ChatGPT開発元の米国OpenAI社は現地時間の8月22日に、同社の大規模言語モデル「GPT-3.5 Turbo」の微調整（Fine-tuning）機能を公開しました。この機能によって、*利用者は独自のデータを用いて、モデルの最適化やカスタマイズが可能になり、より高いパフォーマンスを得られるようになっています。*

また、特定のタスクではGPT-4以上の性能を発揮したとの報告も上がっており、2023年秋にGPT-4にも適用される予定です。

この記事では、ChatGPT3.5 Turboに新たに搭載された微調整機能によって何が変わるのか、メリットとデメリット、微調整の手順、今後の展望と可能性について解説をしていきます。

【参考】：[ChatGPT | OpenAI](https://chat.openai.com/)
【参考】：[GPT-3.5 Turbo fine-tuning and API updates| OpenAI](https://openai.com/chatgpt)

ChatGPTとは？今話題のAIチャットボットの概要や仕組みを解説！

大規模言語モデル（Large Language Models：通称LLM）は、大量のデータセット及びディープラーニング技術を駆使して構築された、自然言語処理モデルのことを指します。

**大規模言語モデルでは、一般的な自然言語モデルと比較して、計算量、データ量、パラメータ数（ディープラーニング特有の係数の集合体）の3つの要素が巨大化されている点が特徴です。**

ChatGPTは、このLLMに大量のテキストデータを学習させ、まるで人間が発したような自然な言葉や文章を生成できる自然言語処理機能を用いた仕組みです。

自然言語処理とは？注目される理由やできることをわかりやすく解説

 GPTとは「Generative Pretrained Transformer」の略で、米OpenAI社が開発した自然言語AIシリーズの名称として使われています。

GPT-3.5はChatGPTで使われている言語モデルのバージョンです。GPT-3.5はGPT-3と最新のGPT-4の間に位置し、自動翻訳や文章作成、質問応答などの多様なタスクに対応できるよう設計されています。

GPT-3.5 Turboは、OpenAIのGPT-3.5モデルの最新バージョンである「gpt-3.5-turbo-0613」に由来しています。**このTurboバージョンは、従来のバージョンよりも高速化されており、新しい機能として関数呼び出しが追加されています。**

またGPTの最新バージョンであるGPT-4は、ChatGPT PlusやChatGPT Enterpriseなどの有償サービスでは利用できますが、無償提供されているChatGPTではGPT-3.5が使われています。

【参考】：[GPT-35-Turboの操作方法 - Azure OpenAI Service | Microsoft Learn](https://learn.microsoft.com/ja-JP/azure/ai-services/openai/how-to/chatgpt?pivots=programming-language-chat-completions)

ChatGPT Plus（有料版）とは？無料版との違いやGPT-4の機能も解説！

## GPT-3.5 Turboの微調整とは何か？

GPT-3.5 Turboの微調整機能は、GPT-3.5 TurboのAPIを利用している開発者向けに提供される機能です。これによって何が変わるのかを見ていきましょう。

### 微調整によって何が変わる？

GPT-3.5 Turboに新たに搭載された微調整機能を利用することで、**開発者は特定のユースケースやタスクに合わせて、モデルの微調整やカスタマイズが行えるようになります。**

これにより、出力フォーマットに一貫性を持たせる、特定言語による応答を固定する、特定自社ブランドのトーンに合わせる、要件に合わせた回答結果を得るといった調整が行えるようになります。

微調整機能のユースケースについて整理すると、以下の通りとなります。

*▪操作性向上*
モデルが指示通りに動き、期待する結果に近づく可能性が高くなります。例えば、日本語のプロンプトには日本語で応答する、不要な長い出力を削る、といった形で操作性を向上することができます。

*▪出力フォーマットの一貫性*
一貫した応答によって、利用者からの出力フォーマットに対する信頼性を高めることができます。

*▪出力トーンの調整*
モデルの出力トーンを調整することができ、自社プランドにトーンを合わせることで、ブランドイメージのアップにつなげることができます。

### 安全性やセキュリティ面の改善

モデルの安全性確保のために、微調整機能を用いたプロセスにおいては、すべてのトレーニングデータはOpenAIのモデレーション機能を通じた細心の精査を受け、安全性を損なうコンテンツはフィルタリングされます。

また、微調整に使用したデータは顧客の所有物として、**OpenAIがそのデータをモデルのトレーニングに使用できないようセキュリティ面の配慮がなされています。**

ここまで述べたように、良いこと尽くめの微調整機能に思えますが、注意すべき点があります。それは新たなコストの発生です。仮にモデルのトレーニングに1,000トークン（1,000語）を利用すると、約1.17円のコストが課金されます。

例えば、10万トークンの学習データを1回分学習させると、コストは0.8ドル（約120円）掛かります。従って、**微調整機能の利用は、費用対効果で判断をすることが求められます。**

## GPT-3.5 Turboの微調整のメリットとデメリット

ChatGPTの自然言語モデルGPT- 3.5 Turboは、OpenAI APIを利用してモデルの微調整が行えます。微調整機能についてメリットとデメリットを整理してみましょう。

 GPT-3.5 Turbo 微調整機能を利用することで、開発者および利用者は次のようなメリットを期待することができます。

▪3つの異なるユースケースにおいて優れた結果をもたらし、モデルのパフォーマンス向上に役立ちます。
▪指示することで、モデルの出力結果を調整できるようになり、カスタムトーンが可能になり、出力の一貫性が向上します。
▪プロンプトサイズを90%削減したり、効率的なAPIコールを実現したりすることで、*APIコールの高速化とコスト削減を実現できます。*

 GPT-3.5 Turbo 微調整機能には様々なメリットがある反面、次のようなデメリットがありますので、**利用に当たっては費用と効果のバランスに注意する必要があります。**

▪微調整を利用すると、トレーニングコストや利用コストが想定外にかかる可能性があります。出力の微調整では、通常モデルの約8倍のコストが掛かります。
▪微調整を行うには、エンジニアやデータサイエンティストなどのスキルが求められ、一般の利用者には利用が難しいという問題があります。ただし、OpenAIは微調整UIの開発を予定しており、アップロードや微調整が容易に行えるようになる予定です。

GPT-3.5 Turboの微調整の大まかな手順は以下の通りです。*詳細は、OpenAIが公表しているガイドに従ってください。*

GPT-3.5 Turboで微調整機能を用いる手順は以下の通りです。

1．データの準備
モデルをトレーニングするためのデータを準備します。

2．APIキーの使用
利用するAPIのキーをOpen AIより取得します。

3．モデルのトレーニング
モデルのトレーニングを微調整するためのジョブを作成し、トレーニングを行います。学習サンプルは最低10個は必要で、50〜100個で明確な改善が見られます。また学習データのサンプルはそれぞれ4,096トークン以内である必要があります。

4．APIコールによる使用
OpenAIのAPIをコールして、微調整されたGPTを実際に利用します。

【参考】：[Fine-tuning ｜ OpenAI API](https://platform.openai.com/docs/guides/fine-tuning)

**微調整に要するコストは、元のモデルと比較して約8倍の費用が掛かります。**またトレーニングにおいても$2.4が必要です。微調整したモデルは、通常のモデルと同様に月間APIコール数や最大トークン数などのAPI制限が適用されます。

またアップロードされたデータは顧客側の所有物であり、OpenAIやその他の組織によって流用されるリスクはありません。

## 微調整機能の今後の展望と可能性

GPT-3.5 Turboに追加された微調整機能は、大規模言語モデルの利用者にとって画期的な機能です。この機能により、**利用者は目的やニーズに合わせたモデルの出力についてカスタマイズが可能となり、より高度なタスクやアプリを実現できるようになる可能性があります。**

例えば、以下のような応用が考えられます。

*1．新たなチャットボットや対話システムの開発*
微調整を利用して、チャットボットや対話システムの音声、キャラクターの性格をカスタマイズできるようになり、ユーザの利便性や満足度を高められます。また、特定の領域や業界に特化した知識や用語をモデルに学ばせることで、より専門的な対話を実現できます。

*2．テキスト生成や文章作成の支援*
微調整を利用して、テキスト生成や文章作成における形式やトーンの指定が可能になり、より効率的かつ高品質なテキスト生成が実現します。

*3．テキスト分析や自然言語能力の強化*
微調整によって、テキスト分析や自然言語理解に必要な特徴や指標を指定できるようになり、より自然で高い精度や信頼性を持つアウトプットを実現できます。

## よりユーザの期待に応えられるチャットボットを目指して

GPT-3.5 TurboはOpenAIが開発した大規模言語モデルであり、2023年8月に微調整機能が追加されました。この記事では、微調整機能によって何が変わるのか、メリットとデメリット、微調整の手順、今後の展望と可能性について解説をしてきました。

ChatGPTの有効活用を図る上では、*より利用者のニーズに沿った効率的、効果的なカスタマイズが利活用の鍵となってくるでしょう。*その実現のために微調整機能は大変重要だということが理解できたと思います。ぜひ皆さんも微調整機能を習得して、より良いAIチャットボットの開発に活かしてみてください。

ChatGPTの活用方法！エンジニアの業務に活かせるか利用してみた

ChatGPTのプラグインは何ができる？一覧や使い方を解説

米国OpenAI社は現地時間8月22日に、「GPT-3.5 Turbo」の微調整（Fine-tuning）機能を公開しました。この機能によりモデルの最適化が可能となり、より高いパフォーマンスを得られます。この記事ではその概要やメリット・デメリットなどを解説します。

GPT-3.5 Turboの微調整機能でモデルの最適化やカスタマイズが可能となった

GPT-3.5 Turboの微調整機能により、3つのユースケースでメリットが期待できる

GPT-3.5 Turboの微調整機能の利用では、費用対効果を熟慮する必要がある

GPT-3.5 Turboの微調整機能はGPT-4以上？その役目や効果を解説

機械学習では、大きく「教師あり学習」「教師なし学習」「強化学習」の3種類の学習の手法があります。**「教師あり学習」が最も身近な学習方法で、さらに用途に応じて「分類」あるいは「回帰」によって学習が行われます。**

ここでは、機械学習の概要とともに、これら学習手法の違いを解説していきます。

*機械学習は、人工知能の実現方法の1種です。*機械やコンピュータに対象とするデータを読み込んで学習させ、ルールやパターンを導きます。この導いたルールやパターンを活用して、社会で必要な様々な分野の課題の解決に役立てることができます。

機械学習のように、人間の介在なしに機械的に実行することができれば人間の負担が減るとともに、高速で高性能かつ高精度に処理を行うことが可能です。これまでの経験則に任せていた領域も、科学的に最適な結果を導くことが可能になります。

機械学習の説明をする上で前提となるのが、人工知能です。人工知能は、人間が備えている記憶や知識などの知的な行為や蓄積を、コンピュータの手続き・アルゴリズムに基づき所定のデータを与えることで、機械的に実行することを研究する領域です。

機械学習は人工知能の1種で、学習方法を定義し機械的に学習させるために過去の蓄積データからパターンを認識したり、将来の予測を行ったりするための技法を指します。

*人工知能が機械学習を包含しており、さらに機械学習はニューラルネットワークやディープラーニング（深層学習）を内包しているという関係性があります。*

今さら聞けない人工知能（AI）の基礎知識｜AI開発の基本を解説！

*機械学習の学習技法やアルゴリズムは、数多くあります。*よく聞く用語では、ニューラルネットワークやディープラーニングがあります。これらの用語も機械学習の1つで、それぞれの学習技法があります。

ニューラルネットワークは、処理単位である数理モデルがネットワーク上に結合したものです。生物の神経系ネットワークに着想を得て発展を続ける技法です。接続するユニットの数や階層構造などによってさらに様々なモデルが提唱されています。

ディープラーニングは、ニューラルネットワークの階層構造を多層にしたモデルで、主に4層以上の深層のニューラルネットワークを狭義のディープラーニングと呼びます。この多層のニューラルネットワークは、音声や画像、そして自然言語に強みを発揮します。

そのため、その後登場した大規模言語モデルにおいても、ディープラーニングが実装基盤に用いられています。

ニューラルネットワークとは？仕組みや関連用語をわかりやすく解説

ディープラーニングとは？機械学習との違いもわかりやすく解説

## 機械学習のタスクの種類と学習方法

機械学習では、タスクという用語が使われます。タスクとは、コンピュータの処理すべき課題の単位として用いられ、プロジェクトで定義するタスクと同等の考え方です。

**機械学習の場合は、課題解決の進め方で分類されており、代表的なタスクは「教師あり学習」「教師なし学習」「強化学習」の3種類に分けられます。**

*教師あり学習は、入力と対応する出力を、機械学習のアルゴリズムに与えて学習を進める方法です。*あらかじめ正解がわかっているものを覚えこませることで効率的に学習を進めます。例えば、イヌやネコの写真を学習し、画像認識に活用するなどがあります。

また電子メールが迷惑メールかどうかなどを判断するセキュリティ対策にも用いられています。

教師あり学習についてはここでは概要までとし、後ほどもう少し詳細に解説していきます。

*教師なし学習は、「教師あり学習」と対となる学習方法で、学習データに正解を与えない状態でコンピュータに学習させる方法です。*データの類似度などに基づいてグルーピングしたり、データの特徴からあらたなデータを生成したりします。

この学習方法は、正解がない考え方を調査するのに用いることが多く、例えば市場調査の購買分析や行動分析などに用います。

主に統計的手法から成るアルゴリズムを、学習に用います。学習データを似ている者同士に分類するクラスタリングや、統計学上の目的変数を表す説明変数を圧縮する次元圧縮、データの中から一定の法則を見つけ出す主成分分析などの手法を用います。

教師なし学習は、正解が与えられていないので人間が妥当性を判断する必要があります。そのため、判断を担当する人は学習データに関する知識が求められます。

*強化学習は、入力から学ぶのではなく、その価値を最大化させることに力点をおく手法です。*ある行動を行うことで、その価値を入力としてデータを更新するQ学習などの手法があります。

教師あり学習や教師なし学習とは異なり、強化学習は事前に準備するデータセットに依存しません。実際の環境で動的に変化する状況でも、収集したデータを試行錯誤し学習を続けていきます。

以上の特徴から、人間の監視下にない状態でも学習を行うことができます。カメラのピント合わせやセンサーへの導入、ロボットや自動車の自動運転などに利用されています。

## 教師あり学習をさらに詳しく

*教師あり学習は、機械学習のタスクで最も用いられる手法です。*正解があらかじめ分かるものが対象ですので、データの示す特徴が、正解に近いかどうかで適合の可能性を予測することができます。

統計学では、ある現象や値を説明するものを説明変数、それを受けて生じた結果を目的変数と言います。用いるデータで表すと、顔やシルエットなどの画像や音声などが説明変数で、特定の人物かどうか判断することを目的変数とすることができます。

ここで用いるのが、分類問題と回帰問題です。使用するモデルによって手法が決まりますので、フローチャート化することも可能です。

プログラミングのフローチャートとは？概要から書き方までを紹介

*教師データとは、教師あり学習で使用するデータの集合体（データセット）を表す用語です。*教師データは、教師あり学習で用いる「正解」と「例題」のペアの集合体で、この教師データの例題を入力したときに、正解のデータが出力されるように、モデルの訓練を行います。

モデルの訓練が完了すると、例題を入力すると正解が出力されるようになり、未知のデータを入力したときに正解に近い結果を予測することができます。

*分類問題とは、どの分類クラスに属するかを目的変数とし、予測する方法を表します。*あらかじめ定義した分類クラスにデータを振り分け、予測することを、「分類」と言い、結果を導く仕組みを「分類モデル」と言います。

例えば、入力したデータが人物なのかそうでないのか、イヌなのかそうでないのか、ネコなのかどうでないのか、などを分類します。このように「そうなのか（YES）」「そうでないのか（NO）」の2つに分類することを二値分類と言います。

また画像の例では、目なのか、鼻なのか、口なのかなど、3つ以上の分類になる場合は、多値分類で表されます。

この分類づけは、数値的な重みづけはなく、どの分類に当てはまるかのみが予測されるため「ラベル」という場合もあります。分類のアルゴリズムは、ベイズの定理を用いた「ナイーブベイズ法」や、「K 近傍法」などが用いられます。

*回帰問題とは、数値的に目的変数を予測する方法を表します。*分類問題は数値的な重み付けがありませんが、回帰問題では数値に意味合いを持つ点に違いがあります。

連続するデータの傾向から、将来の値を予測することを、「回帰」と言い、結果を導く仕組みを「回帰モデル」と言います。加えて、結果となる数値と要因となる数値から、関係を明らかにする手法を回帰分析と言います。要因となる説明変数が1つの場合が「単回帰分析」、複数ある場合を「重回帰分析」と言います。

例えば、今後の気象予報から店舗の売り上げを予測したり、模擬試験の結果と傾向から志望校への合格確率を予測したりすることができます。マーケティングなどでも、広告宣伝費のかけ方と売り上げ効果を予測する際にも一般的に用いる手法です。

*教師あり学習では、正解を与える手法のため、予測結果が正解に近いかどうか評価することができます。*評価する場合は、教師データの正解に基づくデータと、予測した評価データとを比較します。この評価方法を交差検証法と言い、「k分割法」と「ホールドアウト法」の手法があります。

「k分割法」は、学習データを分割し、分割した回数分の検証を繰り返す手法です。訓練データ群に1つの評価データを入れてモデルの当てはまりを確認します。「ホールドアウト法」は、データセットを学習データと検証データに分割して検証する方法です。

学習データとテストデータから最終の予測モデルを構築します。

回帰分析の場合は、回帰式により求められた値と実際の値について相関関係を確認します。相関係数および相関係数の二乗値である決定係数を確認し、より1に近いほど回帰式による予測が実際の値に近いことが分かります。

*予測結果の評価において学習済みのモデルが正しい場合でも、未知のデータを用いる場合には結果が適合しない場合があります。*過学習とは、この状態を表します。あまりにも教師データに適合するように調整してしまうと、それ以外のデータが入力された場合にこのようなことが起きてしまいます。

例えば、模擬試験で合格水準の方でも勉強時間とテスト結果が比例しなかったり、得意な分野や不得意な分野に偏って出題されたりするとモデルの精度が落ちてしまいます。

意思決定で用いる「決定木」のアルゴリズムでは、特に過学習となりやすいため、「ランダムフォレスト」などのアルゴリズムを検討するのが良いでしょう。

## 機械学習の分類と回帰は分析や予測の基礎となります

ここでは、機械学習の「教師あり学習」を中心に学んできました。「教師あり学習」は多くの場面で活用されており、「分類」と「回帰」でアルゴリズムが表されます。**分類と回帰は、数値解析や統計解析などの基礎となりますので、ここで学んだ内容は多くの場面で活用することができるでしょう。**

機械学習が学べるおすすめの本12選！初心者から上級者まで厳選してご紹介！

データサイエンスと統計学の違いとは？活かせる職業も紹介

機械学習の学習の手法は、大きく「教師あり学習」「教師なし学習」「強化学習」の3種類があります。よく用いられる「教師あり学習」は、さらに「分類」と「回帰」によって学習を行います。ここでは、機械学習の概要とともに、これらの学習手法の違いを解説していきます。

機械学習には、「教師あり学習」「教師なし学習」「強化学習」の3つの学習手法があります

分類と回帰は、「教師あり学習」で用いる問題解決の手法で、教師データを用いて学習を進めます

分類と回帰は、データの分析や予測など多くの場面で活用できる基礎のため、スキルとしても有効です

機械学習の分類と回帰とは？学習手法の概要から違いまで解説！

## ニューラルネットワークとディープラーニング

ディープラーニング（深層学習）が機械学習の1種であることは分かっていても、ディープラーニングとニューラルネットワークは何が違うのか、分かりづらいという方がいるかもしれません。

この記事では、*ニューラルネットワークとディープラーニングとの違いをテーマに、改めてAI（人工知能）に関する基本を確認していきます。*まず初めに、AI、機械学習、ディープラーニング（深層学習）の関係と、それぞれの概要を改めて確認しておきましょう。

今や一般用語となったAIですが、AIの明確な定義は定まっていません。AIは「Artificial Intelligence」（人工知能）の略語で、人工的に人間の知覚や知性を再現したものがAIです。

一般社団法人の「 人工知能学会」では、**「AIは知的な機械、特に知的なコンピュータプログラムを作る科学と技術である」と紹介しています。**そして、今話題の生成AI、ChatGPTはまさしく典型的なAIの1つと言ってよいでしょう。

【参考】：[一般社団法人「 人工知能学会」](https://www.ai-gakkai.or.jp/)

最初にAI（人工知能）と機械学習、ディープラーニングの関係を確認しておきましょう。AIの構成要素として機械学習がありますが、その機械学習の1手法としてディプラーニングが存在しています。

それらの関係性を図式化すると、**『AI>機械学習>ディープラーニング』という関係になり、これらをまとめて「AIの三大分類」と言われています。**

AIを学習させる方法とは？機械学習やディープラーニングについて解説

機械学習とは、まさに機械（コンピュータ）自身が反復学習して、読み込んだデータから、データの背景にあるパターンやルールを見出す方法のことです。英語ではMachine Learningと呼びます。

ポイントは機械が単に丸暗記するのではなく、ある事象から特徴をつかむ点です。**機械学習では特徴から法則を見出し、見出した法則から予測や判断を行います。**機械学習には「教師あり学習」と「教師なし学習」、「強化学習」の3種類があります。

### ディープラーニング（深層学習） とは

ディープラーニングは深層学習とも呼ばれ、機械学習の1つの手法です。**ディープラーニングではデータからルールやパターンを学習する際に、多層的な構造で捉えてデータの複雑さに対応し、データの分析精度を向上させます。**

例えば、ディープラーニングが活用される画像認識では、画像を構成する要素、すなわち形や色以外に、明暗や色相といった要素から多くの特徴を数値化し、入力した画像の特徴を中間層として構造化し、画像が何の画像なのかを判断します。顔認証、音声認識、自然言語処理などはディープラーニング技術を用いています。

### ディープラーニングとニューラルネットワークの違い

ここまで、AIとその構成要素である機械学習、さらには機械学習の1つの手法であるディープラーニングについて、おさらいをしました。しかし、AIを語る上で忘れてはならない「ニューラルネットワーク」があります。

**ニューラルネットワークは機械学習において欠かせないアルゴリズムの1つであり、そのニューラルネットワークを応用したものがディープラーニングです。**

## ディープラーニングとニューラルネットワークの関係

機械学習について学び始めると、必ず登場するディープラーニング、そのディープラーニングを行う上で外せないのがニューラルネットワークです。

では、ディープラーニングとニューラルネットワークはどのような関係なのかを見ていきましょう。

### 機械学習とニューラルネットワーク

**機械学習のアルゴリズムとして用いられるニューラルネットワークは、人間の脳に似た働きをコンピュータ上で再現したものです。**人間の脳には大量の神経細胞（ニューロン）が存在し、ニューロンに電気信号を伝達をすることによって情報が処理されます。

この伝達を数理モデルにし、複数を組み合わせてニューラルネットワークが形成されます。ニューラルネットワークを例えるなら脳であり、神経細胞に当たるものを「パーセプトロン」と言います。

当初、パーセプトロンは入力をもとに出力するという単純なモデルで、線形分類しかできませんでした。

そこで、入力層と出力層の間に隠れ層（中間層）という関数を追加し、非線形分類を可能にした多層パーセプトロンが生まれ、現在のニューラルネットワークの基本モデルとなっています。

*■ DNNとは*
従来のニューラルネットワークの概念では、入力層・隠れ層（中間層）・出力層は各1層の3層で構成されていましたが、ディープラーニングに対応した4層以上に層を深くしたものをディープニューラルネットワーク：DNN（Deep Neural Network）と言い、より複雑な情報処理が行えるようになっています。

### 深層学習（ディープラーニング）

**ディープラーニングは、一言で表すと、ニューラルネットワークの隠れ層（中間層）を増やしたものだと言えます。**関数でもある隠れ層（中間層）を増やすと、より複雑な関数を表現することが可能になり、より複雑な処理ができるようになります。

このように層が多くなり、層が深くなるという意味で、深層学習・ディープラーニングと称されるのです。

ディープラーニングでは、ニューラルネットワークによって脳の動きに近づけることで、機械学習ではデータの特徴を人間が判断していたものを、ディープラーニングではコンピュータが判断するようになりました。

こうして、ディーブラーニングによる画像認識は、自動運転や防犯カメラなどに応用され、自然言語処理は翻訳やチャットボットに応用され、また音声認識は文字起こしに使われているのです。

*■ CNNとは*
CNN（convolutional neural network）はニューラルネットワークの種類の1つで、畳み込みニューラルネットワークとも呼ばれています。ディープラーニングのやり方の1つであり、いくつもの深い層を持ち、主に画像認識分野で成果を上げています。

*■ RNNとは*
RNN（Recurrent Neural Network）もニューラルネットワークの1種で、回帰型ニューラルネットワークとも呼ばれます。CNNとの違いは、RNNはテキストの自動生成が特徴で、CNNと組み合わせて、解析した画像に説明文を自動的に付加するような利用方法があります。

## ディープラーニングやニューラルネットワークを学ぶのにおすすめの書籍

ディープラーニングは機械学習の1つであり、さまざまなアルゴリズムを用いて学習を行う手法であることが分かりました。ここではディープラーニングやニューラルネットワークについて、もう少し掘り下げて、体系的に学びたいという方に、おすすめの書籍を紹介していきます。

### ディープラーニングを支える技術 ——「正解」を導くメカニズム[技術基礎] 

初学者の方を対象にした、ディープラーニングに関する技術解説書です。本書では、ディープラーニングの現在に焦点を当てて、**機械学習の基本からディープラーニングの仕組み、技術的基礎、数学的知識まで広範囲に解説しています。**

▪著者： 近藤 容司郎、藤川 千種、佐々木 歩惟 、松橋 龍貴
▪出版社：技術評論社
▪ページ数：304ページ
▪出版日： 2022年1月8日

【参考】：[ディープラーニングを支える技術 ——「正解」を導くメカニズム[技術基礎]](https://gihyo.jp/book/2022/978-4-297-12560-8)

AIを勉強するのに数学は必要？どこまでの範囲が必要か解説

### Pythonによるディープラーニング (Compass Booksシリーズ)

Pythonで書かれたディープラーニングのAPI、Kerasの開発者であるFrançois Cholletが書いた本がベースの書籍です。**数学などの専門的知識を必要とせず、ディープラーニングの手軽な実装が可能になります。**初学者から経験者まで幅広くカバーする優れた参考書としておすすめします。

▪著者： François Chollet、巣籠悠輔 (その他)、株式会社クイープ (翻訳)
▪出版社：マイナビ出版
▪ページ数：496ページ
▪出版日： 2022年3月23日

【参考】：[ Pythonによるディープラーニング (Compass Booksシリーズ)](https://book.mynavi.jp/ec/products/detail/id=128583)

Pythonと機械学習を学んでAI時代に対応できるエンジニアに

### ニューラルネットワークとディープラーニング (データサイエンス大系)

ディープラーニングとニューラルネットワークを同時に学べる教科書の日本語翻訳版です。幅広い技術の設計思想や応用例が丁寧に解説され、**ディープラーニングとニューラルネットワークの全体像を掴むのに最適な書籍としておすすめします。**

▪著者： Charu C. Aggarwal、竹村 彰通 (監修)、今泉 允聡 (監修, 翻訳)、その他
▪出版社：学術図書出版社
▪ページ数：520ページ
▪出版日： 2022年3月30日

【参考】：[ニューラルネットワークとディープラーニング (データサイエンス大系)](https://www.gakujutsu.co.jp/product/978-4-7806-0714-7/)

データサイエンスとは？注目されている理由と基礎スキルについて解説！

## ディープラーニングに強いAIエンジニアを目指して

ここまで、ニューラルネットワークとディープラーニングとの違いをテーマに、AIと機械学習、ディープラーニングとの関係や、それらを学ぶのに適した書籍を紹介しました。ニューラルネットワークは人間の脳に相当し、神経細胞に相当するものがパーセプトロンであることも学びました。

*顔認証、音声認識、自然言語処理などAIに欠かせない技術はディープラーニングによって成り立っており、ディープラーニングはニューラルネットワークによって進化してきました。*

これからもAIは発展を続け、大きく私たちの生活や仕事を変えていくでしょう。この記事でニューラルネットワークとディープラーニングに興味が湧いたら、紹介した書籍を参考に知識を深めましょう。

AIができることとは？活用事例やできないことも併せて紹介

AIを活用した便利なツール10選！メリットや注意点も解説

AIについて学ぶと必ず登場するディープラーニングとニューラルネットワークですが、両者は何が違い、どのような関係なのでしょう。この記事では、ディープラーニングとニューラルネットワークの違いをテーマに、AIや機械学習との関係、おすすめの書籍などについて紹介します。

AIの三大分類と呼ばれるAI、機械学習、ディープラーニングの関係

ニューラルネットワークとディープラーニングとの違い

ディープラーニングやニューラルネットワークを学ぶためのおすすめの書籍

ディープラーニングとニューラルネットワークの違いが分からない？わかりやすく解説

## Adobe Fireflyの多言語対応版発表

Adobe社は2023年7月12日、「Adobe Firefly」の対応言語を拡張して、日本語でのプロンプト入力を可能にしたと発表しました。Adobe FireflyはAdobe社が提供している画像生成AIサービスです。Adobe Fireflyは、2023年3月からベータ版の提供が始まりました。

同サービスはAdobe社が独自に開発したAIモデルを採用しており、モデルの学習では同社のAdobe Stockを利用しているため、生成AIでは起こりがちな著作権、肖像権等の問題がクリアされている点が特徴です。

それは生成物には加工履歴を保証するAdobe社独自の「コンテンツクレデンシャルタグ」が自動的に付与されるため、作成された画像の全てに透明性が担保されるからです。*この記事では、Adobe Fireflyの概要、基本的な使い方、メリットや気を付けることなどについて解説をします。*

【参考】：[Adobe、Adobe Fireflyのプロンプト入力を日本語を含む100以上の言語に展開](https://www.adobe.com/jp/news-room/news/202307/20230712_adobe-firefly-prompts.html)
【参考】：[Adobeについて](https://www.adobe.com/jp/about-adobe.html)
【参考】：[Adobe、「Adobe Firefly エンタープライズ版」を発表](https://www.adobe.com/jp/news-room/news/202306/20230608_firely-and-express-to-enterprises.html)

Adobe Fireflyは、Adobe社が開発した生成AI製品で、今後はACC（Adobe Creative Cloud）などのAdobeクラウドサービスに組み込まれる計画です。2023年3月に発表されましたが、現時点ではベータ版での提供となっています。

Adobe Fireflyは個人向けとして登場しましたが、*2023年6月9日に企業向けの「Adobe Fireflyエンタープライズ版」が発表され、2023年下半期の提供開始が予定されています。*ここでは、Adobe Fireflyで何ができるのか、基本的な使い方を紹介していきます。

【参考】：[生成塗りつぶしで創造力をさらに広げよう](https://www.adobe.com/jp/sensei/generative-ai/firefly.html)
【参考】：[Fireflyエンタープライズ版  - アドビ](https://www.adobe.com/jp/sensei/generative-ai/firefly/enterprise.html)

Fireflyは100以上の言語に対応したテキスト入力によって、AIイラストなどの画像作成、テキストの変形、色合いの変更などができる画像生成AIです。*最大の特徴は、著作権の問題を気にせず安心して使えることと、Adobe CCとの連携に優れている点です。*

### 画像生成AIの著作権問題をクリア
画像生成AIではデータの元になる素材の著作権という問題があり、特に企業が使用する場合にはリスクがありました。

「Firefly」の画像生成では、ストックフォトとして最大手の「Adobe Stock」上で使用許諾した画像、オープンライセンス作品、著作権期限切れコンテンツのみを使用するため、著作権トラブルの問題をクリアしています。

さらに、コンテンツ履歴の保持機能を持つCAI（Content Authenticity Initiative）などの仕組みを活用し、**著作権を気にせず商用利用が行えます。**

【参考】：[コンテンツ信頼性イニシアチブ](https://contentauthenticity.org/)

ACCとはAdobe Creative Cloudを指します。ACCは、Adobeが開発するグラフィックデザイン、動画編集やウェブデザインなどのソフトウェアをサブスクリプション方式で利用ができるサービスと、それらを提供するクラウドサービスの総称です。

**FireflyはPhotoshopやIllustratorなどとシームレスに連携し、例えばPhotoshop内で画像の選択範囲にテキストから生成した画像を合成するといったことが可能になります。**

【参考】：[AI画像生成・生成塗りつぶし - Adobe Photoshop](https://www.adobe.com/jp/products/photoshop/generative-fill.html)

ここでは、Adobe Fireflyに関する素朴な疑問をまとめてみました。

*Q1.正式版はいつから提供されますか？*
　Adobe Fireflyエンタープライズ版は2023年下期から提供開始と公表していますが、個人向けのリリース時期は未公表です。

*Q2.Adobe Fireflyの料金は決まっていますか？*
　個人向けFireflyの単体利用は無料ですが、PhotoshopなどのAdobe製品と連携させて利用する場合は、各ツール（ソフト）の利用料金が掛かります。エンタープライズ版の料金は未定です。

【参考】：[Adobe Creative Cloudの詳細と製品情報 | アドビ公式](https://www.adobe.com/jp/creativecloud/plans.html)

*Q3.Adobe Fireflyで生成した画像の商用利用はOK？*
　正式版がリリースされれば生成画像の商用利用はできますが、ベータ版ではできません。ベータ版で作成した画像には「商用目的ではない」ことを示す透かしが入ります。

 Adobe Fireflyは実際に試すことで、その素晴らしさを実感できるでしょう。 Adobe Fireflyを試す方法としては、*公式ページ上で行う方法と、 Photoshop 2023のベータ版をダウンロードして使う方法の2種類があります。* Photoshopに慣れている方は、後者の方法をおすすめします。 

Adobe Fireflyのベータ版は、以下の「Firefly公式ページ」にアクセスし「ログイン」することで試用ができます。既に日本語対応されていますので、日本語を選択します。

技術の記事（7ページ目）