この記事は、前回の記事の後半です。前半をご覧になってない方は、最初に前半記事を読んでみてください！

AIとは？特徴から歴史、仕組みまでを徹底解説！〜前半〜

AI・人工知能の種類

AI（人工知能）は、その役割や機能、応用範囲によっていくつかの種類に分類されます。ここでは、それぞれの種類について詳しく解説していきます。

1. 機能に基づく分類

AIはその機能に応じて以下の3つに分類されます。

① 弱いAI（Narrow AI）

弱いAIは、特定のタスクや目的に特化したAIです。人間の知能の一部分だけを模倣し、その範囲内で高いパフォーマンスを発揮します。ただし、他の分野のタスクには応用できません。

特徴
・特定の問題解決に優れている。

・他のタスクや新しい状況には対応できない。

・私たちの日常生活にすでに広く浸透している。

具体例
・音声アシスタント（Siri、Alexa、Googleアシスタント）

・自動車の制御システム

・医療分野の画像診断AI（X線やCTスキャンの解析）

・顔認証システム

② 強いAI（General AI）

強いAIは、人間の知能に匹敵する、またはそれを超える汎用的な知能を持つAIです。複数のタスクに適応し、新しい環境でも柔軟に対応することが期待されています。

特徴
・自己学習や自己改善が可能。

・人間のように判断し、創造性を発揮する。

・現在は研究段階にあり、まだ実現していない。

2. 技術に基づく分類

AIは使用する技術に応じて、以下の3つに分類されます。

① ルールベースAI

ルールベースAIは、事前にプログラムされたルールやロジックに従って動作します。これはAIの初期段階で主流だった技術です。

特徴
・決められた条件に基づいて動作する。

・柔軟性は低いが、特定の条件下で非常に正確。

具体例
・チェスや囲碁の初期AIプログラム

・簡単なチャットボット（FAQに答えるシステムなど）

② 機械学習ベースAI

機械学習ベースAIは、データを使って自らパターンを学習する技術です。特定のプログラムに頼らず、与えられたデータを基にして判断を下す能力を持っています。

特徴
・データを大量に使うことで性能が向上する。

・新しいデータに適応する柔軟性を持つ。

具体例
・機械翻訳（Google翻訳など）

・商品のレコメンデーション（AmazonやNetflixのおすすめ機能）

③ 深層学習ベースAI

深層学習（ディープラーニング）は、機械学習の中でも特に高度な技術です。ニューラルネットワークという脳の構造を模倣したアルゴリズムを使用し、複雑なタスクを処理します。

特徴
・画像や音声、文章の理解が得意。

・高度な認識や予測を行うことが可能。

具体例
・自動運転の視覚システム

・音声認識（スマートスピーカー）

・医療画像解析（がん診断など）

AI・人工知能の仕組み

AI（人工知能）は、データを利用して学習し、それを基に判断や予測を行うシステムです。その仕組みは、主に以下の要素で構成されています。

1. データの収集と準備

AIの学習の第一歩は、データの収集です。AIが正確に機能するためには、大量のデータが必要です。このデータは以下のような形式で提供されます。

① 構造化データ

表やリストなど、きちんと整理された形式のデータです。

・具体例
 顧客の名前、住所、購入履歴などが記録されたデータベース。

② 非構造化データ

画像、音声、テキストなど、整理されていない形式のデータです。

・具体例
写真や動画、SNSの投稿内容。

データの前処理

収集したデータは、そのままではAIが学習に使えないことが多いため、前処理を行います。

・ノイズ除去
役に立たないデータを削除する。例：画像のぼやけた部分や欠損値を補正する。

・標準化
データの形式を統一する。例：すべての数値を0～1の範囲にスケール化。

2. モデルの構築

AIのモデルは、特定の目的に合わせて設計されます。このモデルがデータを処理し、学習を行う中核部分です。モデル構築において以下の技術がよく使われます。

① 機械学習（Machine Learning）

機械学習は、データからパターンを学び、判断を行うAI技術の一つです。以下の手法があります。

・教師あり学習
ラベル付きデータ（例：犬や猫の画像に、それぞれ「犬」「猫」とラベルがついている）を使用して学習します。

具体例：迷惑メールフィルタ。メールに「迷惑メール」か「通常のメール」かというラベルを付けたデータを学習し、分類します。

教師なし学習
ラベルのないデータを使い、データの中に潜むパターンを見つけます。

具体例：顧客の購買行動を分析し、類似した購入パターンを持つグループに分類する（マーケティングでの活用）。

強化学習
試行錯誤を繰り返しながら、成功報酬を最大化する行動を学びます。

具体例：囲碁AI「アルファ碁」が、何度も試合を繰り返して戦略を学んだ方法。

② 深層学習（Deep Learning）

深層学習は、機械学習の一種で、特にニューラルネットワークを使用したものを指します。これにより、非常に複雑なタスクも処理できるようになります。

具体例
・画像認識：自動運転車が道路標識や歩行者を認識する。

・音声認識：スマートスピーカーが話し言葉をテキストに変換する。

ニューラルネットワークは、以下のような構造を持っています。

・入力層：データ（画像、音声など）がここに入力される。

・隠れ層：データの特徴を分析する層（層が多いほど「深層」になる）。

・出力層：結果を出力する層（例：「犬」または「猫」）。

3. 学習とトレーニング

モデルを構築した後、AIはデータを使って学習を行います。このプロセスを「トレーニング」と呼びます。

① トレーニングプロセス

ステップ1：データをモデルに入力する。

ステップ2：モデルがデータを処理し、出力結果を出す。

ステップ3：結果と正解（教師あり学習の場合）を比較し、誤差（損失）を計算する。

ステップ4：誤差を最小化するようにモデルを調整（最適化）する。

② エポックとバッチ

エポック：学習データ全体を1回通過するプロセス。

バッチ：データを小分けにして学習する単位（メモリの効率化のため）。

具体例
画像分類AIの場合、数千枚の画像を何度も繰り返しトレーニングすることで、より正確に分類できるようになります。

4. 推論（インフェレンス）

学習が終わったAIモデルは、新しいデータに対して「推論」を行います。これは、AIが実際の環境で動作する段階です。

① 推論の流れ

・データを入力すると、AIがそれに基づいて判断や予測を出力します。

推論の応用例

・医療診断：X線画像を解析し、病変部を特定する。

・交通制御：カメラ映像を分析し、渋滞予測や信号の調整を行う。

5. 継続的学習とモデルの改善

AIは初期の学習だけでなく、新しいデータを取り込むことで継続的に改善されます。

① フィードバックループ

AIが出した結果を基にフィードバックを受け、新しいトレーニングデータとして利用します。

具体例：自動運転車が運転中の状況を学び、次回の運転に反映する。

② 再トレーニング

新しい技術や環境に対応するために、モデルを再トレーニングします。

具体例：新しい言語を追加するために翻訳AIを再トレーニングする。

AIの仕組みを支える技術

① ビッグデータ

AIが正確な結果を出すためには、膨大なデータが必要です。ビッグデータは、AIの学習や推論を支える基盤です。

② 高性能なハードウェア

AIの学習には膨大な計算が必要です。特に、GPU（グラフィックス処理ユニット）は深層学習の高速処理を可能にします。

③ クラウドコンピューティング

クラウドサービスを利用することで、AIのトレーニングや推論を効率的に行えるようになっています。

具体例で見るAIの仕組み

① 画像認識AIの例

自動運転車で、歩行者や道路標識を認識するプロセス

1. 車載カメラが道路の映像を撮影。

2. AIが映像をフレームごとに分解し、特徴を抽出。

3. 歩行者や標識を識別し、その位置を特定。

4. 自動運転システムが車の挙動を調整。

② 音声アシスタントAIの例

音声アシスタントが質問に答えるプロセス

1. ユーザーが話しかける（音声入力）。

2. AIが音声をテキストに変換（音声認識）。

3. テキストから質問の意図を理解（自然言語処理）。

4. 回答を生成し、音声に変換（音声合成）。

まとめ

今回は、AIの基本的な定義や特徴、歴史、種類、仕組みについて解説しました。AIは私たちの生活を大きく変える可能性を秘めた技術であり、その理解を深めることで、より良い未来を考えるヒントになります。

次回は、AIの中でも特に注目されている「機械学習」について詳しく解説していきます。AIがどのようにして「学習」するのか、その仕組みを知ると、AIの奥深さに驚かれるかもしれません。それでは、次回の記事でお会いしましょう！