ディープラーニングは強力な機械学習の一種で、ラベル付けされていないデータを処理し、パターンを認識することが可能です。ディープラーニングは、多くの種類のAIの基盤となっています。
この記事を読み終えると、以下のことができるようになります。
関連コンテンツ
是非、Cloudflareが毎月お届けする「theNET」を購読して、インターネットで最も人気のある洞察をまとめた情報を入手してください！
記事のリンクをコピーする
ディープラーニングは機械学習の一種で、人間と同じように複雑なパターンを認識して関連付けを行うことを可能にします。その能力は、写真に写っているものを識別したり、音声を認識したりすることから、車の運転やイラストの作成まで、多岐にわたります。本質的に、ディープラーニングモデルとは、データを処理するための複雑で洗練されたアプローチによって、知能を示すことができるコンピュータープログラムのことです。
ディープラーニングは人工知能（AI）の一種であり、多くのAIサービスやモデルが機能するための核となります。ChatGPT、Bard、Bing Chatなどの大規模言語モデル（LLM）や、Midjourney、DALL-Eなどの画像ジェネレーターは、言語と文脈を学習し、自然な応答を生成するためにディープラーニングに依存しています。予測AIモデルは、ディープラーニングを使用して、膨大な過去のデータから結論を取得します。
通常、コンピュータープログラムを使用して正しい出力を得るためには、正確な入力が必要になります。対照的に、ディープラーニングは、任意または不正確なデータから、適切な出力を生成することができます。たとえば、従来型のコンピュータープログラムは、2対のデジタルの肖像画がまったく同一であるどうかを見分けることができるでしょう。ディープラーニングモデルは、肖像画自体が異なる場合でも、肖像画の被写体の類似性を認識することが可能です。
ディープラーニングは大規模なデータセットと膨大な計算能力を使用しており、この2つがより利用しやすくなるにつれて、ディープラーニングモデルの洗練度も向上してきました。現在、ビッグデータの収集とGPUを搭載したクラウドコンピューティングサービスによって、ディープラーニングは開発者や一般ユーザーにとってかつてないほど身近なものとなっています。
機械学習とは、明示的な指示なくして学習が可能なコンピュータープログラムの一種です。ジェット機が特殊な飛行機であるように、ディープラーニングは特殊な機械学習です。どちらも、コンピュータープログラムにデータの集合から自己学習させるというものです。しかし、ジェット機がプロペラ機やグライダーよりも強力であるように、ディープラーニングもより多くのことを実現することができます。
より基本的な機械学習モデルが正しく「学習」するために、与えられたデータについてより多くのコンテキストを必要とする場合がある一方、ディープラーニングはラベル付けされていないデータからも学習することが可能です。最後に、ディープラーニングモデルはニューラルネットワークを使用して構築されます。機械学習モデルもニューラルネットワーク上に構築されることがありますが、常に当てはまるわけではありません。
ディープラーニングは現在、すでに多くのアプリを世に送り出しており、新たな用途は今も発見され続けています。現在の使用例には次のものがあります：
（低ランク適応のような技術は、開発者がディープラーニングモデルを新しいユースケースに迅速に適応させるのに役立ちます。）
機械学習の分野において「教師なし学習」とは、データセットに何が含まれているかというコンテキストがなくても、大規模なデータセット内からパターンや関連性を特定する技術です。対照的に、「教師あり」学習は、モデルに入力例と出力例を提供します。ディープラーニングはモデルの学習に「教師あり学習」を用いることもできますが、「教師なし学習」ができることが、他のタイプの機械学習とは異なります。
機械学習モデルに複数のニュース記事と、各記事がどのトピックについて書かれているかについて与えた場合について考えてみましょう。十分なトレーニングの後、このモデルは、与えられたトピックに関する記事を「書く」ことができるようになるでしょう。これが「教師あり学習」です。
今度は、ディープラーニングモデルに、各記事がどのトピックについて書かれたものかを与えずに、複数のニュース記事を与えた場合について考えてみましょう。このようなモデルは、十分に強力であれば、トピックだけを入力として提供した場合もそれに関する記事を書くことができるようになるでしょう。これが「教師なし学習」です。
ラベル付けされていないデータとは、分類、タグ、ラベルのないデータのことです。ラベル付けされていないデータセットは任意のデータを含むことができ、ランダムな写真、動画のコンパイル、ファイル名の長いリスト、ログデータ、または上記のすべての組み合わせなど、任意の形式をとることができます。コンテキストなしで提供されるニュース記事（前述の例）は、ラベル付けされていないデータの一例です。
ディープラーニングモデルは、ラベル付けされていないデータを文脈化し、「理解」することが可能です。また、通常このモデルは与えられるデータが多いほど、より洗練されていきます。
ラベル付けされていないデータは、多くの場合構造化されていません。非構造化データは特定の形式に従わないため、あらゆる種類のデジタル情報を含めることが可能です。オブジェクトストレージは、この種の非構造化データの保存によく使用されます。無限に増える可能性があるこのようなデータコレクションに対し、オブジェクトストレージは拡張性が高く、費用対効果の高い保存方法です。
ディープラーニングモデルは、学習するための大規模なデータコレクションを与えられると、そのデータがラベル付けされていない非構造化データであってもより効果的に成長します。したがって、オブジェクトストレージはディープラーニングモデルにとって重要なリソースとなります。
ニューラルネットワークは、人間の脳の働きをベースにした機械学習アーキテクチャーの一種です。ニューラルネットワークはノードの集合体であり、各ノードはそれ自体が独自の処理ユニットです。統計的に有意とされるデータは、あるノードから次のノードへと伝えられます。
これらのノードは3つの層（入力層、隠れ層、出力層）で構成されます。通常、各レイヤーには複数のノードが存在します。隠れ層は複数存在する可能性があり、ディープラーニングモデルは多くの隠れ層を持つ傾向があります。
ニューラルネットワークを、問題解決に向けて協力し合うチームであると考えてください。チームの各メンバーは、問題のある一面を担当し、自身の役割を果たした後、次のメンバーへと引き継ぎます。最終的に、チーム一丸となって完全な解決策へとたどり着きます。
ニューラルネットワーク自体は何十年も前から存在していますが、現代のディープラーニングはこれまでのニューラルネットワークよりも多くのレイヤーを使用しています。現在のディープラーニングモデルは、過去とは比べ物にならないほど膨大な計算能力とデータを利用できるため、開発者はAI技術の進歩を加速させることができます。
Cloudflareは、開発者がどこからでも最小限の遅延でアクセスできるAIアプリを簡単に構築できるよう支援します。Cloudflare Workers AIはCloudflareのグローバルネットワーク上のサーバーレスGPUへのアクセスを提供し、高度な機械学習モデルの実行を可能にします。また、Cloudflare R2は、大規模なデータセットをより費用対効果の高い方法で保存するために、エグレス料金なしでオブジェクトを保存できるため、ディープラーニング学習モデルのトレーニングに使用できます。
Cloudflare for AIについての詳細はこちらをご覧ください。
ディープラーニングは機械学習の一分野で、人間と同じように複雑なパターンを認識して関連付けを行います。ディープラーニングモデルは、ラベル付けされていないデータを使用してこれらの関連付けを自分で学習できるため、他のタイプの機械学習よりも強力です。
ディープラーニングは、大規模言語モデル（LLM）や画像生成など、多くのAIサービスの基盤となっています。ディープラーニングは、この種のモデルが言語を学び、文脈を理解し、現実的または実用的な出力を生成することを可能にします。
ディープラーニングは、音声アシスタント、自動運転車、予測モデル、画像生成、自然言語処理（NLP）など、多くのAIベースのサービスを支えています。ディープラーニングは研究やデータ分析でも活用されています。
ディープラーニングは、より高度な機能を備えた機械学習の特殊なサブセットです。ディープラーニングモデルは「教師なし学習」が可能で、データに関連する文脈やラベルが不足する場合も、大量のデータを使用して自己訓練することができます。
「教師なし学習」とは、あらかじめ文脈やラベル付きの例を与えなくても、モデルがデータの中からパターンや関連性を見つけ出す仕組みのことです。ディープラーニングはこの点で優れており、ディープラーニングモデルは未加工のラベル付けされていないデータから構造やパターンを見つけ出すことができます。
「ラベル付けされていないデータ」は分類やタグ付けなどの処理が一切されていません。どのような種類のデータやファイルもラベル付けされていないデータセットになり得ます。ディープラーニングモデルは、十分な量のデータが与えられれば「ラベル付けされていないデータ」を分析し、解釈することができます。
ディープラーニングは、膨大な量のデータを扱うため、それに見合った計算リソースを必要とします。データの利用環境が整い、GPUを使った計算能力が進歩したことで、ディープラーニングはより実用的になりました。
ニューラルネットワークは、人間の脳の働きに着想を得た機械学習アーキテクチャで、入力層、隠れ層、出力層と、そのいずれかに位置するノードが相互に接続される形で構成されています。各ノードは重要なデータを処理し、次の層に位置するノードに渡します。
ニューラルネットワークには、入力層、1つ以上の隠れ層、出力層があります。各層のノードはデータを処理し、必要な情報を次の層へ渡していき、最終的に出力を生成します。