ディープラーニング についての簡単な説明・歴史・実用例

「AIの冬の時代」を経て、ディープラーニングは戻ってきて、人工知能の分野で大きな問題を解決し、インテリジェントシステムの構築を支援し、さまざまな分野の人々をサポートすることで、多くの大きな成果を達成しました。 「人工知能」(Artificial Intelligence – AI)、「マシンラーニング」(機械学習 – Machine Learing – ML)、「ディープラーニング」(深層学習 – Deep Learing – DL)などのキーワードは、検索エンジンだけでなくメディアでもますます人気が高まっています。これら3つの概念について簡単に説明すると、AI(最初のアイデア)が最大の概念であり、次に機械学習(後に続く概念)、最後に深層学習(現在AIブームを推進しているもの)だと言えます。

人工知能(AI):人間の行動や思考を模倣できる機械。
マシンラーニング:専門家がAIをトレーニングしてデータパターンを認識し、予測を行うことを可能にするAI機能。
ディープラーニング:機械学習の小さな手法で、機械が自分自身をトレーニングできるようにするもの。

人工知能、機械学習、深層学習

(引用元:What’s the Difference Between Artificial Intelligence, Machine Learning and Deep Learning?)

この記事では、読者にディープラーニングの基礎概念を紹介します。

目次

ディープラーニングとは

ディープラーニングはアルゴリズムの一部であり、複雑さが増し、機械学習と密接に関連しています。 ディープラーニングは、人間の脳内のニューラルネットワークのシミュレーションに基づいて構築され、これらのニューロンが接続して多くの層を形成し、データ(情報)が伝播されて各層を通過します。

ディープラーニングは人間の脳内のニューラルネットワークのシミュレーションに基づいて構築される

(引用元:Human Brain versus computer)

ニューラルネットワークには、データが自動的に渡されるたびにデータの特徴を「抽出」するタスクがあります。 機械学習では、この特徴抽出は通常、「特徴量エンジニアリング」と呼ばれるトレーナーによって事前定義されています。

ディープラーニングの歴史

ディープラーニングの歴史

(引用元:Deep Learning 101 – Part 1: History and Background)

ディープラーニングの開始

人工知能とディープラーニングは1957年に注目され、Perceptronの「教師あり学習」アルゴリズムがFrank Rosenblattによって導入され、バイナリ分類の問題が解決されました。 この時点で、Perceptronは、機械が人間のように考え、知覚できるという希望を提供します。

AIの冬の時代

しかし、これらの希望は、1969年に、PerceptronがXOR関数の学習のような単純なすべて非線形の問題ではなく、線形の問題のみを解決できることが示されたときに打ち砕かれました。 ディープラーニングは「AIの冬の時代」の期間に入り、Perceptronは20年近く研究を停止しました。

ディープラーニングの台頭

1986年に、Perceptron多層ネットワーク構造とBackpropagationトレーニングプロセスの導入により、Perceptronの制限が完全に排除されました。 ディープラーニングは、専門家からの研究を公式に引き付けます。 新しい研究は欠点を克服し、改善します。
ディープラーニングの手法を用いた事で、従来に比べて飛躍的に認識精度が向上するケースもあり、現在世の中でディープラーニングはたいへん注目されています。最近ではレコメンデーションや自動運転の分野など、幅広い分野で利用されています。ニューラルネットワークの隠れ層は多層にする事が可能です。ディープラーニングとは、「隠れ層が多数存在する多層構造のニューラルネットワーク」のことを指します。

これまでのディープラーニングの開発

ニューラルネットワークをより効率的にするためにモデルを改善し、より多くのプロセスを開発することに加えて、マシンと計算速度の開発は、ディープラーニングが開発して実用のアプリケーションに組み込むのにも役立ちます。 グラフィックカード(GPU)を使用するのは、並列計算の速度が向上し、アルゴリズムの処理が高速になり、ニューラルネットワークのレイヤー数が増えます。 さらに、ディープラーニングのコミュニティも成長し、ラベル付きデータ、最適化手法、支援ライブラリを提供して、より良いトレーニングをサポートしています。

ディープラーニングで可能なこと・実用例

ディープラーニングは、人々に無数の利益をもたらし、労働力を解放し、生産効率を高め、人々の生活を改善するための多くの便利さを提供してきました。 ディープラーニングと人工知能のいくつかの現実適用があります。

画像認識

画像認識とは画像や動画を入力し、文字や顔などの特徴を検出・認識する技術です。 背景から特徴を分離抽出しマッチングや変換をおこない、目的となる特徴を特定し認識します。 カオピーズではディープラーニング(深層学習)、レインフォースメントラーニング(強化学習)、OCRなどの技術を活用して、業務の省力化、高速化、生産性向上に貢献できる画像認識AIモデルを研究開発しております。Kaopiz OCRを活用することで、運転免許証、パスポート、領収書、在留カードなどの様々な書類の画像から、AIとOCR技術により簡単・正確・高速で情報を読み取り、データ化することが出来るAIモデルの総称です。多数の企業様に役に立っている画像認識AIモデルをご提供できるだけではなく、御社のご要望に最適なAIモデルのスクラッチ構築やAIを応用したシステム開発もお手伝いします。

画像認識AIモデル

文字読取りエンジン「Kaopiz OCR」

また、近年顔認識は、勤怠管理、またはeKYC – Electronic Know Your Customer(銀行、証券会社などで使用されているアプリケーション)で広く使用されています。カオピーズも顔認証を活用して、入退場管理システムを開発したことがあります。

顔認識AIモデル

(引用元:Generate Faces Online using AI)

がんの検出

がんの検出

(引用元:Google AI for breast cancer detection beats Doctors)

医療データは、医療プロセスを改善するために活用および分析する必要がある重要なデータの1つです。 ディープラーニングを適用することにより、画像診断が加速され、より正確になり、患者を迅速かつ効果的に治療するのに役立ちます。

製造品質管理

製造品質管理

(引用元:Manufacturing Quality Control Using Deep Learning & Computer Vision)

コンピュータービジョンを活用することで製品の品質管理を自動化、正確、高速化できます。 これにより、製品の欠陥の可能性を減らし、製品の生産性と品質を向上させます。 さらに、コンピュータビジョンを本番環境に適用すると、自動ロボットを使用して人件費を節約できます。 生産ラインの自動化は、企業が品質と価格の面で競争上の優位性を持つのに役立つ要因の1つです。

まとめ

本記事では今回ディープランニングの定義・歴史・事例をご紹介しました。身近なサービスでもディープラーニングの技術はすでに利用されているようですね。この技術が発展して私たちの生活をもっと豊かにしてくれる期待は充分に持ってよさそうです。これからもディープラーニングの動向は目が離せません。企業の人材育成についても、今後は「コンピュータに任せる」業務が拡大していくので「人間だから磨くべき知識・スキル」に重点をおく必要がありそうです。
カオピーズはディープラーニングを活用して、お客様のご要望に合わせてAIモデルの技術提案、実証実験からシステム化まで、当社の優秀なAI研究開発エンジニアがお手伝いします。カオピーズはシステム化・業務改善の提案からインフラ構築、システム開発、その後の運用・保守までお客様に一貫したサービスで対応します。AIを使ったサービス・プロダクト開発をご検討されている事業会社の方は、是非一度ご相談ください。