ディープラーニング(深層学習、Deep Learning)は機械学習の一種です。複数の処理層を持つニューラルネットワークが、データの複雑な構造を自動的に学習します。データの量と質が増えるほど性能が向上する点が、大きな特徴です。
人は経験から学びます。経験が豊かになるほど、多くのことを学べます。人工知能(AI)の分野であるディープラーニングでも、AI用のハードウェアとソフトウェアを備えたマシンに同じことが言えます。
ディープラーニングは機械学習の一分野です。学習のベースになる経験は取得したデータで定義され、その量と質が学習の程度を左右します。十分に学習したマシンは、車の運転、畑での雑草の検出、病気の診断といった特定のタスクに従事できます。
ディープラーニングのネットワークは、データに含まれる複雑な構造を発見することで学習します。複数の処理層で構成された計算モデルを構築し、複数の抽象化レベルでデータを表現します。
畳み込みニューラルネットワーク(CNN)と呼ばれるモデルは、猫を含む画像など大量の画像で学習できます。取得した画像のピクセルから学習し、爪、耳、目といった特徴のグループを使って、画像内に猫がいることを分類します。
ディープラーニングは従来型の機械学習と根本的に異なります。従来型では専門家が特徴検出システムを設計するのに長い時間がかかりますが、ディープラーニングでは大量の画像を提供するだけで、システムが特徴を自動的に学習します。
コンピュータ ビジョン、音声認識、機械翻訳、ロボット工学などの多くのタスクで、ディープラーニングの性能は従来型を大きく上回ります。ただし構築が容易というわけではなく、数千のハイパーパラメータを調整する必要があります。
ディープラーニングは機械学習の一種ですが、特徴の扱いとデータへの応答が異なります。以下の表で主な違いを整理します。
| 観点 | 従来型の機械学習 | ディープラーニング |
|---|---|---|
| 特徴の設計 | 人が手作業で設計する | ニューラルネットワークが自動で学習する |
| データ量との関係 | 一定量を超えると性能が頭打ちになることが多い | データが増えるほど性能が向上しやすい |
| モデルの構造 | 比較的浅い | 複数の処理層で構成される |
| 主な用途 | 構造化データ、少量データ | 画像、音声、自然言語などの大量データ |
ディープラーニングには、入力とタスクに応じた複数のニューラルネットワークのアーキテクチャがあります。代表的な種類は次のとおりです。
CNNとRNNはどちらも、大量のデータを必要とする教師あり学習を行います。
ディープラーニングは新たなブレークスルーを起こす糸口になります。すでに太陽系外惑星や新薬の発見、病気や亜原子粒子の検出などに役立てられています。ゲノム科学やプロテオミクスなど、生物学の理解も深めています。
私たちは大きな課題にも直面しています。気候変動は食糧生産を脅かし、人口増加が環境の変化を悪化させると予想されます。国連などの推計では、2050年までに世界人口が約90億人に達するとされています。こうした課題にはディープラーニングによる新しいレベルのインテリジェンスが必要です。
「視覚」は5億4,000万年前のカンブリア爆発の時代に誕生し、進化の主要な要素となりました。視覚情報を処理する生体のニューラルネットワークの進化に伴い、動物は周辺環境を認識するようになりました。
現在は、カメラという人工の目と、その視覚情報を処理するニューラルネットワークを組み合わせたAIアプリケーションが増えています。ディープラーニングとニューラルネットワークは、ロボットが環境を理解し、判断を下し、人と連携する能力を高めています。
ディープラーニングは、ロボット工学、農業、医療などの幅広い分野で使われています。各分野での活用例を次に示します。
ロボット工学の発展の多くは、AIとディープラーニングの進歩によるものです。AIによってロボットが環境を認識し、反応できるようになりました。倉庫内の移動や、形が不揃いで壊れやすい荷物の並べ替えなど、実行できる機能が広がっています。
共同作業が可能なロボットはすでに人のそばで働いており、人とロボットがそれぞれの強みに合わせて異なる作業を行っています。AIの進化に伴い、音声コマンドやジェスチャーへの反応、次の動きの予測も可能になっています。
農業では、ディープラーニングによって作物と雑草を見分ける機器が実現しています。草刈り機が雑草だけを選んで除草剤を散布し、他の植物はそのままにできます。
コンピュータ ビジョンを処理する農業機械では、除草剤、肥料、殺虫剤などを選択的に散布し、畑の作物を個々に最適な状態に保てます。ディープラーニングは灌漑や収穫など、他の農作業にも応用が広がる可能性があります。
医療画像処理は、ディープラーニングが特に有効に活用されている分野です。高品質なデータを利用でき、CNNで画像を分類できるためです。皮膚ガンの分類では、皮膚科医と同等かそれ以上の精度が得られる場合があります。
すでに一部のベンダーは、腫瘍学や網膜疾患の画像分析など診断目的でFDA認証を取得しています。ディープラーニングは電子カルテデータから医療事象を予測し、ヘルスケアの品質改善にも貢献しています。
ディープラーニングでは、入力とタスクに最適化されたアーキテクチャの研究が進んでいます。CNNは画像分類に適し、RNNはシーケンシャルデータを処理します。どちらも大量のデータを必要とする教師あり学習を行います。
教師なし学習と半教師あり学習は、現在活発に研究されている分野です。強化学習にディープラーニングを拡張した深層強化学習(DRL)では、囲碁で人に勝利するなど大きな進歩が見られています。
優れたニューラルネットワークのアーキテクチャを自動的に学習する研究も進んでいます。学習のための学習はメタ学習またはAutoMLと呼ばれ、着実に進歩しています。
現在の人工ニューラルネットワークは1950年代の知見に基づいて設計されてきました。神経科学の進歩に伴い、ディープラーニングのアーキテクチャは生体の脳神経に似た構造を示すようになり、両分野は今後さらに接近すると考えられます。量子機械学習も、機械学習の中で活発な研究分野です。
ディープラーニングには明確なメリットと、現実的な課題の両方があります。導入を検討する際は両面を理解しておくことが重要です。
主なメリットは次のとおりです。
主な課題は次のとおりです。
ディープラーニングを実践するには、データ、計算資源、人材の3つが必要です。それぞれが学習の質と速度を左右します。
こうしたデータと計算資源を安定して扱うには、拡張しやすいデータインフラが土台になります。NetAppのAIソリューションは、データ収集の効率化とAIワークロードの高速化を支援します。
ディープラーニングは、専用のソフトウェアとハードウェアの組み合わせで実行します。代表的な要素を次に示します。
GPUなどの計算資源とデータを効率よく連携させるには、性能の高いデータインフラが欠かせません。NetAppのAIソリューションは、こうした基盤の構築を支援します。
ディープラーニングは機械学習の一種です。複数の処理層を持つニューラルネットワークが、データの複雑な構造を自動的に学習します。データが多いほど性能が向上します。
機械学習の多くはデータ量を増やしても学習能力に限界があり、特徴の設計を人が行います。ディープラーニングはデータが増えるほど性能が向上し、特徴を自動的に学習します。
GPUは多数の演算を同時に実行できます。ディープラーニングは大量の行列演算を並列で処理するため、GPUを使うと学習と推論の時間を短縮できます。
代表的なアーキテクチャに、画像分類に適した畳み込みニューラルネットワーク(CNN)、時系列データを扱う再帰型ニューラルネットワーク(RNN)、報酬に基づく深層強化学習(DRL)があります。
ディープラーニングには大量かつ高品質なデータが必要です。教師あり学習ではラベル付きデータを、モデルの調整では十分な計算資源を必要とします。
ディープラーニングはロボット工学、農業、医療画像処理、コンピュータ ビジョン、音声認識、機械翻訳など幅広い分野で使われています。プラットフォームとしては、NetAppのAIソリューションなどがデータ基盤を提供します。
AIインフラの障害を取り除くことで、より効率的なデータ収集、AIワークロードの高速化、スムーズなクラウド統合を実現できます。