AIと機械学習の活用

AIと機械学習の活用は、大量のデータや画像をもとに、人が行ってきた判断や分析を計算機に担わせる技術の総称である。本単元では、機械学習の学習方式、過学習、ディープラーニングの仕組み、データマイニング、そしてスマートファクトリーにおける画像認識の活用を扱う。各用語の意味を正しく区別し、場面に応じて適切な技術を選べることが重要である。

機械学習の学習方式と分類

機械学習は、学習に用いるデータに正解の情報があるかどうかによって大きく二つに分かれる。正解ラベルを用いて入力と出力の関係を学ぶ方式が教師あり学習であり、分類や回帰がその代表である。回帰は入力から数値を予測する方法であり、正解となる数値データを用いて学習する点で教師あり学習に属する。一方、正解を与えずにデータ同士の類似度を手掛かりに構造を見つける方式が教師なし学習であり、クラスタリングがこれに当たる。クラスタリングは、類似度を定義し、似たもの同士が同じグループに入るようにデータを分ける手法であり、既存のグループを基に新しいデータの所属先を判定する分類とは仕組みが異なる。

過学習と汎化性能

過学習は、モデルが学習に用いた訓練データに過度に適合してしまい、訓練データでは高い精度を示す一方で未知のデータに対する精度が下がる現象である。モデルの評価では、訓練データに対する性能だけでなく、未知のデータに対する性能、すなわち汎化性能を見て判断する必要がある。訓練データへの精度が高いことは、それ自体ではモデルが優れていることの根拠にならない。過学習を抑えるには、モデルの複雑さを適切に保つことや、訓練とは別のデータで性能を確かめることが有効である。

ディープラーニングの仕組み

ディープラーニングは、人間の脳神経回路を参考にしたニューラルネットワークの層を多層に重ね、データから特徴や規則を学習させる手法である。層を重ねることで、単純な特徴から複雑な特徴へと段階的に表現を組み上げ、複雑な判断を可能にする。ここで重要なのは、規則を人が書き下すのではなく、データと誤差の情報をもとに多層の処理が学習する点である。ルールとして知識を記述し、演繹的な推論で結論を導く方式とは、この点で根本的に異なる。