機械学習とは

機械学習とは、明示的なプログラムなしで、学習用データを通じて向上可能なコンピュータ・アルゴリズムを処理する人工知能のサブフィールドです。人間並みの正確な人工知能の実現に向けた最も有望な道筋として広く認められています。

機械学習アルゴリズムは3つのカテゴリに大別できます。

教師あり学習：ラベルを付けて、入力事例と共に正しい出力を提示すれば、入力を出力に割り当てるルールをアルゴリズムが学習できるようになります。
教師なし学習：ラベル付けは行わないため、アルゴリズムは独自の入力処理構造を構築できます（例：データの隠れパターンの発見）。
強化学習：このアルゴリズムは、試合に勝ったり車を運転したりするといった特定の目的を伴う動的環境と何度も対話します。トライアル・アンド・エラーを繰り返して、問題に対する最適なソリューションに近づけます。

以下に、機械学習と深層学習の概要、ならびにこれら2つの概念の相違点を説明します。

深層学習とは

深層学習は機械学習の一種で、人工ニューラル・ネットワークを使って人間並みの知能に近づけるものです。人間の脳の神経細胞（ニューロン）から発想を得て、深層学習ではグラフ理論を使い、アルゴリズムの重み付けをノードとエッジの層に指定します。深層学習アルゴリズムは、画像や言語のような非構造化データの処理に優れています。

実用上、「深層」に分類されるニューラル・ネットワークは、その構造の基礎となるパーセプトロンの入力層と出力層の間に中間層を含む必要があります。これらの層は、外部層と結合していないため「隠れ層」と見なされます。深層学習の構成例は次のとおりです。

順伝播型（FF）： データの流れは一方向で、入力層から中間層を通過し出力層で結果を出力しますが、すべてのノードが互いに結合されているので中間層を介してデータが循環することはありません。FFはデータの圧縮や画像処理の基礎に使用されます。
再帰型ニューラルネットワーク（RNN）： 順伝播型ネットワークの一種で、中間層に遅延を追加して反復処理中に過去情報にアクセスできるようにします。このフィードバック・ループはメモリを概算し、言語処理に優れたRNNになります。入力予測が良い例で、頻繁に使う単語を頼りに入力候補を提供します。
畳み込みニューラルネットワーク（CNN）： 畳み込みとは、2つの異なる関数から新しい関数を作る二項演算です。主に画像認識や分類に使用されるCNNは、AIの「目」となっています。CNNの中間層は、加重合計を使う数学的フィルタとして機能し、ピクセルのエッジ、色、コントラストなどの要素を特定します。

機械学習と深層学習との比較

深層学習は機械学習の一部と見なされています。深層学習アルゴリズムを他の機械学習アルゴリズムと区別する主な要因は、人工ニューラル・ネットワークの使用です。ニューラル・ネットワークを「深層」にする主要な特徴は、基本的なパーセプトロンを構成する入力層と出力層の間に中間層が存在することです。

深層学習のメリット

非構造化データの処理能力を有しているならば、深層学習アルゴリズムは当該作業に最適です。これにより、教師なし学習および強化学習では、他の機械学習アルゴリズムに勝るメリットを深層学習に与えてくれます。近年、AIの進歩は、処理能力とデータ・ストレージの向上に伴う深層学習ニューラル・ネットワークの存立可能性の上昇から多大な恩恵を受けています。

ピュア・ストレージによる機械学習のアプリケーションの強化方法

ピュア・ストレージはAIの世界を利活用、支援どちらも行うよう一義的に位置付けられています。深層学習ニューラル・ネットワークには、大型と高速の両面を満たすデータが欠かせません。ピュア・ストレージのオールフラッシュ・ストレージ・ソリューションは、100% NVMeフラッシュ・メモリのパフォーマンスとAI駆動の予測分析を組み合わせて、モダン・データ・エクスペリエンス（Modern Data Experience™）を実現します。ピュア・ストレージの導入により、次のことが可能になります。

データ・ストレージのサイロをデータ・ハブに統合
リアルタイムのログ分析が、洞察抽出までの時間を短縮
AI を活用したデータ・ストレージ管理システム Pure1 Meta®
ピュア・ストレージと NVIDIA の共同開発によるフルスタックの AI 完全対応インフラストラクチャ・ソリューション AIRI® が AI ソリューションを強化
Cisco社との共同開発によるコンバージド・インフラストラクチャ・ソリューション FlashStack® が、AI・機械学習のライフサイクルに対するフルスタックの支援を提供