
ここ数年で大きく取り上げられるようになったディープラーニング(深層学習)は、現代の人工知能の発展において、重要な役割を果たしています。しかし、そのキャッチーなネーミングとは裏腹に、実際にディープラーニングがどのような仕組みで機能しており、どんな役割を果たしているのかについては、わからないことも多いものです。
今回は、そんなディープラーニングという技術に注目し、どんなことを得意とし、どんなことを苦手としているのかなどについて、詳しくご紹介していきます。
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」とも呼ばれる学習方法の一つで、人工知能の強化に重要な役割を果たしています。大量のデータを学習するのに効果的な機能を備えており、一般的な機械学習よりも効率よく規則性を発見し、AIの自律的で正確な判断を促してくれます。
ディープラーニングの仕組み
ディープラーニングと機械学習は別個の学習形態のように紹介されることもありますが、そもそもディープラーニングは機械学習の一種であるということができます。
機械学習というのは、プログラムを使ってコンピューターに大量のデータを学習させ、その中から自発的にデータの中にある規則性を発見し、認知レベルの向上や予測精度の向上につなげるためのアプローチです。
そして、機械学習を行う上でコンピューターが学習していくことになるのは、各データにおける特徴量です。特徴量というのは、AIがデータを判断する上での規則性や特徴などを数値化したもので、これを基準に自己判断を行うことができるよう設計されています。
一般的な機械学習の場合、人間はAIに対して特徴量をあらかじめ設定する必要がありました。いわゆる「教師あり学習」と呼ばれる学習プロセスでは、あらかじめ人間がデータにラベルを貼り付け、AIに特徴量を提供することで、物事の判断ができるよう学習を促していたのです。
一方、ディープラーニングの場合は、人間が特徴量を指示しなくとも、独自に特徴量を発見することができます。「みかんとりんごは皮の色が違う」「Aさんの顔はこれ」といった判断に伴う基準を、ディープラーニングは独自の規則性から導き出し、驚異的な精度を発揮することができるようになりました。
その結果、人間では気がつくことができないような特徴に基づいて物事を判断できるようになり、AIが人間を超える判断能力を持ちうる可能性にも注目されるようになったのです。
ニューラルネットワークの恩恵
このような驚異のパフォーマンスを実現するきっかけとなった技術が、ニューラルネットワークです。ニューラルネットワークは、人間の神経回路をもとに作られたネットワークを構築しており、主に3つの層から成立しています。「入力層」「隠れ層」「出力層」と呼ばれる3種類のノードが存在しており、これらが違いに結びつくことで複雑な計算を可能にしています。
これまでもニューラルネットワークの活用については多くの研究が行われてきましたが、ハードウェアの技術的な問題などから、実践的な活用は難しいとされてきました。しかし、現代ではディープラーニングにおいて、ニューラルネットワークの「隠れ層」を複数層用意することが可能になりました。
その結果、単純なデータ処理だけでなく、人間の思考能力のような複雑な計算処理も、コンピューターで行う技術が実現したのです。ディープラーニングの構想は古くからあったものの、実現したのはつい最近の出来事です。現在、多くの研究者や企業がディープラーニングに注目しているのは、そういった背景もあります。
ディープラーニングができること
ディープラーニングの仕組みを理解したところで、次にこの技術がどのような方法で活用できるのかについて紹介していきましょう。ここで上げているのはあくまでも一例なので、これ以外にも多くの役割を担うことができます。
画像・映像認識
ディープラーニングが話題になった際、最も画期的な能力として注目を集めたのが、「画像認識」や「映像認識」の能力です。
例えば、セキュリティカメラの例を考えてみましょう。これまで監視カメラの役割といえば、あくまで現場の映像を記録し、何らかのトラブルや犯罪が発生した場合、原因の特定や犯人確保の証拠として後で役に立つことしかできませんでした。
しかし、ディープラーニングによる映像認識機能を搭載したカメラとなれば、大幅な機能のアップグレードが見込めます。リアルタイムの映像をコンピューターが解析し、不審者が写った際にはそのことを管理人に警告したり、アラートを現場へ通知することもできるようになるでしょう。
あるいは、火災が発生したときなど、カメラで火元の映像を捉えた時点で自動的に消防へ通報し、火事の規模が小さいうちに消し止めると言った防災にも活躍できます。すでにスマートフォンのセキュリティロックなどでも顔認証が採用されていますが、ディープラーニングによる画像・映像認識機能は非常に高いレベルで日常的に利用することが可能です。
自然言語処理
ビジュアル処理ばかりに注目が集まりやすいディープラーニングですが、画期的な自然言語処理を実現したのもこの技術のおかげです。人間がコミュニケーションのために使用する自然言語は、これまでコンピューターが最も解読しづらいとされてきた分野の一つです。
人間の言葉には常に文脈が存在するため、TPOや状況を理解しなければ、適切な翻訳や応答を行うことは難しかったのです。しかし、人間の文脈理解や外国語の理解は学習によって習得できるのと同様、ディープラーニングを使って学習を深めていくことで、人間のような言語能力を身につけさせることができるようになりました。
ディープラーニングによる自然言語処理の成功例として特徴的なのが、翻訳サービスの「Deep L(外部サイト)」です。Deep Lは従来の機械翻訳とは違い、ディープラーニングによって非常に正確な外国語翻訳を、さまざまな言語で行うことができるようになったプログラムです。
これまでの機械翻訳では単語をそのまま対象の言語に翻訳し、無理やりお互いを接続して文としてのまとまりを保っていたものですが、Deep Lではまるで人間が訳したかのような、ネイティブ翻訳を実現しています。
データ分析
売り上げ予測やシミュレーションなど、従来のコンピューターにおいてもデータを基にした予測を立てることは、さまざまな分野で行われてきました。しかし、ディープラーニングでは、従来型のデータ分析に加え、さらにもう一歩踏み込んだデータ処理を行い、意思決定の現場で大きな存在感を発揮することができるようになっています。
例えば、売り上げ予測の例をお伝えしましょう。従来のプログラムでは、あらかじめ与えられた数値に応じた計算結果からしか予測を立てることができません。
しかし、ディープラーニングの場合、ビッグデータを大量にインプットして独自の判断能力を養えるため、人間が重要視していなかった要素も予測値に反映されます。従来の売り上げ予測プログラムは人間の計算を簡便にするためのツールでしたが、ディープラーニングの売り上げ予測は、まるでマーケターのように自律的なシミュレーションと予測値の算出が可能になるというわけです。
どういった要素に特徴を見出しているかが見えない(ブラックボックス化している)ため、その信憑性の程度の判断はユーザーに問われますが、これまでにない視点で市場を俯瞰できるようになるのは大きな強みです。
ディープラーニングができないこと
ディープラーニングは非常に汎用性が高く、優れた判断能力を持つプログラムではあるものの、一方で常に万能であるとは限らない点には注意が必要です。ここでは、ディープラーニングができないことをお伝えします。
外れ値への対応
外れ値への対応は、ディープラーニングは行うことができません。外れ値というのは、統計学においては通常の値からは明らかに外れている要素のことを指しており、コンピューターの測定ミスなどを誘発する原因になるとされています。
ただ、現実世界においては、必ずしもすべてのものが標準的な数値を持って存在しているとは限りません。日本人の大半はアジア系ですが、中にはヨーロッパ系やアフリカ系の日本人も存在します。
仮に、ディープラーニングが「日本人はアジア人である」と学習してしまっていた場合、税関などの顔認証システムにおいて、ヨーロッパ系の日本人が現れた際、正常な判断ができなくなってしまうでしょう。
あるいは、新種の生物を発見といった現場においても、ディープラーニングの活用は現状では困難と言えます。仮に、新種の生物をAIが捉えたとしても、既存のデータに最も近い生物としてカウントしてしまい、新種の発見を見逃してしまう可能性があるためです。
このようなトラブルを回避するため、外れ値が生まれうる現場へのAIの導入は、より多様なデータをあらかじめインプットし、高度な学習を行わなければなりません。
イノベーションの牽引
自律的な思考力に期待されているディープラーニングですが、どれだけ深い思考力を身につけることができても、人間のようなイノベーションの力は創造できないとされています。ディープラーニングを搭載しているAIは判断能力に優れているものの、与えられたデータから期待されている回答を答えるというプログラムの領域は脱していません。
そもそも、AIには人間のように万物に対して深い思考が可能な「強いAI」と、特定の領域にのみ能力を発揮できる「弱いAI」の2種類があります。現在、研究機関や企業で主流なのは「弱いAI」の開発であり、万能な「強いAI」の開発は多くの困難を伴います。
そのため、人間のようにあらゆる領域における思考力を応用し、新しい発明で世界を導けるAIの登場は、遠い未来の話になります。
人の心を動かす仕事
ディープラーニングは、人間以上のパフォーマンスで知的労働をこなすことができますが、生命体ではありません。ディープラーニングを使ってどれだけ迫力のある絵が描けたり、スピーチ原稿を作ることができても、それだけでは人の心を動かすことはできない点は決定的な違いです。
しかし、仮に絵を描くディープラーニングの設計に人生をかけた研究者や、ディープラーニングが生成した原稿を感動的に読み上げられる話者が存在すれば、人の心を動かせる可能性が出てきます。人を感動させることができるのは、あくまで人間のストーリーがあってこそとも言えるでしょう。
ディープラーニングの今後の可能性と課題
そんな得手不得手がはっきりしているディープラーニングですが、この技術は今後、どのように発達していくことになるのでしょうか?また、それに伴って生じうる課題についても、確認しておきましょう。
さまざまな業界で活躍できる
先ほどお伝えしたように、ディープラーニングを搭載した人工知能は、さまざまな業種や分野で活躍することができます。
日本は現在少子高齢化による労働人口の減少に直面しており、多くの企業が働き方改革による業務効率化を実現し、少ない人数でも業務を遂行できる環境を整備しています。ディープラーニングはそんな日本の産業における効率化のニーズに応えるべく、今後も汎用性の強化に向けた研究が進められていくでしょう。
労働作業はAIとロボットで担える可能性がある
今後の活躍にも大いに期待されるディープラーニングですが、すでに実践レベルで様々な業務に応用できることも明らかになっています。ロボットの登場は、ブルーカラーの職場環境を大いに変化させたと言われていますが、AIやディープラーニングがもたらすことになるのは、ホワイトカラーと呼ばれる知的労働に携わる人たちの職場の変化です。
データ入力や経理業務、分析作業などはAIによるサポートだけでなく、いずれは完全自動化へ移行すると考えられます。デスクワークはロボットが対応できない現場と言われてきましたが、そんな常識も少しずつ変化の兆しを見せています。
データを取得しやすい環境が必要
ディープラーニングのポテンシャルにはそこ知れぬ可能性を感じさせられますが、一方で運用に伴う課題も小さくありません。
例えば、ディープラーニング運用に向けたデータのインプットです。人工知能は、学習済みのプログラムであれば即戦力として活躍してくれますが、大変なのは学習データを収集し、インプットさせる作業です。
汎用性の高いAIを構築するためには、相応のデータを用意する必要があります。いわゆるビッグデータのように膨大なデータを収集し、AIにインプットできるような体制を整えなければ、ディープラーニングの活用は難しいのが現状です。
ディープラーニングをフル活用できるハードウェアの開発が課題
ディープラーニングを活用する上では、高品質なハードウェアを用意する必要があります。例えば、正確な画像認識を行うためには、最先端のレンズを使用したカメラを用意し、判断を誤らないよう施さなければなりません。
また、データのインプットの際にも十分なGPUリソースを用意し、処理速度を加速する必要があります。
これらは自前でリソースを用意するとなると大きな初期費用がかかるものの、最近ではクラウドでGPUを確保することもできるようになってきました。そのため、質の高いハードの確保も少しずつですが安価な世界へと変わりつつあります。
ディープラーニングで変わる人の仕事のあり方
AIやディープラーニングの発達は、人々の生活を便利にしてくれる一方、生活や仕事を脅かすのではないかともされています。
意思決定の場でも活躍する
人工知能が通常のコンピューターと決定的に異なるのは、自律的な思考が可能かどうかです。ディープラーニングを搭載したAIは、さらに深い思考力を有しており、これまでは人間の仕事とされてきた、意思決定にも影響を及ぼすことになるでしょう。
将来的には司法の現場など、個人の命運を握るような現場においても、判断をサポートするツールとして、その存在感を大きくしていく可能性も十分にあります。
ディープラーニングと共存できる人間の仕事
このような可能性を踏まえ、将来的に人間から職業が奪われ、「多くの人が失業にあえぐことになるのでは?」と懸念を表明する声もあります。
しかし、先ほどお伝えしたように、ディープラーニングやAIといった技術は、常に万能であるとは限りません。AIが率先してイノベーションを起こすことは困難ですし、人を感動させるようなアートを生み出すことも、単体では不可能な仕事です。
そのため、ディープラーニングの登場によって失われる仕事は多々あるかもしれませんが、逆に人でなければできない仕事の重要性も高まっていくでしょう。
AI研究者やエンジニアは新しいAIの開発やそれらの維持に欠かせない存在ですし、イノベーションで人々を導く起業家や、芸術で人を感動させるアーティストなども代替不可能な職業の一例です。どんな仕事が人間の仕事となるかはそのときが来てみなければわからないこともありますが、ディープラーニングは人間と共生可能な技術と言えそうです。
ディープラーニングの活用事例
最後に、実際のディープラーニング活用事例を紹介しましょう。
東芝「分析・予測支援サービス」
画像引用元:「分析・予測支援サービス」 ディープラーニング
東芝ではディープラーニングを活用した、さまざまな分析支援サービスを提供していますが、例として製造業における画像分析機能の提供が挙げられます。
製造業では製品のクオリティはもちろんのこと、機械設備の稼働率も売り上げや業績に大きく影響を与えます。ディープラーニングを搭載した検知機能によって、製造機械設備の性能劣化や故障を予測し、安定したパフォーマンスの維持に努めることが可能です。
製造機械設備に取り付けたセンサーのデータを波形として画像化し、それをディープラーニングの分析対象とすることで、機械でも感覚的に異常を検知することができるようになりました。
丸紅ネットワークソリューションズ「TRASCOPE-AI(トラスコープエーアイ)」
画像引用元:TRASCOPE-AI
丸紅ネットワークソリューションズのトラスコープエーアイは、防犯カメラに人工知能を採用した検知機能を搭載することで、リアルタイムの状況判断が可能になりました。人間が常に防犯カメラの映像を眺めていなくとも、カメラ自身で不審者や異常を検知することができるようになるため、これまで警備員を常駐させていた場合、大幅な人件費の削減が可能になります。
24時間365日の監視を実現し、従来よりも優れたセキュリティレベルを実現することにもつながります。
NTTレゾナント「goo AI x Design」
画像引用元:goo AI x Design
NTTレゾナントのgoo AI x Designは、ディープラーニングによる自然言語処理機能を搭載した、チャットボットの提供を可能にするサービスです。検索エンジンであるgooのAIエンジンを活用し、AIでも顧客と自然な対話ができるよう、優れた文脈理解とコミュニケーションの実現をサポートしてくれます。
goo独自のデータベースを活用し、少ないインプット量でも実践で活躍できるサービスとなっています。
まとめ
ディープラーニングの仕組みや、ディープラーニングが得意とすること、苦手とすることなどを紹介してきました。ディープラーニングの開発は万人には開かれているものの、現状では開発のためのデータベースやハードウェアの確保が課題となっています。
そこで活用したいのが、高品質なGPUリソースを提供するクラウドサービスの、M:CPPです。
M:CPPではカスタマイズ性に優れ、ディープラーニングやデータ分析に最適な計算環境を迅速に構築することができます。導入費用も安価に抑えられるため、積極的に活用したいサービスです。
一度目を通して頂き、気になることがあればお気軽にお問い合わせください。