ディープラーニング(深層学習)とは、人の脳の神経回路をヒントにした「ニューラルネットワーク」を何層にも重ね、判断に使う特徴までデータから自動で学ぶ機械学習の手法です。 画像認識、音声認識、翻訳、そして生成AIを支える中心的な技術です。

この記事で分かること

  • ディープラーニングと、それ以前の機械学習の違い
  • ニューラルネットワークの層・重み・学習の仕組み(数式なし)
  • CNN・RNN・Transformer の違いと、それぞれが得意なこと
  • 業務での活用例と、得意なこと・苦手なこと

AI・機械学習・ディープラーニングの関係は AI・機械学習・ディープラーニングの違い、機械学習の基本は 機械学習とは で解説しています。

機械学習との違い

ディープラーニングは機械学習の一種です。違いは、判断の手がかり(特徴量)を誰が決めるかにあります。

観点 従来の機械学習 ディープラーニング
特徴量 人が選ぶ(例:「傷の長さ」「色の濃さ」) データから自動で学ぶ
得意なデータ 表形式の数値データ(売上、在庫、取引の記録) 画像・音声・文章など、人が特徴を言葉にしにくいデータ
必要なデータ量 比較的少なくても始められる 大量に必要なことが多い
計算資源 一般的なパソコンでも扱える 学習には GPU などの高い計算能力が必要
判断理由の説明 手法によっては説明しやすい 説明しにくい

例えば、部品の写真から傷を見つける場合、従来の機械学習では「どんな特徴を見れば傷と分かるか」を人が設計する必要がありました。ディープラーニングでは、傷のある写真とない写真を大量に学ばせると、見分けるための特徴をモデル自身が見つけます。

総務省の情報通信白書も、ディープラーニングによって、何に着目して判断するかを人が与えなくてもコンピュータが自ら見つけられるようになったことを、現在のAIブームのきっかけとして説明しています(出典:総務省「平成28年版 情報通信白書」人工知能(AI)研究の歴史)。

ニューラルネットワークの仕組み

層とニューロン

ニューラルネットワークは、「ニューロン」と呼ばれる小さな計算の単位を、層状につないだものです。

層 役割 外観検査での例
入力層 データを受け取る 写真の画素(ピクセル)ごとの明るさや色の値
隠れ層(中間層) 受け取った値を組み合わせて、特徴を取り出す 線や角 → 模様 → 傷らしい形、と段階的に特徴を捉える
出力層 最終的な答えを出す 「良品」「不良品」それぞれの確からしさ

この隠れ層を何層にも深く重ねたものが「ディープ(深い)」ラーニングです。層が深いほど、単純な特徴から複雑な特徴へと、段階的に捉えられるようになります。

重み

ニューロンどうしのつながりには、それぞれ重みという数値が付いています。重みは「どの情報をどれだけ重視するか」を表します。生成AIのような大規模なモデルでは、重みの数が膨大になります。

学習の仕組み(誤差逆伝播)

学習とは、正しい答えを出せるように、重みを少しずつ調整していくことです。流れは次のとおりです。

  1. データを入力し、今の重みで答えを出す
  2. 出した答えと正解のずれ(誤差)を測る
  3. 誤差を出口(出力層)から入口(入力層)の方向へさかのぼり、各重みをどちらにどれだけ直せば誤差が減るかを計算する
  4. 重みを少し直し、これを大量のデータで何度も繰り返す

3の計算方法を誤差逆伝播(バックプロパゲーション)と呼びます。仕組みの詳細を知らなくても、「正解とのずれを手がかりに、重みを少しずつ直していく」と押さえておけば十分です。

なぜ今、使えるようになったのか

ニューラルネットワークの研究自体は古くからありますが、実用になったのは2010年代以降です。理由は大きく3つあります。インターネットの普及で学習用の大量のデータが手に入るようになったこと、GPU(画像処理用の半導体)で大量の計算を速く行えるようになったこと、深い層をうまく学習させる手法が改良されたことです。

2012年には、画像認識の国際コンペでディープラーニングを使ったチームが、2位を大きく引き離して優勝しました(詳しくは AI・機械学習・ディープラーニングの違い の歴史の節)。2024年のノーベル物理学賞は、人工ニューラルネットワークによる機械学習を可能にした基礎的な発見と発明に対して、ジョン・ホップフィールド氏とジェフリー・ヒントン氏に贈られています(出典:The Nobel Prize「Press release: The Nobel Prize in Physics 2024」)。

CNN・RNN・Transformer の違い

ディープラーニングには、扱うデータに合わせた代表的な仕組み(アーキテクチャ)があります。

名前 得意なデータ 仕組みのポイント 主な用途
CNN(畳み込みニューラルネットワーク) 画像 画像の小さな範囲ごとに特徴を取り出し、それを積み重ねて全体を捉える 画像の分類、外観検査、物体の検出
RNN(再帰型ニューラルネットワーク) 文章・音声・時系列データ データを順番に1つずつ読み、前の内容を覚えながら処理する 音声認識、翻訳、時系列の予測(以前の主流)
Transformer 文章(現在は画像・音声にも) 「注意機構(アテンション)」で、離れた言葉どうしの関係も一度に捉える。並列に計算しやすい 大規模言語モデル、翻訳、要約、生成AI全般

Transformer は、2017年に Google の研究者らの論文「Attention Is All You Need」で発表された仕組みです。RNN のように順番に読む処理をやめ、注意機構だけで文章を扱う設計にしたことで、大量のデータで大きなモデルを学習させやすくなりました(出典:Vaswani ほか「Attention Is All You Need」(arXiv))。現在の大規模言語モデルの多くは、この仕組みを土台にしています。

業務での活用例

分野 使い方 業務の例
製造 画像から不良を見つける 製品の外観検査、部品の数量確認
事務 文字を読み取る(AI-OCR) 手書きの申込書・請求書の読み取りと入力
会議・コールセンター 音声を文字にする 議事録の作成、通話内容の記録と要約
営業・海外取引 翻訳する 海外の取引先とのメール、仕様書の翻訳
管理部門 文章を作る・要約する(生成AI) 報告書・規程の下書き、社内文書への問い合わせ対応
設備・品質 普段と違う状態を見つける センサーの値や音からの、設備の異常の予兆の検知

多くは、自社でモデルを一から作るのではなく、学習済みのモデルを組み込んだサービスとして使えます。自社で学習が必要になるのは、外観検査のように、自社の製品や現場に固有のデータで精度を出す必要がある場合です。

学習済みモデルを活かす(転移学習)

自社で学習させる場合も、一から学習させるとは限りません。大量の画像や文章ですでに学習したモデルを出発点にし、自社のデータで追加の学習をして作業に合わせる方法があります。これを転移学習と呼びます。

学習済みのモデルは、「線や形を見分ける」「言葉の意味の近さを捉える」といった基本の力をすでに身につけています。そのため、自社で用意するデータが比較的少なくても、実用的な精度に届きやすくなります。中堅・中小企業がディープラーニングを自社向けに使う場合は、この方法が現実的な選択肢になります。

得意なこと・苦手なこと

得意なこと 苦手なこと・注意点
画像・音声・文章のような、特徴を言葉にしにくいデータの認識 学習に大量のデータが必要。不良品のように、めったに起きない事例のデータは集めにくい
データを増やすほど精度が上がりやすい 学習には GPU などの計算資源と時間がかかる
1つのモデルを、似た別の作業に転用しやすい 判断の理由を説明しにくい(ブラックボックスと呼ばれる)
人が気づかない細かな違いを見分ける 学習したデータと違う状況(照明の変化、新しい製品)では精度が落ちる
学習データの偏りを、そのまま判断に持ち込むことがある

表形式の数値データ(売上、在庫、取引の記録)の予測では、従来の機械学習のほうが少ないデータで十分な精度が出て、理由も説明しやすいことがあります。「ディープラーニングのほうが新しいから良い」ではなく、データと目的で選びます。

生成AIとのつながり

ChatGPT、Claude、Gemini などの対話型AIの中心にあるのは、大規模言語モデル(LLM) です。LLMは、Transformer を土台にしたディープラーニングのモデルで、大量の文章を学習して、文章の続きを予測する力を身につけています。その力を使って、質問への回答、要約、文章の作成などを行います。

つまり、生成AIはディープラーニングの延長線上にあります。違いは規模です。従来は、画像の分類や翻訳など、作業ごとに別のモデルを作っていました。LLMでは、1つの大きなモデルに、言葉で指示するだけで多くの作業を任せられるようになりました。LLMの仕組みは LLM(大規模言語モデル)とは で詳しく解説しています。

さらに、LLMにファイルの読み書きや他のシステムの操作を組み合わせた AIエージェント が、手順の決まった業務を任せられる段階に来ています。経営者や管理職にとって重要なのは、技術の細部よりも、AIに任せる範囲と人が確認する部分をどう分けるかという業務の設計です。

当社の支援

ディープラーニングをはじめとするAIの技術は、学ぶだけでは業務は変わりません。AIを前提に業務・組織・意思決定の仕組みを作り替えること(AX:AIトランスフォーメーション)まで進めて、はじめて成果になります(AX(AIトランスフォーメーション)とは)。

サービス こんなときに
階層別・テーマ別研修 AIの仕組みの基礎と、業務での使い方・確かめ方を、階層ごとに学びたい
AIエージェント研修 自社の業務から任せる範囲を決め、AIエージェントを動かして使い続けるところまで進めたい
個別伴走支援 現場に時間がなく、AIに任せる業務の設計から実装・定着までを一緒に進めてほしい

製造業・卸売業での使い方は 製造業・卸売業のAI活用支援 で紹介しています。AIの最新の動きは無料のメールマガジン 週刊AXニュース で毎週お届けしています。自社で何から始めるべきかを整理したい場合は、無料相談 からお問い合わせください。

よくある質問

ディープラーニングを使うには、自社で高性能なコンピュータが必要ですか?
使うだけなら、多くの場合は必要ありません。画像認識・音声の文字起こし・翻訳・生成AIなどは、学習済みのモデルをクラウドのサービスやAPIとして利用できます。自社のデータで一からモデルを学習させる場合は、GPUを備えたコンピュータやクラウドの計算資源が必要になりますが、中堅・中小企業でそこから始めるケースは多くありません。
判断の理由が説明しにくいAIを、業務に使ってもよいのでしょうか?
業務によって線を引くのが現実的です。外観検査の一次判定や文書の下書きのように、最終的に人が確認する業務では使いやすいです。一方、融資や採用の判断のように、理由を説明する責任が重い業務では、AIの出力を参考情報にとどめ、人が判断して記録を残す形にします。どの業務で、誰が最終判断をするかを先に決めておくことが大切です。
ディープラーニングとAIエージェントはどういう関係ですか?
AIエージェントの中心にあるのは、ディープラーニングで作られた大規模言語モデルです。言葉を理解して次の行動を考える部分をモデルが担い、そこにファイルの読み書きや他のシステムの操作などの道具を組み合わせて、複数の手順からなる作業を進めます。ディープラーニングは土台の技術で、AIエージェントはそれを業務の作業に使う仕組みと考えると分かりやすくなります。