AIの推論と学習：なぜAIは答えを出せるのか？
「AIはどうやって答えを出すの？」「学習と推論は何が違うの？」——導入でよくある2問に、学習＝モデルを作る、推論＝モデルで答えるの2語で答えられるように整理します。
推論（Inference）とは
推論は、すでに学習したモデルに新しいデータを入れ、分類・予測・生成などの結果を得る処理です。学習はこの段階では行いません。
| 段階 | 内容 |
|---|---|
| 入力 | 画像・テキスト・数値など |
| 処理 | 学習済みの重み・ルールでパターンを当てはめる |
| 出力 | ラベル、数値、文章など（信頼度付きのこともある） |
人間の「経験を踏まえた判断」に近いのは見え方で、中身は多くの場合パターンの当てはめです。文脈の深い理解や創造の保証は別問題として扱います。
学習（Learning）とは
学習は、データからパターンを見つけ、モデルのパラメータを更新する段階です。
- データの収集・前処理
- モデルの訓練（誤差の最小化など）
- 検証データでの性能確認（過学習の有無）
代表例：猫と犬の画像を大量に与え、特徴の違いをモデルが自分で拾う → 新しい画像では推論だけで「猫」と出す。
学習と推論の関係
[学習フェーズ] データ → モデル更新
↓
[推論フェーズ] 新しい入力 → 出力チャットボットも、会話データで学習したあと、ユーザーの質問に対して推論で応答します。オンライン学習では推論と同時に少しずつ更新し、推薦の精度を上げる構成もあります。
タスクの種類（推論側）
| 種類 | 出力のイメージ |
|---|---|
| 分類 | カテゴリ（スパム／正常など） |
| 回帰 | 連続値（価格・需要など） |
| 生成 | 新しいテキスト・画像など |
学習の種類（概要）
| 方式 | 正解データ | 例 |
|---|---|---|
| 教師あり | あり（入力と正解のペア） | 画像ラベル付き学習 |
| 教師なし | なし | クラスタリング、異常検出 |
| 強化学習 | 報酬・罰から学ぶ | ゲームAI、一部の制御 |
ビジネスで押さえる3つの落とし穴
- 「理解している」と誤認しない — 想定外の入力では破綻しやすい。重要判断は人が確認する。
- 学習データのバイアス — 偏ったデータは偏った出力になる。母集団と更新頻度を記録する。
- 過学習 — 訓練データだけ良く、本番で劣化する。検証データと指標を分ける。
効果を測るときは、コンバージョンや工数削減など指標を事前に定義し、期間と母数を固定して比較します。単一指標だけだと副作用を見落としやすい点に注意してください。