最終更新日：
本記事を読んでいる方の中には、「機械学習で何ができるか知りたい」と思っている方もいるのではないでしょうか。
機械学習は、大きく６つできることがあり、現在幅広い分野で活用されています。
とはいえ、機械学習についてある程度勉強している人でないと、機械学習で何ができるのか、どのようなことに使われているのかわからないでしょう。
そこで今回は「機械学習にできること」や「できることに対応した機械学習の活用事例」について詳しく解説していきます。
後半では、機械学習にできないことや、機械学習を上手くビジネスで使う方法なども紹介しているので、ぜひ最後までご一読ください。
目次
そもそも機械学習とは
機械学習とは
機械学習とは、「機械（コンピュータ）が学習する」ことです。機械学習は、コンピュータが大量のデータを学習したり、大量の試行錯誤を繰り返す中で、ルールやパターンを自律的に抽出し、アルゴリズムやモデルを構築します。
一般的には、大量の画像データを学習させた画像認識のアルゴリズムや、大量のテキストを学習させた自然言語処理のアルゴリズムなどが流通しており、社会のさまざまな面で活用が進んでいます。
また、大量のデータを学習するだけでなく、試行錯誤を繰り返す中で、より良い結果を返す振る舞いをする強化学習も注目され、囲碁の世界チャンピオンにAIが勝利するなど、大きく社会にインパクトを生み出しています。
▶機械学習入門者が学ぶべきこと、学習方法を超具体的に解説します>>
AI・ディープラーニングとの関係性
【作成】AINOW編集部
2010年代後半には機械学習の注目が高まり、第三次AIブームが巻き起こりました。機械学習の中でもディープラーニングと呼ばれる技術への注目が高まりがきっかけです。
ディープラーニングでは、大量の画像やテキストなどのデータを学習することで、人間が特徴を教えなくても自律的にデータの法則を取得し、高精度なモデルを構築できます。
現在のAIブームを牽引する機械学習の中心的な存在がディープラーニングであると考えればわかりやすいでしょう。ディープラーニングは機械学習の一部であり、機械学習はAI（人工知能）の一部です。
▶【図解】ディープラーニングの仕組みを徹底解説 ー機械学習との違いや学習方法も>>
4種類に分けられる機械学習
機械学習は以下の4つの種類に分類されます。
以下で解説していきます。
教師あり学習
教師あり学習は、事前に準備された大量のデータ（教師データ）をコンピュータが学習することで、そこからパターンやルールを導き出す学習手法です。
この学習手法は、画像認識や、数値予測を中心としてさまざまなタスクに活用されており、教師あり学習の学習プロセスは「学習」と「推論」にわかれます。
「学習」は、多くのデータを学習する中でルールやパターンを導き、モデル（アルゴリズム）を構築する一方、「推論」では、構築したモデルを元に、新しいデータに対して結果を返します。
教師なし学習
教師なし学習は、教師あり学習とは異なり大量のデータを学習しませんが、その代わりにデータの持っている構造や特徴を分析し、グループ分けやデータを簡略化します。
この教師なし学習の代表的な手法として「クラスタリング」と「次元削減」が挙げられます。
半教師あり学習
半教師あり学習とは教師あり学習と教師なし学習を組み合わせたものです。
半教師あり学習は、正確なモデルを予測するための十分なデータがなく、より多くのデータを取得するための能力やリソースがない場合に用いられます。
この方法を用いると、トレーニングデータの規模を大きくできます。
しかし、アルゴリズムが100%正確なラベルを生成したことを確認する方法はありません。そのため、結果として信頼性は従来の教師あり学習よりは劣ります。
強化学習
強化学習とは、機械が取る戦略を学習しながら改善していく手法です。
強化学習では、教師あり学習のように正しいデータを与えるのではなく、一連の行動をとった結果ごとに報酬を設定し、その「報酬が最大化」するように機械が試行錯誤し、学習することで精度を上げていきます。
強化学習の学習プロセスは、自転車に乗れるようになるプロセスをイメージすると分かりやすいでしょう。
例）自転車に乗れるようになるプロセス
- 乗ってみる
- 倒れる
- 乗り方を変える（強化学習の”戦略”に相当）
- 少し乗れる（強化学習の”報酬”に相当）
- さらに乗り方を変えて徐々に乗れるようになる
- この試行錯誤の繰り返しで最終的にスイスイ乗れるようになる
機械学習にできること一覧
機械学習によってできることは、次の6つです。
それぞれ解説していきます。
回帰
回帰とは機械学習のうち「教師あり学習」の1つで、数量を扱う場合の学習方法です。
回帰を使った例として、「過去のデータを分析し、顧客データから新しい客が今後何回訪れるかを予測する」などが挙げられます。
”知っている数値から知らない数値を予測する”というのが、回帰の概念です。また回帰には、直線で回帰する「線形回帰」と、直線以外のなめらかな線で回帰する「非線形回帰」が存在します。
機械学習の回帰について詳しく知りたい方は、次の記事をご覧ください。
▶機械学習の回帰とは？分類との違い・メリット・学習方法など解説！>>
分類
回帰が数値の予測であったのに対して、分類は所属するラベルの予測をするアルゴリズムです。
例えば、「犬」と「猫」のラベル情報や「購入」と「非購入」のカテゴリーの情報などを分類・予測する場合の学習方法として分類が使用されます。身近な分類の活用例で言うと、「迷惑メールの判別」が分かりやすいでしょう。
また、分類には、
上記3つのカテゴリがあります。
ランダムフォレストとは、決定木を用いた手法です。決定木とは閾値を設定して分類する方法であり、樹木形をしたグラフを活用し、リスクマネジメントをはじめ、何かしらの決定をするときに用いられます。この方法を用いることで、精度の悪い決定木があったとしても全体としての精度を守れるシステムになっています。
ロジスティック回帰は、線形回帰を応用したものであり、名前に回帰とついていますが、実際は分類問題に使用される手法です。
基本的には、基本的には目的変数が1もしくは0のどちらかに分類できるような問題を扱います。
例えば、どのチャネルの広告配信が最も効果的かを調べたり、ある病気になるリスクを生活習慣などの複数の要因から予測したりする際にロジスティクス回帰が活用されます。
サポートベクトルマシン（SVM）は分類と回帰のどちらにも利用できる教師あり学習です。
非線形な識別をするための実装が容易なことから、識別能力が高く、精度の高い分析結果を出してくれることから人気が高いアルゴリズムになっています。
次元削減
次元削減はデータにおける次元（特徴量の数）を減らす手法です。
機械学習においても次元が不必要に多すぎると、それに比例して問題の算法が指数関数的に大きくなる「次元の呪い」と呼ばれる現象が起こり、精度の低下が見られることがあります。
そのため、次元削減を用いてデータを圧縮したり可視化したりすることで、「次元の呪い」の対策を行うのです。
そんな次元削減によく用いられる手法として「主成分分析」が挙げられます。
主成分分析とは、できるだけ元の情報を失わないようにしながら、ばらつきのある多次元のデータをより少ない次元に圧縮して表現する手法です。身長と体重から肥満度を示すBMIに変換するのは主成分分析の代表的な例になります。
クラスタリング
クラスタリングは分類の延長線上にある手法で、「類似するデータの集まりをカテゴリごとに分けて集める」代表的な教師なし学習の方法です。
クラスタリングのアルゴリズムには、階層クラスター分析と非階層クラスター分析の2種類があります。
階層クラスター分析は階層構造にある分類方法で、最も似ているデータの組み合わせからグループ分けしていく方法です。この分析方法は大量のデータ分類には向いておらず、対象の少ないデータに実行するのに有効です。
次に階層クラスター分析の「Ward法」と「群平均」について説明します。
Ward法
Ward法は、すでにあるグループのうち、一番近い２つのグループを合わせることでクラスタリングする手法です。この方法は、階層クラスター分析をする際に比較的よく利用されています。
群平均
郡平均は、2つのグループ内のデータ同士の距離を比較して、グループ間の距離を縮める方法です。この方法は鎖効果という余分なグループが生まれてしまう現象を防止できます。
非階層クラスター分析
非階層クラスターは、事前に取り扱うクラスター数を決めておき、その数だけのグループにデータを分類する階層構造のない分類方法です。
階層クラスター分析と比較して、ビッグデータなどの大量のデータを扱うことに適しています。
次に、非階層クラスター分析のk-means法について説明していきます。
k-means法
k-means法は、与えられたデータを似たもの同士でグループ（クラスタ）に分けるときに使われる手法です。k-means法の名前は、「クラスターの平均（=means）」を用いて、あらかじめ決められたクラスター数”k”個に分類することに由来しています。
k-means法では、k個のベクトルを利用することから始まり、ベクトルを調整しながらデータを分類していきます。ちなみにデータ分析のソフトウェア大手企業「Tebleau」の分析の一部にも利用されています。
レコメンデーション
レコメンデーションとは、対象者にとって価値があると思われる商品や情報をより個別的に提示する手法です。
これはインターネットの世界にとどまりません。例えば、マクドナルドで「ご一緒にポテトはいかがですか？」と提案することも、レコメンデーションの一つと考えられます。
また、レコメンデーションは必ずしも個別化（パーソナライズ）されているわけではありません。また、レコメンデーションには種類があり、能動的にユーザーにアクションを求める可能性もありますが、完全な受動でも能動でもなく、「ユーザーとのインストラクション」によって推奨されるものもあります。
異常検知
異常検知とは機械の故障やデータ分析の外れ値を検知・推測する際に利用する手法です。データセット内の他のデータと一致していない観測結果や期待されるパターンなどをデータマイニングなどで識別することをいいます。
クレジットカードの不正利用の検知、システムの故障検知などいろいろな場面で活躍しています。ここからは、代表的な手法を3つ紹介します。
k近傍法
k近傍法はデータ間の距離を利用して分類し、異常検知する方法です。
同手法は、新しく判別したいデータに対して、決められたk個のデータが作る範囲内と多数決の原理を利用して分類します。
この方法の大きな特徴は、kの値によって結果が大きく左右されることです。
主成分分析
先に述べた通り、主成分分析は、特徴量を抽出することによって、データセット内の特徴量を削減することです。
次元削減の際、主成分分析を利用することで、外れ値をデータの値が完全になくならない程度に他の軸に代表してもらい、他のデータに近似させることで外れ値を実質的になくします。
One-class SVM
One-class SVMは、文字通りSVMの方法を応用することで識別境界を設定して、通常値と外れ値を識別する外れ値検知のための方法と言えます。
6つの活用事例から知る機械学習にできること
ここまで機械学習の活用事例を述べてきましたが、これらが実際の生活の中でどう役立っているのか解説していきます。
以下でそれぞれ解説してきます。
①売上・需要予測
売上・需要予測には、「重回帰分析」が用いられます。重回帰分析とは複数の要素を組み合わせて売上や客数などの成果を予測する式を作成します。
重回帰予測による売上予測モデルの構築は、店舗ごとの売上データや店舗の属性項目や商圏データを用意してしまえば簡単です。
重回帰モデルはExcelで簡単に作ることが可能であり、ここに店舗ごとのデータを用意すれば、より正確な予測モデルを作り出せます。
②スパム・不正検知
スパムや不正検知には「異常検知」が用いられます。迷惑メールの検知やクレジットカードの不正使用などが代表的な例です。
スパムメールは、自動的に迷惑メールフォルダに振り分けられて行くことがありますが、これは迷惑メールで利用されがちな単語を学習し分類します。
③データの可視化
データを与えられた時は、そのデータを可視化して特徴を把握することが大切です。可視化する際の軸はルールとして決められていないため、何を知りたいのかを考え、可視化することが重要になります。
④テキストマイニングツール
テキストマイニングは、文字列を対象にしたデータマイニングのことです。
データマイニングとは、統計学や人工知能を大量のデータに適用して知識を取り出す技術のことであり、ビッグデータを取り扱う機会が増えた今、欠かせない技術となっています。
▶AI×テキストマイニング|メリット、おすすめツール、利用法までご紹介>>
⑤商品レコメンド
商品レコメンドは、ユーザーの興味を惹きつけるような商品・サービスをおすすめする方法です。
商品レコメンドの主な方法は、訪問したWebサイトやECサイトにて閲覧履歴や購買履歴より、好みに合うような商品・サービスを提案していきます。サイトなどで目にする「あなたへのおすすめ」などはこの機能によるものです。
⑥異常・故障検知
異常検知は、大量の計測値を機械学習させ、未知のパターンであっても異常であるかどうかを検知する方法です。
工場などで故障が発生した際の検知、不正な取引、機器の監視など、さまざまな業種で活用されています。
機械学習にできないことの具体例
万能に思える機械学習にも苦手な作業があります。
- 少ないデータで複雑な概念を学習すること
- 新しいタイプのデータに対する実行
この2つです。
「少ないデータで複雑な概念を学習する」の具体例は、「写真を入力して車に対する人のジェスチャーから意図を出力すること」が挙げられます。
車に対するジェスチャーには、ヒッチハイカーが手を降っているのか、建設作業員が車を停止するように手を挙げているのか、自転車に乗った人が手を挙げて曲がることを知らせているのかなど、何通りもの意図・種類があります。
そして、そのような人それぞれで捉え方の異なる大量のジェスチャーをデータとして収集するのは、簡単なことではありません。
そのため、機械学習では写真という少ないデータから、車に対するジェスチャーの意図という複雑な概念を出力するのは困難なのです。
「新しいタイプのデータに対する実行」の具体例としては、「異なる医療センターの画像をデータセットに用いたX線胸部の画像診断」が挙げられます。
例えば、肺炎の診断を学ぶための教師あり学習システムを構築したとします。
システムを適用する際、医療センターAで正しく実践されて画像データが集められたのに対し、医療センターBで画像データが斜めになっていたり、傷や他の物体が写っていたりした場合、システムの性能はかなり劣化してしまいます。
人間であれば、医療センターAの画像から学習した場合、医療センターBのような多少タイプの異なる画像にも適応できる可能性が高いでしょう。患者が斜めに横たわっているだけであることがわかるからです。
しかし、AIシステムはこのような新しいタイプのデータを一般化したり理解したりするのが不得意であるため、診断の性能が劣化してしまいます。
機械学習に使われるPythonとは
Pythonは、汎用性が高くシンプルで人気の高い言語です。Pythonの最大の特徴は「コードの入力が短くて済む点」です。
コードが短いことの利点は大きく3つあります。
- 勉強しやすい
- コード入力の時間が短くなる
- エラー箇所がわかりやすい
Pythonは元々AIのために作られたわけではありませんが、近年はAI、機械学習の場面で注目されています。個人でも扱えるため、プログラミング初心者でも気軽に学習を始められるでしょう。
▶３ステップで学ぶPythonによるAI開発 – おすすめの勉強法も紹介！>>
機械学習を上手にビジネスで使うには
機械学習が世間的に有名になってきた今、「あれもこれも機械学習でできるはず」と考えている方もいるでしょう。
しかし、機械学習にも苦手な分野があり、全てを機械学習で網羅できるわけではありません。
機械学習をビジネスで活用する場合は、機械学習が何でもできる万能のものではないと理解したうえで、特性を見極めて使う必要があります。
また、機械学習を活用したビジネスを立ち上げる際は、「機械学習を活用して何を解決したいのか」できるだけ明確化したうえで、「その課題は本当に機械学習を使って解決できるのか」調査しなければなりません。
それらがはっきりしていなければ、仮説段階で想定していたアウトプットや成果が出ない可能性があるからです。
また、機械学習を活用した新規事業を立ち上げる際は、最新のAI活用事例や伸びているAI企業の事業内容なども参考にすると、何かビジネスのヒントが見つかるかもしれません。
▶AIを活用したビジネスの立ち上げ方・リスク・最新事例など徹底解説！>>
▶《AI事例25選》産業別にAIの活用事例をまとめました>>
機械学習が発展した今、私たちがすべきこと
機械学習が発展し、AIによって仕事が奪われていく状況で、私たちに求められるスキルは今までと違ったものになります。
具体的には「AIやロボットを部下にして、方向性を示す」ことが求められるでしょう。
そのため、今後私たちは「複雑なデータや課題に取り組む思考力」「コミュニケーション能力」「AIについての基礎知識」などが必要になります。
単純作業の繰り返しはAIの得意分野であり、人間に取って代わる職種の代表です。これからは、私たちがAIを先導し、正しい方向に導く役割を担っていくべきでしょう。
また、AIにきちんと方向性を示せるようにするには、AIの基礎知識をつけたり、最新のAI動向をキャッチアップしたりすることも重要です。
まずは、講座や本でAIの勉強をしたり、最新のAIニュースを知るためにAINOWのメールマガジンを登録したりするなど、簡単に取り組めることから始めてみましょう。
▼関連記事
・AI講座15選｜未経験・転職におすすめの講座、大学で開講している講座も紹介
・【2021年版】AI関連のおすすめ本15冊をランキング形式でご紹介
まとめ
今回は「機械学習のできること」について詳しく解説しました。機械学習には「できること」が6つあり、世の中のさまざまな場面で、それらの技術が活用されています。
とはいえ、機械学習＝万能というわけではなく「できないこと」や「人間に劣る部分」も複数存在することもお分かりいただけたはずです。
もし、今後「機械学習を開発したい」「機械学習をビジネスで活用したい」という方は、機械学習のできること・できないことをよく理解したうえで取り組むと良いでしょう。
