは、最新のディープラーニングを活用した独自の音声認識技術を採用するDX支援サービスを展開しています。
従来では認識が難しいとされてきた自由会話や、騒音の中での会話も正確に捉えられるようになったことで、これまで以上に使いやすい音声サービス運用を実現可能です。特定のタスクに合わせた音声認識結果の識別や、集音した内容をリアルタイムでテキストに書き起こす機能など、高性能な音声AI活用を支援してくれます。
ディープラーニング運用のポイント
ディープラーニングの運用を効率化するためには、次のポイントを確実に押さえておくことが不可欠です。
大量のデータを用意する
1つ目は、ディープラーニングで読み込むデータを大量に確保することです。
AI開発の業務の大半はデータ収集に追われるというほど、データの用意には時間をかけるべきといわれています。特に、ディープラーニングは通常の機械学習よりも多くのデータを必要とするため、とにかくデータを安定供給する仕組みづくりが重要です。
優れたGPUリソースを確保する
短期間で確実に成果を挙げるためには、GPUリソースを確保することも必要です。ディープラーニングは通常のAIよりも遥かに多くのリソースを必要とするため、生半可なGPUでは運用が困難です。
当社モルゲンロットが提供する「M:CPP」では、そんなディープラーニングに最適なハイエンドGPUサーバーを、大手クラウドよりも価格を抑えて提供しています。専有サーバーでパフォーマンスの低下も抑えることができ、安定した計算処理を実現できます。
コストと性能の両立をGPUサーバーで実現したい場合には、お気軽にご相談ください。
まとめ
今回は、ディープラーニングにおけるデータセットの重要性や、どんなデータに注目するべきなのか解説しました。
データは今や企業の資産として経済価値を持っており、その活用方法の柔軟性を高めることが課題とされています。すでに国内企業でも次々とディープラーニングを使った製品開発が行われており、実践での運用も進んでいます。
十分なデータとGPUサーバーを確保の上、ディープラーニング活用を進めていきましょう。