ディープラーニングとデータ｜データセットや必要なデータの種類などを解説

音声認識や画像識別、自然言語処理など、分析したいデータに合わせて、データセットを準備する必要があります。特徴量を自ら抽出できるディープラーニングでも、もともと含まれていない情報はみつけ出せません。必要なデータが含まれているかを確認しておきましょう。

ネガティブサンプルとは、たとえば顔認証用のデータセットにおいて、人がいない画像や人以外の画像サンプルのことです。ネガティブサンプルのデータセットを適切に選べば、学習レベルを段階的に高めることが可能です。ただし、ポジティブサンプルとネガティブサンプルを同数にするなどバランスも考える必要があります。

ディープラーニングは学習方法や計算方式によっていくつかの種類に分けられます。ここでは代表的な4つの種類を紹介します。

CNNは画像認識に適しており、最も普及しているアルゴリズムです。局所的なノードの特徴量を判断する畳み込み層と、平均値や代表値にまとめるプーリング層を組み合わせたニューラルネットワークを多層構造にすることで、元データに近い形でパターンマッチングできます。

RNNは、再帰型ニューラルネットワークとも呼ばれ、時系列に依存する情報の処理に適したアルゴリズムです。たとえば、高速道路の混雑状況を映した動画から予測解析することや、人の会話の音声認識などに用いられています。

CNNやRNNのベースにもなっている、人や動物の脳神経回路をモデルにしたアルゴリズムです。処理を多層化することで複雑な情報を識別・分析でき、特徴をデータセットから自動抽出することもできます。

入力データを特徴量に応じて変換出力するアルゴリズムです。データ入力用のジェネレータが出力処理用のディスクリミネータに対して、（敵対的に）間違えやすいデータを生成しながら画像・動画・音声などの識別学習を進めます。GANの事例ではディープフェイク動画が有名です。

人工知能の分野では「人工知能＞機械学習＞ディープラーニング」という包含関係があります。識別と予測を主な目的とするために活用する技術という意味では全て同じです。

機械学習は、データに自動的な学習をさせて特徴を法則化させるためと、その法則をもとに処理を自動化するために行います。つまり、開発者のプログラミングによって学習する人工知能です。一方、ディープラーニングは自動的に学習し、特徴自体を発見できます。

ディープラーニングを理解するために、ニューラルネットワークとディープニューラルネットワークの仕組みや違いを紹介します。

ニューラルネットワークは生物の脳をモデルにしたネットワーク構造で、入力層・中間層（隠れ層）・出力層が 1つずつで構成されます。ディープラーニングは、ニューラルネットワークの中間層の階層を深めた次の「ディープニューラルネットワーク」のアルゴリズムを用いて学習します。

ディープニューラルネットワークは中間層が多層のアルゴリズムで、100層以上になることもあります。ディープラーニングの多くの手法はディープニューラルネットワークがベースです。「活性化関数」で重み付けをしながら各層を通過させることで、高度な情報処理を可能にしています。

ディープラーニングは実際にどのような場面で活用されているのでしょうか。主な応用例を紹介します。

空港で入出国手続きを円滑にするための顔認証システムや、不良品検出のための製造ラインでの外観検査などに、ディープラーニングの人工知能が活用されています。また、レントゲンやCT画像の解析など、医療での活用も進んできました。

人の音声を認識してネット検索やショッピング、音楽再生などを行うスマートスピーカーが実用化されています。また、柔軟な対応はできないものの、ホテルの受付などで自然対話ができるロボットも開発されています。音声認識で議事録作成ができるビジネスツールも増えてきました。

自動翻訳の分野では、先に紹介した RNNの技術が用いられています。ビデオチャットをしながら同時翻訳する製品もすでに実用化しました。また、画像内のテキストを認識して文字起こしができるツールもあります。

音声認識のディープラーニングには、無圧縮の WAVファイルや MP3のような圧縮データ、YouTubeなどの映像とセットになった音声データなどのデータセットが使われます。テキスト化やアノテーション（データにタグ付けすること）の処理をしてからディープラーニングに使用することもあります。

テキストデータは幅広い使用目的があるデータです。たとえば、SNSのコメントを活用した天気予報や市場予測、音声識別と連動したチャットボット、自動翻訳などの自動言語処理の学習に使われます。政治家が多く使った単語から、政策転換の予測分析や感情分析をすることもあります。

画像データは画像解析や画像識別に使用されます。共通点や差異などの規則性を分類していくため、ポジティブサンプルとネガティブサンプルを使ってディープラーニングを実現することが一般的です。

映像データは動作検知、時系列予測に使用されます。最も代表的なのは、車の自動運転開発に活用されている走行中の周囲の映像などです。店舗内や交通施設内の様子を映した映像なども、効率的なサービスをみつけるための人工知能の学習用データセットとして使われています。