ディープラーニング

ディープラーニング（深層学習）は、層を深く重ねたニューラルネットワークを使う機械学習の方法です。「ディープ」とは、層の数が多いという意味です。2010年代に画像認識で大きな成果を上げて広まり、現在の生成 AI の基礎技術にもなっています。

なぜ画期的だったのか

従来の機械学習では、人が「どこに注目すべきか」を考えて特徴を設計していました。たとえば猫を見分けるなら、耳の形や目の位置を数値にして与える、といった作業です。ディープラーニングでは、生の画像や文章をそのまま入力すると、層を通るうちに必要な特徴が自動的に取り出されます。浅い層では線や色、深い層では目や耳、さらに深くなると猫全体、というように、段階的に抽象的な情報を捉えます。

発展の背景

• データの増加：インターネット上に大量の画像や文章が蓄積された。
• 計算力の向上：行列計算に強い GPU が学習に使えるようになった。
• 手法の改良：学習を安定させる工夫や、トランスフォーマーのような新しい構造が登場した。

この三つがそろったことで、以前は現実的でなかった規模の学習が可能になりました。

具体例

• 写真の自動分類、顔認証、医療画像の診断補助
• 音声アシスタントや自動字幕
• 翻訳、文章生成、画像生成、動画生成

使うときの注意・よくある誤解

• 大量のデータと計算資源が要ります。 小規模なデータで十分な手法が他にある場合もあり、表形式の業務データでは従来の機械学習のほうが扱いやすいことが少なくありません。
• 理由の説明が難しい。 結果は出せても、判断根拠を人が追いにくい点が、医療や金融での導入時に課題になります。
• 「AI」＝ディープラーニングではありません。 ルールベースの仕組みや、他の機械学習の手法も、AI の一部です。三つの言葉は、AI ＞ 機械学習 ＞ ディープラーニングという包含関係にあります。
• 学習済みモデルの流用が一般的です。 ゼロから学習するのは負担が大きいため、公開されているモデルを土台に、必要な部分だけ追加で学習させる方法がよく使われます。

関連する考え方

ディープラーニングの上に、基盤モデルや大規模言語モデルが成り立っています。モデルを大きくするほど性能が伸びる傾向はスケーリング則として整理されています。

学び始めるなら

まずは既存の学習済みモデルを API やツールで使い、何ができて何が苦手かを体感するのが近道です。その後、小さな画像分類などを自分のデータで試すと、データの量や質が結果を左右する実感が得られ、用語の理解も深まります。