本文へ移動
← 目次 生成AI発展講座 DAY 10

第2章|人工知能をめぐる動向

DAY 10 ・ 約30分

機械学習とディープラーニングへの転換

人が規則を書く方式から、データで表現を学ぶ方式へ。

今日できるようになること

ルールベース・機械学習・ディープラーニングの役割の違いを説明し、データ・特徴・計算資源・説明・安全から使い分けを判断できる。

01 言葉を知る02 仕組みを理解する03 実例で理解する04 今日の理解度を確認する05 今日の整理をする
01|言葉を知る

言葉を知る

用語を暗記するだけでなく、似た概念との違いと、何を判断するための言葉かまで整理します。

機械学習

すべての判断規則を人が書く代わりに、データ中の関係から予測や分類に使うパターンを学ぶ方法の総称です。

特徴量

予測や分類へ使う入力の表現です。表データの年齢・回数、画像の輪郭、文章の数値表現などが該当します。

特徴量設計

専門知識を使って、元データから判断に役立つ特徴を人が選び、変換する作業です。

表現学習

予測に役立つ特徴の表し方そのものを、データからモデルが学ぶ考え方です。深層学習の重要な性質です。

ディープラーニング

多数の層を持つニューラルネットワークを用い、単純な入力から段階的に複雑な表現を学ぶ機械学習の一分野です。

End-to-End学習

元の入力から最終出力までを一つの目的に沿ってまとめて学習する考え方です。中間処理が不要になるとは限りません。

ルールベース

ルールベースでは、「購入額が一万円以上なら送料無料」のように、人が条件と結果を書きます。

02|仕組みを理解する

仕組みを理解する

1.人が規則を書く方式は、明確さと限界を持つ

ルールベースでは、「購入額が一万円以上なら送料無料」のように、人が条件と結果を書きます。制度や業務規則が明確なら、少ないデータで始められ、同じ入力へ同じ結果を返します。なぜ判断したかも規則をたどれます。金額計算、権限、禁止事項では現在も重要です。 一方、猫の画像を見分ける規則を、耳の角度、毛の色、姿勢、背景まで人がすべて書くことは困難です。言葉の感情、音声、故障兆候のように境界が複雑な課題もあります。例外ごとに規則を加えると衝突し、保守できなくなります。規則方式の限界が、データから境界を学ぶ機械学習を必要にしました。

2.機械学習は、例から入力と結果の関係を学ぶ

教師あり学習では、過去の入力と正解の組を用意し、未知入力の正解を予測できるようモデルを調整します。迷惑メール判定なら、文章、送信元、リンクなどを特徴量へ変え、迷惑か通常かの正解と対応させます。人は個別メールの全規則を書く代わりに、目的、データ、特徴、評価方法を設計します。 「機械が自分で学ぶ」という表現には注意が必要です。何を正解にするか、どの期間のデータを使うか、どの誤りを重く見るかは人が決めます。過去データに偏りがあれば、それも学びます。学習後もデータと環境が変われば性能が落ちます。規則作成の負担が消えるのではなく、データ作成・評価・監視へ形が変わります。

3.従来の機械学習では、特徴量設計が大きな役割を持つ

画像をそのまま扱うのが難しかった時代、人は輪郭、角、色の分布などを数値として抽出し、分類器へ渡しました。需要予測なら曜日、祝日、直近平均、季節を作ります。よい特徴量は、少ないデータと計算でも高い性能を出し、専門家が意味を説明しやすい利点があります。 ただし、特徴量を人が設計できる範囲が性能の上限になります。画像・音声・文章では、どの局所パターンをどう組み合わせればよいかをすべて決められません。分野ごとの前処理が増え、新しい環境へ移すたびに作り直します。この手作業の制約を減らす方向として、ニューラルネットワークによる表現学習が発展しました。

4.深い層は、単純な入力を段階的な表現へ変える

深層学習では、入力を複数の層へ通します。画像なら初期層が線や色の変化、中間層が模様や部品、後段が対象全体に役立つ表現を学ぶと説明できます。実際の内部表現が人の概念と一対一に対応するとは限りませんが、単純な特徴を組み合わせて複雑な境界を作れる点が重要です。 各層の重みは、予測と正解の違いを損失として測り、誤差逆伝播法で改善方向を計算して更新します。人が特徴抽出器を一つずつ書かず、最終目的に役立つ表現をデータから学びます。その代わり、多くのデータと計算、調整が必要になり、内部判断を単純な規則として説明しにくくなります。

5.データ・GPU・学習技術がそろい、深層学習が広がった

ニューラルネットワークの考え方自体は新しくありません。多層モデルを学習させる方法も1980年代までに研究されていました。しかし、深いモデルを実用規模で学習させるには、大量の例、並列計算、安定した最適化が必要です。インターネット由来のデータ、GPU、ソフトウェア、活性化関数や正則化の工夫が組み合わさりました。 2012年のAlexNetは、大規模画像データとGPUを使った深い畳み込みネットワークでImageNet分類の誤りを大きく減らしました。成果は一つの発明だけでなく、データ、計算、モデル、学習方法の組合せです。「モデル構造だけ導入すれば同じ性能になる」と考えず、自分のデータ量、ラベル品質、機器、再現条件を確認します。

6.学習と探索を組み合わせ、複雑な課題へ広がった

囲碁では盤面の候補が非常に多く、力任せの探索だけでは扱いにくい問題でした。AlphaGoは、ニューラルネットワークで有望な手と局面価値を予測し、木探索で先の展開を検討しました。学習が探索の方向を案内し、探索が候補の結果を比較します。前日までに学んだ技術が、深層学習へ置き換えられたのではなく統合されています。 現在の生成AIエージェントも同じ見方ができます。言語モデルが次の行動案を生成し、検索やプログラムが外部情報を確認し、規則が権限を制限し、人が重要操作を承認します。モデル単体の賢さではなく、各部品の役割と証拠の流れを見ます。

7.End-to-Endは、中間確認をなくす意味ではない

音声から文字、文字から翻訳と別々に作る代わりに、音声から翻訳文まで一つの目的で学習する方法をEnd-to-Endと呼ぶことがあります。中間表現も最終誤差に合わせて調整でき、手作業の設計を減らせます。しかし、入力から出力まで一つのモデルにすれば常に優れるわけではありません。 大量の対応データが必要で、失敗箇所を切り分けにくくなります。業務上必要な根拠、監査、途中修正を残すため、あえて検索、計算、承認を分ける場合があります。技術上まとめて学習できることと、運用上まとめて任せてよいことは別です。End-to-Endを「人の確認が不要」という宣伝語にしません。

8.問題に合わせて、規則・従来学習・深層学習を選ぶ

選択では、第一に規則を明示できるか、第二に十分な代表データがあるか、第三に誤りの影響、第四に説明と更新、第五に計算費用を確認します。固定された料金計算なら規則、少量の表データなら決定木や線形モデル、画像・音声・文章の複雑な表現なら深層学習が候補です。 高性能な方式を常に選ぶのではありません。簡単なモデルで目的を満たせれば、費用、説明、保守で有利です。深層学習を使う場合も禁止条件、データ検査、人の承認を組み合わせます。DAY 10の到達点は「深層学習が最も新しいから選ぶ」ではなく、課題の性質と運用条件から理由を説明できることです。

9.第2章を、技術のつながりとして整理する

第2章では、候補をたどる探索、相手の反応を読むゲーム木、明示知識を使うエキスパートシステム、データから表現を学ぶ深層学習を学びました。各方式は競合する一枚のランキングではありません。解く問題のどの部分を担当するかが違います。 新しいAIシステムを見たら、候補生成、評価、知識参照、学習、実行制御へ分解してください。どこがデータから学び、どこが人の規則で、どこを探索し、どこで人が責任を持つかを書きます。この分解ができれば、流行する名称が変わっても仕組みを比較できます。

10.モデルが大きいことと、用途に合うことは別である

深層学習ではパラメータ、学習データ、計算量を増やすことで性能が上がる傾向があります。しかし平均性能が高いモデルでも、必要な言語、専門分野、応答時間、費用、機密性に合わない場合があります。小さなモデルや従来手法が、限定業務では安定し、管理しやすいこともあります。 モデル規模の数字だけでなく、代表入力での品質、最悪時の挙動、必要な機器、更新方法を比べます。外部APIへ送れないデータなら、少し性能が低くてもローカル方式が適するかもしれません。技術選択は総合順位ではなく、用途との対応です。

11.DAY 10では、一つの仕事を四つの部品へ分ける

身近な仕事を選び、明示規則で処理する部分、表データから予測する部分、画像・音声・文章の深層学習へ向く部分、人が最終判断する部分へ分けてください。それぞれに必要な入力、評価方法、失敗時の処理を書きます。 次に、全部を一つの生成AIへ任せた場合に失う証拠や制御を挙げます。反対に、すべてを規則化した場合の保守負担も挙げます。組み合わせる理由を費用、説明、安全、更新から説明できれば、第2章の技術を一つの設計へ統合できています。

03|実例で理解する

実例で理解する

具体例で考える

写真から設備の劣化を見つけ、修繕候補を作るシステムを考えます。画像の傷や変色は規則を列挙しにくいため、深層学習で候補領域を検出します。一方、築年数、点検期限、修繕費は表データのモデルや明示計算で扱えます。法定点検の期限と、一定金額以上の承認は規則にします。 モデルは劣化確率と注目箇所を提示しますが、写真に写らない内部故障は判断できません。過去写真の撮影条件が偏っていれば、別の建物で性能が落ちます。担当者は元写真、過去記録、現地確認を合わせて修繕を決定します。 深層学習へ全部を任せるのではなく、複雑な知覚だけを担当させ、計算・規則・人の確認と組み合わせます。この構成なら、どの部品を何の証拠で評価するかを説明できます。 運用開始前には、明るさ、角度、機種、建物種別を変えた写真で再現率と誤検出を測ります。モデルが候補を出さなかった写真も無作為に人が点検し、見逃しを監視します。撮影方法や設備が変わればデータの分布も変わるため、性能低下を検知する基準と再学習の承認手順を決めます。 この分解により、画像モデルを更新しても法定期限の規則を触らずに済みます。反対に制度が変わった場合は規則だけを更新し、画像認識の再学習を不要にできます。方式を分けることは古さではなく、変更理由と責任範囲を明確にする設計です。

手を動かして理解する

  1. 提供ケース「紙に描いた小さな配送経路を、状態・行動・ゴール・規則へ分解する」または自分が説明できる身近な事例を一つ選び、DAY10「機械学習とディープラーニングへの転換」の判断観点で整理してください。提出物には、①対象と目的、②本文の用語を使った判断、③判断の根拠、④未確認事項または限界を記します。最後に学習目標「ルールベース・機械学習・ディープラーニングの役割の違いを説明し、データ・特徴・計算資源・説明・安全から使い分けを判断できる。」を満たす説明になっているか自己確認してください。紙または端末の標準メモだけで実施でき、外部サービスへの登録や有料契約は不要です。 実在人物の個人情報、機密情報、未公開資料は使わず、架空または匿名化した情報だけを使ってください。

04|今日の理解度を確認する

今日の理解度を確認する

1 / 5
QUESTION 01

ルールベース方式が向く場面はどれですか。

QUESTION 02

機械学習で人の仕事が不要になる、という説明が誤りである理由はどれですか。

QUESTION 03

特徴量設計と表現学習の違いとして適切なものはどれですか。

QUESTION 04

深層学習が広がった背景として適切なものはどれですか。

QUESTION 05

AIシステムの方式選択として適切なものはどれですか。

05|今日の整理をする

今日の整理をする

この3点を持ち帰る

  • ✓ 機械学習では規則作成の負担が、データ・評価・監視の設計へ移る
  • ✓ 深層学習は多層の表現学習により、画像・音声・文章の複雑な特徴を扱う
  • ✓ 規則・探索・学習・人の承認は、問題の部分ごとに組み合わせて使う

講義本文 4,107字

PRIMARY SOURCES

確認に使った一次資料・原典

本文は各資料を参照し、初学者向けに独自構成・独自表現で解説しています。
CHAPTER REVIEW第2章の定着テストへ15問を解く →