AI基礎

【基礎解説】ディープラーニングと機械学習の基礎概念：中高生向けの平易な解説

はじめに――「AIってどうやって動いているの？」という素朴な疑問 ChatGPTに質問すると、まるで人間のように文章で答えてくれる。スマートフォンに話しかけると、言葉を正確に聞き取ってくれる。写真を撮ると、自動的に人の顔を認識してくれる。 こうしたAI技術は、もはや日常生活の一部となっています。しかし、「AIはなぜそんなことができるのか」と聞かれると、明確に答えられる方は多くないのではないでしょうか。 本記事では、現代のAI技術の基盤となっている「機械学習」と「ディープラーニング（深層学習）」の仕組みを、中高生の皆さんにもわかるレベルで丁寧に解説いたします。数学の難しい公式は使いません。日常的な例え話を交えながら、AIが「学ぶ」メカニズムの本質に迫ります。 基礎解説――AI・機械学習・ディープラーニングの関係を整理する まず「AI」の全体像を把握する 「AI（人工知能）」という言葉は非常に広い概念で、大きく分けると以下のような階層構造になっています。 ポイントは、ディープラーニングは機械学習の一種であり、機械学習はAIの一種であるという包含関係です。テレビやニュースで「AI」と呼ばれているものの多くは、実は機械学習やディープラーニングの技術を使ったものです。 「ルールベースAI」と「機械学習」の違い 両者の違いを、「猫の写真を見分けるプログラム」を例に考えてみましょう。 ルールベースAIのアプローチ： プログラマーが「耳が三角形で、ヒゲがあって、目が丸くて……」というルールを一つひとつ書いていく方法です。しかし、猫の見た目は実に多様で、すべてのパターンをルール化するのは事実上不可能です。 機械学習のアプローチ： 大量の猫の写真と、猫ではない写真をコンピュータに見せて、「この中から共通するパターンを自分で見つけなさい」と指示する方法です。コンピュータは何千、何万という写真を分析し、「猫らしさ」の特徴を自力で発見します。 つまり、ルールベースAIは「人間がルールを教える」のに対し、機械学習は「データからルールを自分で学ぶ」という根本的な違いがあります。 深掘り研究――機械学習の仕組みを詳しく理解する 機械学習の3つのタイプ 機械学習には、大きく分けて3つの学習方法があります。 1. 教師あり学習（Supervised Learning） 例え話：先生が答え付きの問題集を渡して、「これを解いてパターンを覚えなさい」と指導する方法に似ています。 コンピュータに「この写真は猫です」「この写真は犬です」というラベル（正解）付きのデータを大量に与えます。コンピュータは、正解と自分の予測のズレを少しずつ修正しながら、正確な判定ができるように学習していきます。 活用例： 迷惑メールの自動振り分け（「迷惑メール」「正常なメール」のラベル付きデータで学習） 手書き文字の認識（「この文字は『あ』です」というラベル付きデータで学習） 病気の診断支援（過去の診断データをもとに学習） 2. 教師なし学習（Unsupervised Learning） 例え話：先生が「この山積みの写真を、似ているもの同士でグループ分けしなさい」とだけ指示する方法に似ています。正解は教えません。 コンピュータがデータの中にある隠れたパターンや構造を自力で発見します。 活用例： 顧客の購買行動のグループ分け ニュース記事の自動分類 異常検知（通常と異なるパターンの発見） 3. 強化学習（Reinforcement Learning） 例え話：ゲームのルールだけ教えて、「あとは自分でやってみて、うまくいったら褒める」という方法に似ています。 コンピュータが試行錯誤を繰り返し、「良い結果」が得られた行動を強化していく学習方法です。 活用例： 囲碁・将棋のAI（AlphaGoなど） ロボットの動作制御 自動運転の経路判断 機械学習の「学び方」――具体的なプロセス 機械学習がどのように「学ぶ」のか、もう少し具体的に見てみましょう。テストの点数を予測するAIを例にとります。 ステップ1：データを集める 過去の生徒のデータ（勉強時間、睡眠時間、出席率など）と、実際のテスト点数を集めます。 ステップ2：最初の予測をする コンピュータは最初、でたらめな予測をします。たとえば、勉強時間5時間の生徒の点数を「30点」と予測するかもしれません。 ステップ3：誤差を計算する 実際の点数が「80点」だった場合、予測との誤差は「50点」です。この誤差が「損失（Loss）」と呼ばれます。 ステップ4：予測方法を修正する 誤差が小さくなるように、予測の仕方を少しだけ修正します。これを「パラメータの更新」と言います。 ステップ5：繰り返す ステップ2〜4を何千回、何万回と繰り返すことで、予測の精度が少しずつ向上していきます。 この「誤差を小さくするように修正を繰り返す」というプロセスこそが、機械学習における「学習」の本質です。 深掘り研究――ディープラーニングの世界へ ディープラーニングとは何か ディープラーニング（深層学習）は、機械学習の手法の一つで、「ニューラルネットワーク」と呼ばれる仕組みを使います。 ニューラルネットワークの基本構造 ニューラルネットワークは、人間の脳の神経細胞（ニューロン）の仕組みからヒントを得た計算モデルです。ただし、実際の脳の仕組みを忠実に再現しているわけではなく、あくまで「着想を得た」ものです。 基本的な構造は以下のようになっています。 “` 入力層 → 隠れ層（中間層） → 出力層 “` 入力層：データを受け取る部分（画像なら各ピクセルの色情報など） 隠れ層：データを処理・変換する部分（複数の層で構成される） 出力層：結果を出力する部分（「猫である確率 95%」など） 「ディープ」ラーニングの「ディープ（深い）」とは、この隠れ層が何層にも重なっている（深い）ことを意味しています。層が深くなるほど、より複雑なパターンを学習できるようになります。 なぜ「層が深い」と優れているのか 画像認識を例に、各層がどのような役割を果たしているかを見てみましょう。 第1層：画像の中の「線」や「端っこ」を検出する 第2層：線を組み合わせて「角」や「曲線」を認識する…