機械学習
機械学習は、AIの一分野であり、コンピュータがデータから自動的に学習し、予測や判断を行う能力を持たせる技術です。
機械学習アルゴリズムは、大量のデータを用いてモデルを訓練し、未知のデータに対しても正確な予測を行うことができます。
機械学習には、教師あり学習、教師なし学習、強化学習などの方法があります。それぞれの方法は、異なるタイプの問題に対して適切な解決策を提供します。
教師あり学習
教師あり学習(Supervised Learning)とは、機械学習の一種であり、既知の入力データと出力データの組み合わせを用いて、新たな入力データに対する出力データを予測する手法です。
具体的には、ラベル付きデータ(入力データとそれに対する正解の出力データ)を学習し、未知の入力データに対して正しい出力を返すことを目的とします。
教師あり学習の一般的な応用例には、画像認識、音声認識、メールのスパムフィルタリングなどがあります。
![](https://it-school.te2software.com/wp-content/uploads/2023/10/AI_教師あり学習-1024x520.png)
教師あり学習は主に二つの手法に分けられます。
分類 (Classification) | 分類は、データを事前に定義されたカテゴリに割り当てる手法です。 例えば、メールが「スパム」か「非スパム」かを識別する場合や、画像に写っている動物が何かを判断する場合などがあります。 分類は出力変数がカテゴリ形式(離散的)である場合に使用されます。 |
回帰 (Regression) | 回帰は、連続的な値を予測する手法です。 例えば、家の特徴(広さ、立地、築年数など)から家の価格を予測する場合や、ある企業の過去の業績データから未来の株価を予測する場合などがあります。 回帰は出力変数が連続値(数値)である場合に使用されます。 |
例えば、果物をリンゴとバナナに分類する問題を考えます。
教師あり学習では、まずリンゴとバナナの写真とそれぞれの正解ラベルが用意されます。
機械学習モデルは、これらの写真と写真に付与された「リンゴ」「バナナ」などのラベルを元に、果物がリンゴかバナナかを見分ける方法を学習します。
学習が終われば、新しい写真が与えられたときに、正確にリンゴかバナナかを判断できるようになります。
教師なし学習
教師なし学習(Unsupervised Learning)とは、機械学習の一種であり、正解ラベルが付与されていないデータから、データの特徴を抽出する手法です。
教師あり学習とは異なり、正解が与えられていないため、データの構造やパターンを自律的に発見することが目的となります。
教師なし学習の一般的な応用例には、顧客セグメンテーション、画像・音声・テキストの自動タグ付け、異常検知、推薦システムなどがあります。
![](https://it-school.te2software.com/wp-content/uploads/2023/10/AI_教師なし学習-1024x649.png)
教師なし学習には次のような手法があります。
クラスタリング (Clustering) | クラスタリングは、似ている特徴を持つデータポイントをグループにまとめる手法です。これにより、データセット内に存在するグループやパターンを発見できます。 例えば、顧客データを分析して似た購買行動を示す顧客グループを識別することができます。 クラスタリングは、データを事前に知られたカテゴリに分けるのではなく、データ自体から自律的にグループを形成します。 |
映画推薦システムを考えてみましょう。
利用者が視聴した映画のリストを送信すると、システムは教師なし学習の手法を用いて、送信された映画リストの特徴(ジャンル、監督、出演者など)を自動的に解析します。この結果から、利用者の映画の嗜好を把握し、それに基づいた映画を推薦します。
例えば、利用者がスリラー映画を多く視聴している場合、システムはその情報を捉え、スリラージャンルの未視聴映画を推薦します。また、特定の監督や出演者の映画を好む傾向がある場合、その監督や出演者の他の作品も推薦します。
このように、教師なし学習は、個々の利用者の好みを自動的に把握し、パーソナライズされた推薦を提供することが可能です。これは、映画だけでなく、音楽や書籍、飲食など、さまざまな分野での推薦システムにも応用することができます。
強化学習
強化学習は、機械学習の一種で、エージェント(プログラムやロボットなど)が自分で試行錯誤しながら最適な行動を学習する手法です。
ゲームやロボット制御など、特定の状況下で最適な行動を選択する問題に適しています。
強化学習では、エージェントが環境と相互作用し、経験を通じて学習します。
エージェントは、与えられた状況で行動を選択し、その結果として環境から報酬というフィードバックを得ます。報酬は、行動が目標に適しているかどうかを示す指標で、エージェントはこの報酬を最大化するように行動を調整します。
例えば、強化学習を使ってチェスをプレイするプログラムを考えます。プログラムは、最初はルールしか知らない状態で、試行錯誤しながら勝利に近づく手を学習していきます。勝利すれば報酬が得られ、敗北すれば報酬が得られないか、または負の報酬が得られます。プログラムは、報酬を最大化するように試行錯誤を繰り返し、最終的に強いチェスプレイヤーになることが目標です。
![](https://it-school.te2software.com/wp-content/uploads/2023/10/AI_強化学習-1-1024x601.png)
強化学習は、自動運転車、ロボット制御、ゲームプレイの最適化など、さまざまな分野で応用されています。
自動運転車を考えてみましょう。
最初、自動運転車は交通ルールや安全運転に関する知識を持っていませんが、強化学習を用いて試行錯誤しながら安全かつ効率的な運転方法を学習します。
自動運転車は、行動の結果として安全運転に関する報酬(ポイント)を得ます。
事故を起こさず、効率的に目的地に到達すると高い報酬がもらえるため、自動運転車は報酬を最大化するように運転を調整し、最終的に安全で効率的な運転方法を学習します。
ルールベース型AIは初期のAIの形態で、人間があらかじめ設定した明確なルールに基づいて動作する人工知能の一種です。これらのルールは、「もしAならばB(つまりif文やswitch文などの条件分岐を用いる)」という形式で設定されることが多く、特定の条件が満たされると特定の行動を取るようプログラムされています。
このタイプのAIは「エキスパートシステム」などとも呼ばれ、主に明確なルールや規則が存在するタスクで有効です。例えば、法律や税務、会計などの領域、あるいはチェスや将棋のようなゲームにおいては、ルールが明確に定義されているため、ルールベース型AIが活用されやすいです。
しかし、ルールベース型AIには限界もあります。新たな状況やルールに対応するためには、人間が新たにルールを追加または更新する必要があります。また、曖昧さや予測が必要な問題、複雑な問題解決に対する対応能力は限定的です。
このため、現在ではルールベース型AIと、データから自動的に学習してパターンを見つける機械学習型AIとが、それぞれの長所を活かして組み合わされて使用されることが多いです。
ディープラーニング
ディープラーニングは、ニューラルネットワークと呼ばれる人間の脳の神経回路を模倣したアルゴリズムを用いた機械学習の手法です。
ニューラルネットワーク
ニューラルネットワークは、人間の脳の神経細胞(ニューロン)を模倣したアルゴリズムです。
これらは入力層、中間層、出力層という3つの主要な層で構成されています。各層には多数のニューロンがあり、これらは重み付けされた接続を介して互いに信号を送受信します。
ニューラルネットワークは、画像認識や言語処理などの複雑なタスクを解決する能力があります。
ディープラーニング
ディープラーニングは、複数の中間層を持つニューラルネットワークを使用する機械学習の一分野です。
名前の「ディープ」は、学習モデルが複数の中間層(レイヤー)から成り立つことに由来しており、これらの層を深く(多層に)重ねることで、複雑なパターンや関係性を把握することが可能となります。
例えば、画像認識のタスクでは、ネットワークの最初の層は線やエッジのような基本的な特徴を検出し、次の層ではより複雑な形状やパターンを抽出します。最終的に、ネットワークの最後の層では、画像内の物体やシーンを識別できるようになります。
ディープラーニングは、画像認識、自然言語処理、音声認識など、多くの分野で優れた成果を上げており、近年のAIの発展を牽引しています。しかし、大量のデータと計算能力が必要となることが課題となっています。
![](https://it-school.te2software.com/wp-content/uploads/2023/09/AI_ディープラーニング-1024x502.png)
ディープラーニングの活用例として「医療画像診断」について説明します。
近年、医療分野においてディープラーニングは大きな影響を与えています。特に医療画像診断では、MRIやCTスキャン、X線画像などを解析し、医師の診断を助けるためにディープラーニングが活用されています。
ディープラーニングの一種である畳み込みニューラルネットワーク(CNN)は、画像を解析し特定の特徴を認識する能力を持つため、複雑な医療画像の解析に適しています。例えば、CNNはマンモグラム(乳房のX線画像)から乳がんの初期の兆候を検出したり、肺のCTスキャンから肺がんを特定する能力を持っています。
さらに、ディープラーニングは皮膚病の診断にも用いられています。皮膚の写真からメラノーマやその他の皮膚病を検出するアプリケーションも開発されています。
これらの技術は、医師の負担を軽減し、より早期の発見と診断を可能にするため、医療分野におけるディープラーニングの大きな可能性を示しています。
活性化関数はニューラルネットワーク内の各ニューロンが受け取る入力信号を出力信号に変換するための関数です。
ニューロンへの入力は通常、重み付けられた複数の入力(他のニューロンからの信号やデータ)の合計として計算されます。活性化関数はこの合計された入力を受け取り、それを出力信号に変換して次の層へ伝えます。
この変換により、ネットワークは単純な線形処理を超えて複雑な問題を処理できるようになります。
例えば、シグモイド関数やReLU関数などのさまざまな種類の活性化関数があり、それぞれが異なる形で入力を処理します。
これらの関数を適切に選択することで、ニューラルネットワークは画像認識、言語処理、予測モデリングなど、多様なタスクを効果的に実行できるようになります。
![](https://it-school.te2software.com/wp-content/uploads/2023/12/活性化関数-1024x615.png)
バックプロパゲーション
バックプロパゲーションは、ニューラルネットワークを学習させる際に用いられるアルゴリズムです。
ネットワークが生成した出力と、実際の目標となる出力との誤差(エラー)を計算し、そのエラーを逆伝播させて各層の重みを更新します。
これは、イメージとしては、問題を解いて答えを出した後、答えが間違っていた場合、どの部分が間違いを引き起こしたかを遡って見つけ、その部分を修正するような方法です。
こうした方法により、ニューラルネットワークが正しい答えを出すように段階的に学習していきます。
AI(人工知能)の歴史は大まかに次の4つの時期に分けられます:
- 開拓期(1950年代-1960年代): AIの概念は1956年のダートマス会議に始まると一般的に考えられています。この時期には、AIの初期の形態であるルールベース型AIが開発されました。これらのシステムは人間があらかじめ与えた明確な命令やルールに基づいて動作しました。
- AIの冬(1970年代-1980年代): AIの研究は一時的に停滞期に入りました。これは主に技術的な進歩の遅れと、当時のコンピュータの能力不足によるものでした。
- 復興期(1990年代-2000年代): この時期には、機械学習(教師あり学習、教師なし学習、強化学習)が一般的になり、大量のデータからパターンを学習する新しいアプローチが開発されました。インターネットの普及とともに、AIの活用範囲が大幅に広がりました。
- 現代(2010年代-現在): この時期は、機械学習の一種であるディープラーニングの急速な進展によって特徴づけられます。ディープラーニングでは、人工ニューラルネットワークを使用して、非常に複雑なパターンを学習します。
AIの歴史は、科学技術の進歩とともに、これまで不可能と思われていたタスクの自動化を可能にする新たなアプローチと技術の開発によって推進されてきました。
関連用語
サイバーフィジカルシステムは、物理世界とデジタル世界が密接に連携し、相互に影響を与えるシステムのことです。これにより、現実世界での機器やプロセスをリアルタイムで監視・制御することが可能となります。
以下に、物理世界とデジタル世界の連携の流れを説明します。
まず、物理世界のセンサーやアクチュエーターが現実の状況をデータ化し、インターネットを介してデジタル世界に送信します。
デジタル世界では、このデータを元にAIによる詳細な分析や予測が行われ、その結果が物理世界にフィードバックされます。この相互作用により、効率化や自動化が実現されます。例えば、自動運転車やスマートグリッドなどがCPSの応用例として挙げられます。
![](https://it-school.te2software.com/wp-content/uploads/2023/09/n4101010_2.png)
具体的な活用例: スマートグリッド
スマートグリッドは、電力網を監視・制御するためのサイバーフィジカルシステムの一例です。センサーが現実世界の電力使用状況を収集し、インターネットを通じてデータが集約されます。このデータを元に、AIを用いた最適な電力配分や需要予測が行われ、電力網の効率化や安定化が実現されます。
デジタルツインは、物理的なオブジェクトやプロセス、システムの仮想的な複製(ツイン)をデジタル空間に作成する技術です。
この複製(ツイン)は、リアルタイムのデータやシミュレーションを用いて、実際のオブジェクトの状態や挙動を正確に反映します。
この技術により、物理的な世界のオブジェクトやプロセスのパフォーマンスをリアルタイムでモニタリングし、予測することが可能になります。デジタルツインは、物理的な対象の運用中に生じる可能性のある問題を事前に特定したり、メンテナンスの最適なタイミングを予測したりするのに役立ちます。
例えば、建物や製品のデジタルモデルを作成し、そのモデル上で試行錯誤やシミュレーションを行うことで、現実世界での改善や効率化を図ることができます。これにより、開発コストや時間を削減することが可能になります。
例: 航空機エンジンのメンテナンス
飛行機のエンジンは高度に複雑化した部品から成り立っており、それぞれの部品の性能や状態を正確に理解することは非常に重要です。デジタルツイン技術を導入することで、実際のエンジンの動作や状態をリアルタイムでデジタル上に再現することができます。
エンジンのリアルタイムデータをデジタルツインで持続的にモニタリングすることで、故障の兆候を早期に発見できます。これにより、予防メンテナンスが最適化され、故障のリスクを低減しながら、メンテナンスの頻度も最小限に抑えることができます。
また、航空機エンジンの開発においても、デジタルツイン技術が活用されています。現実世界のエンジンをコンピュータ上にデジタルモデルとして再現し、シミュレーションを行います。これにより、さまざまな状況下でのエンジンの挙動を確認し、最適な設計や改善策を見つけ出すことができます。また、開発期間の短縮やコスト削減にもつながります。
![](https://it-school.te2software.com/wp-content/uploads/2023/09/economy_11-02.png)