カテゴリー
30 Minutes AI AI コンピューター 伴菜と美月のAI教室

30 Mins AI|第4話 AIはどうやって失敗から学ぶの?

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。

強化学習の仕組みを理解しよう — 報酬・方策・Q学習・RLHF

こんにちは! 伴菜です。

3 Minutes AI 第4話では、AIが行動の結果から学習する「強化学習(Reinforcement Learning)」を紹介したね。

レースゲームで、AIが自分で操作を試しながら、より良い運転方法を学んでいく例を覚えているかな?

今回は、その仕組みをもう少し詳しく見ていこう。
「AIは何を見て行動を決めるの?」
「ごほうびは誰が決めるの?」
「AIはどうやって上達するの?」

そして最後には、ChatGPTのような生成AIと強化学習の関係についても紹介するよ。

数式も少し登場するけれど、意味を一つずつ説明するから安心してね。

1. 強化学習は、ほかの機械学習と何が違う?

美月:
「ねえ、ハンナ。3分版では、AIがゲームを何度も練習して上達するって習ったよね」

伴菜:
「そうだね。強化学習は、AIが環境とやり取りしながら、行動の結果をもとに学ぶ方法なんだ」

美月:
「前に勉強した教師あり学習や教師なし学習とは、どこが違うの?」

伴菜:
「まずは3つを比べてみよう!」

学習方法主な学習の手がかり代表的な例
教師あり学習正解ラベル付きデータ画像の分類、売上予測
教師なし学習データに含まれる構造や特徴顧客のグループ分け
強化学習行動の結果として得られる報酬ゲームの操作、ロボット制御

伴菜:
「教師あり学習では、正解が分かっているデータを使って予測の誤差を小さくしていくことが多いよね」

美月:
「犬の写真には『犬』、猫の写真には『猫』って教える方法だよね」
伴菜:
「うん。強化学習では、今この状況でどの行動を選べばいいかを、必ずしも正解として教えてもらえるわけじゃないの。行動した結果、どんな報酬を得られたかを手がかりにするんだ」

美月:
「正解を覚えるというより、良い行動の選び方を覚えるんだね!」

伴菜:
「そのとおり!」

2. 強化学習を構成する5つの要素

伴菜:
「強化学習を理解するには、まず5つの言葉を覚えるといいよ」

用語英語意味
エージェントAgent行動を選ぶ学習主体
環境Environmentエージェントが行動する対象
状態State環境が今どのような状況にあるか
行動Actionエージェントが選ぶ操作
報酬Reward行動の結果に対して与えられる数値的な評価

美月:
「3分版では、エージェントと環境と報酬を習ったね!」

伴菜:
「そう。今回はそこに『状態』と『行動』を加えるよ」

例えば、レースゲームでは次のように考えられる。

  • エージェント:車を運転するAI
  • 環境:レースコースと車の動きを再現するゲーム
  • 状態:車の位置、速度、進行方向など
  • 行動:加速する、減速する、左右に曲がる
  • 報酬:コースに沿って進むとプラス、コースアウトするとマイナス

美月:
「状態って、AIが運転するために必要な情報なんだね」

伴菜:
「うん。ただし、実際にはAIが環境の状態をすべて直接知れるとは限らないよ。カメラ画像など、観測できる情報だけを使う場合もあるんだ」

3. AIは目の前のごほうびだけを追いかけるの?

美月:
「でもさ、ハンナ。ごほうびがもらえるなら、AIはいつも一番点数が高い行動を選べばいいんじゃない?」

伴菜:
「実は、そこが強化学習の面白いところなんだ」

例えば、レースゲームで2つの道があるとする。

道今すぐ得られる報酬その後の結果
A:近道+10行き止まりで -20
B:遠回り+2ゴールで +30

ここでは説明を簡単にするため、報酬をそのまま合計してみよう。

Aの合計は -10、Bの合計は +32 になる。

美月:
「あっ! 最初のごほうびが大きくても、最後には損することがあるんだ!」

伴菜:
「そうなの。だから強化学習では、目先の報酬だけでなく、将来の報酬も考えて行動を選ぶことが大切なんだよ」

この将来も含めた報酬の合計を、一般に**リターン(Return)**と呼ぶ。

割引率(Discount Factor)

将来の報酬をどのくらい重視するかを表すのが、割引率 γ(ガンマ)だよ。

一般的な割引リターンは、次のように表せる。

Gt=Rt+1+γRt+2+γ2Rt+3+…Gₜ = Rₜ₊₁ + γRₜ₊₂ + γ²Rₜ₊₃ + …

ここで、

  • Gₜ:時刻 t から見た将来の割引リターン
  • R:各時点で受け取る報酬
  • γ:割引率(通常 0 以上 1 以下。無限期間では一般に 1 未満を使う)

美月:
「うわっ、数式が出てきた!」

伴菜:
「大丈夫。γが小さいと近い将来の報酬を重視しやすく、γが1に近いと遠い将来の報酬も重視しやすい、という意味なんだ」

美月:
「つまり、目先の得だけじゃなくて、先のことまで考えるための仕組みなんだね」

伴菜:
「そういうこと!」

4. 方策(Policy)って何?

美月:
「AIはどうやって、右に曲がるか左に曲がるかを決めるの?」

伴菜:
「その行動の選び方を表すのが、方策(Policy)だよ」

方策は、ある状態でどの行動を選ぶかを決めるルールや確率的な仕組みのこと。

例えば、レースゲームで次のような方策があるとする。

状態選ぶ行動
前方に右カーブ右に曲がる
前方に障害物減速する
直線で障害物なし加速する

美月:
「なるほど。方策って、AIの運転ルールみたいなものなんだ!」

伴菜:
「そうだね。ただし、方策は必ずしも固定的なルール表とは限らないよ。同じ状態でも、一定の確率で異なる行動を選ぶ方策もあるんだ」

強化学習では、将来の報酬をできるだけ大きくするように、この方策を改善していく。

5. 探索と活用 — 知っている道だけを走ればいい?

美月:
「じゃあ、一度うまく走れた道があったら、ずっとその道を使えばいいんじゃない?」

伴菜:
「それだと、もっと良い道を見つけられないかもしれないよね」

美月:
「あっ、確かに!」

ここで登場するのが、強化学習の重要な考え方である**探索(Exploration)と活用(Exploitation)**だよ。

  • 探索:まだよく分かっていない行動を試して、新しい情報を集める
  • 活用:これまでの経験から、良いと分かっている行動を選ぶ

伴菜:
「例えば、いつも通る道は安全だけど、別の道の方が早いかもしれない。だから、ときには新しい道を試す必要があるんだ」

美月:
「でも、新しい道を試したら失敗するかもしれないよね?」

伴菜:
「そう。だから探索と活用のバランスが重要になるの」

ε-greedy(イプシロン・グリーディ)法

探索と活用を組み合わせるシンプルな方法の一つが、ε-greedy法。

例えば ε = 0.1 と設定した場合、次のように行動を選ぶ

  • 90%の確率で、現在もっとも良いと評価している行動を選ぶ
  • 10%の確率で、ランダムに行動を選ぶ

美月:
「普段は良さそうな行動を選ぶけど、ときどき冒険するんだね!」

伴菜:
「そう。ちなみに、この方法ではランダムに選んだ結果、いつもの行動と同じになることもあるよ」

探索の割合を学習の進行に合わせて変化させることもある。

6. Q学習 — 行動の良さを数字で覚える

美月:
「ここまでで、AIが行動を選ぶ考え方は分かったけど、実際にはどうやって学習するの?」

伴菜:
「代表的な方法の一つが、Q学習(Q-learning)だよ」

Q学習では、ある状態である行動を選ぶことが、将来の報酬を考えたときにどれくらい良いかを、**Q値(Q-value)**という数値で表すんだ。

例えば、ある交差点でのQ値が次のようになっているとする。

行動Q値
左に曲がる2
右に曲がる8
直進する5

美月:
「この場合、右に曲がるのが一番良さそう!」

伴菜:
「そうだね。Q値が正しく学習されていれば、右に曲がることが将来の報酬につながると評価されているわけだね」

Q値はどうやって更新するの?

Q学習の代表的な更新式は次のとおり。

Q(s,a)←Q(s,a)+α[r+γmaxQ(s’,a’)−Q(s,a)]Q(s,a) ← Q(s,a) + α[r + γ max Q(s’,a’) − Q(s,a)]

それぞれの意味を見てみよう。

記号意味
Q(s,a)現在の状態 s で行動 a を選ぶ価値
α学習率。新しい情報をどれくらい反映するか
r今回受け取った報酬
γ将来の報酬の割引率
s’行動後の次の状態
max Q(s’,a’)次の状態で選べる行動の中の最大Q値

美月:
「これ、全部覚えないとダメ?」

伴菜:
「今は暗記しなくて大丈夫! 重要なのは、これまでの評価と、実際に行動して得られた結果を比べて、Q値を少しずつ修正していくということだよ」

具体例で計算してみよう

現在のQ値が5、今回の報酬が2、次の状態での最大Q値が8だとする。

学習率 α = 0.5、割引率 γ = 0.9 として計算すると、

新しいQ値 = 5 + 0.5 × (2 + 0.9 × 8 − 5)
= 5 + 0.5 × 4.2
= 7.1

美月:
「Q値が5から7.1に増えた!」

伴菜:
「うん。今回の経験から、その行動は以前の評価より良さそうだと更新されたんだね」

ただし、Q値は行動の価値の推定値であって、必ずしも実際に受け取れる報酬そのものではない点に注意してね。

7. 状態が多すぎたらどうするの?

美月:
「でもさ、ハンナ。レースゲームって、車の位置も速度も方向もいろいろあるよね? 全部のQ値を表にするのは大変じゃない?」

伴菜:
「まさにそのとおり!」

状態や行動の組み合わせが少ない場合、Q値を表(Qテーブル)で管理できる。

でも、現実の複雑な環境では状態の種類が膨大になることがある。

そこで、ニューラルネットワークを使ってQ値を近似する方法が登場するんだ。

代表的なものが、**DQN(Deep Q-Network)**だよ。

美月:
「ニューラルネットワークって、第5話で詳しく勉強する予定のディープラーニングと関係あるの?」

伴菜:
「うん! DQNは、ディープラーニングと強化学習を組み合わせた方法なんだ」

DQNでは、状態をニューラルネットワークに入力して、各行動のQ値を推定する。

ただし、DQNは主に離散的な行動を扱う代表的な方法で、すべての強化学習の問題にそのまま適しているわけではないよ。

8. 報酬の決め方を間違えると、どうなる?

美月:
「強化学習ってすごいね! じゃあ、報酬さえ与えれば、AIは何でも上手にできるようになるの?」

伴菜:
「そこには大きな落とし穴があるんだ」

例えば、掃除ロボットに「ゴミを拾った回数に応じて報酬を与える」と設定したとする。

もしロボットが、同じゴミをわざと落として何度も拾うことができたら、どうなると思う?

美月:
「えっ! それじゃ、掃除が進まないのに点数だけ増えちゃう!」

伴菜:
「そう。これは報酬設計の問題を説明するための仮想例だけど、AIが設定された報酬を増やす行動を学んでも、人間が本当に望んでいた結果につながるとは限らないんだ」

このように、報酬の仕組みの抜け穴を利用する現象は、**Reward Hacking(報酬ハッキング)**と呼ばれることがある。

報酬設計で考えるべきこと

  • 本当に達成したい目標を適切に評価できているか
  • 報酬を稼ぐだけの抜け道がないか
  • 安全性や制約条件を守れるか
  • 学習環境で成功した行動が実環境でも通用するか

美月:
「AIは報酬を増やそうとするけど、その報酬が人間の目的とずれていたら困るんだね」

伴菜:
「そのとおり。だから強化学習では、アルゴリズムだけでなく、報酬設計や評価方法もとても重要なんだよ」

9. 強化学習はChatGPTにも使われているの?

美月:
「そういえば3分版で、生成AIにも強化学習が使われることがあるって言ってたよね?」

伴菜:
「うん。代表的な考え方の一つが、RLHFだよ」

RLHFは、Reinforcement Learning from Human Feedbackの略で、日本語では「人間のフィードバックからの強化学習」と呼ばれるんだ。

RLHFの基本的な流れ

ここでは、代表的な構成を簡略化して紹介するね。

ステップ1:事前学習
大量のテキストなどを使って、言語モデルが言葉のパターンや知識を学習する。

ステップ2:教師ありファインチューニング(SFT)
人間が作成した望ましい回答例などを使って、指示に沿った回答を生成しやすいように調整する。

ステップ3:人間による回答の比較評価
同じ質問に対する複数の回答を比較し、どちらが望ましいかといったフィードバックを集める。

ステップ4:報酬モデルの学習
人間の評価をもとに、回答の望ましさを数値として推定するモデルを学習する。

ステップ5:強化学習による調整
報酬モデルの評価などを利用して、言語モデルの回答方針を改善する。

美月:
「なるほど! ゲームではゴールできたらごほうびをもらうけど、文章を作るAIでは、人間にとって望ましい回答がごほうびにつながるんだね!」

伴菜:
「そういうイメージだよ。ただし、報酬モデルの評価が高いことと、回答が必ず正しいことは同じではないんだ」

RLHFを使えば、AIは嘘をつかなくなる?

美月:
「じゃあ、人間が評価して学習させれば、AIの間違いはなくなるの?」

伴菜:
「残念ながら、そうとは限らないよ」

人間の評価には限界があるし、報酬モデルがすべての正しさを判断できるわけでもない。

また、生成AIの調整にはRLHF以外にも、DPO(Direct Preference Optimization)などの方法がある。

すべての生成AIが同じ学習手順を使っているわけではないことも覚えておこうね。

美月:
「強化学習は、AIをより望ましい方向に調整するための方法の一つなんだね!」

伴菜:
「そのとおり!」

10. 強化学習が向いている問題、向いていない問題

美月:
「強化学習が便利なのは分かったけど、どんな問題にも使った方がいいの?」

伴菜:
「そうとは限らないよ。例えば、税込価格を計算するだけなら、決まった計算式を使えばいいよね」

美月:
「確かに! わざわざAIに試行錯誤させる必要はないね」

伴菜:
「それに、正解ラベルが十分にある画像分類なら、まず教師あり学習を検討する方が自然な場合もあるよ」

強化学習が候補になるのは、例えば次のような条件がある場合。

  • 複数の行動を順番に選ぶ必要がある
  • 今の行動が将来の結果に影響する
  • 行動の良し悪しを報酬として評価できる
  • 安全に試行錯誤できるシミュレーターや学習環境がある

一方で、実際の設備を操作する場合には、試行錯誤そのものが危険になることもある。

そのため、シミュレーションで学習してから実環境で検証するなど、安全性を考えた設計が必要なんだ。

11. 今日のまとめ

美月:
「今日は、強化学習の中身がかなり分かった気がする!」

伴菜:
「じゃあ、最後に重要なポイントを整理しよう!」

  1. 強化学習は、エージェントが環境とやり取りし、報酬を手がかりに行動の選び方を学ぶ方法。
  2. **方策(Policy)**は、状態に応じて行動を選ぶ仕組み。
  3. **リターン(Return)**は、将来も含めた報酬の合計を表す。
  4. 探索と活用のバランスが、より良い行動を発見するうえで重要。
  5. Q学習では、状態と行動の価値をQ値として学習する。
  6. DQNは、ニューラルネットワークを使ってQ値を近似する方法。
  7. 報酬設計が不適切だと、人間の意図しない行動を学習することがある。
  8. RLHFは、人間のフィードバックを利用して言語モデルを調整する代表的な考え方の一つ。

美月:
「最初は『失敗しながら覚えるAI』っていうイメージだったけど、実際には報酬や方策、Q値みたいな仕組みがあるんだね」

伴菜:
「そうだね。そして次回は、今回も登場したニューラルネットワークとディープラーニングについて勉強するよ!」

美月:
「楽しみ! AIがどうやって複雑なパターンを学ぶのか、早く知りたいな!」

もっと知りたい! AI用語集

伴菜:「強化学習には、エージェント、報酬、方策、Q値など、初めて聞く言葉がたくさん登場したね。」

ここでは、第4話で学んだ重要な用語をまとめて復習しよう!

  • 強化学習(Reinforcement Learning)
  • エージェント(Agent)
  • 環境(Environment)
  • 状態(State)
  • 行動(Action)
  • 報酬(Reward)
  • リターン(Return)
  • 割引率(Discount Factor)
  • 方策(Policy)
  • 探索(Exploration)
  • 活用(Exploitation)
  • ε-greedy法(Epsilon-Greedy)
  • Q学習(Q-learning)
  • Q値(Q-value)
  • 学習率(Learning Rate)
  • DQN(Deep Q-Network)
  • 報酬ハッキング(Reward Hacking)
  • RLHF(Reinforcement Learning from Human Feedback)
  • SFT(Supervised Fine-Tuning)
  • 報酬モデル(Reward Model)
  • DPO(Direct Preference Optimization)

理解度チェック(30 Minutes AI 第4話)

伴菜と美月のAI教室へようこそ!

30 Mins AI の理解度チェックです。

全5問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. 強化学習における「方策(Policy)」とは?

Q2. 割引率 γ を小さくすると、一般にどうなる?

Q3. ε-greedy法で ε = 0.1 の場合、基本的な行動選択は?

Q4. Q学習のQ値が表すものは?

Q5. 報酬ハッキングの説明として適切なのは?


参考文献・情報ソース

この記事は、以下の専門書・研究論文を参考に、強化学習の基本概念を初心者向けに再構成したものです。

  1. Sutton, R. S. & Barto, A. G.(2018)
Reinforcement Learning: An Introduction, Second Edition.
MIT Press.
https://mitpress.mit.edu/9780262039246/reinforcement-learning/
    対応内容:強化学習の基本概念、報酬、方策、割引率、探索と活用。
  2. Watkins, C. J. C. H. & Dayan, P.(1992)
Q-Learning.
Machine Learning, 8, 279–292.
https://www.gatsby.ucl.ac.uk/~dayan/papers/cjch.pdf
    対応内容:Q学習のアルゴリズム、Q値、更新式。
  3. Mnih, V. et al.(2015)
Human-level control through deep reinforcement learning.
Nature, 518, 529–533.
https://doi.org/10.1038/nature14236
    対応内容:DQNとディープラーニングを利用した強化学習。
  4. Christiano, P. F. et al.(2017)
Deep Reinforcement Learning from Human Preferences.
NeurIPS 2017.
https://arxiv.org/abs/1706.03741
    対応内容:人間の選好を利用した報酬学習。
  5. Ouyang, L. et al.(2022)
Training language models to follow instructions with human feedback.
NeurIPS 2022.
https://arxiv.org/abs/2203.02155

対応内容:言語モデルの教師あり調整、報酬モデル、RLHF。
注記: 記事中のレースゲーム、掃除ロボット、数値を用いた計算例は、理解を助けるための説明用の例です。上記研究の実験結果を再現したものではありません。


基本から復習したい人へ

ここまでで、強化学習の基本から、Q学習やRLHFまで詳しく学んだね。

「ちょっと難しかったな」「もう一度、強化学習の全体像を整理したいな」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!

← 3 Minutes AI 第4話へ


カテゴリー
3 Minutes AI AI コンピューター 伴菜と美月のAI教室

3 mins AI 第4話|AIは失敗から学べるの?

伴菜と美月のAI教室 — 3 Minutes AI

強化学習って何? — ごほうびを手がかりに賢くなるAI

こんにちは! 伴菜です。

前回は、教師あり学習と教師なし学習の違いについて勉強したね。

今回は、もう一つの代表的な機械学習の方法、**強化学習(Reinforcement Learning)**を紹介するよ。
「強化」って、なんだか難しそう?

でも大丈夫。ゲームを例に考えると、とっても分かりやすいんだ。

1. AIがゲームを練習する?

美月:
「ねえ、ハンナ。AIって、ゲームが上手になることもできるんだよね?」

伴菜:
「うん。例えば、AIにレースゲームを練習させることもできるよ」

美月:
「でも、誰が運転の仕方を教えるの? 最初から正解の操作を全部教えてあげるの?」

伴菜:
「必ずしもそうじゃないんだ。AI自身にいろいろな操作を試させて、その結果を使って学習させる方法があるの。それが強化学習だよ」

美月:
「自分で試して覚えるの? なんだか人間みたい!」

伴菜:
「そうだね。ただし、人間と同じように考えているという意味ではないよ。AIは、どんな行動が良い結果につながるかを、数値で評価しながら学習するんだ」

2. ごほうびを使って学習する

伴菜:
「例えば、レースゲームでこんなルールを決めたとするね」

  • コースに沿って進めたら、プラスの点数
  • コースから外れたら、マイナスの点数
  • ゴールできたら、大きなプラスの点数

美月:
「あっ! いいことをしたらごほうびがもらえるんだ!」

伴菜:
「そのとおり。この点数を**報酬(Reward)**と呼ぶの」

美月:
「じゃあ、AIは点数が高くなるように運転するんだね」

伴菜:
「うん。でも大切なのは、目の前の点数だけじゃないこと。強化学習では、将来も含めて、できるだけ多くの報酬を得られるような行動を学ぶんだよ」

美月:
「なるほど! 目の前のごほうびを取りに行ってコースアウトしたら、結局損しちゃうもんね」

伴菜:
「そういうこと!」

3. 強化学習の仕組み

伴菜:
「強化学習には、まず覚えてほしい3つの言葉があるよ」

用語意味レースゲームの例
エージェント行動を選ぶ学習主体運転するAI
環境行動する対象や世界レースコース
報酬行動の結果に対する評価走行結果に応じた点数

美月:
「エージェントが運転して、環境から報酬をもらうんだね!」

伴菜:
「うん。もう少し正確にいうと、AIは今の状況を見て行動を選び、その結果として新しい状況と報酬を受け取るの。この繰り返しで、より良い行動を選べるように学習していくんだよ」

美月:
「最初は失敗ばかりでも、練習を重ねると上達する可能性があるってことね!」

伴菜:
「そう。ただし、練習すれば必ず上手になるわけではないよ。報酬の決め方や学習方法が適切でないと、期待した行動を学べないこともあるんだ」

4. 教師あり学習とは何が違うの?

美月:
「でもさ、前に勉強した教師あり学習と、どう違うの?」

伴菜:
「いい質問だね! 教師あり学習では、基本的に正解ラベルが付いたデータを使うんだったよね」

美月:
「うん。犬の画像には『犬』、猫の画像には『猫』って正解を付けておくんだよね」

伴菜:
「そう! 一方、強化学習では、行動のたびに正しい操作を教えるのではなく、行動の結果から得られる報酬を手がかりにするんだ」

美月:
「つまり、正解を教えてもらう勉強と、自分で試して結果から学ぶ勉強の違いなんだね!」

伴菜:
「その理解でいいよ!」

5. 強化学習はどこで使われているの?

美月:
「ゲーム以外にも使えるの?」

伴菜:
「もちろん! 例えば、ロボットの動作制御や、設備の運転を効率化する研究などでも使われているよ」

美月:
「AIが自分で行動を選ぶような場面に向いているんだね」

伴菜:
「そうだね。そして生成AIの学習にも、強化学習の考え方が使われることがあるんだよ」

美月:
「えっ! ChatGPTみたいなAIにも関係あるの?」

伴菜:
「うん。でも、それはもう少し先で詳しく勉強しようね!」

今日のまとめ

伴菜:
「今日は強化学習について勉強したね。大切なポイントは3つ!」

  1. 強化学習は、行動とその結果を繰り返しながら学ぶ機械学習の方法。
  2. **報酬(Reward)**を手がかりに、長期的に良い結果につながる行動を学ぶ。
  3. 教師あり学習とは違い、すべての行動に正解を教える必要はない。

美月:
「強化学習って、AIが何度も挑戦して、結果を見ながら上達していく仕組みなんだね!」

伴菜:
「そのとおり! 次は理解度チェックで復習してみよう!」

もっと知りたい! AI用語集

強化学習の仕組みをもう少し詳しく知りたい人は、こちらもチェックしてみてね!

  • エージェント(Agent) — 行動を選び、環境とのやり取りを通じて学習する主体。
  • 環境(Environment) — エージェントの行動によって状態が変化し、次の状態や報酬を返すもの。
  • 報酬(Reward) — 行動の結果に対して与えられる評価信号。
  • 方策(Policy) — ある状態で、どの行動を選ぶかを決める仕組み。
  • 累積報酬(Cumulative Reward) — 複数の時点で得られる報酬を合計したもの。将来の報酬を割り引いて評価する場合もある。

→ 伴菜と美月のAI用語集を見る

理解度チェック(3 Minutes AI 第4話)

伴菜と美月のAI教室へようこそ!

3 Mins AI の理解度チェックです。

全3問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. 強化学習で、AIが行動を評価するために使うものは?

Q2. 強化学習で「エージェント」とは何を指す?

Q3. 強化学習が目指すものとして、最も適切なのは?


もっと詳しく知りたい人へ


強化学習の基本が分かったら、30 Minutes AI 第4話へ進んでみよう。
エージェント、環境、状態、行動、報酬の関係や、AIがどのように行動を選ぶのかを、図解と具体例でもっと詳しく説明するよ。


→ 30 Minutes AI 第4話へ(公開後にリンクを設定)

カテゴリー
Cisco ストレージ

QNAP NASのポートトランキング入門|1GbEを2本束ねたら2Gbpsになる?

伴菜先生のITラボ — Hannah’s IT Lab
7つのモードの選び方と、Cisco EtherChannelの設定・確認

こんにちは、伴菜です! QNAPの設定画面を開いて、「802.3ad、Balance-xor、Balance-alb……どれを選ぶんだっけ?」と思ったことはないかな? 一度設定すると、次に触るのはずっと先だったりするよね。

私も、1GbEのLANケーブルを2本つなげば、NASへのファイルコピーが2Gbpsになると思っていたんだ。今日は、何を速くしたいかから一緒に考えてみよう。

1. 1GbEを2本束ねると、何が2Gbpsになる?

PCからNASに大きなファイルを送る場面を考えてみよう。通信が1本のTCPセッションなら、一般的なLACP構成では、同じ方向のパケットは1本の物理リンクを使うよ。ネットワーク上の上限は、そのリンクの1Gbpsだね。

図1A 1本のTCPセッション
PC A → LAN 1(1GbE)→ NAS
LAN 2は、この方向の同じフローには使われない。
図1B 2本のTCPセッションが別々のリンクに分散した例
PC A → LAN 1(1GbE)→ NAS
PC B → LAN 2(1GbE)→ NAS
2本の合計は、片方向のリンク容量で最大2Gbps。

図1Bはうまく分散した例だよ。複数セッションが同じリンクに割り当てられることもあるし、実際のファイル転送速度にはプロトコルのオーバーヘッドやストレージの性能も影響するんだ。

2. LACPと負荷分散は、それぞれ何をする?

LACPは、対向機器と情報を交換して、どのポートを集約グループに参加させるかを管理するよ。どのリンクへ通信を送るかは、送信側の機器が負荷分散の方式に従って決めるんだ。NASから出る方向と、スイッチからNASへ向かう方向は、それぞれの送信側を見てね。

たとえば、後半で使うCatalyst 3750のIOS 15.0(2)SEでは、送信元や宛先のMACアドレス、IPアドレスを基に分散する方式を選べるよ。送信元・宛先IPを使う方式なら、同じPCとNASの間でTCPセッションを増やしても、同じメンバーリンクを使うことがある。だから、複数セッションだけでなく、複数の端末でも試してみると分かりやすいよ。

3. QNAPの7つのモード、何を基準に選ぶ?

伴菜の選び方
リンク障害に備えたい → Active-Backup
複数の通信を分散したい → LACP対応なら802.3ad Dynamic、静的集約のみならBalance-xorを検討
スイッチで集約を設定できない → 分散したい方向に合わせてBalance-tlb/Balance-albを検討
モード主な動作スイッチ側
802.3ad DynamicLACPでリンクを集約。複数の通信を分散LACP
Balance-xorハッシュを使ってリンクに振り分ける静的LAG
Balance-rrパケットを順番に各リンクへ送る。到着順が入れ替わる場合がある静的LAGの対応条件を確認
Active-Backup通常は1本を使用し、障害時に待機ポートへ切り替える通常LAG不要
Balance-tlbNASから送信するトラフィックを分散通常LAG不要
Balance-alb送信に加えてIPv4の受信も分散通常LAG不要
Broadcast同じパケットを全メンバーから送信静的LAGの対応条件を確認

まずは、リンク障害への備えが欲しいのか、複数人で使うときの合計帯域を増やしたいのかを決めよう。Balance-rrやBroadcastを検討するときは、使っているQNAPの機種・OSとスイッチの組み合わせを確認してね。

4. Cisco Catalyst 3750とQNAPでLACPを設定する

2022年の記事で使った構成を例にするよ。CatalystのGi1/0/15とGi1/0/16をPort-channel 2にまとめて、NASはVLAN 100につなぐ構成だよ。

図2 設定例の接続
QNAP NAS(LAN 1/LAN 2)⇄ Catalyst 3750(Gi1/0/15/Gi1/0/16)
論理インターフェイスはPort-channel 2。VLAN 100のアクセスポートとして使用。

変更前に、VLAN 100が存在し、Port-channel 2と対象ポートが空いていることを確認しよう。スイッチとNASの設定を控え、NASの管理IP・ゲートウェイ・VLANを記録しておいてね。管理接続が切れることがあるので、現地で復旧できる手段を確保してから作業しよう。

show vlan brief
show etherchannel summary
show running-config interface gi1/0/15
show running-config interface gi1/0/16

Cisco側では、次のように設定するよ。mode activeはLACPを開始する設定。静的EtherChannel用のmode onは、QNAPの802.3ad Dynamicと組み合わせないでね。

configure terminal
interface Port-channel2
 description QNAP_NAS_LACP
 switchport mode access
 switchport access vlan 100
interface range GigabitEthernet1/0/15 - 16
 description QNAP_NAS
 switchport mode access
 switchport access vlan 100
 channel-group 2 mode active
 no shutdown
end

QTS 5.2側では、「コントロールパネル」→「ネットワークとファイルサービス」→「ネットワークと仮想スイッチ」を開く。「ネットワーク」→「インターフェイス」→「ポートトランキング」で2つのLANポートを追加し、マネージドスイッチを選んで「802.3ad Dynamic」を設定するよ。適用後は、集約インターフェイスのIPとクライアントからの到達性を確認してね。

5. 接続できたら、2本に分散しているか確かめよう

show etherchannel summary
show interfaces port-channel 2
show etherchannel load-balance
show interfaces gigabitethernet1/0/15
show interfaces gigabitethernet1/0/16

まずはPort-channelが使用中(例 SU)で、両方のメンバーポートが集約に参加(P)していることを確認しよう。次に、単一TCPフローと複数端末からの同時転送を、同じ方向で比較するよ。各ポートのカウンターの増分と合計スループットを見れば、どちらのリンクに流れたかが分かる。片系障害の確認は、影響を許容できる時間帯に片方ずつ行おう。

両ポートが参加しない、または管理アクセスが戻らない場合は、現地の復旧手段を使って、NASのトランキングを解除し元の単独インターフェイス設定とIPに戻そう。Cisco側は変更したポートのchannel-groupを解除し、記録した元の設定に戻す。今回だけ作ったPort-channel 2は、他の用途に使われていないことを確認してから削除し、元の接続で到達性を確かめてね。

6. 1台のPCからのファイルコピーを速くしたいなら

ここが2022年版から付け加えたいところ。QTS 5.1系以降にはSMB Multichannelの設定があり、対応するSMB 3.xクライアントとネットワーク構成なら、1回のSMBファイル転送で複数のネットワーク接続を使えるよ。利用前に、NASとクライアントの対応状況や、使うアダプターの速度が揃っていることなどを確認してね。

やりたいこと候補確認すること
複数端末が同時に使うときの合計帯域を増やすLACPフローが複数リンクに分散するか
1回のSMBコピーを速くするSMB MultichannelNASとクライアントが複数接続を使えるか
単一TCPフローが使えるリンク速度を上げる2.5GbE/10GbE通信経路全体のリンク速度とNASの処理性能

今日のまとめ

「ケーブルを2本束ねたら速くなる?」と思ったら、まず1台のファイルコピーを速くしたいのか、複数台で同時に使うときの帯域を増やしたいのかを考えてみてね。LACPを設定したら、Port-channelの表示に加えて、どの物理ポートに実際の通信が流れたかまで見てみよう。

See you next time!

参考資料

← 伴菜先生のITラボ トップページへ戻る

カテゴリー
クラウド

AWSを知っている人のためのAzure:名前の対応表と、名前だけでは分からない違い

伴菜先生のITラボ — Hannah’s IT Lab
Cloud|第1回|2026年11月14日 更新

はじめに

こんにちは、伴菜です。

AWSに慣れている人が初めてAzureを触るとき、まず気になるのは「EC2はAzureだと何?」「VPCに相当するサービスは?」といった、サービス名の違いですよね。私も、新しいクラウドを学ぶときは、すでに知っているサービスと比べるところから始めます。

でも、実際に構成を考え始めると、名前を覚えるだけでは答えが出ないことがあります。たとえば、AWSでWebサーバーを二つのAvailability Zone(AZ)に置くなら、サブネットもAZごとに用意しますよね。Azureで同じ構成を考えるときは、サブネットを分けずにVMを別々のAZに配置することもできます。

今回は、2021年9月に公開した「MS Azureを学ぶ (0) 用語比較」をもとに、サービス名の対応表と、名前だけでは分からない4つの違いを整理します。

第1部|AWSとAzureのサービス名の対応表

Azureで何を調べればよいか迷ったときの早見表です。機能が近いサービスを並べているので、実際の構成を決めるときは「伴菜のメモ」も見てくださいね。

1. 管理・運用

AWSAzure伴菜のメモ
AWS OrganizationsのOU管理グループアカウントやサブスクリプションを階層化する
AWSアカウントサブスクリプションリソース管理や課金を考えるうえで重要な単位
AWS Resource Groupsリソースグループグループを削除したときの動作に注意
CloudFormationARMテンプレート / Bicepリソースをコードで定義・展開する
CloudFormation StackAzure Deployment Stacksデプロイしたリソースのライフサイクルを管理する
CloudWatchAzure Monitorメトリクス、ログ、アラートなどを扱う
AWS ConfigAzure Policy構成や準拠状況の評価を比較できる。構成履歴やルールの強制は機能ごとに確認する

2. コンピュート

AWSAzure伴菜のメモ
EC2Azure Virtual Machines仮想マシン
EC2 Auto ScalingVirtual Machine Scale SetsVMの台数を負荷などに応じて増減する
LambdaAzure Functionsサーバーレスでコードを実行する
EKSAzure Kubernetes Service(AKS)マネージドKubernetes
ECSAzure Container Appsなどコンテナの実行先を比較する出発点。実行環境などの要件で選ぶ

3. ネットワーク

AWSAzure伴菜のメモ
VPCVirtual Network(VNet)仮想ネットワーク
Security GroupNetwork Security Group(NSG)どちらもステートフル。NSGには明示的な拒否ルールもある
Network ACLサブネットに関連付けたNSG適用単位は近い。戻り通信の扱いは異なる
NAT GatewayAzure NAT Gateway主にインターネット向けの送信接続
VPC Route TableRoute Table / UDRAzureのユーザー定義ルートをUDRと呼ぶ
VPC PeeringVirtual Network Peering仮想ネットワーク間を接続する
Transit GatewayAzure Virtual WAN / Virtual Hubハブ型接続の比較候補。接続先や経路制御要件を確認する
Site-to-Site VPNVPN Gateway拠点とクラウド間をIPsec VPNで接続する
Direct ConnectExpressRouteクラウドへのプライベート接続
VPC Endpoint / AWS PrivateLinkPrivate Endpoint / Azure Private LinkAWS側のエンドポイント種別によって対応は異なる
Route 53のホストゾーンAzure DNSDNSゾーンを管理する
Route 53のDNSルーティングTraffic ManagerDNSベースで接続先を振り分ける
Application Load BalancerApplication GatewayHTTP/HTTPSのL7ロードバランシング
Network Load BalancerAzure Load Balancer(Standard)TCP/UDPのL4ロードバランシング
CloudFrontAzure Front DoorグローバルなWeb配信の比較候補。キャッシュ、ルーティング、WAFなどは要件ごとに確認する
VPC Flow LogsVirtual Network Flow Logsネットワークフローを記録する

伴菜のメモ
Azure Basic Load Balancerはリタイア済みです。既存環境で使っている場合は、Standard Load Balancerへの移行を確認してください。

4. ストレージ

AWSAzure伴菜のメモ
S3Azure Blob Storageオブジェクトストレージ
S3 Glacier Instant RetrievalBlob StorageのCold層低頻度アクセス向け。必要なときにすぐ読み出せる
S3 Glacier Flexible Retrieval / Deep ArchiveBlob StorageのArchive層長期保管向け。取り出しには復元やリハイドレートが必要
EBSAzure Managed DisksVM用ブロックストレージ
EFSAzure Filesマネージドファイル共有。NFS、SMBなどの要件を確認する

同じ低頻度アクセス向けでも、すぐ読めるか、読み出す前に復元が必要かで選び方が変わります。AzureのCoolとColdはオンライン層で、Archiveはオフライン層です。

5. ID・セキュリティ

AWSAzure伴菜のメモ
IAM / IAM Identity CenterなどMicrosoft Entra ID + Azure RBACIDの管理とAzureリソースへの権限を分けて考える
EC2 Instance Profile / IAM RoleManaged IdentityワークロードにIDを持たせ、必要な権限を付与する
KMSAzure Key Vault / Managed HSM暗号鍵を管理する
Secrets ManagerAzure Key Vaultシークレットを管理する
Certificate Manager(ACM)Azure Key Vault Certificatesなど発行、更新、サービスへの適用は個別に確認する
AWS Network FirewallAzure Firewallマネージドネットワークファイアウォール

第2部|名前だけでは分からない4つの違い

違い1|Azureでは、リソースグループがライフサイクルの管理単位になる

AWSではアカウントがリソース管理の大きな境界です。Azureではサブスクリプションの下にリソースグループがあり、VMやVNetなどをまとめて管理できます。

図1 AWSとAzureの管理階層

AWS
AWS Organizations OU AWSアカウント EC2 / VPC / S3

Azure
テナントルート管理グループ 管理グループ サブスクリプション リソースグループ VM / VNet / Storage

図は典型的な構成例です。Azureの管理階層はMicrosoft Entraテナントに関連付けられます。EntraテナントはユーザーやアプリケーションのIDを管理する境界でもあります。

たとえば、検証用WebアプリのVM、VNet、ストレージを一つのリソースグループにまとめ、グループ単位でAzure RBACを割り当てたり、コストを集計したりできます。グループ自身のリージョンは管理情報の保存場所で、中のリソースは別リージョンにも配置できます。

操作削除対象
AWS Resource Groupsのグループを削除グループ自体。メンバーのEC2やVPCなどは残る
Azureのリソースグループを削除グループと、その中のリソース

伴菜のメモ
誰が管理するか、いつ一緒に変更・削除するかを考えてグループを分けましょう。検証用と本番用を分けると片付ける対象を見分けやすくなります。権限や運用の境界をさらに分けたい場合は、サブスクリプションの分離も検討します。

違い2|Azureのサブネットは単一AZに固定されない

AWSの場合

AWSでは、一つのサブネットは一つのAZに属します。EC2を二つのAZに配置するなら、それぞれにサブネットを用意します。

図2-A AWSではAZごとにサブネットを作る

VPC · 東京リージョン
AZ A Subnet A EC2 A

同じVPC
AZ C Subnet C EC2 C

Azureの場合

AzureのVNetはリージョン内の複数のAZにまたがります。対応するリソースであれば、同じサブネットを使いながら別々のAZに配置できます。

図2-B Azureでは同じサブネットを複数AZのVMが使える

VNet · Japan East
Subnet-Web VM A(Zone 1)/ VM B(Zone 2)/ VM C(Zone 3)

項目AWSAzure
サブネットの範囲単一AZリージョン内で単一AZに固定されない
複数AZへのVM配置AZごとのサブネットを使う対応するVMなら同じサブネットを使える
サブネットを分けるときAZとワークロードの役割を考えるワークロードの役割や通信制御の単位を考える

インターネットへの送信経路も確認しよう

AWSではVPCにInternet Gatewayをアタッチします。プライベートサブネットから外部へ出る構成ではNAT Gatewayなどを使います。AzureではVNetにInternet Gatewayをアタッチする手順はありません。送信接続には、Azure NAT Gateway、VMのパブリックIP、Standard Load Balancerのアウトバウンドルール、Azure Firewall経由などから選びます。

2026年の既定動作の変更
2026年3月31日より後にリリースされたAPIバージョンで作成する新規VNetでは、サブネットの defaultOutboundAccess が既定で false になります。既存VNetへの一律適用はなく、以前のAPIバージョンを使うデプロイでは従来の既定動作が残ります。

伴菜のメモ
VMからOSの更新、パッケージのダウンロード、外部APIへの接続が必要なら、最初から送信経路を設計に入れておきましょう。

違い3|Azure NSGはステートフルで、許可と拒否の両方を設定できる

AzureのNetwork Security Group(NSG)は、AWSのSecurity Group(SG)と同じくステートフルで、Network ACL(NACL)のように明示的な拒否ルールも設定できます。

項目AWS SGAWS NACLAzure NSG
ステートフルはいいいえはい
許可ルールありありあり
明示的な拒否ルールなしありあり
ルールの評価順優先順位なしルール番号順優先度の小さい順
適用先ENIサブネットサブネット / NIC
図3 受信方向でフィルターが適用される位置

AWS
受信通信 NACL(サブネット) Security Group(ENI) EC2

Azure
受信通信 NSG(サブネットに設定した場合) NSG(NICに設定した場合) VM

NSGは優先度の小さいルールから評価する

カスタムルールの優先度は100〜4096です。数字の小さいルールから評価し、最初に一致したルールが適用されます。

優先度送信元宛先ポート動作
10010.1.0.0/16TCP 443Allow
200AnyTCP 443Deny
300AnyTCP 22Deny

10.1.0.0/16からのHTTPS通信は優先度100で許可され、それ以外は優先度200で拒否されます。カスタムルールに一致しない通信には、VNet内からの受信を許可するルールなどの既定ルールも評価されます。

サブネットとNICの両方にNSGを設定したら?

受信はサブネット側、NIC側の順に評価され、送信はその逆です。両方に設定しているならどちらでも通信が許可される必要があります。NSGはステートフルなので、許可された通信の応答に別の許可ルールは通常必要ありません。

伴菜のメモ
サブネット側で許可していてもVMへ届かないときは、NIC側のNSGも確認しましょう。VMの役割ごとにルールを書きたいときは、Application Security Group(ASG)を使うと「Webサーバー」「Appサーバー」といった論理グループを指定できます。

違い4|Azureでは「誰に」「何を」「どの範囲で」を分けて考える

Azureで「この人がVMを作成できるか」を調べるときは、Microsoft Entra IDで管理するIDと、Azure RBACで割り当てるリソースへの権限を分けて考えると整理しやすくなります。

項目AWSAzure
ユーザーやグループIAM / IAM Identity CenterなどMicrosoft Entra ID
リソース操作の権限IAMポリシーなどAzure RBAC
権限を考える単位アカウントやリソースなど管理グループ、サブスクリプション、リソースグループ、リソース
VMなどのワークロードIAM Role / Instance ProfileManaged Identityと対象サービスへの権限付与
図4 AWSとAzureでアクセス権限を考えるときの見取り図

AWS
IAMプリンシパル IAMポリシーなどで権限を評価 AWSリソース

Azure
Entra ID上のプリンシパル Azure RBACのロール割り当て 割り当てのスコープ Azureリソース

Azure RBACのロール割り当ては三つの要素で決まる

要素例
誰にユーザー、グループ、サービスプリンシパル、マネージドID
どのロールをOwner、Contributor、Reader
どの範囲で管理グループ、サブスクリプション、リソースグループ、個別リソース

開発担当者に検証用リソースグループのContributorを割り当てると、グループ内の多くのリソースを管理できます。この割り当てから本番用リソースグループへの権限が付くことはありません。

EntraのGlobal Administratorなら、AzureのVMも操作できる?

Global AdministratorはMicrosoft Entraのディレクトリ管理用ロールです。VMを操作できるかはAzureリソース側の権限で決まります。Global Administratorには、必要に応じてAzureリソースへのアクセスを管理する権限を昇格させる仕組みがあります。

伴菜のメモ
ユーザーを作る操作、VMを作る操作、Blobの中身を読む操作では、確認する権限が違います。Azure RBACはサービスによってデータアクセスにも使われるので、操作対象のサービスの権限モデルまで確認してください。

まとめ|AWSの知識をAzureの理解につなげよう

AWSの知識をAzureに持ち込むとき確認すること
リソースをまとめて管理したいリソースグループを削除すると、中のリソースも削除対象になる
VMを複数のAZに配置したい対応するVMなら同じサブネットを使える
通信を許可・拒否したいNSGはステートフル。優先度と、サブネット・NICそれぞれの設定を見る
人やアプリに権限を付けたいEntra IDのIDとAzure RBACのロール割り当てを確認する

サービス名が分かったら、次は「どこに設定する?」「どこまで効く?」「消したら何が消える?」と考えてみてください。AWSで身につけた設計の視点が、そのままAzureを学ぶときの手がかりになります。

それでは、また次回!
伴菜でした。

参考資料

AzureのVNetとサブネット — Microsoft Learn

Azureの既定の送信アクセス — Microsoft Learn

AWSとAzureのストレージサービスの比較 — Microsoft Learn

Azure Load BalancerのSKU — Microsoft Learn

カテゴリー
2026年 30 Minutes AI AI コンピューター 伴菜と美月のAI教室

30 Mins AI|第3話「教師あり学習と教師なし学習をもっと詳しく知ろう!」

伴菜と美月のAI教室|学習時間:約30分(解説・図解・理解度チェックを含む)

はじめに

前回の3 Minutes AIでは、教師あり学習と教師なし学習の基本的な違いを学んだね。

教師あり学習は、正解となる情報を使ってモデルを学習させる方法。

教師なし学習は、正解ラベルを使わずに、データの中にある特徴やパターンを見つける方法。

でも、実際にAIを使おうとすると、こんな疑問が出てくるよね。

「売上を予測したいときは、どちらを使えばいいの?」

「顧客をグループに分けたいときは?」

「分類とクラスタリングは、どちらもグループ分けなのに何が違うの?」

今回は、伴菜と美月と一緒に、4つの代表的な機械学習のタスクを詳しく見ていこう!

1. 教師あり学習と教師なし学習をおさらい

美月:「ハンナ、教師あり学習と教師なし学習の違いは分かったつもりなんだけど、実際にはどうやって使い分けるの?」

伴菜:「まず考えるのは、何を知りたいのか、そして学習に使えるデータに正解が付いているかどうかよ」

美月:「正解が付いていれば教師あり学習で、付いていなければ教師なし学習?」

伴菜:「基本的にはそう考えていいわ。ただし、正解ラベルがないから必ず教師なし学習というわけではないの。目的によっては、人間がラベルを付けたり、別の学習方法を選んだりすることもあるのよ」

美月:「なるほど。データだけじゃなくて、何をしたいのかも大事なんだね」

伴菜:「そのとおり。例えば、将来の売上を予測するのと、似た顧客を探すのでは、解決したい問題が違うでしょう?」

4つの代表的なタスク

学習方法タスク主な目的具体例
教師あり学習分類カテゴリーを予測する迷惑メール判定
教師あり学習回帰数値を予測する売上予測
教師なし学習クラスタリング似たデータをまとめる顧客グループ分析
教師なし学習次元削減データの変数を減らすデータの可視化

2. 分類(Classification)とは?

美月:「まずは分類から教えて。猫と犬を見分けるのも分類なんだよね?」

伴菜:「そうよ。分類は、入力されたデータが、あらかじめ決められたカテゴリーのどれに属するかを予測する方法なの」

美月:「例えば、メールが迷惑メールかどうかを判断するのも?」

伴菜:「そのとおり。過去のメールと正解ラベルを使って学習したモデルが、新しいメールを判定するのよ」

美月:「でも、迷惑メールっぽい普通のメールもあるよね?」

伴菜:「もちろん。だからモデルは間違えることもあるの。予測結果がどれくらい正しいかを評価することが大切なのよ」

分類の仕組み

美月:「ハンナ、分類って、実際にはどうやって正しいカテゴリーを判断しているの?」

伴菜:「例えば、迷惑メールを判定するAIを考えてみましょう。まず、過去のメールをたくさん用意して、それぞれに『迷惑メール』か『通常のメール』という正解ラベルを付けるのよ」

美月:「メールの内容と正解をセットにして教えるんだね!」

伴菜:「そうよ。AIはメールの文章や送信者などの情報と、正解ラベルの関係を学習するの。そして、新しいメールが届いたときに、学習したパターンを使って、どちらのカテゴリーに属するかを予測するのよ」

美月:「じゃあ、初めて見るメールでも、学習した特徴を使って判断できるんだ!」

伴菜:「そのとおり。ただし、学習したことのないパターンが出てきたり、迷惑メールの手口が変わったりすると、予測を間違えることもあるわ。だから、学習したモデルが新しいデータにも対応できるかを確認することが大切なのよ」

二値分類と多クラス分類

美月:「ところで、分類って、いつも2つのカテゴリーから選ぶの?」

伴菜:「いいえ。分類するカテゴリーの数によって、いくつかの種類があるのよ」

美月:「どんな種類があるの?」

伴菜:「まず、2つのカテゴリーのどちらかを予測する方法を、**二値分類(Binary Classification)**というの。例えば、メールを『迷惑メール』と『通常のメール』に分けたり、取引を『不正取引』と『正常取引』に分けたりする場合ね」

美月:「なるほど。じゃあ、猫と犬と鳥の3種類を見分ける場合は?」

伴菜:「それは、**多クラス分類(Multiclass Classification)**ね。3つ以上のカテゴリーの中から、1つを予測する方法なのよ」

美月:「じゃあ、1枚の写真に猫と犬が両方写っていたら、どうなるの?」

伴菜:「そこに気付くのは大事ね。1つのデータに複数のラベルを付けたい場合には、**マルチラベル分類(Multilabel Classification)**という方法があるのよ」

美月:「つまり、猫と犬が両方写っている写真なら、『猫』と『犬』の両方を予測できるんだね!」

伴菜:「そうよ。整理すると、二値分類は2つから1つ、多クラス分類は3つ以上から1つ、マルチラベル分類は複数のラベルを同時に予測できる方法なの」

美月:「同じ分類でも、予測したい答えの種類によって方法が違うんだね!」

分類モデルはどう評価する?

美月:「ハンナ、分類モデルがちゃんと学習できたかどうかは、どうやって確認するの?」

伴菜:「いい質問ね。学習に使っていない評価用のデータを使って、モデルの予測と実際の正解を比較するのよ」

美月:「何問中、何問正解したかを調べる感じ?」

伴菜:「そうね。それが**正解率(Accuracy)**よ。例えば、100件のメールのうち90件を正しく判定できたら、正解率は90%になるわ」

美月:「90%なら、かなり優秀なんじゃない?」

伴菜:「そう思うでしょう? でも、正解率だけでは分からないこともあるのよ」

美月:「えっ、どういうこと?」

伴菜:「例えば、100件のメールのうち95件が通常のメールで、迷惑メールが5件だったとするでしょう? もしAIが全部を『通常のメール』と判定しても、正解率は95%になるの」

美月:「ええっ! 迷惑メールを1件も見つけていないのに95%なの?」

伴菜:「そうなの。だから、どんな間違いをしているのかも確認する必要があるのよ」

美月:「じゃあ、ほかにはどんな評価方法があるの?」

伴菜:「代表的なのが、**適合率(Precision)と再現率(Recall)**よ。迷惑メールを検出する場合で説明するわね」

伴菜:「適合率は、AIが『迷惑メール』と判定したメールのうち、実際に迷惑メールだった割合なの」

美月:「つまり、迷惑メールだと言ったときに、どれくらい当たっているかってこと?」

伴菜:「そのとおり。適合率が低いと、大切なメールまで迷惑メールと判定してしまう可能性が高くなるわ」

美月:「それは困るね。大事な連絡を見逃しちゃうかもしれない!」

伴菜:「一方、再現率は、実際に迷惑メールだったもののうち、AIがどれくらい見つけられたかを表すのよ」

美月:「再現率が低いと、迷惑メールをたくさん見逃してしまうんだね」

伴菜:「そうよ。そして、適合率と再現率の両方を考慮する代表的な指標が、**F1スコア(F1 Score)**なの。これは2つの値の調和平均で計算するのよ」

美月:「なるほど! 正解率だけじゃなくて、間違い方も大切なんだね」

伴菜:「そのとおり。重要なメールを迷惑メールに振り分ける間違いと、迷惑メールを見逃す間違いでは、影響が違うでしょう? だから、AIを何に使うのかによって、重視する評価指標も変わるのよ」

美月:「AIの評価って、単に正解が多ければいいというわけじゃないんだね!」

3. 回帰(Regression)とは?

美月:「じゃあ、回帰って何なの? 分類とは違うの?」

伴菜:「分類がカテゴリーを予測するのに対して、回帰は数値を予測する方法なのよ」

美月:「数値って、例えばテストの点数とか?」

伴菜:「そうね。ほかにも、住宅価格や将来の売上金額、電力消費量などを予測するときに使われるの」

美月:「売上を予測できるなら、お店の経営にも役立ちそう!」

伴菜:「そうよ。ただし、予測はあくまで予測なの。過去のデータにない大きな変化が起きると、予測が外れることもあるわ」

回帰の仕組み

美月:「ハンナ、分類は『迷惑メールかどうか』みたいにカテゴリーを予測するんだよね。じゃあ、回帰はどうやって数値を予測するの?」

伴菜:「例えば、お店の来月の売上を予測するとしましょう。過去の売上金額や来店客数、広告費、曜日などのデータを使って、売上に関係するパターンを学習するのよ」

美月:「広告費が多い月は売上も増えるとか、週末はお客さんが多いとか、そういう関係を見つけるんだね!」

伴菜:「そうよ。そして、学習したモデルに新しい条件を入力すると、売上金額を予測できるの。例えば『来月の売上は450万円』というように、数値で結果が出るのよ」

美月:「なるほど! 分類なら『売上が高い・低い』だけど、回帰なら『450万円』みたいに具体的な金額を予測するんだ!」

伴菜:「そのとおり。分類はカテゴリーを予測し、回帰は数値を予測する。これが大きな違いなのよ」

線形回帰(Linear Regression)

美月:「でも、AIはどうやって売上金額を計算するの?」

伴菜:「回帰にはいろいろな方法があるけれど、代表的なのが**線形回帰(Linear Regression)**よ」

美月:「線形って、直線のこと?」

伴菜:「そうよ。例えば、横軸に広告費、縦軸に売上金額を取って、過去の実績を点で描いてみるの。もし広告費が増えるほど売上も増える傾向があれば、点の並びを直線で近似できることがあるわ」

美月:「点がたくさんあって、その真ん中あたりを直線が通るイメージかな?」

伴菜:「そうね。ただし、適当に直線を引くわけではないの。一般的な線形回帰では、実際の値と直線による予測値の差を二乗して合計し、その値ができるだけ小さくなるように直線を求めるのよ。これを**最小二乗法(Least Squares Method)**というの」

美月:「なるほど! できるだけ実際のデータに合う直線を計算するんだね」

伴菜:「そのとおり。そして、新しい広告費をその直線に当てはめると、売上金額を予測できるのよ」

美月:「例えば、広告費が400万円だったら、売上が460万円になると予測するような感じ?」

伴菜:「そうよ。図の例ではそういう予測になっているわ。ただし、これは説明のための仮のデータなの。実際の売上は季節や競合、キャンペーンなど、いろいろな要因の影響を受けるから、広告費だけで正確に予測できるとは限らないのよ」

美月:「そうだよね。広告を増やせば必ず売上が増えるわけじゃないもんね」

伴菜:「そのとおり。それに、線形回帰で関係が見つかったとしても、広告費が売上増加の原因だと証明できたわけではないことにも注意が必要よ」

回帰モデルはどう評価する?

美月:「ハンナ、回帰モデルが予測した売上金額が正しいかどうかは、どうやって評価するの?」

伴菜:「分類では正解率などを使ったけれど、回帰では予測値と実際の値がどれくらい違うかを調べるのよ」

美月:「例えば、450万円と予測したのに、実際は400万円だったら、50万円外れたってこと?」

伴菜:「そうよ。その差を予測誤差というの。回帰モデルでは、こうした誤差を複数のデータで調べて評価するのよ」

美月:「どんな評価方法があるの?」

伴菜:「代表的なのは、MAE、MSE、RMSEの3つね。順番に説明するわ」

MAE(平均絶対誤差)

伴菜:「まず、**MAE(Mean Absolute Error:平均絶対誤差)**は、予測がどれくらい外れたかを、誤差の絶対値で平均したものなの」

美月:「絶対値って、マイナスを気にせず、差の大きさだけを見るんだよね?」

伴菜:「そうよ。例えば、3か月分の売上予測で、実際との差がプラス10万円、マイナス20万円、プラス30万円だったとするでしょう?」

美月:「差の大きさは10万円、20万円、30万円だから、平均すると20万円だね!」

伴菜:「正解! この場合、MAEは20万円になるの。予測が平均してどのくらい外れているかを、元の売上と同じ単位で理解しやすい指標なのよ」

MSE(平均二乗誤差)

美月:「じゃあ、MSEは何が違うの?」

伴菜:「**MSE(Mean Squared Error:平均二乗誤差)**は、予測誤差をそれぞれ二乗してから平均するのよ」

美月:「二乗するってことは、10万円の誤差なら100、20万円なら400、30万円なら900になるんだね?」

伴菜:「そうよ。今回の例なら、100、400、900を平均して、約466.7になるわ。単位は万円の二乗になるのよ」

美月:「でも、どうしてわざわざ二乗するの?」

伴菜:「大きな誤差を、より強く評価に反映させるためよ。例えば、10万円の誤差と30万円の誤差では、二乗すると100と900になるでしょう? 大きく外れた予測の影響が強くなるの」

美月:「なるほど! 大きな予測ミスを特に問題にしたいときに役立つんだね」

RMSE(二乗平均平方根誤差)

美月:「じゃあ、RMSEは?」

伴菜:「**RMSE(Root Mean Squared Error:二乗平均平方根誤差)**は、MSEの平方根を取ったものなの」

美月:「平方根を取ると、どうなるの?」

伴菜:「MSEは誤差を二乗しているから、元の売上金額とは単位が違ってしまうでしょう? 平方根を取ると、元の単位に戻せるのよ」

美月:「じゃあ、今回のMSEが約466.7なら、RMSEは?」

伴菜:「約21.6万円になるわ。MAEと同じように金額で理解できるけれど、大きな誤差の影響をより強く受けるという特徴があるのよ」

美月:「なるほど! MAEは誤差の大きさを平均して、MSEは二乗して大きな誤差を重く扱う。RMSEはその平方根を取って、元の単位で表すんだね!」

伴菜:「完璧よ。ただし、どの指標が最適かは、予測の目的や大きな誤差をどれくらい重視するかによって変わるの。評価指標は、目的に合わせて選ぶことが大切なのよ」

4. クラスタリング(Clustering)とは?

美月:「教師なし学習のクラスタリングって、分類と似ているよね?」

伴菜:「そう見えるわよね。でも、分類は正解ラベルを使って決められたカテゴリーを予測するのに対して、クラスタリングはデータの特徴からグループを見つけるのよ」

美月:「例えば、どんなことに使えるの?」

伴菜:「ネットショップの顧客を、購入履歴や購入頻度などからグループに分けることができるわ」

美月:「よく買い物する人と、たまに買う人を分ける感じ?」

伴菜:「そうね。ただし、どんなグループができるかは、使うデータや分析方法によって変わるのよ」

クラスタリングの仕組み

美月:「ハンナ、クラスタリングって、似ているデータをグループに分けるんだよね。でも、何を基準に似ているって判断するの?」

伴菜:「例えば、ネットショップの顧客を分析する場合を考えてみましょう。顧客ごとに、購入金額や購入頻度、どんな商品を買っているかといったデータがあるでしょう?」

美月:「うん。毎週買い物する人もいれば、たまに高い商品を買う人もいるよね」

伴菜:「そうね。クラスタリングでは、そうした特徴を数値として表して、似た特徴を持つ顧客同士をグループにまとめるのよ」

美月:「例えば、どんなグループができるの?」

伴菜:「分析の結果として、こんなグループが見つかるかもしれないわ」

  • グループA: 購入頻度が高く、購入金額も大きい顧客
  • グループB: 購入頻度は低いけれど、一度の購入金額が大きい顧客
  • グループC: 少額の商品を定期的に購入する顧客

美月:「なるほど! お客さんの買い物の仕方によって、グループができるんだね!」

伴菜:「そのとおり。でも、ここで大切なのは、最初から『この人はグループA』という正解を教えているわけではないことなの」

美月:「じゃあ、AIがグループを作ってから、人間がその特徴を調べるの?」

伴菜:「そうよ。例えば、あるグループには購入頻度の高い顧客が多いと分かったら、人間が『リピーター層』と名前を付けることもできるわ」

美月:「つまり、グループの名前はAIが最初から知っているわけじゃないんだね」

伴菜:「そのとおり。クラスタリングは、データの中にある似た特徴やまとまりを見つける方法なの。どんなグループができるかは、使うデータや分析方法によって変わるのよ」

美月:「分類は決められたカテゴリーを予測するけど、クラスタリングはデータからグループを見つけるんだね!」

伴菜:「そうよ。その違いが分かれば、分類とクラスタリングを混同しなくなるわね」

K-means(K平均法)

美月:「ハンナ、クラスタリングって、どうやって似たデータをグループに分けているの?」

伴菜:「いろいろな方法があるけれど、代表的なのが**K-means(K平均法)**という手法なのよ」

美月:「K-means? なんだか数学っぽい名前だね」

伴菜:「ふふっ、そうね。でも、基本的な考え方はそれほど難しくないわ。K-meansは、データをあらかじめ指定した数のグループに分ける方法なの」

美月:「じゃあ、3つのグループに分けたいなら、最初に『3』って指定するの?」

伴菜:「そのとおり。このグループの数を表すのが『K』なのよ。K=3なら、3つのクラスターを作ることを目指すの」

美月:「でも、どのお客さんをどのグループに入れるかは、どうやって決めるの?」

伴菜:「まず、3つのクラスターの中心となる点を初期設定するの。そして、それぞれの顧客データを、最も近い中心のグループに割り当てるのよ」

美月:「近い中心って、どういうこと?」

伴菜:「例えば、横軸を購入頻度、縦軸を購入金額としたグラフを考えてみて。購入頻度も購入金額も似ている顧客なら、グラフ上でも近い位置に並びやすいでしょう?」

美月:「ああ、なるほど! グラフの点同士の距離で考えるんだね!」

伴菜:「そうよ。一般的なK-meansでは、特徴を数値で表して、その距離を使ってグループを決めるの」

美月:「それで、最初に近い中心を選んだら終わり?」

伴菜:「いいえ。各グループに割り当てられたデータの平均位置を計算して、中心を更新するの。そして、もう一度、各データを最も近い中心に割り当て直すのよ」

美月:「中心を動かして、またグループ分けするんだ!」

伴菜:「そうなの。この処理を繰り返して、グループの割り当てや中心がほとんど変わらなくなったら終了するのよ」

美月:「なるほど! 最初にグループの数を決めて、近い中心に集めて、中心を調整する。それを繰り返すんだね!」

伴菜:「そのとおり。ただし、K-meansには注意点もあるのよ」

美月:「どんな注意点?」

伴菜:「例えば、購入頻度が月1〜10回、購入金額が1,000〜100,000円だったら、数値の大きさがずいぶん違うでしょう?」

美月:「確かに、購入金額の数字の方がずっと大きいね」

伴菜:「そのまま距離を計算すると、購入金額の違いが強く影響することがあるの。だから、必要に応じてデータを標準化するなど、前処理が重要になるのよ」

美月:「なるほど。数字の大きさが違うだけで、グループ分けの結果も変わるんだね」

伴菜:「そうよ。それに、最初に指定するKの値や中心の初期位置によっても結果が変わることがあるわ」

美月:「じゃあ、K=3にすれば、必ず意味のある3つのグループが見つかるわけじゃないんだね」

伴菜:「そのとおり。K-meansは指定された数のクラスターに分けるけれど、それがビジネス上意味のあるグループとは限らないの。だから、分析結果を人間が確認して、役立つ分類になっているかを評価することが大切なのよ」

美月:「クラスタリングって、AIにグループを作ってもらうだけじゃなくて、その結果をどう解釈するかも重要なんだね!」

伴菜:「そうよ。AIが見つけたパターンを、実際の課題解決につなげることが大切なの」

5. 次元削減(Dimensionality Reduction)とは?

美月:「ハンナ、次元削減って名前が難しそう。次元って何なの?」

伴菜:「ここでいう次元は、データを表す特徴や変数の数だと考えると分かりやすいわ」

美月:「例えば、顧客の年齢、購入金額、購入頻度があったら3次元?」

伴菜:「そうよ。その3つの特徴で顧客を表しているなら、3次元のデータと考えられるの」

美月:「じゃあ、次元削減は、その数を減らすってこと?」

伴菜:「そのとおり。ただ単に情報を捨てるのではなく、重要な特徴や構造をできるだけ残しながら、少ない変数で表現することを目指すのよ」

なぜ次元削減が必要なの?

美月:「ハンナ、次元削減っていう言葉が出てきたけど、そもそも『次元』って何なの?」

伴菜:「機械学習では、データを表す特徴の数を『次元』と呼ぶことが多いのよ。例えば、顧客を年齢、購入金額、購入頻度の3つの特徴で表すなら、3次元のデータになるわ」

美月:「なるほど! 特徴が3つなら3次元、10個なら10次元なんだね!」

伴菜:「そうよ。実際のデータには、数十、数百、場合によっては数千以上の特徴が含まれることもあるの」

美月:「そんなにたくさん? 例えば、どんなデータ?」

伴菜:「画像データが分かりやすいわね。例えば、100×100ピクセルの白黒画像なら、各ピクセルの明るさを1つの数値で表すと、10,000個の数値になるのよ」

美月:「ええっ! 小さな画像1枚でも10,000次元になるんだ!」

伴菜:「そうなの。特徴が多いと、処理によっては計算量が増えたり、データ同士の関係を人間が理解しにくくなったりすることがあるのよ」

美月:「確かに、3次元ならグラフにできるけど、10,000次元なんて想像もできないね」

伴菜:「そこで役立つのが、**次元削減(Dimensionality Reduction)**なの。元のデータが持つ情報をできるだけ残しながら、より少ない特徴で表現することを目指すのよ」

美月:「つまり、複雑なデータを、できるだけ分かりやすい形にするんだね!」

伴菜:「そうね。ただし、次元を減らせば必ず性能が良くなるわけではないの。何のために次元削減をするのかが大切なのよ」

PCA(主成分分析)

美月:「じゃあ、実際にはどうやって次元を減らすの?」

伴菜:「代表的な方法に、**PCA(Principal Component Analysis:主成分分析)**という手法があるのよ」

美月:「PCAって、特徴が10個あったら、そのうち重要そうな5個を選んで残すの?」

伴菜:「そう考えたくなるわよね。でも、PCAは単純に元の特徴を選んで残す方法ではないの。元の特徴を組み合わせて、新しい軸を作るのよ」

美月:「新しい軸? どういうこと?」

伴菜:「例えば、顧客の『年齢』『購入金額』『購入頻度』を使った3次元のデータを考えてみましょう。データを点で表すと、点がいろいろな方向に広がっているでしょう?」

美月:「うん。お客さんによって年齢も買い物の仕方も違うもんね」

伴菜:「PCAでは、その点の集まりが最も大きくばらついている方向を探すの。そして、その方向を新しい軸にするのよ。これを**第1主成分(Principal Component 1)**というの」

美月:「ばらつきが大きい方向って、点が一番広く散らばっている方向のこと?」

伴菜:「そのとおり。次に、第1主成分と直交する方向の中から、残っているばらつきが最も大きい方向を探すの。それが**第2主成分(Principal Component 2)**よ」

美月:「なるほど! 元の年齢や購入金額の軸とは違う、新しい軸を作るんだね!」

伴菜:「そうよ。PCAの主成分は、元の特徴を重み付きで組み合わせたものなの。だから、第1主成分も第2主成分も、複数の特徴の情報を含んでいることがあるのよ」

美月:「じゃあ、3次元のデータを第1主成分と第2主成分の2つだけで表せば、2次元にできるんだ!」

伴菜:「そのとおり。元の3次元データを、2つの主成分で表すことで、平面の散布図として確認できるようになるのよ」

美月:「それなら、データのまとまりや特徴も見つけやすくなりそう!」

伴菜:「そうね。特に、たくさんの特徴を持つデータを可視化するときに役立つことがあるわ」

美月:「でも、3次元を2次元にしたら、何か情報がなくなっちゃうんじゃない?」

伴菜:「いいところに気付いたわね。実際、次元を減らすことで、一部の情報が失われることがあるの。PCAは、残す主成分でデータのばらつきをできるだけ多く表現しようとする方法なのよ」

美月:「じゃあ、ばらつきが大きい情報を残せば、AIの予測にも役立つんだね!」

伴菜:「必ずしもそうとは限らないの。ここは大切なポイントよ」

美月:「えっ、どうして?」

伴菜:「PCAが重視するのは、データの分散、つまりばらつきの大きさなの。でも、ばらつきが大きい特徴が、必ずしも予測したい答えに重要とは限らないでしょう?」

美月:「ああ、なるほど。データの違いが大きいことと、予測に役立つことは別なんだね」

伴菜:「そのとおり。例えば、ある特徴のばらつきは小さくても、迷惑メールかどうかを判断するうえで重要な情報かもしれないわ。PCAでその情報を十分に残せなければ、予測性能が下がる可能性もあるのよ」

美月:「だから、次元を減らした後も、ちゃんとモデルを評価する必要があるんだね!」

伴菜:「そうよ。それに、PCAは特徴の尺度にも影響されるから、必要に応じて標準化などの前処理を行うことも重要なの」

美月:「なるほど! PCAは、重要そうな特徴を適当に削るんじゃなくて、データのばらつきをできるだけ残せる新しい軸を作る方法なんだね!」

伴菜:「そのとおり。『重要なばらつきをできるだけ残しながら、次元を減らす』。これがPCAを理解するうえでの基本なのよ」

6. どの学習方法を選べばいいの?

美月:「4つの方法が分かってきたけど、実際に使うときはどうやって選ぶの?」

伴菜:「まずは、何を知りたいのかをはっきりさせることね。カテゴリーを予測したいのか、数値を予測したいのか、それともデータの特徴を発見したいのか」

美月:「目的によって選ぶ方法が違うんだね」

伴菜:「そうよ。それに、利用できるデータや正解ラベルの有無、必要な精度、説明のしやすさなども考える必要があるの」

目的別の使い分け

やりたいこと代表的なタスク
メールが迷惑メールか判断したい分類
来月の売上金額を予測したい回帰
似た購買傾向の顧客を探したいクラスタリング
多数の特徴を少ない変数で表したい次元削減
画像が猫か犬かを予測したい分類
大量の顧客データを2次元で可視化したい次元削減

AIを使わない方がよい場合もある

美月:「ハンナ、ここまでいろいろな機械学習の方法を教えてもらったけど、AIって本当に便利だね! だったら、何でもAIに任せればいいんじゃない?」

伴菜:「ふふっ、そう思うわよね。でも、実はAIを使わない方がいい場合もあるのよ」

美月:「えっ、そうなの? どんな場合?」

伴菜:「例えば、お店で商品の税込価格を計算するとしましょう。税抜価格が1,000円で、税率が10%なら、税込価格はいくらになる?」

美月:「1,100円だよね。そんなの簡単だよ!」

伴菜:「そうでしょう? こういう計算は、税率や端数処理のルールが決まっていれば、普通のプログラムで正確に処理できるの。わざわざ機械学習モデルを作る必要はないわ」

美月:「でも、AIでも計算できるんじゃないの?」

伴菜:「もちろん、計算を支援できるAIもあるわ。でも、機械学習はデータからパターンを学習して予測する技術でしょう? 決まった計算式で答えを求められる処理なら、その式をそのままプログラムにした方が、結果を検証しやすく、動作も予測しやすいのよ」

美月:「なるほど。答えの出し方が決まっているなら、AIに予測させる必要はないんだね!」

伴菜:「そのとおり。一方で、『来月の売上はいくらになるか』『この取引は不正の可能性があるか』といった問題は、単純な計算ルールだけでは判断しにくい場合があるでしょう?」

美月:「うん。いろいろな条件が関係するし、必ず正解できるわけでもないよね」

伴菜:「そういうときには、過去のデータからパターンを学習する機械学習が役立つことがあるのよ」

美月:「つまり、AIが使えるかどうかだけじゃなくて、本当にAIが必要なのかを考えることが大切なんだね!」

伴菜:「そのとおり。AIを使うこと自体が目的になってはいけないの。解決したい問題に合わせて、機械学習、通常のプログラム、あるいはその組み合わせから適切な方法を選ぶことが大切なのよ」

美月:「分かった! AIは何でも解決する魔法じゃなくて、目的に合わせて使う道具なんだね!」

伴菜:「そうよ。どんなに優れた技術でも、使いどころを間違えたら十分な効果は得られないもの。『何を解決したいのか』を最初に考えることが、AIを上手に活用する第一歩なのよ」

7. まとめ

美月:「今日はたくさん覚えたね! 分類はカテゴリーを予測して、回帰は数値を予測する。クラスタリングは似たデータをまとめて、次元削減は特徴の数を減らすんだよね!」

伴菜:「そのとおり。しかも、それぞれ得意なことが違うの。だから、AIを使うときには、まず何を解決したいのかを考えることが大切なのよ」

美月:「なるほど! AIって、何でも同じ方法で学習するわけじゃないんだね」

伴菜:「そうよ。これから学ぶ技術も、今日の4つのタスクと結び付けて考えると理解しやすくなるわ」

理解度チェック

ここまで理解できたかな?

今回は5問の4択問題に挑戦してみよう!

伴菜と美月のAI教室へようこそ!

30 Mins AI の理解度チェックです。

全5問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. 教師あり学習の「分類」に該当するものはどれ?

Q2. 回帰(Regression)の特徴として正しいものはどれ?

Q3. クラスタリングについて正しいものはどれ?

Q4. PCA(主成分分析)の説明として正しいものはどれ?

Q5. 次のうち、機械学習を使わず通常のプログラムで処理する方が一般的に適しているものはどれ?


基本から復習したい人へ

ここまでで、教師あり学習と教師なし学習の違いから、分類・回帰・クラスタリング・次元削減の仕組み、さらにモデルの評価方法まで詳しく学んだよ。

「ちょっと難しかったな」「分類とクラスタリングの違いをもう一度確認したいな」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!

← 3 Minutes AI 第3話へ


次回予告

第4話「分類と回帰の仕組みをもっと詳しく知ろう!」

同じ教師あり学習でも、カテゴリーを予測する分類と、数値を予測する回帰では、モデルの出力や評価方法が違う。

次回は、分類の正解率・適合率・再現率・F1スコア、回帰の予測誤差などを、具体例と図解を使って詳しく学んでいこう!

カテゴリー
2026年 3 Minutes AI AI コンピューター 伴菜と美月のAI教室

3 Mins AI|第3話「教師あり学習と教師なし学習って何が違うの?」

伴菜と美月のAI教室|読了時間:約3分

美月の「これってどういうこと?」

美月:「ねえ、ハンナ。前にAIはデータを使って学習するって教えてくれたよね。でも、AIってどうやって正しい答えを覚えるの?」

伴菜:「いい質問ね。実は、AIの学習にはいくつかの方法があるの。今日は代表的な『教師あり学習』と『教師なし学習』を紹介するわね」

美月:「教師ってことは、AIにも先生がいるの?」

伴菜:「ふふっ、本当の先生がいるわけじゃないのよ。教師あり学習では、正解となる情報を付けたデータを使って学習するの。例えば、猫の写真には『猫』、犬の写真には『犬』という正解を付けて教えるのよ」

美月:「なるほど! じゃあ、教師なし学習は正解を教えないってこと?」

伴菜:「そのとおり。教師なし学習では、正解ラベルを付けずに、データの特徴や似ているもの同士のまとまりを見つけるの。例えば、たくさんの動物の写真を渡して、特徴が似た写真をグループに分けるような方法があるわ」

美月:「でも、正解を教えていないのに、ちゃんと猫と犬に分けられるの?」

伴菜:「必ずしもそうとは限らないの。毛の色や体の大きさなど、別の特徴でグループができることもあるわ。教師なし学習は、人間が期待する分類をそのまま再現するとは限らないのよ」

美月:「そっか! 正解を使って学ぶのが教師あり学習、正解なしでデータの特徴を見つけるのが教師なし学習なんだね!」

伴菜:「そうよ。この違いを理解すると、AIにどんな仕事を任せられるのか、もっと分かるようになるわ」

図で理解しよう

教師あり学習は、正解を使って予測できるようにする方法。

教師なし学習は、正解を使わずにデータの中に隠れているパターンや構造を見つける方法です。

もう少し詳しく

教師あり学習(Supervised Learning)

教師あり学習とは、入力データと正解となる情報を組み合わせてモデルを学習させる方法です。

例えば、過去のメールに「迷惑メール」「通常のメール」という正解ラベルを付けて学習させると、新しく届いたメールが迷惑メールかどうかを予測できるようになります。

教師あり学習の代表的なタスクには、次の2つがあります。

  • 分類(Classification):データがどのカテゴリーに属するかを予測する。例:迷惑メールか通常のメールか。
  • 回帰(Regression):数値を予測する。例:来月の売上金額。

教師なし学習(Unsupervised Learning)

教師なし学習とは、正解ラベルのないデータから、パターンや構造を見つける方法です。

例えば、顧客の購入履歴を分析して、購買傾向の似た顧客をグループに分けることができます。

代表的なタスクには、次のようなものがあります。

  • クラスタリング(Clustering):似た特徴を持つデータをグループに分ける。
  • 次元削減(Dimensionality Reduction):データの重要な特徴をできるだけ残しながら、扱う変数の数を減らす。

教師あり学習と教師なし学習の違い

比較項目教師あり学習教師なし学習
正解ラベルありなし
主な目的予測・分類パターンや構造の発見
代表的なタスク分類、回帰クラスタリング、次元削減
活用例迷惑メール判定、売上予測顧客グループ分析、データの可視化

「分類」と「クラスタリング」は違う

ここは特に間違えやすいポイントです。

分類(Classification) は、あらかじめ決められたカテゴリーを予測する教師あり学習のタスクです。

一方、クラスタリング(Clustering) は、正解ラベルを使わずに、似たデータ同士をグループにまとめる教師なし学習のタスクです。

どちらもデータをグループに分けるように見えますが、正解ラベルを使って学習するかどうかが異なります。

まとめ

美月:「教師あり学習は正解を使って学ぶ方法で、教師なし学習は正解なしでデータの特徴やパターンを見つける方法なんだね!」

伴菜:「そうよ。そして、教師あり学習には『分類』と『回帰』、教師なし学習には『クラスタリング』などがあるの。それぞれ何ができるのかを知ると、AIの使い分けも分かるようになるわ」


理解度チェック

ここまで理解できたかな?

次の3問に挑戦してみよう!

伴菜と美月のAI教室へようこそ!

3 Mins AI の理解度チェックです。

全3問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. 教師あり学習の特徴として正しいものはどれ?

Q2. 教師なし学習の代表的なタスクはどれ?

Q3. 教師なし学習で動物の写真をグループ分けした場合、正しい説明はどれ?


もっと詳しく学びたい人へ

ここまでで、教師あり学習と教師なし学習の違いや、正解ラベルを使う学習と、データの特徴を見つける学習について学んだよ。

30 Minutes AI 第3話では、教師あり学習の「分類」と「回帰」、教師なし学習の「クラスタリング」や「次元削減」などを、具体的な例を使いながらさらに詳しく説明するよ。

→ 30 Minutes AI 第3話へ


次回予告

第4話「分類と回帰って何が違うの?」

迷惑メールかどうかを判定するのが「分類」、将来の売上金額を予測するのが「回帰」。

どちらも教師あり学習だけど、予測するものが違うんだ!

次回は、分類と回帰の違いを、伴菜と美月が身近な例を使って解説するよ!

カテゴリー
2026年 30 Minutes AI AI コンピューター 伴菜と美月のAI教室

30 mins AI 第2話|AIはどうやって勉強するの?

伴菜と美月のAI教室 — 30 Minutes AI

1. AIは何を覚えているの?

休日の午後。伴菜と美月は、ノートパソコンに並んだ猫と犬の写真を眺めていた。

美月:「ハンナ、3分版では、猫と犬の写真を使ってAIが学習するって教えてもらったよね」

伴菜:「そうね。今日は、AIが学習するとき、コンピューターの中で何が起きているのか、もう少し詳しく見てみようか」

美月:「AIって、猫の写真をたくさん覚えているの?」

伴菜:「写真をそのまま丸暗記するのが目的ではないの。猫と犬を見分けるのに役立つパターンを、モデルの中の数値に反映させていくのよ」

美月:「モデルの中の数値?」

伴菜:「例えば、写真のどんな情報が判断に役立つか、その情報をどのくらい重視するかに関係する数値ね。こうした学習によって調整される数値を『パラメータ』というの」

美月:「じゃあ、AIが勉強するっていうのは、その数値を変えていくことなの?」

伴菜:「多くの機械学習ではそうよ。学習データを使ってパラメータを調整し、目的に合った予測ができるモデルを作るの」

美月:「なるほど。写真を全部覚えるんじゃなくて、見分けるための仕組みを作っているんだね!」

伴菜:「そういうこと。ただし、学習の仕方が悪いと、写真を覚え込みすぎたような状態になることもあるの。それは後で説明するね」

2. 学習データは、どうやって用意するの?

美月:「じゃあ、猫と犬の写真をたくさん集めれば、すぐに学習できるの?」

伴菜:「写真を集めるだけでは不十分なの。どんなデータを使うかがとても大切よ」

美月:「写真なら何でもいいわけじゃないの?」

伴菜:「例えば、猫の写真が昼間の明るい場所で撮ったものばかりで、犬の写真が夜の暗い場所で撮ったものばかりだったら、どうなると思う?」

美月:「うーん。明るい写真なら猫、暗い写真なら犬って覚えちゃうかも!」

伴菜:「そうなの。猫と犬の違いではなく、写真の明るさを手がかりにしてしまう可能性があるわ」

美月:「それじゃ、夜に撮った猫を犬と間違えちゃうね」

伴菜:「そうね。だから、猫も犬も、いろいろな色、大きさ、角度、背景、明るさの写真を用意することが大切なの」

美月:「正解の『猫』『犬』も付けるんだよね?」

伴菜:「そのとおり。今回のような教師あり学習では、写真と正解ラベルを組み合わせるの。ラベルが間違っていたら、それも学習に悪い影響を与える可能性があるわ」

美月:「写真の枚数だけじゃなくて、内容と正解の正しさも重要なんだね!」

伴菜:「大正解。データの量だけを増やしても、必ず性能が上がるわけではないのよ」

3. AIはどうやって間違いを直すの?

美月:「データの準備ができたら、いよいよ学習だね!」

伴菜:「そうね。猫の写真をモデルに入力してみましょう」

美月:「あれ? 猫なのに、犬の可能性が80%って出てる!」

伴菜:「まだ十分に学習していないモデルなら、そんな予測をすることもあるわ」

美月:「でも、正解は猫だよね。どうやって直すの?」

伴菜:「まず、モデルの予測と正解がどれくらい違うかを数値で表すの。その違いを評価するための計算を『損失関数(Loss Function)』というのよ」

美月:「損失って、何かをなくしちゃったの?」

伴菜:「ここでは、お金や物を失う意味じゃないの。予測がどれくらいうまくいっていないかを表す数値だと思ってね」

美月:「じゃあ、その数値が小さくなればいいんだ!」

伴菜:「基本的にはそう。そこで、損失が小さくなる方向にパラメータを調整するの」

美月:「どの数値を変えればいいか、どうやって分かるの?」

伴菜:「代表的な方法が『勾配降下法(Gradient Descent)』よ。損失が小さくなる方向を計算して、パラメータを少しずつ動かしていくの」

美月:「難しそう……」

伴菜:「山を下りるところを想像してみて。今いる場所から、下り坂の方向を調べて少し進む。それを繰り返すイメージよ」

美月:「ああ! いきなり正解の場所に飛ぶんじゃなくて、少しずつ良くしていくんだ!」

伴菜:「そういうこと。ただし、必ず一番良い答えにたどり着けるわけではないし、進む幅の決め方も重要なのよ」

※「犬80%」は説明用の架空の予測値です。実際の学習方法や損失関数はモデルによって異なります。

4. 学習を繰り返せば、必ず賢くなるの?

美月:「じゃあ、何回も学習を繰り返せば、どんどん正確になるんだね!」

伴菜:「必ずしもそうとは限らないの。ここで『過学習(Overfitting)』という問題が出てくるわ」

美月:「過学習? 勉強しすぎってこと?」

伴菜:「そういうイメージね。例えば、美月が問題集の答えを全部覚えたとするでしょう?」

美月:「同じ問題なら満点だよ!」

伴菜:「でも、数字や文章を少し変えた問題が出たら?」

美月:「解き方を理解していなかったら、間違えるかも……」

伴菜:「AIも似ているの。学習に使った写真には非常によく対応できても、新しい写真では間違いが多いことがあるのよ」

美月:「それが過学習なんだ!」

伴菜:「そう。だから、学習に使ったデータでの成績だけを見て、成功したとは判断できないの」

美月:「じゃあ、初めて見る写真でもテストする必要があるんだね」

伴菜:「そのとおり。大切なのは、学習したデータ以外にも対応できること。この性質を『汎化(Generalization)』というのよ」

5. 学習用・検証用・テスト用って何が違うの?

美月:「ハンナ、初めて見る写真で試すのは分かったけど、いつ試せばいいの?」

伴菜:「いい質問ね。機械学習では、データを目的別に分けて使うことが多いの」

美月:「どう分けるの?」

伴菜:「代表的なのが『学習用』『検証用』『テスト用』の3つよ」

美月:「全部テストみたいな名前だね(笑)」

伴菜:「まず、学習用データはモデルのパラメータを学習するために使うの」

美月:「これはいつもの練習問題だね!」

伴菜:「そう。次に検証用データは、学習方法やモデルの設定を選ぶときに使うの」

美月:「模擬試験みたいなもの?」

伴菜:「近いわね。例えば、どのモデルを採用するか、どの時点で学習を止めるかを判断する材料にするの」

美月:「じゃあ、テスト用は本番の試験?」

伴菜:「そう考えると分かりやすいわ。モデルの選択や調整が終わったあとに、最終的な性能を確認するためのデータなの」

美月:「テストの問題を先に見ながら練習したら、ずるいもんね!」

伴菜:「そのとおり。テスト用データの結果を何度も見てモデルを調整すると、公平な評価ができなくなる可能性があるのよ」

※3分割は代表的な方法です。データが少ない場合などには交差検証など別の評価方法も使われます。また、データの分け方では同じ対象からの類似画像が別グループに混ざることなどにも注意が必要です。

6. 正答率が高ければ、良いAIなの?

美月:「よし! テスト用の写真でも正しく判定できたら、AIの完成だね!」

伴菜:「性能を数字で確認することも大切よ。例えば、100枚の写真のうち90枚を正しく分類できたら、正答率は90%ね」

美月:「90%なら、かなり良さそう!」

伴菜:「そうね。でも、数字だけでは分からないこともあるの」

美月:「えっ、90%なのに?」

伴菜:「例えば、100枚のうち90枚が猫で、10枚が犬だったとするでしょう。全部『猫』と答えるだけでも、正答率は90%になってしまうの」

美月:「あっ! 犬は一匹も当てられていないのに!」

伴菜:「そう。だから、正答率だけでなく、猫と犬をそれぞれどのくらい正しく見分けられたかも確認する必要があるの」

美月:「なるほど。数字が高いからって、すぐに良いモデルだとは言えないんだね」

伴菜:「そのとおり。何を正しく判断したいのかによって、適切な評価方法も変わるのよ」

7. 今日のまとめ

伴菜:「さて、美月。今日はAIの学習をかなり詳しく見てきたけど、どうだった?」

美月:「最初は、猫と犬の写真をたくさん見せればいいと思ってたけど、それだけじゃないんだね」

伴菜:「どんなことが大切だった?」

美月:「まず、偏りの少ない学習データを用意すること。次に、予測と正解を比べて、モデルの数値を調整すること!」

伴菜:「うんうん。それから?」

美月:「学習した写真だけを覚えてもダメ。初めて見る写真で正しく判断できるか確かめる!」

伴菜:「大正解。じゃあ、正答率が90%だったら?」

美月:「すぐに安心しちゃダメ! 猫と犬のどちらもちゃんと見分けられているか確認する!」

伴菜:「完璧ね」

美月:「なんだか、AIを作る人って、先生みたいだね。教材を準備して、教えて、テストして……」

伴菜:「そうね。でも、AIは人間の生徒とは違うから、何を学んだのか、どんな間違いをするのかを数字でも確かめる必要があるのよ」

美月:「よーし! 私もAIに負けないように勉強する!」

伴菜:「その意気よ。でも、まずは今日の復習クイズからね!」

もっと知りたい! AI用語集

美月:「ハンナ、今日は知らない言葉がいっぱい出てきたね!」

伴菜:「難しい言葉は、AI用語集で一つずつ確認してみてね」

今回の関連用語:

  • 機械学習(Machine Learning)
  • 学習データ(Training Data)
  • 教師あり学習(Supervised Learning)
  • モデル(Model)
  • パラメータ(Parameter)
  • 損失関数(Loss Function)
  • 勾配降下法(Gradient Descent)
  • 過学習(Overfitting)
  • 汎化(Generalization)

→ 伴菜と美月のAI用語集を見る

理解度チェック(30 Minutes AI 第2話)

伴菜と美月のAI教室へようこそ!

30 Minutes AI 第2話「AIはどうやって勉強するの?」の理解度チェックです。

全5問のクイズで、学習データ、モデルの調整、過学習、データの分割、性能評価について振り返ってみましょう。

伴菜と美月のAI教室へようこそ!

30 Mins AI 第2話「AIはどうやって勉強するの?」の理解度チェックです。

全5問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. AIの学習で「モデルのパラメータを調整する」とは、どういう意味でしょう?

Q2. 猫の写真は明るい場所、犬の写真は暗い場所で撮影されたものばかりでした。この学習データには、どのような問題があるでしょう?

Q3. 学習中のモデルが猫の写真を「犬80%」と予測しました。損失関数とパラメータ調整の役割として、最も適切なのはどれでしょう?

Q4. 学習用・検証用・テスト用データの役割として、最も適切なのはどれでしょう?

Q5. 猫90枚、犬10枚のテストデータ100枚に対し、モデルがすべて「猫」と予測しました。この結果をどう評価するのが適切でしょう?


基本から復習したい人へ

ここまでで、AIが学習データからどのように学ぶのか、予測の間違いを減らす仕組み、過学習、そして学習結果の評価方法まで詳しく学んだよ。

「ちょっと難しかったな」「もう一度、学習の基本的な流れを整理したいな」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!

← 3 Minutes AI 第2話へ


次回予告

第3話|教師あり学習と教師なし学習って何が違うの?

美月:「ハンナ、今日の猫と犬の写真には、全部正解が付いていたよね?」

伴菜:「そうね。でも、AIには正解を教えずにデータの特徴を見つける学習方法もあるのよ」

美月:「えっ! 正解がなくても勉強できるの?」

伴菜:「次回は、その違いを詳しく見てみましょう!」

カテゴリー
2026年 3 Minutes AI AI コンピューター 伴菜と美月のAI教室

3 mins AI 第2話|AIはどうやって勉強するの?

伴菜と美月のAI教室 — 3 Minutes AI

1. AIも勉強するの?

休日の午後。伴菜と美月は、いつものダイニングテーブルでノートパソコンを開いていた。

美月:「ねえ、ハンナ。前回、AIはデータから学習するって言ってたよね?」

伴菜:「うん。今日は、その学習の仕組みを見てみようか」

美月:「AIって、私たちみたいに教科書を読んで勉強するの?」

伴菜:「ちょっと違うかな。例えば、猫と犬の写真を見分けるAIを作るとするね」

美月:「それなら簡単! 猫の写真を見せて、『これは猫です!』って教えればいいんでしょ?」

伴菜:「そういう教え方もあるよ。でも、写真を1枚見せただけでは、いろいろな猫を見分けられるとは限らないの」

美月:「えっ、どうして?」

伴菜:「猫にもいろいろいるでしょう? 白い猫、黒い猫、耳が折れた猫。犬にも小さい犬や大きい犬がいるよね」

美月:「そっか。いろんな写真で練習しないといけないんだ!」

伴菜:「そう。たくさんの写真を使って、猫と犬を見分けるのに役立つパターンを学んでいくのよ」

2. 間違えたらどうするの?

美月:「でもさ、最初から猫と犬を正しく見分けられるわけじゃないよね?」

伴菜:「もちろん。学習を始めたばかりのモデルは、間違えることもあるよ」

美月:「じゃあ、猫の写真なのに『犬!』って答えちゃうの?」

伴菜:「そういうこともあるね。そこで、モデルの予測と正解を比べて、間違いが小さくなるようにモデルの中の数値を調整するの」

美月:「数値を調整する?」

伴菜:「例えば、写真のどんな情報をどのくらい重視するかに関係する数値だよ。学習では、その数値を少しずつ変えていくの」

美月:「なるほど! 間違えたところを直しながら、練習を繰り返す感じなんだね!」

伴菜:「そういうイメージでいいよ。このように、正解を付けたデータを使って学習する方法を『教師あり学習』というの」

※これは教師あり学習の代表的な流れを簡略化したものです。実際の学習では、予測と正解の違いを数値で評価し、モデルを調整します。

3. 初めて見る猫も分かるの?

美月:「じゃあ、たくさん練習したら、もう猫と犬を間違えなくなる?」

伴菜:「そうとは限らないよ。ここで大切なのが、学習に使っていない写真でも正しく判断できるかどうかなの」

美月:「どういうこと?」

伴菜:「例えば、美月がテストの問題と答えを全部丸暗記したら、同じ問題には正解できるよね?」

美月:「うん! でも、違う問題が出たら困るかも……」

伴菜:「AIも同じなの。練習した写真だけを覚えても、初めて見る写真を見分けられなければ困るでしょう?」

美月:「そっか! 覚えた写真だけじゃなくて、新しい写真でも試す必要があるんだ!」

伴菜:「そのとおり。学習に使っていないデータで、どのくらい正しく予測できるかを確認することが大切なのよ」

4. 今日のまとめ

伴菜:「じゃあ、美月。今日の復習をしてみようか」

美月:「任せて!」

伴菜:「AIは、どうやって猫と犬を見分けられるようになるの?」

美月:「いろんな写真を使って学習する!」

伴菜:「予測が間違っていたら?」

美月:「正解と比べて、モデルを調整する!」

伴菜:「じゃあ、学習した写真を全部正しく答えられれば、それで完成?」

美月:「違う! 初めて見る写真でも正しく判断できるか確かめる!」

伴菜:「大正解!」

美月:「ふふん。これで私も猫と犬を見分けるAIを作れるかな?」

伴菜:「仕組みは分かってきたね。でも、実際に作るにはもう少し勉強が必要かな」

美月:「えー! まだ勉強するの?」

伴菜:「AIだけじゃなくて、美月もね!」

もっと知りたい! AI用語集

美月:「ハンナ、今日も新しい言葉が出てきたね!」

伴菜:「分からない言葉があったら、AI用語集で確認してみてね」

今回の関連用語

  • 機械学習(Machine Learning)
  • 学習データ(Training Data)
  • 教師あり学習(Supervised Learning)
  • 正解ラベル(Label)
  • モデル(Model)
  • 学習(Training)

→ 伴菜と美月のAI用語集を見る

理解度チェック(3 Minutes AI 第2話)

伴菜と美月のAI教室へようこそ!

3 Mins AI 第2話「AIはどうやって勉強するの?」の理解度チェックです。

全3問のクイズで、今回学んだ内容を振り返ってみましょう。回答後には、正解と詳しい解説を確認できます。

伴菜と美月のAI教室へようこそ!

3 Mins AI 第2話「AIはどうやって勉強するの?」の理解度チェックです。

全3問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. 猫と犬の写真を使ってAIに学習させるとき、写真に「猫」「犬」という正解ラベルを付けるのはなぜ?

Q2. 学習中のAIが、猫の写真を「犬」と間違えて予測した場合、どうするの?

Q3. AIが学習に使った猫と犬の写真をすべて正しく判定できたら、それで十分?


もっと詳しく学びたい人へ

ここまでで、AIがデータを使って学習する流れや、正解と予測を比較してモデルを調整する仕組みを学んだよ。

30 Minutes AI 第2話では、学習データの準備、モデルの調整、学習結果の評価などを、さらに詳しく説明するよ。

→ 30 Minutes AI 第2話へ


次回予告

第3話「教師あり学習と教師なし学習って何が違うの?」

正解を教えて学習させる方法と、正解を教えずにデータの特徴を見つける方法。

AIには、いろいろな勉強の仕方があるんだ!

カテゴリー
2026年 30 Minutes AI AI コンピューター 伴菜と美月のAI教室

30 mins AI 第1話|AIって、そもそも何?

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)

→ 伴菜と美月のAI用語集を見る

理解度チェック(30 Minutes AI 第1話)

伴菜と美月のAI教室へようこそ!

30 Mins AI 第1話「AIって、そもそも何?」の理解度チェックです。

全5問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. AI(人工知能)と機械学習(Machine Learning)の関係について、最も正しい説明はどれ?

Q2. ある企業が、専門家の知識を「条件と結論」のルールとして登録し、設備の故障原因を診断するシステムを開発した。この仕組みについて最も適切な説明はどれ?

Q3. 大量の迷惑メールと通常メールを使って学習したモデルに、新しく届いたメールを入力し、迷惑メールかどうかを判定させた。この新しいメールの判定処理は何と呼ばれる?

Q4. AI、機械学習、ディープラーニングの包含関係として、最も適切なものはどれ?

Q5. ある企業では、請求書の合計金額に消費税率を適用して税込金額を計算したい。税率と計算方法は明確に決まっている。この場合、最も適切な選択はどれ?


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!

← 3 Minutes AI 第1話へ


カテゴリー
2026年 3 Minutes AI AI コンピューター 伴菜と美月のAI教室

3 mins AI 第1話|AIって、そもそも何?

伴菜と美月のAI教室 — 3 Minutes AI

1. 電卓もAIなの?

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。最近、何でもAIって言うじゃない?」

伴菜:「そうだね。スマホの顔認証とか、ChatGPTとか」

美月:「でもさ、電卓だって人間より計算が速いでしょ? あれもAIなの?」

伴菜:「普通の電卓はAIとは呼ばないよ」

美月:「なんで? 私よりずっと頭いいじゃん」

伴菜:「計算が速いことと、知的な処理をすることは違うんだよ」

美月:「知的な処理?」

伴菜:「例えば、写真を見て犬か猫かを判断したり、文章を読んで質問に答えたりすること。そういう処理をコンピューターで実現する技術を、まとめてAI、人工知能って呼ぶんだよ」

美月:「なるほど。単に計算するだけじゃないんだね」

2. 普通のプログラムとは何が違う?

美月:「でもハンナ、普通のプログラムだって判断するよね?」

伴菜:「するよ。例えば迷惑メールを判定するプログラムを考えてみようか」

美月:「『当選しました!』って書いてあったら迷惑メール!」

伴菜:「それも一つの方法だね。人間が条件を決めて、その条件に従って判定する方法をルールベースというの」

美月:「じゃあ、AIは?」

伴菜:「AIの一分野である機械学習なら、過去のメールをたくさん使って、迷惑メールに共通する特徴を学習できるんだよ」

美月:「あ、そういうことか! 機械学習は、全部の条件を人間が書かなくてもいいんだね」

伴菜:「そう。でも、学習に使うデータが悪ければ、間違った判断をすることもあるよ」

美月:「AIだからって万能じゃないんだ」

美月:「ねえ、ハンナ。過去のメールから学習するのは分かったけど、新しいメールが届いたときはどうするの?」

伴菜:「いい質問だね。実は、機械学習には『学習』と『推論』という二つの大切な処理があるんだよ」

美月:「推論? また難しい言葉が出てきた!」

伴菜:「難しく考えなくていいよ。学習は、過去のデータからパターンを見つけてモデルを作ること。推論は、その学習済みモデルを使って、新しいデータに対する答えを出すことなの」

美月:「つまり、過去の迷惑メールで勉強するのが学習で、新しく届いたメールを迷惑メールかどうか判断するのが推論?」

伴菜:「そのとおり! 図で見ると分かりやすいよ」

美月:「なるほど! 学習と推論って、別々の処理なんだね」

伴菜:「そう。しかも、推論するたびに必ず学習し直すわけじゃないんだよ。学習済みモデルをそのまま使って、何度も新しいメールを判定できるの」

美月:「分かった! これなら『推論』って言葉も覚えられそう!」

3. AIと機械学習はどういう関係?

美月:「じゃあ、AIって全部が機械学習なの?」

伴菜:「実は違うんだよ。昔から、人間の専門知識をルールとして登録するエキスパートシステムのようなAIもあるの」

美月:「えっ! ルールを使うAIもあるの?」

伴菜:「あるよ。だからAIと機械学習は同じ意味じゃないんだ。図で見てみよう」

美月:「なるほど。AIという大きなグループの中に機械学習があって、さらにその中にディープラーニングがあるんだ!」

伴菜:「そのとおり。今日はこの関係を覚えれば十分だよ」

美月:「ところで、ハンナ。ディープラーニングって何?」

伴菜:「それは第5話で詳しく説明するね」

美月:「えー、ずいぶん先じゃない!」

伴菜:「まずは順番に覚えようよ!」

4. 今日のまとめ

伴菜:「じゃあ、美月。今日の復習ね。AIって何?」

美月:「コンピューターで知的な処理を実現する技術のこと!」

伴菜:「機械学習は?」

美月:「AIの一分野で、データからパターンを学習する方法!」

伴菜:「完璧! じゃあ、ディープラーニングは?」

美月:「機械学習の一分野! 詳しくは第5話!」

伴菜:「あはは、ちゃんと覚えてるね」

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)

→ 伴菜と美月のAI用語集を見る

理解度チェック(3 Minutes AI 第1話)

伴菜と美月のAI教室へようこそ!

3 Mins AI 第1話「AIって、そもそも何?」の理解度チェックです。

全3問のクイズで、今回学んだ内容を振り返ってみましょう。

回答後には、正解と詳しい解説を確認できます。

準備ができたら「理解度チェックを始める」を押してください。

Q1. AIと機械学習の関係として、正しいものはどれ?

Q2. 学習済みモデルに新しいメールを入力して、迷惑メールかどうかを判定する処理を何という?

Q3. ルールベースと機械学習の違いとして、最も適切なのはどれ?


もっと詳しく学びたい人へ

ここまでで、AIとは何か、機械学習との違い、ディープラーニングとの関係を学んだよ。

→ 30 Minutes AI 第1話へ


次回予告

第2話「AIはどうやって勉強するの?」

機械学習では、データからどうやってパターンを学ぶのか? 犬と猫の写真を例に、学習の基本を見ていこう!