AI・機械学習

③ 推論・探索

探索の例

たとえば、迷路を解くためには、迷路の道筋をツリー型の分岐として再構成した上でゴールにたどり着く分岐を順番に探し、ゴールに至る道を特定します。

探索の手法は、ロボットなどの行動計画を、前提条件・行動・結果の3要素によって記述する「プランニング」にも用いることができます。

④ エキスパートシステム

知識をルールによって表現し、入力された知識を用いてコンピュータが専門家のように推論するシステムです。

専門分野の知識を取り込んだ上で推論することで、その分野の専門家のように振る舞うプログラムのことです。

⑤ エキスパートシステムの歴史

1972年にスタンフォード大学で開発された「マイシン（MYCIN）」という医療診断を支援するシステムが世界初とされます。

動作の例

たとえば、あらかじめ定めた病気に関する情報と判断のルールに沿って質問し、得られた回答に基づいて次の質問を選択するといった過程を繰り返すことで診断結果を提示します。

⑥ 機械学習

コンピュータが数値やテキスト、画像、音声などのさまざまかつ大量のデータからルールや知識を自ら学習する（見つけ出す）技術のことです。

例

たとえば、消費者の一般的な購買データを大量に学習することで、消費者が購入した商品やその消費者の年齢等に適したオススメ商品を提示することが可能になります。

⑦ 深層学習（ディープラーニング）

機械学習のうち、多数の層からなるニューラルネットワークを用いるものです。

情報抽出を一層ずつ多階層にわたって行うことで、高い抽象化を実現します。

⑧ 従来の機械学習との違い

従来の機械学習では、学習対象となる変数（特徴量）を人が定義する必要がありました。

ディープラーニングは、予測したいものに適した特徴量そのものを大量のデータから自動的に学習することができる点に違いがあります。

⑨ ディープラーニングに必要なもの

精度を上げる（ロバスト性を高める）手法と、その膨大な計算を可能にするだけのコンピュータの計算能力が重要になります。

⑩ 4つの包含関係

エキスパートシステムは機械学習の外側

知識を人が与えるか、データから学ぶか

⑪ 判別のキーワード

cとdが入れ替わっている

判別の決め手

エキスパートシステムと機械学習の本質的な違い

エキスパートシステムの場合

医療診断の例

機械学習の場合

それぞれの長所と短所

「説明のしやすさ」が実務では重要

機械学習の「説明できない」問題

この問題への対応として「説明可能なAI（XAI）」の研究が進んでいます。

中小企業でのAI活用

導入の現実

中小企業は「サービスとして使う」が基本

「AIを作る」のではなく「AIを使う」——この整理が実務的です。

AI導入で最も重要なこと

データがなければAIは使えない

「まずデータを整える」——AI導入の相談を受けたとき、最初に確認すべき点です。

確認してみましょう

> 次の記述の正誤を判定せよ。

> a　人工知能（AI）とは、人工的にコンピュータ上で人間と同様の知能を実現しようとする試み、またはその技術の総称である。

> b　エキスパートシステムでは、1972年にスタンフォード大学で開発された「マイシン（MYCIN）」という医療診断を支援するシステムが世界初とされる。

> c　従来の機械学習では、学習対象となる変数（特徴量）を大量のデータから自動的に学習することができた。

解答　a：○　b：○　c：×

• c：×……従来の機械学習では、学習対象となる変数（特徴量）を人が定義する必要がありました。自動的に学習できるのはディープラーニングです。

② 教師あり学習

教師あり学習は、あらかじめ正解の札が貼ってあるデータを使って学ばせるやり方です。

たとえば、写真データに「犬」や「猫」などの正解ラベルを含んでいるものです。

③ 教師あり学習の典型的な手法

典型的な教師あり学習には、回帰分析、判別分析、ロジスティック回帰、決定木、ランダムフォレスト、サポートベクターマシン（SVM）などがあります。

④ 教師なし学習

教師なし学習とは、正解ラベルが付いていないデータに関する学習です。

⑤ 教師なし学習の典型的な手法

典型的な教師なし学習には、クラスター分析、主成分分析、因子分析などがあり、それぞれ目的によって、使い分ける必要があります。

⑥ 教師ありと教師なしの判別

令和4年度・令和7年度の本試験では、この分類が問われました。

覚え方

⑦ 強化学習

強化学習とは、一定の環境の中で試行錯誤を行い、個々の行動に対して得点や報酬を与えることによって、ゴールの達成に向けた行動の仕方を獲得する機械学習の学習法のひとつです。

⑧ 3つの分類と主な用途

⑨ 3つを一言で

⑩ 回帰と分類の違い

教師あり学習は、さらに2つに分かれます。

⑪ 統計解析とのつながり

第14章の多変量解析で学ぶ手法が、そのまま機械学習の手法として登場します。

統計の手法が、機械学習の手法でもある——この対応関係を押さえておくと、両方の理解が深まります。

③ ディープニューラルネットワーク

特に隠れ層が複数あるニューラルネットワークはディープニューラルネットワークとよばれます。

「深い（ディープ）」とは、層が多いこと——これがディープラーニングの名前の由来です。

④ ニューロン（ノード）

⑤ 重み

⑥ 活性化関数

ニューラルネットワークの中のニューロンにおいて、複数の入力の重み付け総和などの値から、その出力を決定するための関数は活性化関数とよばれます。

⑦ 代表的な活性化関数

代表的な活性化関数には、シグモイド関数、双曲線正接関数、ReLUなどがあり、これらは目的に応じて使い分けられます。

令和5年度の本試験では、「ハッシュ関数」が代表的な活性化関数として出題され、誤りとされました。

⑧ 「活性化関数」と「誤差関数」の違い

令和5年度では、「出力を決定するための関数は誤差関数とよばれる」という記述が誤りとされました。

「出力を決定する」のは活性化関数——この一点が判別の決め手です。

⑨ ニューラルネットワークの動き

⑩ 学習とは何をするのか

学習の流れ

大量のデータでこれを繰り返すことで、精度が上がっていく——これが「学習」の中身です。

⑪ 深層学習が強い分野

⑫ 深層学習が必要とするもの

この3つが揃わないと実用にならない——中小企業が自前で深層学習モデルを作るのが難しい理由がここにあります。

③ なぜモデル崩壊が起きるのか

コピーのコピーを繰り返すようなもの

④ ハルシネーション

事実に基づかない情報や実際には存在しない情報をAIが生成する現象のことです。

AIが幻覚（Hallucinations）を見ているかのように、もっともらしい嘘（事実とは異なる内容）を出力するため、このようによばれています。

この問題は自然言語処理（NLP）などの分野で顕著に現れます。

⑤ 「もっともらしい」ことが問題

実際に起きる例

⑥ データドリフト

モデル訓練時の入力データの統計的分布と、テスト時／本番環境での入力データの統計的分布が、何らかの変化によってズレてくる現象のことです。

生成AIに限らず、機械学習全般で問題となる現象です。

⑦ データドリフトが起きる例

⑧ 3つの用語の判別

⑨ 3つの性格の違い

⑩ 第9章のMLOpsとのつながり

第9章で学んだMLOps——機械学習と運用を組み合わせた開発の方法論——が必要になる理由が、このデータドリフトです。

「AIは作って終わりではない」

⑪ 生成AIを業務で使う際の注意