2026年10月8日に、Googleの機械学習入門とscikit-learnのpitfallsを再読しました。AIは広い分野・システムの呼び方、機械学習はデータからモデルを学ぶ方法として説明できますが、名称だけで性能や適合性は決まりません。学習と評価を分け、前処理も訓練データ内で適合させ、未知データで検証します。深層学習を含め、運用の監視と失敗条件は別に設計します。
AIと機械学習は同じ言葉ではありません。仕事の手順を人が決める方法と、データからモデルを学習する方法を分けると、何を用意し、どこで間違いを確かめるべきかが見えてきます。この記事では「高機能なほど良い」という選び方を避け、架空の問い合わせ分類を使って判断の違いを説明します。
30秒で要点
- AIは広い呼び方で、機械学習はその中の方法です。深層学習はニューラルネットワークを使う機械学習の一部です。
- 人が決めたルールを実行する処理と、データからパラメータを学習する処理を区別します。学習した後の予測も、正しさの保証にはなりません。
- まず業務の入力・正解・間違いの損失を決めます。学習と評価のデータを分け、単純な方法と同じ条件で比べてから運用を考えます。
AI・機械学習・深層学習の関係
この図式は用語の範囲を整理するためのものです。上位にあるほど高精度、下位ほど高度な業務に向く、という順位ではありません。
AI：知的な作業を扱う広い分野・システムの呼び方
└─ 機械学習（ML）：データからモデルを学習する方法
└─ 深層学習（DL）：多層のニューラルネットワークによる方法表が収まらない場合は、横にスクロールできます
| 見る点 | 人が決めるルールの例 | 機械学習の例 |
|---|---|---|
| 作り方 | 「解約」を含む問い合わせを担当窓口へ回す | 過去の問い合わせと担当窓口の組を使ってモデルを学習する |
| 変える場所 | 条件と優先順を人が修正する | データ、特徴、学習方法、モデルの選択を見直す |
| 誤り方 | 言い換えや例外を見逃す、条件が衝突する | 学習例にない表現や分布の変化で誤る |
| 確認すること | 全分岐と例外、既存ルールへの影響 | 分けておいた評価例と業務上の損失 |
ただし、通常の条件分岐をすべてAIと呼ぶ必要はありません。名称より、誰が判断規則を決め、どの入力で失敗するかが重要です。機械学習も、学習データを集めただけで目的や正解を理解するわけではありません。
Googleの機械学習入門は、データからモデルを学習して予測やコンテンツ生成を行う考え方を説明しています。学習と実際の入力に対する計算の違いは、AIの推論と学習も参照してください。
能力の範囲と、学習方法を混ぜない
「特化型・汎用」という能力の範囲の話を、AI・機械学習・深層学習の包含関係や層数と同じ軸にしません。「弱いAI・強いAI」という表現も、読んでいる資料が何を意味しているかを確認します。この記事ではAGIの実現状況や人間と同等の理解を判定せず、具体的な作業と評価条件に戻して選びます。
三つの学習の考え方を、出力から区別する
表が収まらない場合は、横にスクロールできます
| 方法 | 学習時の手がかり | 出力・業務の例 | 注意点 |
|---|---|---|---|
| 教師あり学習 | 入力と正解の組 | 売上額の予測、問い合わせの分類 | 正解の定義や付け方の偏りを確かめる |
| 教師なし学習 | 正解ラベルなしのデータの構造 | 購買傾向が似た顧客のグループ | 分かれた集団の意味や施策は人が検討する |
| 強化学習 | 行動の結果に対する報酬 | 環境内で行動を選ぶ方策 | 報酬の設計と安全に試せる環境が必要 |
教師あり学習のうち、回帰は金額や数量などの数値を、分類は種類を扱います。顧客を三群に分けただけで「離反しそうな人」が見つかったとは限りません。強化学習も、通常の問い合わせ分類に必須の上位版ではありません。
深層学習は機械学習の一部
機械学習
├─ 決定木、ランダムフォレスト、サポートベクターマシン等
└─ ニューラルネットワークを使う方法
└─ 複数の隠れ層を持つ深いモデルによる深層学習入力 → 隠れ層1 → 隠れ層2 → 出力
↑ 学習ではパラメータを調整する ↑
評価用のデータは調整に混ぜず、別に予測を確かめる画像や音声、文章では多層のモデルが使われますが、小さな表形式データで常に最善とは限りません。データ量、ラベル、計算資源、説明の必要性を合わせて考えます。ニューラルネットワークの基本とTransformerの基本で、それぞれの計算を確認できます。
架空8件で「精度が良い」の中身を見る
以下はモデルを訓練した実験ではなく、比較の読み方を示す架空の評価記録です。正解と二つの方法の出力を人が用意しています。「人へ引き継ぐべき問い合わせ」を陽性とします。
表が収まらない場合は、横にスクロールできます
| 件 | 正解 | ルールの出力 | 学習モデルを想定した出力 |
|---|---|---|---|
| 1 | 引継ぎ | 引継ぎ | 引継ぎ |
| 2 | 引継ぎ | 自動処理 | 引継ぎ |
| 3 | 引継ぎ | 引継ぎ | 引継ぎ |
| 4 | 引継ぎ | 引継ぎ | 自動処理 |
| 5 | 自動処理 | 自動処理 | 自動処理 |
| 6 | 自動処理 | 引継ぎ | 自動処理 |
| 7 | 自動処理 | 自動処理 | 自動処理 |
| 8 | 自動処理 | 自動処理 | 自動処理 |
表が収まらない場合は、横にスクロールできます
| 集計 | ルール | 学習モデルを想定 |
|---|---|---|
| 正解件数／全件 | 6／8＝75% | 7／8＝87.5% |
| 必要な引継ぎを逃した件数 | 1 | 1 |
| 不要な引継ぎ件数 | 1 | 0 |
| 引継ぎが必要な4件の検出 | 3／4＝75% | 3／4＝75% |
全体の正解率は12.5ポイント違いますが、重大になり得る「必要な引継ぎの見逃し」は減っていません。見逃しを10、不要な引継ぎを1とする架空の損失単位なら、ルールは11、モデルを想定した側は10です。この重みも実測費用ではありません。業務では実際の損失やレビュー体制に合わせて決めます。
この8件から将来の正解率、統計的な優位性、導入効果は結論できません。旧来の「導入すればCVRが30%向上」「95%以上の精度」といった一律の数字を、事例の根拠なしに期待値として使わないでください。
学習から運用までの七段階
- 問題とデータを決める。 入力、出力、正解を付ける人、使ってよい情報を決めます。
- 分割して前処理する。 学習用と評価用を分けます。平均値による補完など、データから決まる処理も学習用だけで決めます。
- 単純な基準と方法を選ぶ。 既存ルール、多数派予測などと比べる基準を用意します。
- 学習する。 学習用の入力と正解からパラメータを調整します。
- 別データで評価する。 正解率だけでなく、誤りの種類、時間、費用を確認します。
- 改善する。 誤った例のラベルや特徴、条件を見直します。同じ評価データへの過度な調整にも注意します。
- 運用して見直す。 入力や業務が変わったときの再評価、保留、人への引継ぎ、停止条件を用意します。
用途から選ぶ：EC・画像・チャットボット
表が収まらない場合は、横にスクロールできます
| 用途 | 最初に決めること | 単純な方法との比較 | 導入前に確かめること |
|---|---|---|---|
| ECの推薦 | 何を候補に出し、何を成果とするか | 人気順・在庫・カテゴリ別の提示 | 同じ条件での成果、偏り、在庫や返品への影響 |
| 画像の検査 | 不良の定義と見逃しの損失 | 人の点検・既存の画像処理 | 撮影条件別の誤り、未知の不良、人の確認 |
| チャットボット | 答えてよい範囲と保留条件 | FAQ検索・定型回答 | 根拠、誤回答、個人情報、担当者への引継ぎ |
これらの仕組みを分野の中で並べると次のようになります。実際の製品は検索、ルール、複数のモデルを組み合わせることがあります。
AIを用いるシステムの例
├─ 人が記述したルール・知識を使う部分
└─ 機械学習を使う部分
├─ 決定木・ランダムフォレスト・SVM等
└─ 深層学習：CNN・RNN・Transformer等
検索・データ処理・人の確認を組み合わせて業務全体を作る歴史は用語の誕生と、方法の違いを分けて読む
Dartmouthの提案書は1955年8月31日付で、1956年夏の研究計画を記しています。McCarthy、Minsky、Rochester、Shannonの四名による提案です。提案の日付と計画した会合の年を混同しないでください。表が収まらない場合は、横にスクロールできます
| 学びたい変化 | 比較する観点 |
|---|---|
| 人が知識を記述する方法から、データを使う方法へ | ルールの保守と、データ・評価の保守の違い |
| 特徴を人が考える方法と、多層モデル | 計算資源、表現、学習データの要求の違い |
| 予測・分類と、生成を使うシステム | 正解の定義、根拠の確認、人の介入の違い |
すべての技術が一列に置き換わったわけではありません。古い方法が不要になったとも、新しい方法が個々の問題で優れるとも限りません。
初学者の三段階と次の一歩
- 概念を整理する段階： 入力・出力・正解を一つの身近な業務に書き出します。AI・LLMの入門を読み、用語をその業務へ当てはめます。
- 小さく手を動かす段階： Pythonや表計算で件数、欠損、分割を確かめます。Googleの無料教材やCourseraなどの講座は、前提知識と演習範囲を確認して選びます。
- 業務で確かめる段階： 既存手順との同条件比較、権限、保留・停止条件を決めます。導入の考え方はファーストバイトのAI活用にもまとめています。
学習素材の種類も分けましょう。Kaggleなどの課題はデータと評価条件を読む練習、TensorFlowやPyTorchなどのフレームワークはモデルを実装する練習の道具です。講座を受けることや道具を使うことだけで、業務に適した評価ができたとは言えません。
技術の視点では候補と計算を、人の視点では確認負担や誤りへの対応を、統計の視点では分母・ばらつき・比較条件を考えます。人の学習と機械の学習を同一視せず、架空例の差を因果効果や有意差へ読み替えないことが大切です。
最初の一歩は、モデルを選ぶことより「どの間違いを減らしたいか」を一つ決めることです。正解を測れない段階では、学習より先にデータと評価の設計を整えましょう。