ディープラーニング（Deep Learning、深層学習）とは、AI（人工知能）が知識を習得していく手法の一つである。
AIの開発を飛躍的に効率化する技術として期待されている。
現在のAIのブームは、1950?1960年代の第1次、1980年代の第2次に次ぐ、第3次人工知能（AI）ブームと呼ばれている。第2次ブームではエキスパートシステムという形で部分的に実用化も始まったものの、データ収集に手間がかかることがネックとなり用途の拡大は進まなかった。しかしインターネットでデータ収集が容易になったことに加えて、集めたデータを効率よく学習させることがディープラーニングで可能になったことが、第3次ブームの到来をもたらした。
人工知能は、基本的には条件（入力）から結果（出力）を求めるアルゴリズムを人間が開発し、コンピュータに教え込まなくてはならない。その作業をコンピュータが自動で行うようにしたものが「機械学習」だが、
機械学習でも入力する条件のどこに着目すべきかは人間が情報を与える必要がある。その着目すべき点（特徴量）を見つけるところまで含めて、コンピュータが自ら行えるようにしたものがディープラーニングだ。ディープラーニングにより、人間では気づかないような特徴量の差異をコンピュータが認識できるようになり、精度向上が実現した。
ディープラーニングは、人間の脳の働きを数学的に表そうという「ニューラルネットワーク」の研究が元になっている。ニューラルネットワークでは、複数の情報を結合して重み付けと簡単な処理を行い、その結果を他の結果と結合して再び重み付けと処理を行うことを繰り返しながら、適切な値に近づけていく。処理を多層化して行っていくものをディープニューラルネットワーク（DNN: Deep Neural Network）と呼ぶ。さらに多層化だけでなく、結合の方法を変えて特徴のある部分だけを抽出していく手法として、畳み込みネットワーク (CNN：Convolutional Neural Network)があり、画像に含まれる文字情報を抽出するなどといった画像認識やパターン認識などの用途で力を発揮する。その他の手法には、時系列情報を含むデータの認識に適した再帰型ニューラルネットワーク(Recurrent Neural Network)などがある。
ディープラーニングが発展した要因の一つに、GPUの活用がある。比較的単純な演算に強いコアを多数持つGPUは、ディープラーニングに必要な演算に適しているためだ。またGoogle DeepMindが開発した囲碁プログラムの「AlphaGO」が、ディープラーニングの活用でトップ棋士に勝利したことも、ディープラーニングの注目度を高めた一因となっている。
ディープラーニングで急速に実用化が進んだものの一つが、音声による自然言語処理だ。従来の音声入力は人間がある程度機械が認識しやすいように話しかける必要があるなど、自然なコミュニケーションとはかけ離れたものだった。しかしディープラーニングにより、自然な文章でもAIが音声認識できるようになるだけでなく、音声出力する際も単語のつながりとそれに応じた抑揚をつけられるようになり、違和感が大幅に解消されている。
ディープラーニングが実用化を推し進めた用途にはその他に、クルマの自動運転や機械の異常検知などがある。自動運転は、クルマの制御に必要な道路標識や障害物などのリアルタイムでの認識を、ディープラーニングで行っている。
機械の異常検知は、機械の振動データの中から通常起こり得ない振動の成分を見つけ出し、故障が近いことをアラートすることで実現する。
関連ページ