機械学習とは？種類やできること、プログラムとの違いを解説

その前に人工知能とは？

機械学習の説明の前に、本来なら人工知能（AI：Artificial Intelligence）の説明が必要なのですが、じつは人工知能（以降AIと表記）に対する明確な定義は存在しません。そもそも知能の定義ができているかどうかも定かではないので、AIもまた定義できないという専門家の意見もあります。

AI研究には2つのアプローチがあります。ひとつは、人間の意識や感情、思考そのものを機械によって再現または構築する試みです。SF映画などで、人間の人格をそっくりそのままチップやロボットに移植するといった描写は、意識や感情をなんらかのモデルとして記述・構成できる技術がもとになっているはずです。ひとつ目のアプローチが目指すのは、おそらくこのような機能となります。

もうひとつは、人間の知能作業を機械にさせようというアプローチです。人間の動作や労働を機械に代行させる試みは古くからあります。からくり人形、自動演奏ピアノ、ロボットなどです。この延長として問題を解いたり推論したりする機械の研究もAI研究といえます。

今日、我々がいう「人工知能（AI）」とは、後者の思考や推論を行うプログラムや演算モデル（の開発や研究）のことを指すことが多いでしょう。本稿では、以降、AIや機械学習の話をする場合、とくに明示がなければ後者の立場による技術、手法を指すことにします。

改めて人工知能（AI）の定義

人工知能学会の設立趣意書には「人工知能は大量の知識データに対して、高度な推論を的確に行うことを目指したものである」という一文があります。

一般社団法人 人工知能学会 定款 - 人工知能学会 (The Japanese Society for Artificial Intelligence)

これを定義とするなら、人工知能（AI）は「質問や入力に対して、膨大な知識データ（ベース）を利用して、推論を行うもの」ということができます。推論とは、知識（情報）を利用して正しい結果、答えを出すことです。

推論の方法にはさまざまなものがあります。したがって、AIの研究・開発は推論部分をどのように機械やシステムで実現するかの研究でもあります。ちなみに、プログラム言語のIF文も推論のひとつといえます。

機械学習の仕組み

機械学習（ML：Machine Learning）は、AIを実現するために推論を行う要素技術のひとつです。もう少し正確にいうと、特定の問題や入力に対して推論（正しい答えを導き出す手順）をさせるための仕組みのことになります。

機械学習における推論は、学習という言葉が入っているように、推論の結果をなんらかの指標で評価し、推論の方法（演算処理の方法）を改善していきます。評価値によって推論の精度を改善していくことを「学習」と呼んでいます。

広い意味では、計算結果を人間が評価して、手作業でプログラム（計算方法）を修正することも機械学習といえなくもないですが、通常は演算結果による機能改善も自律的に実行される手法、ソフトウェアを機械学習といいます。

具体例で示すと、例えば写真データを読み込み、それが犬かどうかを判定する処理（タスク）を実現するため、膨大な犬の写真データを読ませて、そのデータの並びや内容から一定のパターン、特徴点を抽出します。読み込んだ写真と学習に使ったデータに一致するものがあるかではなく、ニューラルネットワークや統計学的な手法で計算された値（出力）を見て、対象物が何かを判断します。

分かりやすく表現すると、画像データ（ビットマップ）の並びに対して、画像が犬であるとき、同じ値や特徴のある値になる特殊な関数（計算方法）があるとします。AI研究はその関数を見つけることです。データ内の特定の値やパターンの出現確率やパターンの分布によって計算したり、大量の元画像をニューラルネットワークに読ませたりして、データの評価を多次元で行います。機械学習は後者で用いられる手法です。

AIの開発は、どんなデータを評価すべきか、どんな統計をとれば特徴点になるのか、あるいは、ニューラルネットワークのノードのつながり、計算方法、重みづけや関数のパラメータを発見、調整する作業といえます。

教師あり学習

機械学習の学習工程において、入力する学習データに推論の正解となる情報を付与しておく方法です。例えば、犬の写真に「犬」という正解情報をつけておき学習させます。写真から対象を識別する、天気から売上を予想するといった、識別や回帰分析のような正解を明示しやすい処理に向いています。

関連記事 : 教師あり学習とは？概要や手法など機械学習の基礎となる知識を解説

教師なし学習

学習データに注釈や正解情報をつけないで行う機械学習です。学習されるモデルは解と結びついているわけではなく、特徴点ごとに分類されます。分類されたものに解釈を与えるのは人間となります。犬の写真判定の例でいえば、出力されたグループに対して写真は犬なのか、猫なのか、鳥なのか、といった分類、あるいは犬種の判定に利用されます。

関連記事 : 教師なし学習とは？教師あり学習との違いや概要、手法を解説

強化学習

学習工程で得られた値に対して「報酬」という評価を与えます。報酬（スコア）が最大になるように機械学習のモデルを自律的に最適化していくシステムを強化学習といいます。ロボットの制御などに応用されることが多い技術です。無人カーが最短時間で移動するコースを学習するような用途が考えられます。Googleが開発した「AlphaGo」（囲碁AI）も強化学習が利用されています。

関連記事 : 強化学習とは？機械学習との違いなどの用語解説や活用事例などをご紹介

AIの歴史

AIは機械的に推論を実現するものとして、その研究は古く1950年代からありました。AI研究の歴史を紐解くと、現在まで3回の技術的な躍進がありました。ピークやブームといってもいいでしょう。

第1期：1956～1970年代

1956年に米国のダートマス大学で開かれたダートマス会議で、ジョン・マッカーシー教授が考える機械の概念を提唱したことがAI研究の始まりといわれています。1960年代に入るとコンピュータが普及しだし、迷路やパズルを解くための機械やアルゴリズムとしてAI（推論）の研究が進みました。AppleのSiriの原型とされる自然言語処理システムである「Eliza」が開発されたのもこのころ（1966年）です。

第2期：1970～1990年代

自然言語処理の研究が進む一方で、AIは簡単な課題や特定のパズルを解く以外の現実的な応用ができないと一時停滞します。1972年（諸説あり）に自然言語処理に向いているPrologという宣言型の言語が開発されました。

70年代はソフトウェア技術も発展した時期で、推論システムのひとつであるエキスパートシステムが注目されたのもこの時期です。エキスパートシステムはナレッジベース（知識データベース）とその推論機構によって、入力に対する答えを知識データから構成するものです。エキスパートシステムは言語処理以外に、経営予測や電車の路線探索アプリなどに応用されました。

ニューラルネットワーク技術が発展したのもこの時期です。もともとは脳神経細胞の研究から生まれた概念です。脳内の神経細胞のつながり（経路）が意識や思考を生み出すという研究から、特定の入力に反応する数理モデルをネットワーク状に縦横につなげたもので計算や推論を行うというモデルがニューラルネットワークです。

1980年代に半導体やソフトウェアでニューラルネットを構成し、言語処理、音声認識、画像認識などへの応用が進みました。

第3期：2000年～

2000年に入ってコンピュータによるチェスや将棋が人間と互角かそれ以上になってきましたが、どれも特定用途に特化したAIであることには変わりありませんでした。しかし、2006年に発表された「A fast learning algorithm for deep belief nets」という論文が2010年に入ると「ディープラーニング」という新しい機械学習の実装技術によって、めざましい成果をあげます。囲碁や将棋のようなゲームだけでなく、音声認識、画像認識、機械翻訳が実用域に入るようになりました。