1. 定義と概要
ディープラーニングを取り入れた人工知能とは、G検定のシラバスで人工知能を4段階に分類したうちの最上位「レベル4」にあたる区分です。多層のニューラルネットワーク（人間の脳の神経細胞のつながりを数式的に模した計算の仕組み）によって、データの特徴量そのものを人間の手を介さず自ら学習する点を特徴とします。
具体例としては、画像認識、自動翻訳、囲碁のAlphaGo、文章や画像を生成する生成AI（文章や画像などを新たに作り出すことができるAI）などが挙げられます。いずれも、人間が「どこに着目すべきか」を指定しなくても、大量のデータからその着目点にあたる特徴を自力で見つけ出している点で共通します。
G検定では人工知能を能力の段階に応じてレベル1からレベル4まで整理しています。レベル1はエアコンや洗濯機のように決められたルールで入出力を返す単純な制御プログラムです。レベル2は探索・推論（あらかじめ用意された選択肢の中から条件に合う答えを段階的に探し出す考え方）やエキスパートシステム（専門家の知識をルールとして蓄積し、それに基づいて判断を下すプログラム）を用いる人工知能です。人間が用意した知識・ルールの範囲内で複雑な判断を行う点から、古典的な人工知能と位置づけられます。
レベル3は大量のデータから自らパターンやルールを学習する機械学習（データからパターンやルールを自動的に学ぶ技術）を取り入れた人工知能ですが、学習に使う特徴量の設計は人間があらかじめ担う必要が残っていました。レベル4のディープラーニングを取り入れた人工知能は、この特徴量の設計そのものを多層のニューラルネットワークが自動で担うようになった段階で、レベル3の延長線上にある発展形と位置づけられます。
2. 試験対策ポイント
理解するうえで中心になるのは、4段階の全体像です。レベル1は単純な制御プログラム、レベル2は古典的な人工知能、レベル3は機械学習を取り入れた人工知能、レベル4はディープラーニングを取り入れた人工知能という名称と順序で整理されています。
名称・中身・具体例を横並びにすると、次の対応関係になります。
| レベル | 名称 | 中身 | 具体例 |
|---|---|---|---|
| レベル1 | 単純な制御プログラム | 決められたルールで入出力を返す | エアコン、洗濯機 |
| レベル2 | 古典的な人工知能 | 探索・推論やエキスパートシステムで、人間が用意したルールの範囲で判断する | 掃除ロボット、将棋プログラム |
| レベル3 | 機械学習を取り入れた人工知能 | データからルールやパターンを学習する。特徴量の設計は人間が担う | データから学習する機械学習の仕組み全般 |
| レベル4 | ディープラーニングを取り入れた人工知能 | 多層のニューラルネットワークが特徴量そのものを自動で抽出する | 画像認識、自動翻訳、AlphaGo、生成AI |
表を下へたどるほど、人間が手を入れる部分が減っていく流れになっています。
レベル3とレベル4の分岐点は、特徴量の設計主体にあります。レベル3は人間が特徴量を設計してからデータで学習させるのに対し、レベル4はニューラルネットワークが特徴量そのものをデータから自動で抽出する点が異なります。
同様にレベル2とレベル3の違いも、取り違えやすい点です。レベル2は人間があらかじめ用意した知識・ルールの範囲で判断するのに対し、レベル3は与えられたデータから自らルールやパターンを学習する点で区別されます。
出題では具体例からレベルを判定させる形も見られます。各レベルの身近な例とセットで、どの例がどのレベルに属するかを対応づけて整理しておきたいところです。レベル1〜4の名称・順序と分岐点が、この単元の要点になります。
3. 関連概念との比較・相違点
機械学習を取り入れた人工知能（レベル3）との最大の違いは、特徴量の設計主体にあります。レベル3は人間が特徴量を設計したうえでデータから学習させる方式であるのに対し、レベル4はニューラルネットワークが特徴量そのものを自動で抽出します。人間が着目点を決める作業が不要になった点が、レベル3からレベル4への発展を特徴づけています。どちらが特徴量の設計を担うかという観点は、この対比で繰り返し取り上げられます。
古典的な人工知能（レベル2）との最大の違いは、判断の拠り所にあります。レベル2は人間が与えた知識やルールの範囲内で動作するのに対し、レベル4はデータから自ら学習した特徴量に基づいて判断します。あらかじめ用意されたルールに従うレベル2と、データそのものから特徴を見出すレベル4とでは、判断の柔軟性に大きな差があります。ルールの範囲を超えた状況にどこまで対応できるかは、レベル2とレベル4を分ける代表的な観点です。
4. ビジネス・実務での活用シナリオ
接客・カスタマーサポートの分野では、生成AIを搭載したチャットボット（文字によるやり取りを自動で行うプログラム）が、問い合わせ文章から自動で学習した特徴表現をもとに回答を組み立てています。あらかじめ用意した応答パターンの範囲でしか対応できないレベル2のルールベース型FAQボットとは異なり、多様な言い回しの質問にも対応できる点が強みです。
翻訳・グローバルビジネスの分野では、ニューラル機械翻訳（NMT。ニューラルネットワークを使って文章を別の言語に翻訳する技術）が、大量の対訳データから文脈の特徴量を自動で学習しています。海外拠点との文書作成や商談資料の多言語対応にかかる工数を抑える効果があります。
小売・ECの分野では、生成AIが商品画像や販売データから特徴を自動で学習し、商品説明文やレコメンド文言を自動で生成しています。人手による特徴量設計を経ずに新商品にもすぐ対応できる点が、レベル4ならではの利点です。
5. 要点まとめ
- ディープラーニングを取り入れた人工知能は、G検定のAI4段階分類における最上位のレベル4で、特徴量そのものを多層のニューラルネットワークが自ら学習する点が核心です。
- レベル3（機械学習を取り入れた人工知能）との分岐点は特徴量の設計主体にあり、レベル3は人間が特徴量を設計するのに対し、レベル4はニューラルネットワークが自動で抽出します。
- レベル4はレベル1（単純な制御プログラム）・レベル2（古典的な人工知能）・レベル3の延長線上にある発展形で、画像認識・自動翻訳・生成AIなどが代表例として挙げられます。
6. 確認問題
問1レベル3とレベル4の違いは、学習に用いる特徴量を人間が設計するか、ニューラルネットワークが自動で抽出するかという点にある。
解答・解説をみる
○ 正しい
機械学習を取り入れた人工知能（レベル3）は人間が特徴量を設計してから学習させるのに対し、ディープラーニングを取り入れた人工知能（レベル4）は特徴量そのものをネットワークが自動で抽出する点が分岐点にあたります。
問2ディープラーニングを取り入れた人工知能（レベル4）は、機械学習を取り入れた人工知能（レベル3）とは系統の異なる技術であり、両者に発展的なつながりはない。
解答・解説をみる
× 誤り
正しくはレベル4はレベル3の延長線上にある発展形で、機械学習の一種であるニューラルネットワークをさらに多層化し、特徴量の自動抽出を可能にしたものと位置づけられます。系統が無関係とする記述は誤りです。
問3画像認識、自動翻訳、AlphaGo、生成AIは、いずれもディープラーニングを取り入れた人工知能（レベル4）の代表例として挙げられる。
解答・解説をみる
○ 正しい
これらはいずれも多層のニューラルネットワークが特徴量を自動で学習することで実現されており、レベル4の具体例として整理されます。
