第1章|AIの基礎
DAY 03 ・ 約15分ニューラルネットワークの仕組み
小さな計算を重ね、間違いから重みを直して学ぶ流れを理解する。
ニューロン・重み・層・活性化関数・損失関数・誤差逆伝播の役割を、学習の順番に沿って説明できる。
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。
ニューラルネットワーク
人の神経回路から着想を得て、多数の小さな計算単位を層状につないだ数理モデルです。実際の脳をそのまま再現したものではありません。入力から出力まで数値を受け渡し、学習によって結び付きの強さを調整します。
ニューロン
複数の数値を受け取り、重みを掛けて足し合わせ、次の層へ渡す値を計算する小さな処理単位です。一つだけでは単純な判断しかできませんが、多数を組み合わせることで複雑な関係を表現できます。
重み
各入力を結果へどれだけ強く影響させるかを表す数値です。学習では、予測の間違いが小さくなる方向へ重みを少しずつ変更します。AIが学ぶ中心は、文章を丸暗記することではなく、この膨大な重みの調整です。
層
ニューロンを役割ごとに並べたまとまりです。元データを受け取る入力層、特徴を段階的に変換する中間層、最終結果を出す出力層があります。中間層が多いニューラルネットワークを使う学習が、深層学習と呼ばれます。
活性化関数
ニューロンの計算結果を、そのまま次へ渡すか、どのように変換して渡すかを決める関数です。これがあることで、単純な直線だけでは表せない複雑な境界や関係を学べるようになります。
損失関数
モデルの予測と正解が、どれくらい違っているかを一つの数値で表す物差しです。損失が小さくなるように重みを直します。ただし、物差しの選び方が目的とずれていれば、数値が改善しても実際には役立ちません。
誤差逆伝播
出力で生じた誤差を後ろの層から前の層へ伝え、それぞれの重みが間違いへどの程度影響したかを計算する方法です。その情報を使い、損失を減らす方向へ重みを更新します。
仕組みを理解する
1.まずは「入力→計算→出力」の一本道で考える
ニューラルネットワークという言葉から、複雑な脳の模型を想像する必要はありません。基本は、入力された数値へ計算を行い、結果を数値で返す仕組みです。住宅価格の予測なら、広さ、築年数、駅までの距離などが入力になり、予測価格が出力になります。画像の場合も、コンピューターへ入る時点では各画素の明るさや色を表す数値です。文章も、単語や文字をモデルが扱える数値へ変換して入力します。ニューラルネットワークは、その数値を複数の層へ順番に通し、目的の答えへ変換します。まず「何を入力し、何を出力したいのか」を決めなければ、どれだけ大きなモデルでも学習の方向は定まりません。
2.ニューロンは、入力の重要度を重みで調整する
一つのニューロンは、受け取った複数の入力へそれぞれ重みを掛け、合計して次の値を作ります。住宅価格なら、同じ1という数値でも「駅に1分近い」と「築年数が1年古い」では意味も影響も違います。重みは、その入力をどれだけ強く見るかを表します。最初の重みは適切とは限らないため、予測と正解を比べながら調整します。重要なのは、人が『駅距離は0.7、築年数はマイナス0.4』と完成値を直接書くのではなく、多数の例から損失が小さくなる組み合わせを計算で探す点です。モデルの知識や傾向は、学習後の膨大な重みへ分散して表現されます。
3.層を重ねると、単純な情報から複雑な特徴を作れる
画像から猫を判定するとき、最初から『これは猫』という特徴が数値で入ってくるわけではありません。手前の層では線、角、色の変化など比較的単純な特徴を捉えます。次の層では、それらを組み合わせて目、耳、毛並みのような形を捉え、後ろの層で全体として猫らしいかを判断します。文章でも、文字や単語だけでなく、前後関係や文の役割を段階的に表現します。各層が人間と同じ名前で特徴を理解しているわけではありませんが、層を重ねることで単純な規則だけでは扱えない複雑なパターンを表せます。この中間層が深いことが『ディープ』の意味です。
4.活性化関数が、複雑な境界を表現できるようにする
重みを掛けて足す計算だけを何層重ねても、全体としては単純な直線的な関係しか表せません。現実の問題は、広ければ必ず高い、単語が一つ含まれれば必ず迷惑メール、といった一直線の規則では決まりません。活性化関数は、ニューロンの値を非線形に変換し、一定以下を弱める、正の値を通すなどの働きを加えます。これにより、曲がった境界や複数条件の組み合わせを学べます。関数名や数式を暗記するより、『重み付き合計だけでは表せない複雑さを加える部品』と理解することが、基礎段階では重要です。
5.学習は、予測と正解の差を測るところから始まる
モデルが初めて出す答えは、正解から大きく外れることがあります。そこで損失関数を使い、どれくらい間違ったかを数値にします。画像分類なら正しい種類へ十分な確率を付けられたか、数値予測なら予測価格と実際の価格がどれくらい離れたかを測ります。ただし、損失は人が決めた物差しです。迷惑メールを見逃す損失と、重要メールを誤って迷惑扱いする損失を同じにするかは、業務の目的で変わります。学習上の点数が良いことと、現場で安全に使えることは同じではありません。何を間違いとして強く扱うかが、モデルの振る舞いへ影響します。
6.誤差逆伝播で、どの重みを直すか計算する
損失が分かっても、何百万、何十億とある重みを無作為に動かしていては学習できません。誤差逆伝播では、出力側の間違いから逆向きにたどり、各重みを少し変えたとき損失が増えるか減るかを計算します。その結果を使い、損失が小さくなる方向へ重みを少しずつ更新します。一件だけに合わせて大きく変えるのではなく、多数のデータを繰り返し見ながら全体の傾向を学ばせます。この『予測する→誤差を測る→原因を逆向きに計算する→重みを直す』という循環が、ニューラルネットワーク学習の基本です。
7.高性能でも、判断理由が自動的に明確になるわけではない
ニューラルネットワークでは、知識が一つの規則や文章として保存されず、多数の重みと層の働きへ分散します。そのため高い精度を出せても、『この重みがこの理由を表す』と人が簡単に読めない場合があります。採用、融資、医療、契約など、判断理由や異議申立てが重要な分野では、精度だけで採用を決められません。入力データの記録、代表的な失敗例の評価、人による最終判断、説明を補う仕組みが必要です。ニューラルネットワークは魔法の箱ではなく、目的・データ・損失・評価を人が設計し、利用範囲に責任を持つ道具です。
8.背景を知ると、脳の模型という誤解を避けられる
ニューラルネットワークは、生物の神経細胞が信号を受け渡す考え方から着想を得ました。しかし、現在の人工ニューロンは、入力へ重みを掛けて合計し、関数で値を変換する数式上の部品です。人の感情、意識、経験を持つ小さな脳細胞がコンピューター内に並んでいるわけではありません。この区別は実務でも重要です。人らしい文章や画像を出せても、モデルが意味を人間と同じように理解し、結果へ責任を持つとは限りません。一方で、単純な計算部品を大量につなぎ、データから重みを調整すると、画像の分類、音声認識、需要予測、文章生成のような複雑な対応関係を学べます。できることの広さと、人間と同じ存在であることを混同しないでください。
9.チャットAIは画面、ニューラルネットワークは中核の仕組み
ChatGPTのようなチャットAIは、利用者が会話できるサービスです。その内部では、大規模言語モデルという巨大なニューラルネットワークが回答を作り、さらに会話履歴、検索、ファイル読込、安全機能などが組み合わされます。質問を一つ送るたびに、その場で誤差逆伝播を行ってモデル全体を再学習しているわけではありません。通常は、学習済みの重みを使う推論です。会話内で訂正すると次の回答が変わるのは、訂正内容が文脈として入力されるためで、重みが恒久的に書き換わった証拠ではありません。ニューラルネットワークは分類や数値予測にも使えますが、それだけで会話画面や自動実行の仕組みになるわけでもありません。モデル、サービス、追加機能を分けて考えます。
10.できることと、できないことを失敗例で確かめる
ニューラルネットワークは、人が規則をすべて書き出せない複雑なデータからパターンを見つけるのが得意です。請求書画像から項目を読み取る、設備の音から異常候補を出す、問い合わせを担当部署へ分ける、といった実務で利用できます。しかし、学習データにない状況を確実に判断すること、因果関係を自動的に証明すること、正しさや公平さを自ら保証することはできません。失敗例として、工場の正常音を昼間だけ収録して学習すると、夜間の周囲音を故障と誤認する可能性があります。訓練時の損失が小さくても、実際の場所、機器、季節を代表していなければ役立ちません。高い平均精度だけを見て完全自動化すると、珍しいが重大な異常を見逃す危険もあります。
11.安全は、別データで測り、人が戻せる運用で作る
安全確認では、学習に使っていないデータを用意し、通常例だけでなく境界例、珍しい例、誤ったとき影響が大きい例を含めます。迷惑メール判定なら、見逃しと重要メールの誤廃棄を別々に数え、部署や言語などの条件で失敗が偏らないかも調べます。運用後は入力の傾向と人の修正量を記録し、基準を下回ったら自動処理を止め、人の確認へ戻せるようにします。個人情報や機密情報は、必要性と利用条件を確認せず学習データへ入れません。採用、医療、融資など人への影響が大きい用途では、モデルの出力を候補にとどめ、説明できる担当者が最終判断を行います。安全性は一度の高得点ではなく、データ、評価、監視、停止手順の組み合わせです。
12.小さな計算と業務設計を、自分の手で演習する
読者演習として、まず入力が二つある小さなニューロンを紙に描いてください。入力を『経験年数』と『研修時間』、出力を『試験合格の予測』とし、どちらを強く見るべきか重みの大小を考えます。次に、予測が外れたら何を物差しにし、どちらの重みをどう直すかを言葉で説明します。正確な計算式は不要です。続いて自分の仕事から一つの課題を選び、入力、望む出力、学習用の正解、許容できない誤り、確認用の未知データを一行ずつ書きます。最後に、その仕事が単純な規則で十分ではないか、誤りを人が発見して元へ戻せるかを確認します。入力と出力を決められない、正解例を用意できない、失敗を測れないなら、ニューラルネットワークを使う前に業務設計を見直す段階です。
実例で理解する
具体例で考える
迷惑メール判定を例にすると、メール本文や送信元などを数値へ変換して入力し、最後に『迷惑である確率』を出力します。最初は重みが整っていないため誤判定しますが、過去メールの正解ラベルと比べて損失を計算し、誤差逆伝播で重みを修正します。これを多数の例で繰り返すと、特定の単語だけでなく、送信元や文の組み合わせも利用して判断できるようになります。ただし、昔の迷惑メールばかりで学べば新しい手口を見逃し、正常メールの例が少なければ重要メールを誤判定します。モデルの構造だけでなく、学習データと評価方法まで含めて品質を見る必要があります。
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
ニューラルネットワークが学習するとき、中心的に調整されるものはどれですか。
学習では、予測と正解の差が小さくなるように、多数の重みを少しずつ調整します。
各入力の影響度を表す多数の重み: 重みは入力をどれだけ強く見るかを表し、学習によって調整されます。
利用者が操作する画面の配置: 画面はサービスの操作部分です。モデル内部の学習対象とは別です。
学習データに書かれた文章の文字色: 文字色が目的に関係する特殊な課題を除き、文章モデルの中心的な学習対象ではありません。
コンピューターの保存フォルダ名: ファイル管理上の名前であり、モデルが知識や傾向を獲得する仕組みではありません。
深いニューラルネットワークで層を重ねる主な利点として、最も適切な説明はどれですか。
複数の層を通すことで、画像の線から形へ進むように、単純な入力を判断に役立つ複雑な表現へ変換できます。
単純な特徴を組み合わせ、より複雑な特徴へ段階的に変換できる: 中間層を重ねる重要な役割です。
入力したデータを必ず一字一句そのまま保存できる: ニューラルネットワークの主目的はデータの完全保存ではなく、パターンを学んで予測や生成に使うことです。
人による目的設定や評価が一切不要になる: 何を入力し、何を正解とし、どう評価するかは人が設計します。
計算を行わずに正解だけを取り出せる: 各層で数値計算を行い、出力を作ります。
損失関数の役割として、最も適切なものはどれですか。
損失関数は予測の間違いを数値化する物差しです。その損失を小さくする方向へ重みを調整します。
予測と正解の違いを、改善に使える数値で表す: 学習の改善方向を決めるための基本的な役割です。
モデルの画面デザインを自動で決める: 損失関数はサービス画面ではなく、モデルの学習評価に使います。
入力データをすべて削除する: データ削除の機能ではありません。
出力が社会的に正しいと自動保証する: 損失が小さくても、物差しやデータが目的に合っているとは限らず、人の確認が必要です。
「予測する→間違いを測る」の次に、誤差逆伝播が行うことはどれですか。
出力側の誤差から前の層へたどり、どの重みをどちらへ直せば損失が減るかを求めます。
各重みが誤差へ与えた影響を逆向きに計算する: 誤差逆伝播の説明です。計算結果を使って重みを更新します。
正解データを見ないまま結果を公開する: 学習の仕組みではなく、危険な運用です。
入力画面へ同じ質問をもう一度表示する: 画面操作であり、モデル内部の学習計算ではありません。
モデルの全知識を一つの文章へ変換する: 知識は多数のパラメータへ分散しており、一文へ変換する処理ではありません。
ニューラルネットワークの精度が高かった場合でも、採用や融資などで別に確認すべきことはどれですか。
高精度と説明可能性・公平性・安全性は別です。影響が大きい判断ほど、人が確認し責任を持てる設計が必要です。
判断理由、データの偏り、失敗時の影響、人の最終責任: 実運用で精度と同時に評価すべき要素です。
モデル名の文字数だけ: 名称の長さは、判断の安全性や公平性を示しません。
学習に使った電源コードの色だけ: モデルの判断品質を評価する情報ではありません。
回答画面の背景色だけ: 使いやすさには関係しても、判断の妥当性や責任を保証しません。
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
- ✓ ニューラルネットワークは、入力を層ごとに変換して出力を作る
- ✓ 学習は、損失を測り、誤差を逆向きに伝え、重みを直す循環
- ✓ 性能が高くても、説明・データ品質・人の責任は別に設計する