機械学習とはデータを反復的に学習することで規則的なパターンを見つけ出すことであり、統計学とも関係が深いです。
人工知能の分野での機械学習の目的は人間と同様の学習能力を機械が独自で身に付けることです。
そのためにはビックデータの中から多くのパターンを抽出し、人間が明示的にプログラムすることなく機械自ら学習領域を広げていく事が必要となります。

人工知能のアルゴリズムに用いられる代表的な機械学習・理論は以下の3つです。

  • 教師あり学習
  • 教師なし学習
  • 強化学習

これらの機械学習・理論が基になって人工知能は進化していくと考えられます。
それぞれの性質について確認してみましょう。

 

教師あり学習

教師あり学習はデータと正解のペアを同時に読み込ませることで、コンピューターが法則性を見つけていく学習方法になります。正解データは教師データ(ラベル)と呼ばれコンピュータは教師データとの共通点を観察する事でパターン・ルールを学習します。

細かいデータを読み込ませないと実行できない「教師あり学習」の事例としては、手書きの文字認識が挙げられます。何語においても、手書きの文字というのは書く人の癖がでます。形によっては、人間でさえ識別しにくい文字もあります。これらを一定のパターンに当てはめていくことができれば、癖のある文字も解読できるというわけです。

他に応用されている例として、画像や音声認識、翻訳、時系列予測などがあり、現在、機械学習の約70%を占めるのは、「教師あり学習」となっています。

■教師あり学習モデルの代表例
Deep Convolutional Neural Network
Deep Auto-encoder

 

教師なし学習

教師なし学習は「教師あり学習」の正解いわゆる教師データがない状態で構造や法則を見つけ出す学習方法です。正解がないので「出力すべきもの」が予め決まっておらず、コンピューターが自ら見つけ出す点が特徴です。

画像や音声、数値、テキストなどのラベリングしていない大量のデータを一方的に読み込ませ、類似データをまとめる(クラスタリング)に利用されるケースが多いです。

実際の現場で、「教師なし学習」の利用率は10~20%という割合ですが、ディープラーニングの登場により今後は更なる進化が期待されています。

■教師なし学習モデルの代表例

Deep Belief Network
Deep Boltzmann Machine

 

強化学習

強化学習とは「教師あり学習」の入力に対する教師データを与えるかわりに一連の行動に対する「報酬」と呼ばれるスカラーを与えることで環境に適応した学習を行う技術です。コンピューターは獲得できるスカラーを最大化させるために政策と呼ばれる最も適した行動戦略を学習します。

機械学習の「強化学習」で考えてみると、「教師あり学習」のように、どの行動でどの答えという導きはなく、“どの行動をとれば、より報酬に結びつく可能性が高いか”をコンピュータが見つけ出すことになります。
これらは未知の環境下での活動が予期されるロボットへの応用が期待されています。

日々企業で使用されている身近な例としては、ロボット制御、WEB広告の選択、マーケティング戦略などが上げられます。

■強化学習モデルの代表例

Deep Q-learning