ディープラーニングの汎用性（はんようせい）の高さとその可能性について 学びを深めましょう
11. スライド学習② ( 11 / 13 )
ディープラーニングの汎用性の高さとその可能性
ディープラーニングの柔軟な仕組み
機械学習の技術の一つである「ディープラーニング」は、革新的な技術として、今大注目されています。
これだけ注目されている理由の一つが、その汎用性の高さにあり、「入力層」と「出力層」の設計次第で、幅広い課題に対応することができます。
「入力層」にどのようなデータを入力すると「出力層」でどのような出力を得られるかを設計することを「ネットワークアーキテクチャ設計」と呼びます
ディープラーニングの活用例
例えば、「アイスの売上個数」を、ディープラーニングを使用して予測する場合を例に考えてみましょう。
「アイスの売上個数」を予測する場合、その日の「気温」や「湿度」などが売上個数に影響します。
ニューラルネットワークの「入力層」には「気温」「湿度」を入力すると、「中間層」で計算が行われ、「出力層」で「アイスの売上個数」を出力することができます。
この予測をニューラルネットワークの図で表すと、以下のようになります。
このように、「入力層」と「出力層」の設計次第で、ディープラーニングは様々な場面で活用することができます。
これまでのレッスンで登場したAIの技術をディープラーニングで置き換えると、以下のようになります。
| 予測したい内容 | 活用する技術 | 入力層（入力） | 出力層（結果） |
|---|---|---|---|
| 試験に合格するかどうか | 分類の予測 | ・前日の睡眠時間 ・スマホを持っているかどうか など |
・試験に合格する確率 |
| 画像に映る人の姿勢 | 姿勢の検出 | ・人が映った画像のRGB（赤、緑、青） | ・ヒジやヒザなどの、姿勢に影響を与える部分の「位置」 |
| 囲碁の対局での次の最善手 | 囲碁の指手の予測 | ・どのマスに、どの碁石が置いてあるかの情報 （黒・白・碁石ナシ） |
・次の最善手のマス目 |
| ロボットが効率的に物を取り出すための動作 | ピッキングロボット | ・ロボットがカメラでとらえた画像のRGB（赤、緑、青） | ・ロボットがどこに動くかなどの情報 （関節の位置やモーターの回転数） |
ディープラーニングの認識技術
ディープラーニングは、「画像」や「音声」など、様々なデータを学習し認識を行うことができます。
以下の動画で、カメラで認識した画像に何が映っているかを判別する「画像認識」の技術について確認してみましょう。
ディープラーニング研究開発の紹介(2分44秒)
引用元：株式会社アープ 製品紹介「【(株)アープ】Deep Learning研究開発の紹介(2017年5月30日)」
ディープラーニングを活用した事例
ディープラーニングを使用した囲碁ソフト「アルファ碁」
2016年に、世界トップの囲碁のチャンピオンにAIが勝利し、世界を驚かせました。
この囲碁ソフトは「アルファ碁」と呼ばれ、ディープラーニング技術を使用しています。
人工知能「アルファ碁」がトップ棋士を破る(55秒)
引用元：KYODO NEWS「人工知能、トップ棋士破る グーグル傘下の囲碁ソフト(2016年3月16日)」
コ
ラ
ム
ディープラーニングの弱点
ディープラーニングは汎用性が高く、様々な課題を解決できる可能性を秘めていますが、一方で弱点も存在します。
ディープラーニングでは学習に大量の訓練データが必要となります。訓練データが十分でない場合、学習時は高い精度を示しても、未知のデータに対する性能が落ちてしまう「過学習」が発生する可能性があります。
革新的な技術ですが、課題や条件に応じて、ディープラーニングか他の機械学習手法かを適切に選択することが重要です。
生成AI
テキストや画像などのコンテンツを新たに生成する「生成AI」という技術も、ディープラーニングを活用しています。
この「生成AI」は 世間で大きな注目を集めており、今もっとも注目される技術の一つになっています。
ディープラーニングは 「入力層」と「出力層」を変えることで 幅広い問題を解決できる可能性があります
また ディープラーニングだけではなく「決定木」など他のAI技術も組み合わせることで より複雑な問題に対応することができ 高い精度のAIが実現できます
ディープラーニングは私たちの生活に 大きく良い影響を与える可能性を秘めた革新的な技術であり この分野の進歩には目が離せません
