機械学習Machine Learning

規則を書く向きを逆にしました

昔のプログラムは人が規則を先に書いて機械がそのまま従いました。入力がこうなら出力はこう、という具合です。この方式は規則がはっきりしている仕事では今でもいちばん良いです。電卓に機械学習を使う理由はありません。

問題は規則を書けない仕事のほうがずっと多いということです。手書きの数字を見分ける規則を書こうとすると最初の行から詰まります。人によって3の書き方はまるで違い、その違いを言葉に移す方法がありません。

機械学習は矢印を逆にします。人が与えるのは規則ではなく例です。3と書いた手書き文字を数万枚と、それが3だという印を与えると、機械がその中から共通点を探して規則のほうを作り出します。人は何を求めているかだけを伝え、どうやるかは機械が埋めます。

学習が過ぎ去りモデルが残ります

機械学習は大きく二つの時間帯に分かれます。前半が学習です。例を一つずつ見ながら自分の中にある数多くの調節値を少しずつ動かします。答えがずれた分だけつまみを回す作業を数百万回繰り返します。コーヒーで言えば毎日少しずつ変えて淹れてみる時間です。

この時間が終わると調節値がある状態で止まります。その止まった状態を丸ごと保存したものがモデルです。学習は長くかかり高くつきますが一度だけで済み、できあがったモデルを使う作業は速く何度でもできます。コーヒーの規則を見つけるのに二十杯かかりましたが、見つけた後は毎朝そのまま淹れればよいのと同じです。

だから機械学習の話には学習とモデルがいつも対で出てきます。学習は過程を指す言葉で、モデルはその過程が残した結果物を指す言葉です。

例の質が結果を決めます

機械学習は見せた例の中でだけ規則を探します。だから例が一方に偏っていると規則もそのまま偏ります。昼に撮った写真だけを見て学んだモデルは夜の写真の前で揺らぎます。自分の家の豆だけに合わせたコーヒーの規則が別の店の豆では合わないのと同じです。

例に付いた正解表示が間違っていても同じです。機械はその表示を疑わず、そのまま学びます。だから実際の現場ではモデルを手直しする時間より、例を集めて整える時間のほうがずっと長くなります。

覚えたことと学んだことは違います

例を丸ごと暗記してしまうと試験はよくできます。見たものをそのまま聞かれるからです。ですが初めて見るものが出ると崩れます。機械学習ではこの状態を過学習と呼びます。

だから学習に使う例と点検に使う例を別に取り分けておきます。学ぶときに一度も見せなかった例で試験をしてこそ、本当に規則を見つけ出したのかがわかります。初めて見るものにも通じるこの力を汎化と呼び、機械学習が本当に狙っているのはいつもこちらです。

学び方にも何種類かあります

正解を一緒に与える方式がいちばん一般的です。写真とそれが何であるかを対にして与えると、機械がその関係を学びます。教師あり学習と呼びます。

正解なしで例だけを与える方式もあります。似たものどうしを自然に集めさせておくと、客層の群れや文章の塊のようなものが浮かび上がります。教師なし学習です。そして良ければ点を与え悪ければ減らしながら自分で方法を見つけさせる強化学習もあります。コーヒーの味を点数で付けながら調節していくやり方に近いです。