伴菜と美月のAI教室 ー 30 Minutes AI
3 Minutes AI 第1話の発展編｜伴菜と美月が、AIの仕組みをもう一歩深く探っていきます。
1. 電卓はなぜAIじゃないの？
休日の午後。伴菜と美月は、ダイニングテーブルでお茶を飲んでいた。
美月：「ねえ、ハンナ。3分版で電卓は普通AIとは呼ばないって言ってたよね？」
伴菜：「うん。覚えてるよ」
美月：「でもさ、電卓って私より計算が速いじゃん。人間より賢いところがあるのに、なんでAIじゃないの？」
伴菜：「じゃあ美月、電卓に『明日は傘を持っていったほうがいい？』って聞いたら？」
美月：「何も答えてくれないよ。天気なんて分からないもん」
伴菜：「そうだね。電卓は、決められた計算を正確に実行するように作られているの。AIは一般に、認識、予測、推論、言語の理解や生成みたいな、人間の知的活動と結びつけられる処理をコンピューターで実現する技術の総称なんだ」
美月：「つまり、計算が速いかどうかじゃなくて、何をする仕組みなのかが大切なんだ」
伴菜：「そう。ただし、ここは注意ね。AIと普通のプログラムの間に、誰もが同意する一本の境界線があるわけじゃないの」
美月：「えっ、そうなの？ AIって、もっとはっきり決まってるのかと思った」
伴菜：「例えば、チェスを指すプログラム。昔から、人間が考えた探索方法や評価ルールを使って、次の手を選ぶものがあるでしょう？」
美月：「うん。何手も先を読んで、良さそうな手を選ぶんだよね」
伴菜：「そういう探索や推論もAI研究の大切な分野なんだ。だから、AIを『データから自動的に学習するプログラム』だけだと思うと、範囲を狭く捉えすぎちゃう」
美月：「なるほど。学習しなくてもAIと呼ばれるものがあるんだね」
伴菜：「その通り。まずそこが、今日の大切なポイントだよ」
2. ルールを使うAIって何？
美月：「じゃあさ、普通のプログラムとAIの違いを、もう少し具体的に知りたいな」
伴菜：「それなら、迷惑メールの話を続けようか」
美月：「また『当選しました！』ってメール？」
伴菜：「そう。美月が迷惑メールを判定するプログラムを作るなら、どうする？」
美月：「『当選しました』とか『今すぐクリック』とか、怪しい言葉が入っていたら迷惑メールにする！」
伴菜：「それはルールベースの方法だね。人間が判断条件をあらかじめ決めておくの」
美月：「でも、本当に懸賞に当選したメールも迷惑メールになっちゃうよね？」
伴菜：「そう。じゃあ、送信元のアドレスも確認するルールを追加したら？」
美月：「それなら少し良くなりそう。でも、送信元を偽装されたら困るなあ」
伴菜：「じゃあ、リンク先のURLも調べようか」
美月：「待って。どんどんルールが増えていくんだけど！」
伴菜：「そうなの。ルールベースの方法は、条件が明確であれば動作を説明しやすい。でも、複雑な状況に対応しようとすると、ルールの作成や管理が大変になることがあるんだ」
美月：「ルールが増えすぎて、人間が管理しきれなくなるわけね」
伴菜：「そこで、昔から研究されてきたAIの一つが、エキスパートシステムなの」
美月：「エキスパートって、専門家？」
伴菜：「そう。専門家が持っている知識をルールなどの形で登録して、その知識を使って推論するシステムだよ」
美月：「例えば？」
伴菜：「機械の故障診断を考えてみよう。『電源が入らない』『警告ランプが点滅している』といった症状から、考えられる故障原因を絞り込むの」
美月：「お医者さんの問診みたい」
伴菜：「似ているね。ただ、専門家の知識を全部ルールにするのは難しいし、例外への対応も課題になるんだ」
美月：「なるほど。じゃあ、単にIF文を書いたら何でもAI、というわけでもないんだね」
伴菜：「その通り。ルールを使っていることだけじゃなく、知識の表現や推論など、どんな知的処理を実現しているかが重要なの」
3. 機械学習は、何を学習しているの？
美月：「それで、ルールを人間が全部書かなくてもよくする方法が機械学習なんだよね？」
伴菜：「うん。ただし、人間の仕事がなくなるわけじゃないよ。何を予測したいか決めたり、データを準備したり、結果を評価したりする必要があるからね」
美月：「なるほど。じゃあ迷惑メールの場合、何を学習するの？」
伴菜：「過去のメールと、そのメールが迷惑メールだったかどうかの情報を使って、判定に役立つパターンを学習するんだ」
美月：「その『迷惑メールだったかどうか』も必要なの？」
伴菜：「今説明しているのは、正解付きのデータを使う教師あり学習の例だからね。正解を付けない学習方法もあるけれど、それは第3話で詳しくやろう」
美月：「分かった。じゃあ、その教師あり学習はどう進むの？」
美月：「あれ？ 学習アルゴリズムと学習済みモデルって、別物なの？」
伴菜：「いいところに気づいたね。学習アルゴリズムは、データを使ってモデルを調整するための手順。モデルは、その学習の結果を使って予測する仕組みなの」
美月：「つまり、学習するための方法と、学習してできあがったものが違うんだ」
伴菜：「そう。例えば、学習済みモデルの中には、入力された情報をどう組み合わせるかを決める数値、つまりパラメータがあるの。学習では、その数値を調整していくことが多いんだよ」
美月：「へえ。じゃあ、学習済みモデルは過去のメールを全部丸暗記しているわけじゃないんだね」
伴菜：「そう。基本的には、データから見つけたパターンを新しい入力にも使えるようにすることが目的なの。ただし、モデルによっては学習データを過度に記憶してしまうこともあるよ」
美月：「その場合は、初めて見るメールに弱くなる？」
伴菜：「そういうことがある。後で説明する『過学習』という問題だね」
4. 学習と推論は何が違うの？
美月：「ハンナ、もう一つ。ChatGPTに質問したときも、毎回学習しているの？」
伴菜：「そこは区別が必要だね。AIには大きく分けて、モデルを作ったり調整したりする**学習（Training）と、学習済みモデルを使って出力を求める推論（Inference）**があるの」
美月：「推論って、考えること？」
伴菜：「AIの文脈では、学習済みモデルに新しい入力を与えて、予測や回答などの出力を得る処理のことだよ。必ずしも人間と同じように考えているという意味じゃないの」
美月：「じゃあ、私がChatGPTに『今日の夕飯、何にする？』って聞くのは推論？」
伴菜：「そう。一般的なチャットで回答を生成する処理は推論だよ。会話履歴を参照して答え方が変わることはあっても、それだけでモデルの重みが毎回更新されているとは限らないの」
美月：「なるほど。会話の内容を覚えているように見えることと、モデル自体が学習していることは別なんだ」
伴菜：「その理解でいいよ。AIシステムによっては、会話履歴や外部の記憶を利用することもあるけれど、それもモデルの再学習とは区別する必要があるんだ」
美月：「AIって一言で言っても、内部ではいろんな仕組みが動いているんだね」
5. AI・機械学習・ディープラーニングの関係
美月：「ところでハンナ、AIと機械学習は別物なの？ それとも同じなの？」
伴菜：「機械学習はAIの一分野だよ。そして、ディープラーニングは機械学習の一分野なの」
美月：「あ、3分版で見た入れ子の図だ！」
美月：「ディープラーニングは、機械学習をもっと深くしたもの？」
伴菜：「名前の『ディープ』は、主にニューラルネットワークの層が深いことを指しているんだ」
美月：「ニューラルネットワーク？」
伴菜：「人間の神経回路から着想を得た計算モデルだよ。たくさんの計算単位を層状につなげて、入力データを段階的に処理するの」
美月：「じゃあ、ディープラーニングは人間の脳をそのまま再現しているの？」
伴菜：「そこは違うよ。脳からヒントを得ているけれど、実際の脳の仕組みをそのまま再現したものではないんだ」
美月：「なるほど。じゃあ、ディープラーニング以外の機械学習もあるの？」
伴菜：「もちろん。決定木、ロジスティック回帰、サポートベクターマシンなど、いろんな方法があるよ」
美月：「えっ、ロジスティック回帰って、名前に回帰って付いてるのに？」
伴菜：「ふふ。その疑問はいいね。実はロジスティック回帰は、一般に分類問題に使われる手法なんだ。名前だけで判断すると間違えやすいところだよ」
美月：「紛らわしい名前を付けた人に文句を言いたい！」
伴菜：「第4話で詳しく説明するから、今は楽しみにしておいて」
6. AIはどうして間違えるの？
美月：「ねえ、機械学習って大量のデータで勉強するんでしょ？ それなら、たくさん学習させれば間違えなくなるんじゃない？」
伴菜：「そうとも限らないんだ。例えば、美月が犬と猫の写真を見分けるAIを作るとするね」
美月：「それなら、犬と猫の写真を何千枚も用意する！」
伴菜：「いいね。でも、犬の写真が全部屋外で、猫の写真が全部室内だったら？」
美月：「……あれ？ AIが『外にいるのは犬、家の中にいるのは猫』って覚えちゃうかも」
伴菜：「その可能性があるの。犬と猫そのものの特徴ではなく、背景にある偶然の違いを判断材料にしてしまうことがあるんだ」
美月：「じゃあ、室内にいる犬の写真を見せたら猫だって答えるかもしれない！」
伴菜：「そう。データの偏りが原因で、実際に使う場面で予測がうまくいかないことがあるんだよ」
美月：「データが多ければいい、という単純な話じゃないんだね」
伴菜：「そう。もう一つ、過学習という問題もあるよ」
美月：「さっき言ってたやつだ！」
伴菜：「例えば、美月が英単語の小テストを受けるとするでしょう？ 練習問題の答えだけを丸暗記していたら、まったく同じ問題には正解できるかもしれない」
美月：「でも、問題文が変わったら分からないかも」
伴菜：「そうだね。機械学習でも、学習データには非常によく合うのに、新しいデータでは予測が悪くなることがある。それが過学習だよ」
美月：「じゃあ、AIを作ったら、初めて見るデータでも試さないといけないんだね」
伴菜：「その通り。学習に使っていないデータで評価することが大切なんだ」
美月：「なんだか学校のテストみたい。練習問題を覚えるだけじゃなくて、応用問題が解けるかを確認するんだ」
伴菜：「いい例えだね。機械学習では、未知のデータにも適切に対応できる性質を『汎化』というんだよ」
美月：「汎化！ これは覚えておこう」
7. どんな仕事にもAIを使えばいいの？
美月：「ここまで聞くと、AIってすごく便利だよね。じゃあ、会社のシステムも全部AIにすればいいんじゃない？」
伴菜：「例えば、毎月の請求金額を計算するシステムは？」
美月：「それもAIに……あれ？ でも、請求金額って正確に計算できないと困るよね」
伴菜：「そう。税率や契約条件、計算式が明確なら、普通のプログラムで正確に処理するほうが適していることが多いんだ」
美月：「AIに計算させて、請求金額が毎回変わったら大変だもんね」
伴菜：「一方で、過去の販売実績や季節性から来月の需要を予測したい場合はどうかな？」
美月：「それなら、データからパターンを見つける機械学習が役立ちそう！」
伴菜：「そうだね。ただ、AIを使えば必ず予測精度が上がるわけではないし、データが少なかったり、単純な方法で十分だったりすることもあるよ」
美月：「じゃあ、AIを使うかどうかも判断しないといけないんだ」
伴菜：「その通り。AIを導入すること自体が目的になってはいけないの」
美月：「あれ？ 最後に生成AIが出てきた！」
伴菜：「うん。生成AIは文章や画像など、新しいコンテンツを生成するAIのこと。AI・機械学習・ディープラーニングとは、少し違う切り口の分類なんだ」
美月：「じゃあ、生成AIがディープラーニングのさらに内側にある、というわけじゃないの？」
伴菜：「そういう単純な包含関係として考えないほうがいいね。現在の代表的な生成AIはディープラーニングを使っているけれど、『何をするAIか』という機能の分類だからね」
美月：「なるほど。第6話で詳しく教えてね！」
8. 今日のまとめ
伴菜：「じゃあ、美月。今日は少し難しかったけれど、復習してみようか」
美月：「望むところよ、お姉さま！」
伴菜：「急にどうしたの、その呼び方。じゃあ、AIって何？」
美月：「認識や予測、推論、言語処理みたいな、人間の知的活動に関係する処理をコンピューターで実現する技術の総称！」
伴菜：「うん。じゃあ、AIは必ず機械学習を使う？」
美月：「使わない！ ルールや専門知識を使って推論するAIもある！」
伴菜：「機械学習では何をするの？」
美月：「データからパターンを学習して、新しいデータの予測などに利用する！」
伴菜：「学習と推論の違いは？」
美月：「学習はモデルを調整すること。推論は学習済みモデルを使って結果を出すこと！」
伴菜：「じゃあ最後。AIを使えば、どんな仕事も良くなる？」
美月：「ならない！ 普通のプログラムのほうが向いている仕事もある！」
伴菜：「完璧！」
美月：「ふふん。これで私もAI専門家かな？」
伴菜：「まだ第1話だよ？」
美月：「先は長いなあ！」
もっと知りたい！ AI用語集
美月：「ハンナ、今回も新しい言葉がたくさん出てきたね！」
伴菜：「分からない言葉があったら、AI用語集で復習してみてね。図解や具体例でもっと詳しく説明しているわよ」
今回の関連用語
- AI（人工知能）
- 機械学習（Machine Learning）
- ディープラーニング（Deep Learning）
- モデル（Model）
- 学習（Training）
- 推論（Inference）
理解度チェック（30 Minutes AI 第1話）
基本から復習したい人へ
ここまでで、AIと機械学習の違い、ルールベースAIの仕組み、学習と推論の関係、ディープラーニングの位置づけを詳しく学んだよ。
「ちょっと難しかったな」「もう一度、基本を整理したいな」と思ったら、3分版に戻って伴菜と美月の会話を読み返してみよう！