人工知能の第３の波

この記事を読むのに必要な時間は約 5 分です。

人工知能とロボットの未来　第２回

～最新の人工知能とは？～

２０１６年１１月１日

人工知能は、１９５０年代から始まり、２度廃れた時期があったが、今あらためて注目を集めています。それは、「ディープラーニング」日本語名「深層学習」と呼ばれる機械学習技術の登場です。２０１２年、アメリカのGoogleが、コンピュータに猫を認識vさせたと発表しました。YouTubeの大量の画像をこのディープラーニング技術を使って読み込ませとところ、猫の特徴量を示すメットワークを構築したものが登場し、画像学習や音声認識などで、従来と比べて高い精度を実現した。

コンピュータが描いた猫（図１）

ディープラーニングとは？

ディープラーニングは、一言でいうと、過去のニューラルネットワークの発展版です。左のダイヤグラムは、過去のニューラルネットワークですが、人間の神経細胞同志が情報の伝達をするように、様々な情報から、猫の特徴をより分けていくようにしようとしましたが、３層以上にすると特徴の精度が上がらず、使いモノになりませんでした。

一旦人工知能の研究は下火になったのですが、そのあとも研究は継続されており、先述した、２０１２年のグーグルの発表をきっかけとして、研究が再燃した格好です。

機械学習にはさまざまな方法がありますが、とくに現在注目されているのは、機械が独自で学習していく教師なし機械学習と呼ばれるもので、グーグルの猫の特徴を機械が独自に学習したと言われるものです。ちょっとここで、ディープラーニングの基本アルゴリズムを紹介します。

そのアルゴリズムとは、自己符号化器と多層学習と呼ばれるものです。
自己符号化器（Auto　Encoder）入力層と出力層は同じ学習させたい正解のデータを読み込ませ、真ん中の「隠れ層」のデータをあえて、入力層、出力層より少なくします。
例えば、１０００個の正解データに対して、１００個の隠れ層の特徴量で表現できるようにニューラルネットワークの重みを調整します。こうすることで、特徴量を圧縮していくことができます。
また、自己符号化器では、この特徴量圧縮を行う際に、少しデータ特徴の違うものも加えます。
そして、圧縮された特徴量を持つ隠れ層は、次の層においてまた入力層と出力層として用いられ、また間にある隠れ層は、少ないデータ量に設定し、次第に特徴量が圧縮されるといった具合です。
このように、自己符号化器を何層も積み重ねることで、分類させたいデータに対して、どのようなパラメータで学習すれば精度がよくなるのか、コンピュータ自身で最適化することを可能にしたのです。

この深層学習で何ができるのか、その実用化が猛烈な勢いで進んでいます。とくに画像認識の分野で、自動運転用や、音声認識で、スマホの音声検索、自動翻訳、ロボットの行動生成など期待されている。とくに、画像認識では、GPU(Graphics Processing Unit)のコンピュータの性能向上により、ニューラルネットの階層を２０－３０層と深くし、ニューロン数も百万個ほどに大規模化した場合でも、数時間～数日で学習できるようになりました。短期的には、パターン認識にこのディープラーニングがいち早く応用化されると思われます。

ただし、現時点のディープラーニング技術では、ちまたでいわれている、人間の仕事を置き換えると見るのは早合点だと思います。

図２　日経エレクトロニクス２０１５年６月号より出典