教師あり学習とは

機械学習の基本となる、教師あり学習からお話しします。採用面接の場面を考えてみましょう。たくさんいる候補者の中から、面接に進む人を誰にするか、どうやって決定しているでしょうか。

SPIのスコア、資格の有無、学歴、職歴、課外活動、自己PR文など、さまざまな要素があります。SPIは何点以上、資格はこれが必要だけど、職歴があるなら考慮に入れる。ある程度の目安はあれど、最終的には採用担当者のフィーリングになってしまう場合も多いのではないでしょうか。

そんな時、人間にはちゃんと見えていない（けれど、どこかには存在するはずの）条件を探してくれるのが「機械学習」なのです。

これまでと同じく、採用候補者のスクリーニングで考えてみましょう。過去に面接に合格した人と、不合格だった人のデータを集めてきて、AIに学習させます。人間が「○○な場合はこう」と決める必要はありません。AIが自動的に場合分けをして、加点減点を調整し、一番よく「合格/不合格」を分けられる条件を探してくれます。

出来上がった条件の式を、「機械学習モデル」と呼びます。新しい候補者が来た時に、そのモデルで候補者のデータを分類することで、合否を予測できるようになります。

教師あり学習の中にも、さらに種類があります。最後に出てくる予測結果が「合格／不合格」のようなカテゴリならば分類、「売上予測」のような数値ならば回帰といいます。
また、予測がどれくらい当てはまりそうかを表す数値を、精度といいます。条件分けの根拠となるデータや、アルゴリズムを調整することで、精度を上げていくことができます。

教師なし学習とは

採用面接の候補者選びは、「合格／不合格」という、明らかな正解（教師データ）がある問題です。一方で、「うちの従業員にはどんなタイプが多いのだろう」といった、まだ誰も正解を知らない問題を学習させることを、「教師なし学習」といいます。

Kaggleの オ ー プ ン デ ー タ 、 「humanresourcesdataset」を例にとってみましょう。こちらは、各種データから、従業員のパフォーマンスを予測するデータです。この中の、賃金率（PayRate、横軸）上司のID(ManagerID、縦軸)に注目します。賃金率の高低と、上司との間に関係があるのでしょうか。

グラフを見ると、なんとなく、2つか3つの塊があるように見えます。
これを、機械学習モデルを使って自動的にグループに分けると、次のようになります。（データを前処理しているので、グラフ軸の数字は異なります。）

こんな風に、傾向が近いデータをかたまり（クラスター）として分析する手法を、クラスタリングといいます。データが２つか3つなら、目で見て直感的に分けることも可能です。しかし、4つ、5つ...と増えると、データを二次元のグラフで表現できないため、かたまりをとらえるのが難しくなってきます。
そんなとき、AIの出番というわけですね！

他に、たくさんあるデータを少ない個数の軸にまとめてくれる、次元削減という手法もあります。クラスタリングや教師あり学習の前段として使うこともできます。

強化学習とは

次に、強化学習についてご説明します。

強化学習は、Alpha GOなどで有名になった手法で、ルールと報酬を用意して、その報酬を最大化するような動き方を、AIがみずから導き出します。

碁なら、碁石の動かし方（ルール）と、得点の計算方法（報酬）だけをインプットします。最初はでたらめな打ち方をしていたAIも、何万回とシミュレーションを繰り返すことで、次第に「勝ちやすい碁石の動かし方」を学習していきます。
あらかじめ決められたルールの中で、利益を最大化する動き方を追求する分野に適した学習方法となります。

ディープラーニングとは

ここまでの教師あり学習、教師なし学習、強化学習は、人間があらかじめ「この問題を解くにはどんなデータが必要だろうか」と考え、数値やカテゴリなどの、きちんとした定型化データ（強化学習の場合はルールと報酬）を入力する必要がありました。
それに対し、非定型なデータも分析できるのが、ディープラーニングになります。

例えば、画像や音声、業務日誌などのテキストデータは、形がまちまちです。そうした非定型なデータから特徴を抽出し、分析することができるのがディープラーニングの強みです。
単純な2分類（単純パーセプトロン）を大量かつ何段階も重ねることで、非定型データに柔軟に対応できます。これは、人間の脳（ニューラルネットワーク）を模した仕組みとなっております。

入力された非定型データは、AIが自動的に特徴量に変換して分析されますが、内部の処理（隠れ層の部分）は人間には見えません。こうしたことから、特徴量のうち何が重要なのかを説明しなくともよい場合に向いています。

また、ディープラーニングは、非定型データに強いというだけで、定型データを扱う教師あり・教師なし学習や、強化学習にも対応可能です。精度も上がる傾向がありますので、用途に応じてうまく取り入れたいですね。

今回は、AI、機械学習の概略をざっくりとお話しさせて頂きました。AIの一手法として機械学習というジャンルがあり、データの種類や目的に応じてさまざまなアルゴリズムが用意されています。どんなことを明らかにしたいかによって、ご提案するアルゴリズムも異なります。
次回以降は、具体的なビジネスシーンでの機械学習の使い方などお話させて頂きます。

もし、お客様の業務の中で機械学習によって明らかにしたいこと、お困りごとがありましたら、弊社がお手伝いできるかもしれません。
何かございましたら、お気軽にお問い合わせください。

関連ソリューション

デジタルマーケティング　データ分析支援

データ分析の専門チームが、社内データとパブリックデータを活用し、デジタルマーケティング推進のためのデータ分析をご支援いたします。