深層学習(ディープラーニング)って何?

ざっくり言うと

機械学習という大きなくくりの中の、一つの強力な手法だと思ってください。最近のAIブーム(ChatGPT・画像生成・音声認識)の裏側は、ほぼこの深層学習が支えています。

イメージ

正確には

総務省『令和元年版 情報通信白書』では、深層学習(ディープラーニング)について「人間の脳神経回路を模したニューラルネットワークを多層構造化したもの」と説明されています。そして、深層学習の登場が第3次AIブームの中心的なきっかけになった、と位置づけられています。

IBM の解説でも、深層学習は 「3層以上のニューラルネットワークを用いた機械学習のサブセット(部分集合)」 と定義されています。「3層以上」というのは、入力層と出力層の間に、隠れ層(中間層) が複数あるという意味です。

機械学習 vs 深層学習

似た言葉でややこしいので、表で整理しましょう。

項目	機械学習(従来手法)	深層学習(ディープラーニング)
位置づけ	AI の中の一分野	機械学習の中の一手法
仕組み	人間が「特徴」を設計して、機械が学習	特徴の見つけ方そのものを機械が自動で学習
層の数	浅い(1〜2層が中心)	深い(3層以上、実用モデルは数十〜数百層)
得意な領域	表データ・数値予測など	画像・音声・自然言語など、複雑なデータ
必要なデータ量	比較的少なくても可	大量のデータが必要

実務での見分け方

「深層学習です」と言われたら、まずデータの種類を見ます。

• 写真や動画を読む
• 音声を文字にする
• 長い文章を要約・生成する
• センサーの波形から異常を見つける

このあたりは深層学習が使われやすい領域です。一方、店舗別の売上表や顧客属性の表だけを扱うなら、深層学習でなくても十分な場合があります。

大事なのは、名前の迫力ではなく「データの複雑さ」と「説明しやすさ」です。導入前に、なぜ深層学習が必要なのかを聞けると、過剰なAI導入を避けやすくなります。

まずは「表データなら機械学習、画像・音声・言語なら深層学習寄り」と仮置きするだけで十分です。

深層学習で何が劇的に変わったか

総務省の白書でも触れられている通り、2010年代に入って深層学習が実用レベルに達したことで、それまで「機械には難しい」とされていた領域がかなり実用化されました。代表的なのが次の3つです:

• 画像認識: 写真の中身を判別する精度が人間並み(あるいはそれ以上)に
• 音声認識: 会議の文字起こし・スマートスピーカーが実用レベルに
• 自然言語処理: 翻訳・要約・文章生成(ChatGPT などはここ)

つまり「今のAIブーム = 深層学習が花開いた時代」と言っても言い過ぎではありません。生成AI(ChatGPT・画像生成AIなど)も、技術の中身は深層学習の応用です。

注意点

やってみよう

次のステップとして、深層学習がどう応用されて ChatGPT のような「文章を作るAI」になったのかを知りたい方は、同じカテゴリの「LLMとは」「生成AIの仕組み」へ進んでみてください。