BLOG · AI入門・機械学習
ディープラーニング（ニューラルネットワーク）の動きをアニメーションで理解する
手書きの数字を見分ける仕組みを、「答えを出す」流れと「ずれを直す」流れで確かめる
いまの生成AIや画像認識の土台になっているのが、ニューラルネットワークです。やっていることは、数字を「掛けて、足して」何層も伝えていくことと、答えがずれたらずれを後ろから配り直して、少しずつ直すことの繰り返しです。下のデモで、手書きの数字（0〜9）を見分けるネットワークが育っていく様子を見てみましょう。
動かして確かめる
左の図は、小さなネットワークです。左端が手書きの数字の画素（8×8＝64マス、明るいほど濃い）、真ん中が隠れ層（16個のノード）、右端が0〜9のどれかを答える出力です。ノードをつなぐ線は重みで、青はプラス、赤はマイナス、太いほど影響が強いことを表します。まずは「1ステップ進む」を押して、①〜⑤を順に見てください。
ネットワークの中身（1枚の字を見るたびに、①〜⑤が起きます）
青い線＝プラスの重み 赤い線＝マイナスの重み オレンジ＝逆向きに配られる誤差 ／ ノードは明るいほど値が大きい
- ① 入力
- ② 順伝搬
- ③ 答え合わせ
- ④ 逆伝搬
- ⑤ 重みの更新
学習の推移（30枚ごとに計測）
黄色の線＝外れ具合（損失、下がるほど良い）／水色の線＝正解率
あなたの字で試す（8×8のマスに、1マス幅の線で大きく書く）
「再生」を押すと、最初の3枚は①〜⑤をゆっくり見せ、そのあとは自動で早送りの学習に切り替わります。「初めて見る字」は、学習に使っていない100枚です。
何が起きているのか：答えを出して、ずれを配り直す
ニューラルネットワークは、人間の脳の神経細胞のつながりをまねた計算の仕組みです。ただし中身はシンプルで、「掛けて、足して、形を整える」を層ごとに繰り返すだけです。デモの1枚ぶんの学習は、次の5段階で進みます。
- ① 入力：手書きの数字の64個の画素（明るさ0〜1）を、ネットワークの入口に入れます。学習中は、その字の正解（たとえば「3」）もあわせて用意します。
- ② 順伝搬：画素の値に、線ごとの「重み」を掛けて足し合わせたものが、隠れ層の各ノードの値になります（強すぎる値は0〜1に収めます）。同じことをもう一度行い、出力の10個のノード（0〜9）の値を出します。最後に「全部足すと100%」になるよう整えて、いちばん大きい数字を答えにします。（図で光が左から右へ流れるところ）
- ③ 答え合わせ：答えと正解を比べます。正解の数字に高い確率をつけていれば、ずれ（誤差）は小さく、低ければ大きくなります。（図で、正解の出力に緑の枠がつき、ずれがオレンジの短い棒で出るところ）
- ④ 逆伝搬：このずれを、出力側から入力側へ逆向きに配ります。「この線の重みがもう少し大きければ、ずれは小さくなったか、大きくなったか」を、線ごとに計算します。これが勾配です。後ろの層から前の層へ順番に、計算を使い回しながら進むので、効率よく全部の線の分が求まります。（図で、オレンジの光が右から左へ流れるところ）
- ⑤ 重みの更新：求めた向きの逆（ずれが小さくなる向き）へ、すべての線の重みをほんの少しだけ動かします。動かす大きさが「学習率」です。（図で、線の色や太さが少し変わるところ）
これを、何百枚、何千回と繰り返すと、最初はでたらめだった重みが、数字の形を捉えるものに育っていきます。「早送り」を押して、右上のグラフで正解率が上がっていく様子を確かめてみてください。
「あなたの字で試す」では、学習前（「最初から」の直後）と学習後で、同じ字の認識結果を比べてみてください。学習前は当てずっぽうですが、学習後は書いた数字をかなり読み取ります。ただし、この教材の学習データは「きれいな字を少しずらしたもの」だけです。極端に崩した字や、傾けた字は苦手です。
ディープラーニングは「層を深くしたもの」
デモの隠れ層は1つだけです。隠れ層を何層にも重ねたものが、ディープラーニング（深層学習）です。層が増えると、手前の層は「線や点」、次の層は「角や曲がり」、さらに先の層は「丸い輪が上にある」といった具合に、単純な特徴を組み合わせて複雑な特徴を作るようになります。仕組みは同じで、順伝搬で答えを出し、逆伝搬でずれを配り、重みを少しずつ直します。いまの文章生成AIや画像生成AIも、層の数と重みの数が桁違いに大きいだけで、この延長線上にあります。
使うときの注意点
- 大量のデータが要ります。このデモは10種類の数字を300枚で学べますが、現実の写真や文章では、数万〜数百万件の例が必要になることもあります。自社のデータだけで一から育てるのは、多くの場合、現実的ではありません。
- なぜそう判断したかを説明しにくいです。図の線を見ても、「この重みが大きいからこう答えた」と人間が言葉にするのは難しいです。理由の説明が必須の業務（融資の審査や採用の判断など）には、慎重な使い方が必要です。
- 覚えすぎ（過学習）に注意が要ります。学習用の字の正解率が高くても、「初めて見る字」の正解率が低ければ、丸暗記しているだけです。デモでは両方を並べて表示しています。実務でも、学習に使っていないデータで確かめるのが基本です。
- 学習した範囲の外には弱いです。きれいな字だけで学ぶと、崩した字を読み違えます。現場の写真が、学習時の写真と明るさや角度で違うと、精度が落ちます。
- 計算資源がかかります。大きなネットワークを育てるには、高性能な計算機と時間、電気代が必要です。小さな会社が自前で育てるより、既製のサービスを使うほうが現実的です。
中小企業での使いどころ
自社でネットワークを育てるのではなく、すでに学習済みのAIサービスやクラウドのAPIを使うのが現実的です。たとえば、次のような場面があります。
- 手書き帳票・伝票の読み取り（OCR）：FAXや紙の注文書の文字を読み取って、入力の手間を減らす。今回のデモの「手書き数字の認識」の延長にあたります。
- 画像による検品・仕分け：製品の傷や汚れ、異物の混入を、カメラの画像から見つける。最初は人の目と併用して、見逃しの割合を確かめるのが安全です。
- 需要や来客の予測：過去の売上や天気、曜日などから、仕入れ量を見積もる。ただし、データが少ない場合は、線形回帰などのもっと簡単な手法のほうが、扱いやすく、説明もしやすいことが多いです。
- 文章の要約・問い合わせ対応・翻訳：生成AIを使う場面です。こちらも中身は、層を深く重ねたニューラルネットワークです。
どの場面でも、「自社のデータで試して、間違い方の傾向を確かめる」ことが大切です。精度の数字だけでなく、間違えたときに誰がどう気づくかまで決めておくと、安心して使えます。
関連記事
ご相談
画像や帳票の読み取り、生成AIの業務への組み込みなど、自社でどこまでAIを使えるか知りたい——そうした相談は、AIエージェント自走化プログラムまたはお問い合わせからどうぞ。
