ディープラーニング
用語名をコピー
AI概念約1分で読めます
多層の人工ニューラルネットワークを通じてデータの複雑な非線形関係を学習する機械学習の一分野です。データから特徴量（Feature）を自ら抽出し、画像認識、自然言語処理、生成AIなど、高度な認知能力が必要とされる分野において中核技術として使用されます。
別名
Deep Learning深層学習
詳しい説明
ディープラーニングは、人間の脳の神経回路網を模倣した人工ニューラルネットワーク（ANN）の階層を深く構築し、膨大なデータからパターンを学習する技術です。従来の機械学習とは異なり、人間が直接特徴量を定義しなくても、ニューラルネットワークが段階的（階層的）にデータの抽象的な表現を学習する「特徴量学習」が可能です。最近では、Transformerアーキテクチャをベースにした大規模言語モデル（LLM）や拡散モデル（Diffusion Model）の根幹となり、生成AI時代を牽引しています。高い精度を実現するためには、大規模なデータセットとGPUやNPUなどの高性能なコンピューティングリソースが不可欠です。
ツール選択において重要な理由
解決しようとする問題の複雑さに応じて、ディープラーニングを導入するかどうかを決定する必要があります。構造化データに基づく単純な予測は一般的な機械学習の方が効率的な場合がありますが、画像・音声・非構造化テキストの分析や、クリエイティブなコンテンツ生成作業にはディープラーニングベースのツールが不可欠です。また、モデルの階層が深い（Deep）ほど高性能なハードウェアコストが発生するため、予算とパフォーマンスのバランスを見極める基準となります。
確認すべき点
- 解決しようとする問題が、画像や言語などの非構造化データであるか？
- モデル의 学習または推論のためのGPU/NPUリソースが確保されているか？
- 学習に必要な大規模かつ高品質なデータセットが用意されているか？
- リアルタイム応答（ローレイテンシー）が重要か、それとも精度が最優先か？
例
スマートフォンのFace IDはディープラーニングを通じてユーザーの顔の特徴を認識し、ChatGPTは数十億個のパラメータを持つディープラーニングモデルを通じて人間のような文章を生成します。
混同しやすい用語
機械学習（Machine Learning）
ディープラーニングを内包する上位概念であり、手動で特徴量を抽出するアルゴリズムを含みます。
人工ニューラルネットワーク（ANN）
ディープラーニングの基礎となる構造自体を意味し、これを何層にも積み重ねた状態がディープラーニングです。