「機械学習」が実際に何をするのか、考えてみたことはありますか？情報処理を荷馬にたとえるなら、ニューラルネットワークは馬を前へ進ませるニンジンです。システムが本当に学習できるようにするには、特定のタスクを実行するようプログラムするのではなく、そのタスクの実行方法を学ぶようプログラムする必要があります。そのためには、ニューラルネットワークに基づく「ディープラーニング」と呼ばれる、より高度な機械学習を利用する必要があります。ニューラルネットワークを使うと、システムはデータのパターンを自ら認識し、タスクの実行方法を学ぶことができます。
ニューラルネットワーク、より正確には人工ニューラルネットワーク（ANN）は、情報処理装置です。アルゴリズムの場合も、実際のハードウェアの場合もあり、脳の大脳皮質にある神経細胞の構造を大まかに模倣していますが、その規模はより小さいものです。
現代のANNの起源は、ニューロンの数学的モデルであるパーセプトロンに基づいています。これはフランク・ローゼンブラットが1957年に発表しました。下図に示すように、このモデルはニューロンの構造によく似ており、入力は樹状突起（あるニューロンから別のニューロンへ電気化学信号を伝える、ニューロンの短い突起）に相当します。
による当初のモデルでは、ウォーレン・マカロックとウォルター・ピッツが、入力値を0または1としました。各樹状突起／入力には、+1または-1の重みも設定されていました。つまり、入力に重みを掛け、重み付き入力の合計をモデルに渡します。したがって、パーセプトロンは複数の二値入力（I1、I2…IN）を受け取り、複数の入力の加重平均である単一の二値出力を生成します。累積出力が設定されたしきい値を上回ると、モデルは特定の出力を返します。言い換えると、結果がしきい値以下なら出力 = 0、しきい値を上回るなら出力 = 1です。
層が生み出す力
この初期の枠組みに基づき、パーセプトロンモデルでは、ニューロンへの入力と重みに任意の値を取らせることができます。つまりANNは、下図のようにパーセプトロンを相互接続した層にほかなりません。
重みとしきい値を変えることで、さまざまな意思決定モデルを作ることができます。隠れ層の出力を、パーセプトロンの別の隠れ層に入力することもできます。パーセプトロンの第1層は、入力された情報の重みを評価し、ごく単純な判断を下します。その出力が第2層に渡され、第2層は第1層の結果を評価して判断します。
この方法を用いると、第2層のパーセプトロンは、第1層のパーセプトロンよりも複雑で抽象度の高い判断を下せます。第3層が加われば、パーセプトロンの判断はさらに複雑になります。このように、多数の層からなる「深い」パーセプトロンのネットワークは、高度な意思決定を行うことができます。パーセプトロンの層が増えるほど意思決定能力は高まり、これはさまざまな分野に応用できます。
では、なぜディープラーニングが盛んになったのは今なのでしょうか。その理由の一つは、計算能力の向上により、入力を処理して結果をすばやく出せるようになったことです。興味深いことに、2009年には、PCやテレビゲーム機で複雑なグラフィックスを生成するために使われていた専用チップが、ニューラルネットワークのモデル化にも適していることが明らかになりました。さらに、インターネットの普及によって、学習用の文書、動画、写真が膨大に利用できるようになりました。
ディープラーニングとANNは、近年、人工知能の世界を変えてきました。さらに重要なのは、AIの「知能」を高めるうえで大きな役割を果たしてきたことです。かつて人間の領域と考えられていたタスクや能力を、今では深層ニューラルネットワークが実現しています。機械が世界最高の囲碁棋士に勝てたのも、ディープラーニングのおかげです。
ビジネスへの影響
大量のデータと計算能力があれば、機械は物体を認識し、音声を翻訳し、複雑なパターンを特定するために自ら学習し、戦略の立案方法を学び、リアルタイムで緊急時の計画を立てられるようになったことが、ここから分かります。人工知能は、タスクをこなすだけではありません。考え始めているのです。
企業は今、港湾や空港で隠し武器を検査するために、ディープラーニングを活用しようとしています。金融では、アルゴリズム取引や資産運用の分野で、ディープラーニングの導入がますます進んでいます。資産運用会社は、船荷証券、Twitter上の顧客の声、連邦準備制度理事会（FRB）メンバーの演説など、複数のデータソースから全体的なパターンを探るためにディープラーニングを使っています。こうしたデータの大半は非構造化データであるため、従来の統計モデルで単純な予測モデルを作るのはほぼ不可能です。
しかし、ディープラーニングを使えば、ラベルのないデータを分析し、パターンを見つけて知見を得ることができます。これにより、さまざまなデータソース間の相関関係をより深く理解し、予測を立てることができます。たとえば、金融にディープラーニング手法を適用することで、研究者は標準的な統計モデルや経済モデルより有用な結果を得ることができました。ディープラーニングは、少なくとも現時点では、既存の金融経済理論では捉えられないデータ内の相互作用を検出し、活用するために使われています。
次の記事では、自然言語処理と感情コンピューティングと呼ばれる関連技術を取り上げ、最後にそれらを人工知能という大きな枠組みのもとで結び付けます。
