COLUMN

機械学習とは？3つの学習方法と利用例までを分かりやすく解説

【こちらもチェック！】

NTT東日本ではビッグデータ、クラウドAIの活用を支援させていただいております。詳しいサービス内容はこちらをダウンロードしてご確認ください！

近年のAI（人工知能）の普及を促進しているもののひとつが機械学習です。例えば顔認証やメールの自動仕分けなど、私たちが日常生活やビジネスで利用する身近な技術として取り入れられはじめているのです。そこで本コラムでは、そもそも機械学習とは何なのかを確認しながら、機械学習を実現する技術や機械学習の方法、また利用例などを分かりやすく解説します。

機械学習とは

機械学習は「ML（Machine Learning）」とも呼ばれる、AIを支える技術の1つです。

AIのはじまりは1956年、アメリカの計算機科学者であるジョン・マッカーシーがダーマスト会議の提案書に使用した用語「Artificial Intelligence（AI：人工知能）」で初めて定義されました。また、1959年には、IBMのエンジニアが「機械学習」という研究テーマを定義しています。

AIには今日までに3度のブームがありました。

• 第1次AIブーム：1960年～1974年
• 第2次AIブーム：1980年～1987年
• 第3次AIブーム：2006年～2020年

このように、AIや機械学習の研究は古くから行われています。そして第3次ブームの現在、ICTの実用化やビッグデータなどの環境が整いつつあり、ついに機械学習が実用化される時代になったのです。

さらに、機械学習を実現するための手法にも「ニューラルネットワーク」や「ディープラーニング」といったものが利用されるようになりました。

近年、機械学習がさらに発展し、AIの概念である「機械が人の知能を持つ」に近づくことで、シンギュラリティ（技術的特異点）という用語も注目されはじめています。

機械学習の手法

機械学習の手法として良く聞くのは、「ニューラルネットワーク」と「ディープラーニング」です。

しかし、これら技術を同列に考えると誤解が生じますので、まずは「機械学習」「ニューラルネットワーク」「ディープラーニング」の関係性を確認しておきましょう。

まず、AIを実現するための手法の1つが「機械学習」です。そして、機械学習を支える技術の1つが「ニューラルネットワーク」。ニューラルネットワークの学習能力を高める1つの手法が「ディープラーニング」だとイメージすると分かりやすいでしょう。

包括する関係性を表すと、次のようになります。

AI　＞　機械学習　＞　ニューラルネットワーク　＞　ディープラーニング

ニューラルネットワークとディープラーニング

ニューラルネットワークとは、機械学習の手法の1で、人間の脳にあるニューロン（神経細胞）の働きを模倣したモデルです。

ディープラーニングもまた、機械学習の手法の1つですが、こちらはニューラルネットワークの技術が発展したものだといえます。

具体的には、ニューラルネットワークを多層化（複数の層に重ねる）することで、学習能力やデータ分析能力が高められた技術です。近年のAI開発では、ディープラーニングが主流の手法として用いられています。

機械学習の3つの学習方法

機械学習には、大きく3つの学習方法があります。それは「教師あり学習」「教師なし学習」「強化学習」です。

教師あり学習

教師あり学習は、「正解のデータ」を教えていく学習方法です。正しい結果をデータとして学習させることで、入力データに対して正解となる出力が行えるようになります。

教師あり学習では、主に「識別」と「回帰」を可能とします。

識別（分類や認識）

識別は、与えられた正解データをもとに、出力するデータとして「正しいもの」と「正しくないもの」を分類したり認識したりするものです。

例えば、受信したメールが迷惑メールであるか否か、スパムメールであるか否かを判断できます。教師あり学習であらかじめ迷惑メールのパターンも学習しているため、受信したメールが迷惑メールのパターンであることを判断し、分類できるようになるのです。

その他、人や動物が一緒に写っている写真を「人」と「動物」に分類して、写真のデータを自動的にグループ分けすることもできます。

回帰（予測）

回帰は、一定の間隔で連続するデータを数値として学習することで、今後の予測に役立ちます。

例えば、企業の売上予測や天気予測などへの利用が考えられるでしょう。毎月・毎年の売上を学習することで、今後の企業の売上傾向を予測します。また、これまでの天気を学習すれば、雨雲が出てきた場合には降水確率が上がるなどという予測が立てられるのです。

「識別」では分類するための特徴を学習しましたが、「回帰」では過去のデータを主に数値として学習することで、過去データからの予測ができるようになります。

教師あり学習については「教師あり学習とは？覚えておきたい機械学習の学習手法概要」にて詳しく解説していますので、ぜひ参考にしてください。

教師なし学習

教師なし学習は、「正解のデータ」を教えずに学習させる方法です。

大量のデータを学習させることでデータの特徴やパターンなどを覚えますが、それが正解か否かを「判断」することを覚えるのが教師なし学習の特徴だといえるでしょう。

教師なし学習の代表的なものはクラスタリングです。

クラスタリング

クラスタリングとは、大量のデータをカテゴリ別に分類してグループ化する機能です。教師あり学習の分類と異なるのは、機械が「正解データを知らない」状態でグループ化する方法を学習する点です。

大量の画像データの中から性別や動物の種類を判別してグループ化したり、動画データの中から自動車だけを抽出したりできます。これは、データの特徴や構造の類似部分を抽出することでパターン化し、仕分けをしているのです。

例えば、0歳から70歳の人の画像を大量に学習させることで、顔の大きさやシワの数、まるみや表情などをデータとして取得して、年齢別にグループ分けをすることを学習します。

教師なし学習については「教師なし学習とは？覚えておきたい機械学習の学習手法概要」にて詳しく解説していますので、ぜひ参考にしてください。

強化学習

強化学習では、出力される結果にスコア（点数）をつけて、最も望ましい結果を出すための行動を学習させていきます。強化学習を行う機械は、スコアという報酬をいかに最大化するかを判断しながら学習していくのです。

例えば、株式の売買で利益を最大化する問題や、複雑な迷路をいかに最短でゴールするかなどを考える機械をイメージすると分かりやすいでしょう。

教師なし学習と同じように、正解データを学習させることはありません。しかし、教師なし学習との大きな違いは、機械が報酬を得るために最適な行動を考え実行するということです。

機械学習の利用例

機械学習は、私たちが普段利用するデバイスやECサイトなどでもその技術が活用されつつあります。

ここでは、身近でイメージできる3つの利用例を見ていきましょう。

顔認識

顔認証は、機械に「人の顔」を認識させる利用例です。膨大な「人の顔のデータ」を教師あり学習で行い、それぞれの特徴を学習することで人の顔を識別します。

例えば、人の顔の特徴として「目が二つ」、その下に「鼻が1つ」、さらに「口が1つ」といったパターンを学習すれば、人と動物と車が映った画像の中から「人の顔」だけを判別できるようになるといった具合です。

レコメンド（おすすめ機能）

レコメンドは、インターネットショッピングサイトなどおすすめ機能のことです。ユーザーが検索したモノや購入した商品を学習して、過去の購買行動をもとに類似した商品、あるいは関連商品をおすすめ商品として表示させます。

これは、教師なし学習によってクラスタリングが行われ、分析した結果を表示しているものです。

自動運転

自動運転は、機械学習を利用したスマートカー製造に利用されます。スマートカーは、搭載されたあらゆるセンサーによって、事故を起こさない運転を学びます。

例えば、周囲のものとどのくらい距離を取ればぶつからないのか、前を走る自動車のスピードが減速した場合、どのくらいのタイミングで自分が減速すれば安全な距離を保てるのかを学習していくのです。

このような学習には強化学習も使われており、安全に最適化された行動を学習していきます。

【こちらもチェック！】

NTT東日本ではビッグデータ、クラウドAIの活用を支援させていただいております。詳しいサービス内容はこちらをダウンロードしてご確認ください！

まとめ

機械学習とはAIを支える技術で、AIをより「知能を持つ機械」に近づけてくれる技術だといえるでしょう。機械学習は「教師あり学習」「教師なし学習」「強化学習」と、大きく3つの学習方法で知識を得ていきます。人がものを見て判断するのと同じように、AIは機械学習でその判断能力をつけていくのです。どのようなAIを実現させるかによって機械学習の方法も選択できますので、機械学習を学ぶ上ではそれぞれの学習方法をしっかりと意識しておく必要があります。