エンジニアのためのAIの基本 Part1

はじめに

はじめまして、株式会社バニッシュ・スタンダードでエンジニアをやっているkzzzmです。

ChatGPTの新バージョンだったり、最近話題のDeepSeekショックだったりとAIに関する話題は多いかと思います。
なので今回は「エンジニアのためのAIの基本」というタイトルで記事を書いていこうと思います。
僕もエンジニアでありながら、正直AIの技術はあまり分かっていないので学びながらです。
(誤った情報などありましたら申し訳ございません。その際はコメント欄にて指摘いただけると嬉しいです！)

今回はPart1です！

人工知能の全体像

まずAI（AI: Artificial Intelligence）とは、コンピュータが人間の知的な作業を模倣・実行できるようにする技術の総称です。

AIの基本構造

AIの全体像を理解するために、以下の4つの主要な構成要素が紹介されています。

• ハードウェア（GPU, FPGA, ASIC）
• 機械学習ライブラリ（フレームワーク）
• AIプラットフォーム
• AIアプリケーション

これらの技術が組み合わさることで、AIが実用化され、さまざまな分野で活用されています。

ハードウェアとサーバ技術

• AI処理の高速化には、専用のハードウェアが必要。
• GPU（NVIDIA, AMD）：並列計算能力が高く、ディープラーニングの訓練に最適。
• FPGA（Intel, Xilinx）：用途に応じてプログラム可能で、AI向けの計算処理を高速化。
• ASIC（Google TPU, Apple Neural Engine）：特定用途向けに最適化されたAI計算チップ。

これらのハードウェアは、クラウド上で動作することが多く、Google Cloud, Amazon AWS, Microsoft Azureなどが提供するAIクラウドプラットフォームと連携して利用されます。

機械学習ライブラリ（フレームワーク）

機械学習やディープラーニングのモデルを開発するためのソフトウェアツール。
代表的なフレームワーク

• TensorFlow（Google）
• PyTorch（Facebook）
• MXNet（Amazon）
• Scikit-learn（機械学習向けのPythonライブラリ）
• JAX（Google）
• Keras（Google）

これらのライブラリを利用することで、AIモデルの学習や推論を容易に実行できる。
また多くがオープンソースで無償提供されており、我々エンジニアが手軽に利用してディープラーニング学習モデルを作成することが出来る。

AIプラットフォーム

AIプラットフォームは、AIの学習・推論を簡単に実行できる統合環境を提供。

• Google Cloud AI
• Amazon SageMaker
• Microsoft Azure AI
• IBM Watson AI
• Oracle AI

これらのプラットフォームを活用することで、専門知識がなくてもAIをビジネスに導入できるようになっている。

AIアプリケーション

自動運転

• テスラのオートパイロット
• Waymoの自動運転タクシー
• AIの画像認識と強化学習を活用し、安全な自動運転技術が進化。

医療AI

• 診断支援AI（IBM Watson Health, DeepMind）
• 創薬AI（Atomwise, BenevolentAI）
• AIが医療画像を解析し、がん検出や疾患診断を支援。

金融

• 不正取引検出（Mastercard, Visa）
• AIによる投資分析（Robo-Advisors）
• AIがリアルタイムでデータを分析し、不正行為の検出や投資戦略の最適化を行う。

顧客対応

• チャットボット（Alexa, Google Assistant, IBM Watson Assistant）
• カスタマーサポートの自動化（Zendesk AI, Freshdesk AI）
• AIがユーザーと対話し、質問応答やタスクを処理。

我々一般エンジニアの主戦場はハードウェアやライブラリ、AIプラットフォームを作ることではなく、それらを使いこなしてユーザーニーズを満たすアプリケーションを作ることにあると思います。

機械学習とディープラーニングの違いについて

機械学習

機械学習とはコンピューターに学習させて人間と同じように認識・判断を行わせる人工知能の手法の1つです。
機械学習は 「学習処理」 と 「判定処理」 の2つの手順で行われます。

学習処理

• データを用いてアルゴリズムを訓練し、パターンを学習。
• モデルがデータの特徴を理解し、予測能力を向上させる。

判定処理

• 学習したモデルを用いて、新しいデータを分類・予測。
• 例えば、花の画像を学習させると、未知の花の種類を正しく分類できるようになる。

ミニバッチ学習

機械学習では、データを一度に学習させるのではなく、小さなバッチサイズ（ミニバッチ）に分けて反復学習を行う。

• 例：9000枚のデータを200回に分けて学習（エポック単位で繰り返し）。
• 筋トレのような学習プロセスで、徐々に精度を向上させる。

1. 勾配降下法
   誤差を最小限に抑えるための手法で、モデルのパラメータ（重み）を調整して精度を向上させる。

2. ホールドアウト法
   データの一部を訓練用、残りをテスト用に分けて、過学習を防ぐ。

ニューラルネットワークとディープラーニング

ニューラルネットワークの構造

ニューラルネットワークは、人間の脳のニューロンの仕組みを模倣したAIのアルゴリズム。

• 入力層（Input Layer）：データを受け取る層
• 隠れ層（Hidden Layer）：データの特徴を抽出する層
• 出力層（Output Layer）：分類や予測を行う層

1. シグモイドニューロン

• ニューラルネットワークにおける基本的な計算単位。
• 各入力値には重み（weight）が割り当てられ、バイアス（bias）によって最適な判断が下される。

2. 多層パーセプトロン

• 隠れ層を増やすことで学習精度を向上させる手法。
• ディープラーニングの基盤となる概念。

誤差逆伝播（Backpropagation）

ニューラルネットワークの学習を向上させるための手法。

• モデルの出力誤差を逆伝播させて、重みを調整。
• 例：「価格が高い」ことが誤った要因なら、その影響を減らすように調整。

機械学習とディープラーニングの違い

機械学習とディープラーニングの違いを説明する3つの定義。

• ディープラーニングは機械学習の一部である
• ディープラーニングは隠れ層が多層化している
• 機械学習はルールベース、ディープラーニングはブラックボックス (下記にて解説)

機械学習（ルールベース）

機械学習は、あらかじめ設定されたルールや数学的なアルゴリズムに基づいてデータを解析し、パターンを見つけて予測や分類を行う手法です。主に統計的手法や決定木などの明確なルールに基づいたアルゴリズムを使用します。

1. 代表的な機械学習アルゴリズム
   機械学習のアルゴリズムは、問題の種類によって適用される手法が異なります。
   ①教師あり学習（Supervised Learning）
   データに正解ラベルを付与し、モデルが正しいパターンを学習する手法。

   • ベイズ回帰（Bayesian Regression）：確率的な予測を行う回帰モデル。
   • サポートベクターマシン（SVM, Support Vector Machine）：データを高次元空間にマッピングし、分類を行う手法。
   • ランダムフォレスト（Random Forest）：多数の決定木（Decision Trees）を組み合わせた予測モデル。

   ② 教師なし学習（Unsupervised Learning）
   データに正解ラベルを与えず、データの内部構造を分析する手法。

   • クラスタリング（Clustering）：データを似たグループに分類する（例：K-meansクラスタリング）。
   • 主成分分析（PCA, Principal Component Analysis）：データの次元削減を行い、情報を要約する。

   ③ 強化学習（Reinforcement Learning）
   エージェント（AI）が環境との相互作用を通じて最適な行動を学習する手法。

   • Q学習（Q-learning）：試行錯誤によって報酬を最大化する行動を学習。

2. 機械学習の特徴

• 特徴量を人間が設計：モデルの学習には、適切な特徴量（Feature）の設計が重要。
• 解釈性が高い：なぜその予測結果になったのかを説明しやすい。
• 小規模なデータでも利用可能：少量のデータでも比較的高精度な予測が可能。

ディープラーニング（ブラックボックス）

ディープラーニングは、機械学習の一種ですが、ニューラルネットワークを活用することで、データから特徴を自動抽出し、高度なパターン認識を行う技術です。

1. ディープラーニングの基本構造
   ディープラーニングは、多層の ニューラルネットワーク（Deep Neural Network, DNN） を使用します。
   ニューラルネットワークの基本構成：

   • 入力層（Input Layer）：データを受け取る層。
   • 隠れ層（Hidden Layer）：データの特徴を学習し、抽象化する層（多層化される）。
   • 出力層（Output Layer）：最終的な予測結果を出力する層。

2. 代表的なディープラーニング手法
   ディープラーニングには、タスクに応じたさまざまなモデルがあります。

   ① 畳み込みニューラルネットワーク（CNN, Convolutional Neural Network）

   • 画像認識や映像処理に特化したネットワーク。
     • 例：物体検出（YOLO, Faster R-CNN）、顔認識（FaceNet）。

   ② 再帰型ニューラルネットワーク（RNN, Recurrent Neural Network）

   • 時系列データや自然言語処理（NLP）に適用される。
     • 例：翻訳（Google Translate）、音声認識（DeepSpeech）。

   ③ 生成モデル（GAN, Generative Adversarial Network）

   • 画像生成やデータ拡張に活用される。
     • 例：AIによる画像合成（DALL·E）、フェイク動画生成（DeepFake）。

   ④ 強化学習に基づくディープラーニング（DQN, Deep Q-Network）

   • AIが試行錯誤を通じて最適な行動を学習する。
     • 例：囲碁AI（AlphaGo）、自動運転（Waymo）。

3. ディープラーニングの特徴

• 特徴量の自動抽出：人間が設計せずとも、モデルがデータから重要な特徴を学習。
• 高精度な予測：大量のデータを活用することで、人間を超える判断精度を実現。
• ブラックボックス問題：学習過程が複雑で、なぜその結果になったのかを説明しにくい。

機械学習とディープラーニングの適用範囲

項目	機械学習（ルールベース）	ディープラーニング（ブラックボックス）
データ量	少量のデータでも学習可能	大量のデータが必要
特徴量設計	人間が特徴を設計する	AIが自動で特徴を抽出
計算コスト	低い（CPUで処理可能）	高い（GPU/TPUが必要）
解釈性	高い（説明可能）	低い（ブラックボックス）
適用分野	金融、医療、マーケティング	画像認識、自然言語処理、自動運転

まとめ

いかがでしたかね？
聞き馴染みのない言葉が多くて大変ですが、AIに対する知見はこれから増やしていきたいですね。

最後に

弊社「株式会社バニッシュ・スタンダード」では、現在エンジニアおよびデザイナーを積極的に募集しています。

私も、幅広い技術領域に携わることができ、日々充実した仕事ができています。
技術レベルの高いエンジニアが多く、成長意欲のある方には特におすすめです。
また、みんなが仕事に対して責任感を持ち、親切な人ばかりなので、非常に働きやすい環境です。

少しでも興味を持たれた方は、ご応募をお待ちしています。

https://recruit.v-standard.com/