ディープラーニング

ディープラーニングとは？

機械学習という大きなかごの中で、ディープラーニングはここ数年で最も騒がしく、最も勢いのある存在です。本質的には、人間が情報を段階的に処理するやり方を模倣していますが、「人間の脳を模倣」という言葉に騙されてはいけません。実際の脳にはまだ遠く及びません。

ディープラーニングを空港の保安検査場に例えてみましょう。最初のレイヤーは、輪郭や色の濃さといった最も基本的なものだけを見ます。それを第二レイヤーに渡すと、車輪や取っ手のような部品を認識し始めます。第三レイヤーに渡すと、「ああ、これはスーツケースだ」と分かります。最上位のレイヤーでは、機内持ち込みか預け入れかまで判断できるかもしれません。各レイヤーは前のレイヤーを基に、情報をどんどん抽象化していきます。ディープラーニングの「深い」とは、これらのレイヤーを非常に深く積み重ねること（数十層、時には数千層）を指します。

従来の機械学習との最大の違いは、従来の手法では人間が何時間もかけて「見るべき特徴」（例えば「耳が尖っている＝猫」）を教え込む必要があったのに対し、ディープラーニングは数百万枚の画像をただ見つめ、「尖った耳、ひげ、瞳孔の形」といった特徴を自分で見つけ出すことです。つまり、特徴の手作業設計が不要になる代わりに、膨大なデータと強力なGPUが必須になります。

ここ数年で爆発的に普及したのは、三つのブレイクスルーがあったからです：膨大なデータ（インターネットが溜め込んだ資産）、計算能力（GPUの恐ろしい進化）、そしてアルゴリズムの小さな改良（勾配をより深く伝える方法など）。この三つが揃わなければ、理論自体は数十年前から存在していても、動かせませんでした。

致命的な欠点はブラックボックスであることです。猫を認識できても、耳なのか、ひげなのか、尻尾なのかを説明できません。医療診断やローン審査のような説明責任が求められる分野では大問題です。しかも欲張りで、データが少なすぎると単純なモデルに負ける上、消費電力も驚くほど大きいです。

つまりディープラーニングは万能薬ではなく、膨大なデータと計算能力に支えられ、自ら特徴を発見する多層的な数学変換です。適切な場所で使えば奇跡を起こしますが、不適切な場所では高価な電気ヒーターと化します。