機械学習とディープラーニングの違いと、業務での使い分け

二つの関係：ディープラーニングは機械学習の一つ

ディープラーニングは、機械学習の中に含まれる一つの方法です。AIという大きな枠の中に機械学習があり、その中にディープラーニングがある、という入れ子の関係になっています。

AIという言葉の全体像はAIとは何かで説明しています。この記事では、機械学習とディープラーニングの違いと、業務での使い分けに絞ります。

機械学習とは

機械学習とは、コンピューターがデータから規則やパターンを学び、分類や予測を行えるようにする方法です。人が手順を一つずつ書く代わりに、過去のデータから答えの出し方を学ばせます。

従来の機械学習では、判断の手がかりとなる「特徴量」を人が決めることが多くあります。特徴量とは、予測や分類の手がかりにするデータの項目や、その加工のしかたのことです。

たとえば、迷惑メールを見分ける場合、人が次のような特徴量を考えます。

• 件名や本文に特定の言葉が含まれるか
• 送り主のアドレスが過去にやり取りのある相手か
• リンクや画像の数が多いか

次に、「迷惑メール」「普通のメール」と分けた過去のメールを読み込ませ、どの特徴量がどのくらい判定に効くかをコンピューターに学ばせます。どの特徴量を選ぶかで精度が変わるため、業務の知識を持つ人の考えが結果を左右します。

ディープラーニングとは

ディープラーニングとは、ニューラルネットワークを何層にも重ねたモデルで学ぶ機械学習の方法です。ニューラルネットワークとは、人の脳の神経細胞のつながりを手本にした計算のしくみで、深層学習とも呼ばれます。

大きな特徴は、判断の手がかりを人が細かく決めなくても、データから特徴をつかめる点です。写真から猫を見分けるモデルの場合、人は「猫」「猫ではない」と分けた大量の画像を用意します。モデルは、浅い層で線や明暗のような単純な形をとらえ、深い層に進むにつれて耳や目のような部品、さらに全体の姿へと、組み合わせた特徴を学んでいきます。

画像の認識、音声の認識、翻訳、そして生成AIの土台となるLLM（大規模言語モデル）も、ディープラーニングによって作られています。

違いを表で比べる

二つの違いは、特徴量を誰が決めるか、どのようなデータに向くか、どのくらいの資源が要るか、の三点で整理できます。

表は一般的な傾向です。実際には、表のデータにディープラーニングを使うこともあれば、二つを組み合わせることもあります。

業務ではどちらを選ぶか

どちらを選ぶかは、扱うデータの種類と、結果の説明がどのくらい求められるかで決めます。技術の新しさで選ぶより、業務の条件に合うかで考えると判断しやすくなります。

表の形のデータを予測するとき

売上や在庫、来客数の予測のように、表の形のデータを扱う場合は、従来の機械学習で十分な精度が出ることが多くあります。どの項目が予測に効いたかを示しやすいため、現場や経営の判断に使うときにも説明がしやすくなります。

画像・音声・文章を扱うとき

帳票の読み取りや音声の文字起こし、問い合わせの文章の分類などは、ディープラーニングが向いています。ただし、自社でいちから学習させなくてもよい場合が多くあります。公開されている学習済みのモデルや、生成AIのサービスを使い、自社のデータで調整する方法も選べます。

判断の理由の説明が求められるとき

審査や人事のように、判断の理由を説明する責任がある業務では、説明しやすいモデルを選ぶか、AIの結果を人が確かめる手順を組み込みます。予測が当たることと、理由が分かることは別の問題です。詳しくはいまのAIが得意なこと・苦手なことで取り上げています。

当社のご支援

当社は、業務の条件とデータの状態を見たうえで、どの方法で作るかを決め、開発から運用まで担います。需要予測や帳票の読み取りなどの開発の例はAI開発の例、業務に合わせた開発のご相談はソリューション提供をご覧ください。何にAIを使うかから決めたい場合は、AI・DXコンサルティングでご一緒します。