AI技術の仕組みと応用

AI（人工知能）は、データから規則やパターンを学習し、その結果を用いて識別・予測・判断を行う技術の総称である。機械学習はその中心となる手法であり、学習に用いるデータに正解ラベルがあるかどうかなどによって分類される。近年はニューラルネットワークを多層に重ねたディープラーニングが広く使われ、マシンビジョンやエッジAIといった現場での応用が進んでいる。

学習と推論の仕組み

機械学習には、大量のデータからモデルを作る学習の段階と、作られた学習済みモデルに新しいデータを入力して識別結果などを得る推論の段階がある。学習は多くの計算資源を要するため、クラウドで学習を行い、完成したモデルをエッジデバイスに配備してその場で推論を行う構成が取られることがある。推論は学習済みモデルに従ってデータを判断する処理であり、モデルを新たに作り直す処理ではない点を押さえる必要がある。 教師あり学習は、正解ラベル付きのデータから識別モデルを作る手法である。 一方、教師なし学習は正解ラベルのないデータを扱い、データ同士の類似度に基づいて似たもの同士をグループにまとめる。 この二つの違いは、訓練データに正解が付与されているかどうかにある。 強化学習は、一定の環境の中で試行錯誤を行い、行動に報酬を与えることで望ましい行動を学ぶ方法である。

過学習と汎化性能

過学習とは、モデルが学習に使った訓練データに過度に適合してしまい、訓練データに対しては高い精度を示す一方、未知のデータに対しては精度が下がる状態である。 そのため、モデルの良否は訓練データでの精度だけで判断してはならず、未知のデータに対する性能、すなわち汎化性能で評価する必要がある。 実務では、学習用とは別に評価用のデータを用意し、未知に近い条件で性能を確かめることが、過学習を見抜くための基本的な判断基準となる。 過学習は、学習済みモデルを別の領域に再利用する転移学習や、報酬によって行動を学ぶ強化学習とは別の概念である。