第1章|AIの基礎
DAY 01 ・ 約15分AIとは何か
身近なAIから出発し、生成AIへ続く全体像を理解する。
AI・機械学習・深層学習・生成AIの関係を、仕組みと身近な例の両方から説明できる。
言葉を知る
用語だけを暗記せず、似た言葉との違いまで説明できる状態を目指します。
AI(人工知能)
人が行う「見分ける・予測する・言葉を扱う・計画する」といった知的な作業を、コンピューターで実現しようとする技術や研究分野の総称です。「AI」という名前の一つの機械があるのではなく、目的も仕組みも異なる多くの技術をまとめた大きな呼び名です。
ルールベース
「もし売上が10%下がったら警告する」のように、人が条件と処理をあらかじめ書き、その規則に従って判断させる方法です。動きの理由を説明しやすい一方、想定外の状況には対応しにくく、例外が増えるほど管理が難しくなります。
機械学習
人が判断ルールを一つずつ書く代わりに、多数のデータから共通する傾向や判断の境界をコンピューターに学ばせる方法です。AIを実現する代表的な手段の一つであり、データの選び方と正解の基準が結果を大きく左右します。
モデル
学習用データから見つけたパターンや関係を、計算に使える形で保持したものです。学習を終えたAIは、元データを一件ずつ探すのではなく、モデルに入力を与えて予測や生成を行います。モデルはサービスの画面そのものではなく、結果を作る中核部分です。
深層学習
人の神経回路を参考にしたニューラルネットワークを何層も重ね、画像・音声・文章などの複雑な特徴を学ぶ機械学習の一種です。層を重ねることで、単純な特徴から複雑な意味へ段階的に処理できるようになります。
推論
学習済みのモデルへ新しい入力を渡し、予測・分類・生成などの結果を出す工程です。普段ChatGPTへ質問を入力して回答を受け取るとき、基本的にはモデルを新しく学習させているのではなく、学習済みモデルで推論を実行しています。
生成AI
学習した大量のデータに含まれるパターンをもとに、文章・画像・音声・動画・プログラムなどの新しい内容を作るAIです。事実をそのまま保管した辞書ではなく、入力と文脈から適切そうな出力を組み立てるため、自然な回答と事実の正しさは別に確認する必要があります。
仕組みを理解する
1.まず「AI」という言葉の広さを知る
AIには、世界共通で一つに決まった短い定義があるわけではありません。人間が行えば知的に見える処理を機械で実現する研究全体を指す場合もあれば、学習機能を持つソフトウェアだけを指す場合もあります。この曖昧さが、AIの話を分かりにくくする最初の原因です。大切なのは「AIか、AIではないか」という言葉の境界だけを覚えることではなく、その仕組みが何を入力し、どんな処理を行い、何を出力するのかを見ることです。スマートフォンの顔認証、動画のおすすめ、クレジットカードの不正検知、天気予報の補助、文章生成はすべてAIと呼ばれますが、目的も、使うデータも、間違ったときの影響も違います。
2.AIは、人間と同じように何でも理解する存在ではない
現在、社会で使われているAIの大部分は、特定の目的に向けて作られたAIです。写真から顔を見つけるAIは、顔認識には強くても、旅行の計画を立てたり、契約書の責任を判断したりはできません。生成AIは多くの話題へ答えられるため「何でも理解している」ように見えますが、会話が自然であることと、人間と同じ経験・意図・責任感を持つことは別です。AIの出力は、学習したパターンと与えられた入力から計算された結果です。目的を決め、利用範囲を定め、結果に責任を持つ役割は人間側に残ります。この区別を持たないと、AIを過小評価して使わないか、反対に過信して判断まで丸投げするかの両極端になりやすくなります。
3.最初のAIは、人が知識とルールを書いて動かした
初期のAI研究では、専門家が持つ知識を「もしAならB」という規則へ変換し、コンピューターへ登録する方法が多く使われました。例えば、体温・症状・検査結果の組み合わせから候補を絞る仕組みです。ルールが明確なら、なぜその結論になったか追いやすく、同じ条件では同じ答えが出ます。そのため現在でも、法律上必ず守る条件、料金計算、承認手順などではルールベースが重要です。一方で「猫らしさ」「迷惑メールらしさ」「自然な文章」のように、条件をすべて列挙できない問題では限界があります。猫には色、向き、大きさ、背景の違いがあり、例外を足すほど規則が膨大になります。新しい方式が生まれたから古い方式が消えるのではなく、明確な規則に向く部分と、データから学ぶ方がよい部分を分けるのが実務の基本です。
4.機械学習は、データから判断の境界を作る
機械学習では、人が完成した判断規則を書く代わりに、コンピューターへ多数の例を与えます。迷惑メール判定なら、過去のメールと「迷惑」「通常」という正解を使い、両者を分ける特徴を学ばせます。ここで作られるのがモデルです。ただし、データを入れればAIが勝手に正しい答えを発見するわけではありません。何を予測するのか、どのデータを使うのか、正解ラベルを誰が付けるのか、何%なら実用と判断するのかは人が決めます。古いデータや偏ったデータを使えば、モデルもその偏りを引き継ぎます。学習データでは高得点でも、新しい顧客や状況では失敗することもあります。つまり機械学習を理解するには、アルゴリズムだけでなく、目的・データ・評価の三つをセットで見る必要があります。
5.深層学習は、人が特徴を細かく指定する負担を減らした
従来の機械学習では、予測に役立ちそうな特徴を人が設計する作業が大きな割合を占めていました。画像なら輪郭や色、音声なら周波数などです。深層学習では、多層のニューラルネットワークが、単純な特徴から複雑な特徴へ段階的に学びます。画像認識なら、手前の層が線や角を捉え、後ろの層が目や耳の組み合わせ、さらに全体の形を捉える、というイメージです。この進歩により、画像認識、音声認識、翻訳、文章生成の性能が大きく向上しました。一方で、大量のデータと計算資源が必要で、内部の判断理由を人が簡単に説明しにくい問題もあります。性能が高いことと、透明性が高いことは同じではありません。
6.生成AIは「正解を検索する箱」ではなく「内容を作るモデル」
従来のAIは、分類・予測・異常検知など、決められた候補から結果を選ぶ用途が中心でした。生成AIは、学習したパターンを使って新しい文章や画像を作ります。文章生成AIは、入力された指示とそれまでの文脈を手掛かりに、続きとして適切そうな言葉を順に選びます。そのため、文章として自然で、説明も整った回答を作れます。しかし、出力の目的は「もっともらしい文章を組み立てること」であり、すべての文を事実データベースと照合して保証することではありません。分からない部分を自然に補い、存在しない情報を出す場合があります。これが、生成AIを便利に使いながらも、重要な事実は一次情報で確認しなければならない理由です。
7.AI・生成AI・ChatGPTを混同しない
AIは技術分野全体、生成AIは新しい内容を作るAIの一分野、ChatGPTは生成AIを会話形式で利用できるサービスです。さらに、サービスの中で動くモデル名、検索・画像生成・ファイル読込などの追加機能、個人向け・法人向けの契約条件も別の層です。ここを混同すると「ChatGPTにできないからAIにはできない」「最新モデルならどんな業務にも最適」「会話画面があるから自動で仕事を続けられる」といった誤解につながります。何かを比較するときは、会社、サービス、モデル、機能、利用条件を分けて見る必要があります。これ以降の講義では、この全体像を土台にして、生成AIが文章を作る仕組み、得意・不得意、安全な使い方へ進みます。
8.できることと、任せてはいけないことを分ける
AIは、量が多く人には見落としやすいデータから傾向を探す、同じ基準で分類する、文章や画像の案を短時間で作る、定型作業の候補を示す、といった仕事で力を発揮します。ただし、示された結果が社会的に妥当かを自分で保証したり、組織の責任を引き受けたり、データに存在しない将来を確実に当てたりはできません。採用、融資、医療、契約など人への影響が大きい場面では、候補作成と最終判断を分け、根拠を確認できる人が責任を持ちます。速く出力できることと、任せても安全なことは同じではありません。実務では、まず低リスクで間違いを戻せる作業から試し、どこで人が確認するかを決めてから範囲を広げます。
9.典型的な失敗から、安全の基本を学ぶ
ある会社が過去の採用実績だけを学習させたところ、過去の偏りまで判断へ取り込む例を考えてください。モデルの計算が正確でも、元データが偏っていれば、望ましくない結果を繰り返す可能性があります。生成AIでは、架空の制度名や出典を自然な文章で示す、入力した機密情報を扱わせてしまう、指示の範囲を超えた内容まで信じて公開する、といった失敗が起こります。対策は「AIを使わない」ことだけではありません。入力してよい情報を決め、用途を限定し、出力を一次情報と照合し、影響が大きい決定には人の承認を置き、問題が起きたとき停止・修正できるよう記録を残します。安全性はモデル単体の性質ではなく、データ、画面、運用、人の判断を含む仕組み全体で作ります。
10.四つの問いで確認し、自分の身近な例へ置き換える
AIらしい機能を見たら、第一に目的は何か、第二に何が入力されるか、第三にどんな結果が出るか、第四に間違ったとき誰へどんな影響があるかを確認します。さらに、結果を測る指標、比較対象、人が介入する条件を決めると、広告の印象ではなく働きで評価できます。読者演習として、普段使う地図アプリ、通販サイト、写真アプリのどれか一つを選んでください。そこで使われる機能を「認識・分類・予測・生成」のどれかに分け、入力、モデルが行う処理、出力、人が確認すべき点を一文ずつ書きます。最後に、同じ目的を単純なルールで実現できるかを考えます。ルールで十分ならAIを使わない選択も正解です。この演習ができれば、AIという大きな言葉を、目的と仕組みに分解して説明できるようになります。
実例で理解する
具体例で考える
スマートフォンの写真機能を例にすると、同じ端末の中にも異なるAIがあります。カメラが顔の位置を見つけてピントを合わせるのは「認識」、過去の写真から同じ人物をまとめるのは「分類」、暗い写真がどの程度きれいになるかを判断する処理には「予測」が使われます。写真に写っていない背景を新しく補ったり、文章から画像を作ったりするのは「生成」です。これらはすべてAIと呼ばれますが、働きは同じではありません。さらに、写真アプリの画面がサービス、内部で結果を作る計算の中核がモデル、学習済みモデルへ新しい写真を渡して結果を得ることが推論です。このように身近な製品を「目的・入力・モデル・出力」に分けて見ると、AIという曖昧な言葉を具体的に理解できます。
手を動かして理解する
- 今日の三つの用語を、見ずに説明する
- 仕事や生活の例へ置き換える
- 間違えた確認問題の理由を声に出して説明する
04|今日の理解度を確認する
今日の理解度を確認する
AI・機械学習・深層学習・生成AIの関係として、最も適切な説明を1つ選んでください。
AIは技術分野全体を表す大きな呼び名です。機械学習はAIを実現する方法、深層学習は機械学習の一種、生成AIは新しい内容を作るAIの一分野です。ChatGPTは生成AIを会話形式で利用するサービスです。
生成AIはAI全体の一分野で、深層学習などの技術が使われる: AIが最も広い概念です。生成AIはAIの一分野で、その実現に深層学習などが使われます。
AIと生成AIは、名前が違うだけで同じもの: 生成AIはAI全体の一部です。予測・分類・異常検知など、生成を目的としないAIもあります。
深層学習は機械学習より広い分野: 関係が逆です。深層学習は、多層のニューラルネットワークを使う機械学習の一種です。
ChatGPTはAIという技術分野そのもの: ChatGPTは生成AIを会話形式で利用するサービスです。AI全体を指す名前ではありません。
飲食店の売上が前週より10%以上下がったら、必ず担当者へ警告する仕組みを作ります。最も適した方法はどれですか。
条件と処理が明確なので、ルールベースが適しています。新しいAI方式が登場しても、料金計算や承認条件など、必ず同じ規則を守らせたい場面ではルールベースが有効です。
人が条件を決めて、その条件どおりに動かす: 数値条件と実行内容が明確なので、ルールベースで確実に処理できます。
過去の文章から次の単語を予測させる: 文章生成の仕組みであり、決められた売上条件の判定には不要です。
画像の特徴を何層にも分けて学習させる: 画像認識などに使う深層学習の説明で、今回の数値条件とは目的が違います。
利用者との会話から目的を自由に変更させる: 目的を変えさせる必要はなく、決めた条件を確実に守ることが重要です。
学習用データから見つけたパターンを保持し、新しい入力に対して予測や生成を行う中核部分を何と呼びますか。
モデルは、学習データから得たパターンや関係を計算に使える形で保持したものです。ChatGPTの会話画面などのサービスと、その内部で結果を作るモデルは分けて考えます。
モデル: 学習データから得たパターンを保持し、予測や生成を担う中核部分です。
サービス画面: 利用者が操作する入口です。画面の奥でモデルが入力を処理します。
学習用データそのもの: モデルを作る材料です。学習後のモデルそのものとは区別します。
プロンプト: モデルに渡す指示や入力です。学習結果を保持する中核部分ではありません。
学習済みの生成AIへ質問を入力し、その場で回答を作らせています。このとき実行されている工程はどれですか。
学習済みモデルへ新しい入力を渡し、予測や生成の結果を得る工程が推論です。普段の会話で質問するたびに、モデル全体を一から学習し直しているわけではありません。
推論: 学習済みモデルに新しい入力を渡し、予測や生成の結果を得る工程です。
事前学習: 大量のデータから基礎的なパターンを学ぶ、利用前の学習工程です。
正解ラベルの作成: 教師あり学習用のデータに、人が正解情報を付ける作業です。
学習データの収集: モデルを学習させる材料を集める工程で、回答を作る工程ではありません。
生成AIの回答が自然で読みやすくても、重要な事実を別に確認する必要があるのはなぜですか。
生成AIは、入力と学習したパターンから適切そうな内容を組み立てます。文章の自然さは高くても、すべての内容を一次情報と照合して保証しているわけではありません。
自然な文章を作ることと、事実を保証することは別だから: 文章として自然な候補を作る能力と、内容の真偽を保証する仕組みは別です。
生成AIは短い文章しか学習していないから: 学習データには長い文章も含まれます。文章の長さが、誤りの根本原因ではありません。
生成AIは入力された文章をそのまま表示するだけだから: 入力を単純に再表示するのではなく、学習したパターンを使って出力を生成します。
会話形式のサービスでは検索機能を一切使えないから: 検索機能を使えるサービスもあります。ただし検索できても、出典と内容の確認は必要です。
04|今日の理解度を確認する
今日の理解度を確認する
今日の整理をする
この3点を持ち帰る
- ✓ AIは一つの製品名ではなく、目的と方式が異なる技術の総称
- ✓ 機械学習・深層学習はAIを実現する方法で、モデルは学習結果の中核
- ✓ 生成AIは新しい内容を作るが、自然な文章と事実の正しさは別