DXを推進するAIポータルメディア「AIsmiley」| AI製品・サービスの比較・検索サイト
お急ぎの方は、まずお電話で 03-6452-4750
MAIL
お急ぎの方は、まずお電話で 03-6452-4750 10:00〜18:00 年末年始除く

機械学習とは何か?種類や仕組みをわかりやすく簡単に説明

最終更新日:2022/05/18

機械学習をわかりやすく解説

第三次AIブームといわれる昨今、さまざまな分野においてAIが積極的に活用され始めています。サービスの品質向上や業務効率化など、活用方法次第でさまざまなメリットが生まれるAIは、多くの企業にとって必要不可欠な存在となりつつある状況です。

そんなAIを有効活用していくためには、AIの仕組みについて正しく理解しておくことが大切になります。特にAIの肝と言っても過言ではない「機械学習」は、AIを理解する上で欠かせない技術の一つです。今回は、そんな機械学習の種類や仕組みについてわかりやすくご紹介していきますので、ぜひ参考にしてみてください。

■機械学習とは何か

機械学習とは、機械が膨大な量のデータを学習することによって自らルールを学習し、そのルールに則った予測や判断を実現する技術のことです。学習方法には、膨大な量のデータを学習して特徴を把握していく「教師あり学習」と、さまざまな次元でデータ分類などを行う「教師なし学習」、そして自ら試行錯誤して正解を求めていく「強化学習」の3種類が存在します。

AIにおける機械学習の位置付けとしては、「AIの要素技術の1つ」と表現することができるでしょう。そんな機械学習でできることとしては、「画像の判別」や「将来予測」といったものが挙げられます。

「画像の判別」はFacebookなどのサービスに搭載。人間の顔を判別する機能には、機械学習が活用されています。これは、自分自身の顔が写っている写真を自動で判別し、「○○さんと一緒にいます」と表示させることができるというものです。写真の判別は、機械学習によってユーザーの顔を認識しているからこそ実現できるのです。

「将来予測」はこれまでに蓄積されたデータを機械学習することによって、将来がどのようになるのか予測します。このアルゴリズム自体は複数存在しますが、適切なものを洗濯すればより精度の高い予測を行うことが可能になります。場合によっては、スポーツの試合結果や株価なども予測できるようになるかもしれません。

■AIやディープラーニングとの違い

AIとは、「Artificial Intelligence」を略した言葉であり、日本語に訳すと「人工知能」となります。人間の脳で行っているような作業をコンピューターが同じように模倣し、自然言語を理解したり、論理的に推測したり、経験に基づく学習を行ったりすることを目的とするプログラムを「AI」と呼ぶのが一般的です。そして、AIが膨大な量のデータを学習し、予測・判断を行っていく技術を「機械学習」といいます。

また、ディープラーニングは、膨大な量のデータを学習し、共通点を自動で抽出していくことによって、状況に応じた柔軟な判断を下すことが可能になる「機械学習技術の内の1つ」を指します。従来の機械学習と異なる点としては、より高精度な分析を行うことができるという点が挙げられるでしょう。

なお、ディープラーニングの位置付けとしては、機械学習の一部である「教師あり学習」の一部となります。

ディープラーニングと機械学習の違いとは?

■機械学習3つの種類

先ほどもご紹介したように、機械学習には、教師あり学習、教師なし学習、強化学習といった種類が存在します。これら3つの学習について、より詳しく見ていきましょう。

●教師あり学習

教師あり学習では、正解となるデータをあらかじめ読み込んだ上で、正解に紐づく結果を提示することが可能です。教師あり学習によって解く問題の代表的なものとして、「回帰」や「分類」が挙げられます。

回帰とは、「連続する数値の予測」のことです。たとえば、天候や平均気温といったデータとアイスクリームの販売個数の関係を学習することによって、「この平均気温であればこれくらいの売り上げが期待できる」といった予測を行うことが可能になります。

一方の分類は、「あるデータがどのクラスに属するかの予測」を指すものです。たとえば、迷惑メールかどうかが判別されているクラス分けされたデータの中から、文章の特徴やクラスの関係を学習することによって、新着メールが迷惑メールかどうかを予測することが可能になります。

●教師なし学習

教師なし学習では、正解となるデータが存在しないため、入力されたデータを利用して正解を導き出していきます。一見、教師なし学習のほうが難しいように思えるかもしれませんが、適切な方法で学習を行えば、教師なし学習でも精度を高めていくことが可能です。

●強化学習

強化学習では、データを活用せずに、設定された結果を評価するという形で最善の方法を探っていきます。バスケットボールのゲームを例にすると、パスが成功するたびに1ポイント、得点が入ると50ポイントといったアルゴリズムを搭載することで、自身で最適の方法を導いていくわけです。最近大きな注目を集めている将棋AIには、この強化学習が活用されています。

強化学習とは?手法や活用事例を紹介

■機械学習の仕組み

機械学習には、「ニューラルネットワーク」や「ニアレストネイバー法」といったアルゴリズムが存在します。これらがどのような仕組みなのか、それぞれ見ていきましょう。

●ニューラルネットワーク

機械学習には多様なアルゴリズムが存在し、その内のひとつに「ニューラルネットワーク」というものが存在します。このニューラルネットワークとは、いわば「人間の脳神経の仕組み」のような機械学習アルゴリズムです。脳の回路に似た形のユニットで構成されており、「入力層」「中間層」「出力層」の3層で構成されています。そんな3層のうちの「中間層」を深くしたものがディープラーニング(深層学習)なのです。

この中間層を深くすることによって、ニューラルネットワークよりも表現力や精度を格段にアップさせることができます。つまり、ディープラーニング(深層学習)というのは、機械学習における3層のうちのひとつである「ニューラルネットワーク」をさらに発展させたものということです。

●ニアレストネイバー法

ニアレストネイバー法とは、クラスタリングに用いられる手法の一つです。画像の拡大・縮小を行う際や、新しいデータに対して、最も近い既存のデータが属するクラスターに分類していく方式であるため、必ずしも高い精度を実現できるとは限りません。k近傍法と呼ばれることもあります。

■機械学習の代表的なタスク

・二項分類

二項分類とは、属性によって2種類に分類することです。わかりやすい例としては、「奇数or偶数」「0 or 1」といったものが挙げられるでしょう。二項分類では、分類閾値(カットオフ)というものが判断材料に用いられます。閾値とデータを比較した結果をもとに、予測が行われる仕組みです。

なお、データ分類の代表的な方法としては、多項分類というものも存在します。その名前からもわかるように、属性に応じて3種類以上に分類する方法のことです。色による分類や、種類による分類などは、この多項分類に該当します。

・多クラス分類

多クラス分類とは、データを複数のクラスに分類する分析のことを指します。多クラス分類が活用されているサービスの一つに挙げられるのが、Yahoo知恵袋です。Yahoo!知恵袋では、Yahoo! JAPAN IDごとに知恵袋の閲覧履歴から、ディープニューラルネットワーク(DNN)を使用して、次に閲覧するアイテムを予測してレコメンドする仕組みが導入されています。

多クラス分類を活用することで、レコメンド候補に出す質問をある程度事前に絞り込んだ上で、候補の質問のスコアを一気に予測することが可能になっているのです。

Yahoo!知恵袋の担当者が独自開発AIを導入した理由を語る

・回帰

先ほどもご紹介したように、回帰とは「連続する数値の予測」のことを指します。たとえば、天候や平均気温といったデータとアイスクリームの販売個数の関係を学習することによって、「この平均気温であればこれくらいの売り上げが期待できる」といった予測を行うことが可能です。

・クラスタリング

クラスタリングは、「データ間の類似度に基づいてデータをグループ分けしていく手法」のことです。ただ、クラスタリングという単語自体は機械学習や統計学の以外でも用いられることがあるため、「クラスタ分析」や「データクラスタリング」といった呼ばれ方をすることも少なくありません。なお、クラスタリングによって分類されたグループは、クラスタと呼ばれます。

そんなクラスタリングの活用例としては、顧客の情報をクラスタリングすることによって「顧客のグループ分け(セグメンテーション)」を実行し、同じグループ内で同じ商品が複数回購入された場合には「同じグループに属する別の顧客にも同じ商品のレコメンドを行う」といった手法が挙げられるでしょう。

ちなみに、各データが1つのグループだけに所属するようなグループ分けの手法(複数のグループへの所属を許容しない手法)をハードクラスタリングと呼びます。そして、各データが複数のグループに所属することを許容してグループ分けしていく手法をソフトクラスタリングと呼びます。

クラスタリングとは?

・異常検知

異常検知とは、大量のデータから通常とは異なるもの(異常)を検出することをいいます。データマイニングを利用してデータセット中の他のデータと照らし合わせを行い、一致していないものを識別していくという仕組みです。そのため、異常検知における「異常」というのは、通常の動作として定義された概念に当てはまらないものことを指しています。

そんな異常検知ですが、用途によっては「故障検知」「不正使用検知」といった呼ばれ方をすることもあります。そのため、これらを別物として捉えてしまう方もいらっしゃいますが、これらはすべて「他の大量のデータとは異なる振る舞いをみせるデータを検出する技術」であることに変わりはないため、すべて同じものと捉えて問題ありません。

なお、最近の異常検知では、メールや文書、動画、画像、Webサイトのログといった「非構造化データ」が用いられるケースが多くなっています。そのため、実際のビジネスにおいて活用していくためには、データ分析に関する知識や経験が必要になるでしょう。

異常検知とは?機械学習の手法や活用事例を紹介

・画像分類

画像分類とは、画像やデータを複数のグループに分類することです。最近のスマートフォンでは、人物ごとに写真をグループ分けすることができる機能があるのをご存知でしょうか。これはまさに、AIの深層学習によって画像を分類しているということです。この機能を有効活用すれば、出荷前の商品に傷などがついていないか確認することもできます。

画像認識アルゴリズムを事例とともに紹介

・物体検出

物体検出とは、取り込んだ画像の中から「物体の位置、種類、個数」を特定する技術のことを指します。物体の種類を分別すること自体は画像分類でも実現可能ですが、物体検出ではさらに「物体の位置の絞り込み」「対象外の物体の排除」を行うことで、対象物の位置・個数まで正しく検出することができます。

そんな物体検出は主に外観検査で活用されており、医療・建設業・製造業といったさまざまな分野で導入され始めています。最近ではスマートフォンのカメラでも利用できるケースが多くなっており、顔の検出などにも活用され始めている状況です。

また、近年注目を集めている自動車の自動運転においても、「歩行者を検出して事故を未然に防ぐ」という目的で活用されています。さまざまな分野で活用され始めているため、これからの時代において非常に重要な役割を担う技術といえるでしょう。

画像の物体検出とは?モデルや応用例を紹介

・予測

機械学習において最も重要なタスクと言っても過言ではないのが予測です。過去のデータを蓄積することによって、高い精度での分析・予測を実現できるようになります。その一例としては、需要予測が挙げられるでしょう。

需要予測システムとは、蓄積されたデータの分析を行うことによって、在庫の最適化や収益の最大化などを実現するシステムのことです。一見、一連の作業すべてを自動化できる魅力的なシステムのように感じられるかもしれませんが、需要予測における一連の作業をすべて自動にできるというわけではありません。

より高い精度で需要予測を行うためには、「現状の業務把握」をヒアリングする必要があるからです。ただ、ヒアリングによって業務把握を行い、その上で「過去の実績」「天候による影響」といった要素を加えて需要予測モデルを構築していけば、より高い精度のシステムに仕上げることが可能になるのです。

そのため、最初に行われる「ヒアリング」という作業は、結果的に業務負担を大幅に軽減させる極めて重要なものであるといえるでしょう。また、適切なデータを活用し続けるためには、定期的なデータ検証・改善の作業も重要になります。

こういった作業を定期的に行うことで、在庫切れによる機会損失や在庫過剰による廃棄のリスクを軽減させることが可能になるため、結果的に収益の最大かにつなげることができるのです。

AIプラットフォームとは?有名製品の活用事例まで紹介

■機械学習の身近な利用例

機械学習は、さまざまなシーンで積極的に活用され始めており、サービスの品質アップや業務効率化といった成果に繋げられています。わかりやすい身近な利用例としては、「画像認識技術による来店者情報の可視化」が挙げられるでしょう。

画像認識技術を活用したシステムは来店者の情報を可視化することができるという特徴があるため、防犯や本人認証といった目的に加え、マーケティングにも活用され始めています。たとえば、AIが搭載されているカメラを店舗に搭載した場合、顔認証画像認識の技術によって来店者のさまざまな情報を可視化することができるようになります。その一例としては、以下のような情報が挙げられるでしょう。

  • 来店者の数
  • 退店者の数
  • 店舗前の交通状況
  • ディスプレイを閲覧した人の数
  • 店舗内の混雑状況
  • 店舗の平均滞在時間
  • 来店者の属性(性別、年齢など)
  • 新規客の数
  • リピーター客の数
  • 商品の購買率

主にこれらの情報を可視化することが可能になるため、防犯という観点だけでなく、より売上を向上させるためのマーケティングとして活用していくことができるわけです。これは、AI搭載のカメラによって機械学習が行われているからこそ実現できる大きなメリットといえるでしょう。

なお、以下の記事では、他にもさまざまなAI・機械学習の利用例をご紹介していますので、ぜひこちらも併せてご覧ください。

AI・人工知能の身の回りの利用例を解説!

AIsmiley編集部

株式会社アイスマイリーが運営するAIポータルメディア「AIsmiley」は、AIの専門家によるコンテンツ配信とプロダクト紹介を行うWebメディアです。AI資格を保有した編集部がDX推進の事例や人工知能ソリューションの活用方法、ニュース、トレンド情報を発信しています。

・Facebookでも発信しています
@AIsmiley.inc
・Twitterもフォローください
@AIsmiley_inc

AIサービス
機械学習

今注目のカテゴリー

チャットボット

画像認識・画像解析

需要予測

OCR・文字認識

チャットボット

画像認識・画像解析

需要予測

OCR・文字認識

AI活用のご相談したい企業様はこちら

03-6452-4750

AI製品・ソリューションの掲載を
希望される企業様はこちら