人工知能や機械学習は、近年のデータサイエンスにおけるトレンドでもある分野です。

そのためこれらの正しい理解が技術動向の把握のためにも重要であり、用語を混同しないようにしなければなりません。

この記事ではそれぞれ簡単に紹介し、両者の関係性について解説していきます。

人工知能とは何か

人工知能はAIとも呼ばれます。

明確な定義はなく「人間の知能を実現する技術」全般を広く指して呼びます。

非常に高度な判断能力を有したもののみならず、これを目指して作られたものであれば技術レベル問わず人工知能といえます。

近年では人間に近い知能を持つマシンなどを指して呼ぶ場合もありますが、それは人工知能においても特に技術レベルの高いものであり、後述の機械学習等を利用した産物といえます。

機械学習とは何か

それでは人工知能と並んで聞く機会も多い機械学習について見ていきましょう。

最初の定義付けでは「明示的プログラムがなくても学習能力をコンピュータに与えられる分野」であるとされています。

プログラムを明示する必要がない、ということがポイントです。

元来、コンピュータは人間の与えるプログラムをその通りに実行するものです。

そのため明示された指示内容に基づくことが基本であるものの、機械学習では自らが学習を行うため、全てを明示される必要がないのです。

具体的には、大量の学習データにより学習し、汎用的ルールおよびパターンを導きます。

学習プロセスが存在する点で従来のプログラム技術と大きく異なっているといえるでしょう。

関連記事：機械学習とは？教師あり・教師なし・ 強化学習・半教師あり学習のアプローチ法も説明

人工知能と機械学習の関係性

人工知能と機械学習は「全体と部分」の関係にあります。

【両者の関係性】

• 人工知能（AI）：人間の知能を実現する技術全般を指す広い概念
• 機械学習（ML）：人工知能を実現するための具体的な手法の一つ
• 位置づけ：人工知能という大きな傘の下に、機械学習が含まれる

つまり、機械学習は人工知能の一部であり、その中核的な技術手段です。

人工知能にはルールベースなど他の手法も存在しますが、現代の高度なAIを実現するには機械学習が不可欠でしょう。

ここまでで各々簡単に紹介しましたが、両者は密接に関わるものです。なぜなら人工知能という大きな概念の中に、その具体的アプローチとして機械学習が位置しているからです。

図1を見てみると関係性がイメージしやすいかと思います。

つまり一言で答えると、人工知能の中にある一つの手法が機械学習なのです。

なお、図１にあるように「ルールベース」もこれに並ぶ手法の一つです。

ただし機械学習ほど高度な技術ではありません。

こちらはあくまで明示的ルールに則り判断を行う一般的なプログラムです。

あらかじめ明示しておいた条件Aの下で機械的に判断を行い、入力Bを受ければ出力Cが処理されるという流れになります。

動作のルールは人間が逐一設定しておかなければならず、自ら情報整理し、背景にある法則を見つけ出すことはしてくれません。

学習して人間らしくなる

ルールベースおよび機械学習はいずれも人工知能における手法ですが、ルールベースだけでは人間に近い知能を再現できません。

そのため一般にイメージされる高度な人工知能を実現するには機械学習が欠かせません。

つまり、データをもとに、自ら学習するプロセスが非常に重要なのです。

学習を実施し、最適に振る舞うための基準を自動で見出せて、ようやく人間らしい認識・判断が可能になります。

なお、この基準を意味するパラメータを検出するには、学習材料となるデータが不可欠です。

できるだけ多くのデータを与えてやることで精度を高められますが、2000年以降はインターネットの普及もあり、データが収集しやすくなっています。

いわゆるビッグデータの時代となっており、膨大な量のデータを用いてより濃い学習ができるようになっています。

その結果、未知のデータを入力しても、獲得された法則に基づいて答えを出すことができ、予測を行うこともできるようになっているのです。

AIが再び注目される背景｜ディープラーニングと2つの技術革新

近年、AI技術が再び注目を集めている背景には、いくつかの技術的ブレークスルーがあります。

特にディープラーニング（深層学習）の実用化が大きな転機となりました。

ディープラーニングは機械学習の一手法ですが、その実用化には以下の2つの要因が不可欠だったのです。

技術革新1：GPUの並列処理能力の向上

画像処理用に開発されたGPU（Graphics Processing Unit：画像演算装置）が、ディープラーニングの膨大な計算処理にも活用できることが判明しました。

GPUの並列処理能力により、従来のCPUでは何日もかかっていた学習処理が数時間で完了するようになったのです。

この計算速度の飛躍的向上が、実用的なAIシステムの開発を可能にしました。

技術革新2：ビッグデータの登場

インターネットの普及により、学習に必要な大量のデータを収集できる環境が整いました。

ディープラーニングは大量のデータがあるほど精度が向上するため、ビッグデータ時代の到来が実用化を後押ししたのです。

2000年代以降、SNSや検索エンジン、IoT機器などから膨大なデータが生成されるようになり、AIの学習材料が飛躍的に増加しました。

第三次AIブームの到来

これらの技術的進展により、画像認識や音声認識などの分野で飛躍的な性能向上が実現しています。

その結果、AIは「第三次ブーム」を迎え、あなたの身の回りでも実用化が進んでいるのです。

スマートフォンの顔認識、音声アシスタント、自動運転技術などは、すべてこの技術革新の成果でしょう。

機械学習における学習・予測について

「学習」「予測」についてもう少し詳しく見ていきましょう。

基本的なプロセスは下の①と②です。

①      入力データを受け取り、モデル（パターン）を学習する
②      学習済みのモデルを用い、結果を出力する

学習が①、予測が②にあたります。

それぞれ図2と図3でその様子を確認してみましょう。

「特微量」とは学習に使うデータの、特徴を示す変数です。予測の手掛かりになる情報の集合体を意味します。

よく使われる「教師あり機械学習」をもとに説明すると、

学習プロセスにおいてはまず特徴量と正解のデータを入力して与えます。そうして法則を導くのです（図2）。

パターンの学習をしたモデルは、未知のデータを受けても、獲得した法則をもとに答えを出力します（図3）。

実用化するにはモデルの精度を検証するなど、様々なステップを経なければなりません。

精度が不足しているならデータ収集の方法や学習データの構成などを修正することになるでしょう。

そうして試行錯誤を重ね、汎用的モデルに辿り着くのです。

以上で、それぞれの特徴や関係性を解説しました。

機械学習は人工知能の手法の一つで、学習プロセスを持つ点で特徴的であること、人工知能は広い概念であることなどは整理しておきましょう。