具体的な仕組みは AI 手法によって異なりますが、核となる原則はデータを中心に構成されています。AI システムは、膨大な量のデータを利用することで学習と改善を行い、人間が見逃す可能性のあるパターンや関係を特定します。

この学習プロセスには、多くの場合、アルゴリズムが関わっています。アルゴリズムとは、AI の分析と意思決定を導くための一連のルールや手順です。AI の一般的なサブセットである ML では、予測や情報の分類を行うために、ラベル付きまたはラベルなしのデータでアルゴリズムがトレーニングされます。

さらに専門化されたディープ ラーニングでは、人間の脳の構造と機能を模倣した複数層の人工ニューラル ネットワークを活用して、情報を処理しています。継続的な学習と適応により、AI システムは画像の認識や言語の翻訳など、特定のタスクの実行にますます習熟します。

AI の始め方を学びたいですか？初心者向けの無料講座生成 AI 入門を受講しましょう。

AI は、開発の段階または実行されるアクションに応じて、いくつかの形に整理できます。

たとえば、AI 開発の 4 つのステージが一般に認識されています。

1. リアクティブ マシン: 事前にプログラムされたルールに基づいて、さまざまな刺激にしか反応しない制限付き AI。メモリを使用しないため、新しいデータで学習できません。 1997 年にチェス チャンピオンのガリー カスパロフを打ち負かした IBM のディープブルーは、リアクティブ マシンの一例です。
2. メモリの制限: 最新の AI のほとんどはメモリが制限されていると見なされます。通常は人工ニューラル ネットワークやその他のトレーニング モデルを通じて、新しいデータを使用してトレーニングすることで、時間の経過とともにメモリの使用を改善できます。ML のサブセットであるディープ ラーニングは、メモリが制限された AI とみなされます。
3. 心の理論: 心の理論 AI はまだ存在していませんが、研究の可能性は拡大しています。これは人間の心をエミュレートでき、人間の判断と同等の意思決定機能を持つ AI です。たとえば、人間の感情を認識して記憶し、社会状況に対応できます。
4. 自己認識: 心の理論 AI より一歩上の自己認識 AI は、自身の存在を認識し、知的能力と感情的能力を備えた神話的な機械を指します。人。心の理論 AI と同様に、自己認識 AI は存在しません。

さまざまなタイプの AI は、機械が何をできるかによって大まかに分類できます。私たちが現在 AI と呼んでいるものはすべて、そのプログラムとトレーニングに基づいて狭いアクション群しか実行できないという点で、「狭い」インテリジェンスとみなされます。たとえば、オブジェクト分類に使用される AI アルゴリズムは、自然言語処理を行えません。Google 検索は、予測分析（仮想アシスタント）と同様に、狭い AI の一種です。

汎用人工知能（AGI）とは、機械が人間のように「検知、思考、行動」できるようにする能力です。AGI は現在存在していません。次のレベルは人工超知能（ASI）で、これはあらゆる面で人間よりも優れたマシンが機能できるようになります。

多くのビジネスが AI といえば「トレーニング データ」と言うでしょう。これは何を意味するでしょうか。メモリが制限された AI は、新しいデータでトレーニングすることで時間の経過とともに改善される AI です。ML は、結果を取得するためにアルゴリズムを使用してモデルをトレーニングする、AI のサブセットです。

大まかに言うと、次の 3 種類の学習モデルが ML でよく使用されます。

教師あり学習は、ラベル付けされたトレーニング データ（構造化データ）を使用して特定の入力を出力にマッピングする ML モデルです。簡単に言うと、猫の写真を認識し、猫とラベル付けされた画像をフィードするようにアルゴリズムをトレーニングします。

教師なし学習は、ラベルなしデータ（非構造化データ）に基づいてパターンを学習する ML モデルです。教師あり学習とは異なり、最終結果は事前にはわかりません。むしろ、アルゴリズムがデータを基に学習し、属性に基づいてデータをグループに分類します。たとえば、教師なし学習はパターン マッチングと記述的モデリングに適しています。

教師あり学習と教師なし学習に加えて、部分的に教師あり学習という混合アプローチが採用されることがあり、データの一部のみにラベルが付けられます。半教師あり学習では最終的な結果がわかっていますが、アルゴリズムで、目的の結果を達成するためにデータを整理して構造化する方法を把握する必要があります。

強化学習は、大まかに「実際にやってみて学ぶ」と表現できる ML モデルです。「エージェント」は、パフォーマンスが望ましい範囲内になるまで、試行とエラー（フィードバック ループ）によって定義されたタスクを実行して学習します。エージェントは、タスクのパフォーマンスが高い場合はポジティブな強化が行われ、パフォーマンスが低い場合はネガティブな強化が行われます。強化学習の例として、ロボットの手がボールを拾えるように教えるというものがあります。

AI の一般的なトレーニング モデルの 1 つは人工ニューラル ネットワークで、人間の脳を大まかにベースにしたモデルです。

ニューラル ネットワークは、データを分類、分析するのに使用される計算ノードである人工ニューロンのシステム（パセプトロンと呼ばれることもあります）です。データは、ニューラル ネットワークの第 1 層に供給され、各パセプトロンが決定を行ったのち、その情報を次の層の複数のノードに渡します。3 層を超えるトレーニング モデルは、「ディープ ニューラル ネットワーク」または「ディープ ラーニング」と呼ばれます。最新のニューラル ネットワークの中には、数百から数千のレイヤを持つものもあります。最終パセプトロンの出力は、オブジェクトの分類やデータ内のパターンの発見など、ニューラル ネットワークに設定されたタスクを遂行します。

最も一般的なタイプの人工ニューラル ネットワークとしては、次のようなものがあります。

フィードフォワード ニューラル ネットワーク（FF）は最も古い形式のニューラル ネットワークの 1 つであり、出力が得られるまで、データは人工ニューロンのレイヤ間で一方向に流れます。最近のフィードフォワード ニューラル ネットワークのほとんどは、複数のレイヤ（および複数の「非表示」レイヤ）がある「ディープ フィードフォワード」と考えられます。フィードフォワード ニューラル ネットワークは通常、「バックプロパゲーション」と呼ばれる誤り訂正アルゴリズムとペアになっています。簡単に言うと、ニューラル ネットワークの結果で始まり、最初に戻り、エラーを検出することで、ニューラル ネットワークの精度を改善できます。シンプルでありながら強力なニューラル ネットワークの多くは、ディープ フィードフォワードです。

再帰型ニューラル ネットワーク（RNN）は、一般的に時系列データまたはシーケンスを含むデータを使用するという点でフィードフォワード ニューラル ネットワークとは異なります。ネットワークの各ノードに重みを使用するフィードフォワード ニューラル ネットワークとは異なり、再帰ニューラル ネットワークには、現在のレイヤの出力に付随する、前のレイヤで発生した内容の「メモリ」があります。たとえば、自然言語処理を実行する場合、RNN はセンテンスの中で使用されている他の単語を「注意事項」として覚えておくことができます。RNN は、多くの場合、音声認識、翻訳、画像に説明を追加するために使用されます。

長期 / 短期メモリ（LSTM）は、RNN の高度な形式で、メモリを使用して以前のレイヤで起こったことを「記憶」できます。RNN と LTSM の違いは、LTSM は「メモリセル」を使用して数年前に起こったことを記憶できることです。LSTM は音声認識と予測によく使用されます。

畳み込みニューラル ネットワーク（CNN）には、最新の AI に 一般的なニューラル ネットワークが含まれています。画像認識でよく使用される CNN は、複数の異なるレイヤ（畳み込み層、プール層）を使用し、画像のさまざまな部分をフィルタリングしてから、画像をつなぎ合わせます（完全に接続したレイヤの状態）。以前の畳み込みレイヤでは、色やエッジなどの画像の単純な特徴を探してから、追加のレイヤで複雑な特徴を探すことができます。

敵対的生成ネットワーク（GAN）は、ゲームで 2 つのニューラル ネットワークを相互に競合させ、最終的に出力の精度を高めます。一方のネットワーク（ジェネレータ）は、もう一方のネットワーク（弁別子）が true または false の証明を試みる例を作成します。GAN は、リアルな画像の作成や、アート作品の作成にも使用されてきました。