第101話：イトは、三台すべてを最深門へ送った｜AI・機械学習・深層学習の違い

温室のalarmが鳴ったのは、イトが三枚目の札を置いた直後だった。

greenhouse temperature     30.6
ventilation state          waiting
stop limit                 32.0
school opens               tick 18

AI知能区の門前には、三台の作業車が一列で止まっている。

いちばん前は、人が決めた温度条件で窓を開けるventilation cart。

二台目は、過去の見本表から配送札を二つの箱へ分けるtree-model cart。

三台目は、傷ついた道具labelをcamera画像から見分けるdeep vision cart。

イトは三台とも、何層もの透明板が重なる最奥の門へ送っていた。

「deep learningが、いちばん新しくて強いんだろ。全部そこへ通せばいい」

最前列のventilation cartが、model fileを求められて止まった。

後ろの二台も動けない。

温室の数字が、30.8へ上がった。

三つの名前を、強さ順に並べてしまった

前話のAI知能区には、認識、予測、生成、制御など、仕事の違うsystemがあった。

今日の三枚は、仕事の名前だけではない。

AI

machine learning

deep learning

三枚を横一列に置くと、三種類のproductや三段階のupgradeに見える。

だが、この回の地図では入れ子で考える。

AI
└─ machine learning
   └─ deep learning

外側にあるほど古い、弱い、という意味ではない。

内側にある仕組みは、外側の名前にも含まれる。

deep learning systemはmachine learning systemでもあり、AI systemとしても語られる。

しかし、AIと呼ばれるsystemがすべてmachine learningを使うとは限らず、machine learningがすべてdeep learningとも限らない。

AI：一つのalgorithm名ではない

AIの境界には、時代や文脈による揺れがある。

このlabでは、人が決めた目的に対してprediction、recommendation、decision、content、control output等を返すmachine-based systemを扱う広い入口として置く。

方法は一つではない。

• human-written rule
• search / planning
• symbolic reasoning
• machine learning
• 複数方法のhybrid

ventilation cartは、次のruleを人が書いた。

if temperature >= 30.0
  open vent
else
  keep current state

dataから境界を学習したわけではない。

それでも、このAI知能区の広い制御system routeには置かれている。

どこまでをAIと呼ぶかは定義次第だが、少なくともmachine learningではないことは、このfixtureで追える。

machine learning：dataからmodelを作る方法群

二台目のcartは、過去の配送例を使っている。

input features
  parcel weight
  destination zone
  fragile flag

reference label
  normal lane / careful lane

trainingでは、見本とpredictionのずれを使い、分け方を調整した。

実行時には、新しい札をmodelへ入れてlaneを予測する。

このcartはmachine learningだ。

けれど、modelはdecision treeで、多層neural networkではない。

だからmiddle gateには入るが、deep gateへ入れる必要はない。

deep learning：「いちばん良い」のdeepではない

三台目はcamera imageを受け取り、傷ついた道具labelを分類する。

pixelから輪郭、形の組み合わせへ、複数のlayerで表現を変換するneural networkを使う。

deep learningのdeepは、ここではnetworkのlayerが重なる構造を指す。

順位表の最上級ではない。

deep vision cart
  input             image pixels
  learned model     multilayer neural network
  output            tool class
  evaluation        held-out labeled images

このcartはdeep learningであり、同時にmachine learningであり、AIでもある。

名前は三つ付くが、machineが三台になるわけではない。

よくある誤解：deep learningなら、いつでもいちばん高性能

適合しない仕事へdeep modelを置けば、よいsystemになるとは限らない。

必要なdata量、label、compute、memory、latency、power、更新、説明しやすさ、failure modeが変わる。

human-written ruleで十分に明確な制御へ、学習modelを足すことで不確実さや保守対象が増える場合もある。

逆に、画像や音声の複雑なpatternでは、多層neural networkが有力な選択肢になる。

確認するのは名前の深さではなく、taskと条件だ。

what is the objective?
what input is available?
how is the rule or model made?
how is output evaluated?
what happens when it is wrong?

残り九tick。三つのroute

温室は31.2。

32.0へ届けば、安全fixtureが三台すべてを停止する。

イトの前に、三つの操作が開いた。

A：三台をdeep gateへ押し込む

「いちばん強い」という並べ方を守る。

ventilation cartにはtraining済みmodelもimage inputもなく、入口で止まったままだ。

B：三台を外側のAI routeへ戻す

渋滞は解ける。

だがtree modelとdeep vision modelの専用runner / evaluation routeを外し、何を使ったsystemか追えなくなる。

C：門を入れ子へ戻し、methodごとに分ける

ventilation cartはouter rule side-path。

tree-model cartはAI内のML gate。

deep vision cartはAI > ML内のDL gate。

すべてAI知能区に残しながら、作り方を混ぜない。

ピコは三枚の札の縁だけを照らした。

門もcartも動かさない。

イトは、温室と三台を交互に見た。

「深い門を閉じるんじゃない。深さを順位にした線を閉じる」

イトが三枚を重ね直す

イトは、全cartをdeep gateへ引く一本のred railを閉じた。

最前列のventilation cartを、自分の手でouter rule side-pathへ移す。

次に、大きなAI frameの内側へML frameを入れ、その内側へDL frameを入れた。

outer AI frame
  rule side-path
  ML frame
    tree-model path
    DL frame
      multilayer vision path

イトがouter side-pathのleverを下げた。

ventilation cartはhuman-written ruleを読み、その場で窓を開けた。

vent opened              tick 10
maximum temperature         31.4
stop limit                  32.0

残り二台を、同じinputで競争させない。

tree-model cartにはtable 20件。

deep vision cartにはimage 12枚。

それぞれ事前に分けたreference setで確認する。

tree model
  routed records          20 / 20
  reference mismatch            1
  requirement              <= 2

deep vision model
  classified images       12 / 12
  reference mismatch            1
  requirement              <= 2

wrong input type delivered       0
queue clear tick                15

school opensのtick 18より三tick早い。

三台は、同じ「強さ」を証明しなかった。

別のinput、別のmethod、別のtestを通り、それぞれの部屋へ着いた。

入れ子の地図にも、余白を残す

この三層図は、最初の整理として役立つ。

だが現実のsystemは、一つの箱に収まらないことがある。

ruleとMLを組み合わせる。

deep modelの出力をhuman-written safety ruleで止める。

複数modelとsearchを同じproductで使う。

AIの定義や分類境界も、documentと目的によって揺れる。

だから「外側だからAIではない」「内側だから高性能」と判定しない。

system name
method used
training data
runtime input
evaluation
human control

名前より、実装とtestへ降りる。

最深門の奥から、道具箱を持つ案内人が来た

三台の授業が始まる。

イトは横一列だった三枚を重ね、古い「強さ順」のrailだけを床に残した。

そこへ、一体の案内人が歩いてきた。

手にはcalendar、mail、file、websiteの四つのtool key。

胸のrequest cardには、一行しかない。

明日の見学会を準備しておいて。

イトは、案内人がdeep learningかどうかを最初に尋ねなかった。

四つのkeyを見て、作業gateを閉じる。

「methodが分かっても、どこまで任せていいかは決まらない」

案内人は、まだ一歩も動いていない。

次回、ピコルート第102話。

イトは、閉館後も働く案内人へ四つの鍵を渡しかけた｜AIエージェントはどこで止める？

図と具体例でもう一度確かめるなら、解説ガイド AI・機械学習・ディープラーニングの違い へ進めます。