CNNは「畳み込み処理」により画像の特徴を抽出する深層学習モデルで、主に画像認識用途で使用される。画像内の顔や、音声の特徴を認識するために使用される他、オーディオ信号の解釈にも最適だ。具体的なユースケースとしては以下のようなものがある。

• 文章の読み取り
• 病状の把握や画像診断
• 生体認証
• 製品の外観検査や異常音判定
• カスタマーサービスにおける顧客の声の感情認識

　GANは、主に文字や顔などの画像生成用途で使われる。「逆畳み込み」と呼ばれる処理で特徴をもとに画像を生成し、本物そっくりな人物や音声、その他の特性を生成できる。具体的なユースケースとしては、以下のようなさまざまな用途に利用されている。

• 特定個人にそっくりな顔や、声と口調の合成、生成
  • 「ディープフェイク」と呼ばれる偽（フェイク）の画像、動画、音声による問題を引き起こす場合がある
• ニュースや詩、ソースコードなどのテキスト生成
• 創薬プロセスにおける化合物生成

CNNとGANの使用で注意すべきことは？

　近年はテキストや画像などを自動生成するAI技術「生成AI」（ジェネレーティブAI）の登場により、GANに注目が集まる傾向にあるが、CNNはGANの一部として真正性の判断に使用されている。

　AI技術を用いたサプライチェーン最適化ベンダーToolsGroupのCTO（最高変革責任者）ピエール・クストー氏は、CNNとGANのニューラルネットワークを相互補完的なものだと説明する。「CNNは画像処理に非常に有効だ。GANの生成ネットワークも識別ネットワークも元はCNNだ」（クストー氏）

　ITコンサルタント企業SPRのCTOマシュー・ミード氏は、CNNとGANを組み合わせる場合、組み合わせ方に注意が必要だと話す。「GANは通常、画像データを扱う際の識別ネットワークとしてCNNを使用する。一方で、CNNではGANを使用しない」

　初期のGANは、比較的単純で解像度の低い顔画像を生成していた。GANへの関心が高まった理由の一つに、計算量あたりのコストが劇的に低下したことがある。より複雑なニューラルネットワークを構築できるようになったことで設計が進歩し、「トランスフォーマー」「変分オートエンコーダ」「拡散モデル」など他の生成AIモデルの開発にも貢献した。

　コンサルティング企業SSA & Companyでプリンシパルデータサイエンティストを務めるジョン・ブランケンベイカー氏は、「深層学習モデルの活用において重要なのは、深層学習モデルそのものよりも、具体的な用途や目標、データを考えることだ」と話す。特に、モデルをトレーニングするためのデータの品質確保が課題だという。