ディープラーニング

最近皆さんはディープラーニングあるいは深層学習という言葉を耳にすることはありませんか？

インターネットでディープラーニングを検索すると、GoogleやFacebook、Appleなどの名だたるIT企業をはじめ、自動運転技術を実現するための重要な手段としてディープラーニングを活用する場面が増えてきています。
本コラムでは難しい数式などを一切使わずにディープラーニングのさわりの部分を説明していきたいと思います。

■なぜディープラーニングがもてはやされるのか？

ディープラーニングとはそもそも何なのでしょうか？新しい技術が出てきたばかりの頃にはよくあることですが、ディープラーニングのカチッとした定義が存在するわけではなく、様々な機械学習の手法を総称してディープラーニングと呼んでいます。ただし、どの手法を使うにしてもベースになる機械学習の手法はニューラルネットワークです。
ニューラルネットワークは“ニューラル（神経）＋ネットワーク（系）”で読んで字のごとく人間の脳神経系の数学的近似モデルをあらわしています。
ディープラーニングの主な応用分野は人間の視覚、聴覚の代替品であり、その点からもニューラルネットワークが起点となっていることは非常に自然な流れであると考えられます。

ただ、単なるニューラルネットワークの応用というだけでは、これほどまでにディープラーニングが盛り上がることもなかったのですが、あるブレイクスルーによって瞬く間に研究者の間に広がっていったのです。
それが特徴量の自動抽出です。

ニューラルネットワークを使って機械学習モデルを構築するためには予め特徴量を決めておく必要があります。
たとえば、先の自動運転技術の歩行者認識でいえば、

• ・回りの景色の画像情報（位置と色情報）
  ・信号情報
  ・標識情報
  ・静止物か動体か
  ・人間かそれ以外か
  ・GPSで計測した車の位置
  ・走行中の時刻
  ・車の運転者
  ・車と周りの対象物との距離
  ・車の加速度、速度
  ・路面状況
  ・天候

などがブレーキを踏むタイミングや強さを予測するための特徴量の候補と考えられます。
しかし、画像情報を構成する要素をどういう単位にするのか、どういう構成単位の組合せにするのかなどは何度も試行錯誤を繰り返しながら決定していかなければなりません。
この作業はこれまで分析に詳しい技術者が担ってきた部分ですが、ディープラーニングを使うとこの作業が自動化されます。
つまり、ディープラーニングを使えば特に分析の知識がなくてもそこそこの結果を導き出せることになります。

どの特徴量を使うかが決まれば、あとはその値をどんどん更新させてニューラルネットワークに学習させることができます。

■今後のディープラーニング

ディープラーニングは主に人間の視覚、聴覚の代替品に応用されていますが、自然言語処理には向いていないといわれています。
しかし、細かな単位での画像情報の組合せから最終的な物体の認識を行っていることを考えると形態素から構成される文章の認識にも応用される日が来るでしょう。
しばらくの間はディープラーニングの進展から目が離せそうにないですね。