GAN（敵対的生成ネットワーク）は2014年に発表された生成モデルで、学習データを元に擬似的なデータを生成できる。

GANはGenerator（生成ネットワーク）とDiscriminator（識別ネットワーク）という2種類のネットワークから構成されている。Generatorは元データの偽物を生成する役割を、Discriminatorは元データとGeneratorが生成したデータとを識別する役割を持っており、両者を競合させることによってデータの精度を向上させていく。「敵対的生成」とは、生成ネットワークの生成データを識別ネットワークが真偽判定する様子を表しているのだ。

GANの特徴として、「教師なし学習」という学習手法が挙げられる。

教師なし学習の説明の前に、まずは対をなす教師あり学習について説明しよう。教師あり学習とは、あらかじめ人間が「正解」だと設定したデータをAIに学習させる手法だ。例えば、AIに「α」という文字を正しく画像認識させるという目標がある場合は、大量の「α」の画像データに「これが正解の『α』である」と設定して学習させる。これにより、AIは「α」を精密に認識可能になるという流れだ。教師あり学習は、気象変化の予測や市場の予測など、過去のデータを元にした予測に向いている方式とされている。

対して教師なし学習は、人間が正解を与えていないデータをAIが学習する手法だ。AIは自らデータを分析し、類似度や規則性に基づいて分類を行う。先の例で言うならば、大量のデータの中から「これらのデータはαという文字」「これらはβ」と、AI自身が分類していく流れで学習が行われる。

このような特徴があるため、教師なし学習は正解がなく創造的な分野のデータ生成に向いている方式だと言える。教師なし学習を採用したGANの活用方法として特に注目されているのが、写真やイラストといった画像の生成だ。GANに任意のテキストデータを入力することにより、指示した特徴を持った画像を生成する。

GANの創造的に画像を生成する特徴は、ビジネスでも活用できる。例えば、大手広告代理店はGANで架空の人物の顔写真を生成し、広告に活用している。広告に必要な撮影に際して、イメージに合ったモデルや場所の確保、日程の調整など広告業界が抱える課題の解決に有用だろう。

また、とある大手金属メーカーでは、GANを活用することで、製造不良の製品を識別するAIの性能を向上させる試みを発表している。これまで同社では、不良製品の識別をAIに学習させるために大量のサンプルデータを用意していたものの、GANで擬似的に不良製品の画像を生成したことで、データ収集に必要な期間を1/5に短縮できたという。GANは、画像生成だけでなく、AIや業務システムの補助においても活用できるのだ。

発表以来注目を集め続けてきたGANだが、2022年に高品質な画像生成AIである「Stable Diffusion」が発表されて以降は、そちらへの注目が増しているようだ。とはいえ、まだ見ぬ技術革新により話題の中心が変化し続けることは、現在のAIを巡る社会の特徴である。

「画像生成AI」の詳細はこちら！

まずはGANの特徴を把握し、ビジネスチャンスに備えてみてはどうだろうか。