Machine learning（機械学習）

機械学習は、人工知能（AI）およびデータサイエンスの両方と密接に関連しています。どちらの分野でも機械学習はきわめて重要です。機械学習はAIとデータサイエンスの架け橋としての役割を果たし、また、機械学習により、データから学習し、時間が経つにつれて進化するインテリジェントシステムの開発が可能になります。

AIの一分野である機械学習は、明示的にプログラムされなくても、データから学習し、時間の経過とともにパフォーマンスを改善することのできるシステムの構築を特長としています。また、AIシステムによる経験からの学習と、データに基づく意思決定を可能にするアルゴリズムおよびモデルを提供します。

データサイエンスは複数の分野を網羅しており、統計分析、データマイニング、機械学習など各種の手法を使用して、データからインサイトや知識を引き出します。機械学習はデータサイエンスの重要な要素であり、大規模データセットを分析してパターンを特定し、予測を行うためのツールや手法を提供します。

データサイエンティストは、複雑なデータを処理・解釈可能なモデルを構築し、情報に基づいた意思決定を促進するとともに、隠れたインサイトを発見する目的で、機械学習アルゴリズムを使用します。

機械学習とは？

機械学習の定義：機械学習はAIの一分野であり、データセットを使用して機械を訓練し、統計的な分析手法でデータに含まれるパターンを識別させるものです。

人工知能が人間の行動や思考を模倣するコンピューターシステムであるとすれば、それを可能にしているのが機械学習です。コンピューターがデータセットや過去のパフォーマンスから学習するにつれて、人工知能の確実性は高まっていきます。機械が学習すればするほど、人間の知能をより忠実に模倣できるようになります。

機械学習は、半自動運転車の能力を実現するうえで、非常に重要な役割を果たしています。完全自動運転車であれば、人の介入なしに市街地を走行できなければなりませんが、半自動運転車には人の操作がある程度まで必要になります。こうした車両は、リアルタイムの機械学習機能に頼って自律的に走行します。

カメラ、LiDAR、レーダーなど各種センサーを搭載した半自動運転車は、周囲の状況に関するデータを絶えず収集しています。機械学習アルゴリズムは、このデータをリアルタイムで処理し、歩行者、他の車両、交通標識、道路標示などの物体を識別します。ディープラーニング技術を利用することで、車両のAIシステムはそうした物体を認識・分類し、その動きを予測して、その都度判断を下すことができます。たとえば、横断歩道に歩行者が入ってくるのをシステムが検知した場合、その人の進路を予測し、衝突を避けるために減速または停止する判断を下すことが可能です。

さらに、機械学習モデルは、膨大な走行データから学習することで、天候の変化や道路工事など、さまざまな走行状況を車両が理解し、それに適応できるよう支援します。こうした継続的な学習と適応により、半自動走行車は複雑な環境を安全かつ効率的に走行することが可能となり、人間の運転行動を模倣しつつ事故のリスクを低減します。

機械学習は、どのような仕組みで動作するのでしょうか？

機械学習は人工知能の重要な構成要素であり、近年における人工知能の急速な発展を牽引しています。膨大な量のデータが日々生成される中で、機械学習はデータを活用する手段を提供すると同時に、人間がコンピューターなどの機械によって何を成し遂げられるか、その新たな可能性と機会を切り拓いています。

機械学習の仕組みと、どのような場面に応用できるかを理解することが重要です。このプロセスは、選択したアルゴリズムに学習データを供給することから始まります。この学習データは、アルゴリズムがパターンを認識し、予測を行うことを学習させる役目を果たします。その後、アルゴリズムの精度と有効性を検証するために、新しい入力データを投入します。

学習データが高品質であれば、機械はより効率的にデータを処理することができます。この反復的なプロセスはフィッティングと呼ばれ、アルゴリズムの予測と結果が正しく一致するまで、アルゴリズムを調整します。予測が不正確な場合、アルゴリズムが改善されるまで、追加のデータを使用して再学習させます。たとえば、システムを改善するには、路上実地試験で得られた誤った応答をフィードバックとして使用し、アルゴリズムを継続的に改良していく必要があります。望ましい精度と効率が得られるまで、このプロセスを繰り返します。

機械学習にメリットがあることは長年にわたって証明されており、不正行為の検知、サイバーセキュリティ、チャットボットなどの分野では、機械学習によってアプリケーションが微調整され、進化しています。今後も引き続き、自動運転車、ロボット、バーチャルリアリティの開発に、機械学習が重要な役割を果たすと見込まれます。

機械学習には、どのような歴史があるでしょうか？

前世紀を通じて、機械学習は人工知能の開発に欠かせない要素でした。ニューラルネットワーク、パターン認識、自動運転は、いずれも機械学習の研究によって実現可能になったものです。

• 1943年、ニューラルネットワーク：1943年、ウォルター・ピッツとウォーレン・マカロックが、人間の思考プロセスを模倣するアルゴリズムを作る目的で、ニューラルネットワークの最初の数学的モデルを発表しました。こうしてニューラルネットワークは、機械学習の黎明期に重要な役割を果たしました。
• 1950年代および1960年代、パターン認識：それから10年も経たない1952年、アーサー・サミュエルは、チェッカーゲームができるコンピュータープログラムを開発しました。そして1960年代後半、最近傍アルゴリズムの導入により、基本的なパターン認識が可能になりました。このアルゴリズムは当初、出張販売員が旅程を計画するために使用されました。
• 1979年、スタンフォードカート：1979年、スタンフォード大学の研究者グループによって、スタンフォードカートが開発されました。これは、室内にある障害物を回避できる自律走行カートでした。
• 1980年代および1990年代、プログラムの開発：1980年代における最大の進展の一つは、NetTalkでした。これは乳幼児が言葉を覚えるのと同様の方法で単語の発音を学習するプログラムであり、テリー・セイノフスキーによって開発されました。1990年代には、IBMのチェスプログラムが世界チャンピオンに勝利し、IBMのコンピューター科学者がアンサンブル学習という新しい手法に関する論文を発表しました。
• 21世紀：機械学習用の最初のオープンソースソフトウェアライブラリが利用可能になりました。画像認識を支援するためにImageNetが開発され、顔認識の分野ではFacebookのDeepfaceが登場しました。

機械学習には、主にどのようなタイプがあるのでしょうか？

機械学習は、教師あり学習、半教師あり学習、教師なし学習の3つの主要カテゴリに分類されます。

教師あり機械学習は、ラベル付きデータによる学習に重点を置き、これを基に、未見のデータから正確な予測を行うようモデルを訓練します。このラベル付きデータには、入力と正しい出力が含まれていて、モデルが時間の経過とともに学習できるようになっています。データマイニングの場合、教師あり学習には「分類」と「回帰」の2タイプがあります。

• 分類は、そのプログラムに与えられたデータセットに基づいて、観測値を分類します。たとえば、教師あり学習による分類で、受信トレイにあるメールがスパムかどうかを判別することができます。
• 回帰は、連続する数値の予測に使用します。分類する代わりに、回帰は連続的な結果を予測します。

半教師あり機械学習は、学習データの一部にラベルが付いていないサンプルが含まれていることを表します。これは、十分な量のラベル付きデータを入手することが困難である場合や、入手にコストがかかる場合、または、教師あり学習が有効ではあっても、大量のラベルなしデータが利用可能な場合に有益です。

教師なし機械学習は、アルゴリズムを使用して、ラベルのないデータセットをクラスター化して分析します。教師なし学習には、医療画像、顧客の購買パターン、セキュリティ侵害や機器の故障を防ぐための異常検知など、さまざまな用途があります。

機械学習は、どのように利用されているのでしょうか？

機械学習は自動運転においてきわめて重要な役割を果たしており、これによって車両が複雑な環境を安全かつ効率的に走行できるようになっています。半自動運転車は、カメラ、LiDAR、レーダーなどの多数のセンサーを使用して、周囲の状況に関するリアルタイムデータを収集します。機械学習アルゴリズムがこのデータを処理し、物体を識別し、その動きを予測し、運転判断を行います。

マイクロンの高性能メモリおよびストレージ製品は、こうしたAIワークロードを支えるうえで重要な役割を果たしています。たとえば、マイクロンのDRAMは、車両の各種センサーから生成される膨大なデータの処理に必要な速度と帯域幅を提供し、リアルタイムでの処理と意思決定を確実に行えるようにします。さらに、マイクロンの車載用および産業用SSDストレージソリューションは、車両のAIシステムの継続的な学習と改善に欠かせない、大規模データセットやトレーニングモデルの保存に必要な容量と耐久性を備えています。

マイクロンの先進的なメモリおよびストレージテクノロジーを活用することで、自動運転車、半自動運転車、および車両の先進安全システムが、より高い精度と信頼性を実現し、より安全で効率的な今後のモビリティソリューションへの道が開かれます。