機械学習とは、コンピューターがデータからパターンやルールを見つけ出し、新しいデータに当てはめて識別や予測を行う手法です。

生成AIをきっかけに機械学習を調べると、AI・ディープラーニング・生成AIといった似た言葉が同時に目に入ります。どれも対立する技術ではなく、AI・機械学習・ディープラーニングは含む側と含まれる側の関係にあり、生成AIもこれらと深く関わる技術です。

本記事では、機械学習の基本的な仕組みやAI・ディープラーニング・生成AIとの関係を解説し、学習方法や身近な活用事例、利用時に注意したいポイントを紹介します。

• 機械学習とは
• 機械学習とAI・ディープラーニング（深層学習）・生成AIの違い
• 機械学習とAIの違い
• 機械学習とディープラーニングの違い
• 機械学習と生成AIの違い
• 機械学習の主な学習方法
• 教師あり学習
• 教師なし学習
• 強化学習
• 機械学習の活用事例
• 商品や動画などをおすすめするレコメンド
• 画像から人や物を判別する画像認識
• 過去のデータから売上や需要を予測する
• 迷惑メールや不正な取引を判定する
• 顧客を特徴ごとにグループ分けする
• 機械学習を使うときの注意点
• 学習データと傾向が異なるデータでは予測精度が下がりやすい
• 学習データの偏りが予測結果にも反映されやすい
• 深層学習など複雑なモデルでは予測の理由を説明しにくい
• まとめ
• よくある質問

機械学習とは、大量のデータからコンピューターがパターンやルールを学習し、予測や判断に活用する技術です。

従来のプログラムでは、人があらかじめ判断のルールを決め、それに従ってコンピューターが処理します。一方で機械学習では、データからコンピューターが判断に必要な特徴やパターンを学習する点が特徴です。

たとえば、ニンジンとジャガイモの写真を大量に読み込ませると、それぞれの特徴を学習し、新しく読み込んだ写真がニンジンとジャガイモのどちらなのかを識別できるようになります。

AI・機械学習・ディープラーニング（深層学習）・生成AIは、別々の技術ではなく、互いに関係しています。

ここでは、機械学習を基準に、AI・ディープラーニング・生成AIとの違いをそれぞれ解説します。

AIは、人間の知的な働きをコンピューターで実現する技術や仕組みを幅広く指す概念です。一方で機械学習は、データからパターンやルールを学習し、予測や判断に活用する技術を指します。

たとえば、問い合わせ内容に応じて、あらかじめ決められたルールに沿って回答を返す仕組みもAIの一例です。一方、過去の問い合わせデータを学習し、新しく届いた問い合わせが「請求」「解約」「操作方法」などのどのカテゴリーに当てはまるかを判定する仕組みには、機械学習が使われます。

つまりAIと機械学習は同じものではなく、機械学習はAIを実現するための技術のひとつにあたります。

一般的な機械学習では、予測や分類の手がかりとなる特徴を人が設定する場合があります。一方でディープラーニングは、判断に役立つ特徴をデータから学習できるのが特徴です。

たとえば、野菜の画像を分類する場合、一般的な機械学習では色や形など「どこに注目して見分けるか」を人が設定することがあります。ディープラーニングでは、画像データから見分けるために役立つ特徴を学び、分類します。

人が判断の手がかりを細かく設定しなくてもデータから特徴を学習できる点が、ディープラーニングと一般的な機械学習との違いです。

ディープラーニングを使った代表的なモデルに、文章を扱う大規模言語モデル（LLM）があります。LLMについては以下の記事で解説しているので、あわせて参考にしてください。

【関連記事】
LLM（大規模言語モデル）とは？生成AIとの違いや仕組みを解説

機械学習は、データからパターンを学習し予測や分類などに活用する技術です。一方で生成AIは、学習したデータをもとに文章や画像などの新しいコンテンツを生成する技術を指します。

たとえば、過去の売上データから今後の需要を予測する場合には、機械学習が活用されます。これに対して、入力された指示をもとに文章を作成したり画像を生成したりするのが生成AIです。

機械学習は予測や分類など幅広い用途に使われる技術であり、生成AIはそのなかでも新しいコンテンツの生成を目的とした技術です。

生成AIの仕組みや業務での使い方は、以下の記事で扱っています。

【関連記事】
生成AI（ジェネレーティブAI）とは？仕組みや種類から業務での使い方まで紹介

機械学習の主な学習方法は、教師あり学習・教師なし学習・強化学習の3つです。3つの学習方法は、学習に使うデータや学習の手がかりとなる情報が異なります。

それぞれの仕組みと使われ方を、以下の表にまとめました。

それぞれ解説します。

教師あり学習は、正解がついたデータを学習させ、新しいデータの答えを予測する方法です。

たとえば「ネコ」「イヌ」と正解をつけた画像を大量に学習させると、新しい画像がネコとイヌのどちらなのかを判別できるようになります。

教師あり学習の代表的な方法には、回帰と分類があります。回帰は気温や売上のような数値を予測する方法です。一方分類では、ネコかイヌかを判定するように、あらかじめ決められた選択肢の中から答えを出します。

教師あり学習では学習用のデータに正解を付ける必要があるため、データを準備する手間がかかる点には注意が必要です。

教師なし学習は、正解が付いていないデータから特徴やまとまりを見つける方法です。

たとえば動物の画像を正解ラベルなしで学習させると、ネコという名前ではなく、見た目や特徴が似た画像どうしをまとめられます。

教師なし学習の代表的な方法がクラスタリングです。データどうしの似ている度合いをもとにグループ分けする方法で、顧客を特徴ごとに分ける用途などに使われます。

教師なし学習では、グループの意味まで自動で決まるわけではありません。得られたまとまりをどう解釈するかは人が判断する必要があります。

強化学習は、行動の結果として得られる報酬を手がかりによりよい行動を学ぶ方法です。

コンピューターは、ある環境の中でさまざまな行動を試し、その結果をもとに学習します。教師あり学習のように正解をひとつずつ与えるのではなく、試行錯誤を重ねながら長期的に望ましい行動を身につけていく点が特徴です。

たとえば二足歩行ロボットでは、歩く速度や脚の動かし方を変えながら試し、長い距離を歩けたときに報酬を与えます。これを繰り返すことで、倒れづらく効率よく歩く方法を学習していきます。

機械学習は、商品や動画のおすすめ・画像認識・売上予測など身近なサービスに幅広く活用されています。

活用方法によって、入力するデータと得られる結果は異なります。代表的な事例は以下の5つです。

レコメンドとは、利用者の行動履歴をもとに興味を持ちそうな商品やコンテンツを提示する仕組みです。

たとえば、ECサイトでは閲覧履歴や購入履歴をもとに関連する商品を表示したり、動画配信サービスではこれまでに視聴した作品をもとに好みに合いそうな動画をおすすめしたりします。

機械学習を活用すると、多くの利用者の行動データから傾向を学習し、一人ひとりにあった商品やコンテンツを提示できます。

画像認識は、画像に写っている人や物をコンピューターが判別する技術です。機械学習を使った画像認識では、多くの画像データから人や物の特徴を学習し、新しく入力された画像に何が写っているのかを判別します。

たとえばスマートフォンの顔認証では、カメラに写った顔の特徴をもとに本人かどうかを判定します。製造現場で、製品の画像から傷や欠陥を検出するのも活用例のひとつです。

近年はディープラーニングの活用も進み、画像認識の精度向上や用途の拡大につながってきました。

機械学習は、過去のデータをもとに将来の売上や需要を予測する用途にも活用されています。

これは、売上や需要が天候・曜日・祝日などさまざまな要因で変化するためです。機械学習では、こうした要因と過去の売上との関係を学習し、将来の予測に活かします。

たとえば過去の売上データと天候、カレンダーなどを学習させれば、今後の需要を数値として予測可能です。こうした方法は、教師あり学習の回帰にあたります。

なお需要の傾向は時間とともに変わるため、導入後もモデルを定期的に見直すことが重要です。

機械学習は、迷惑メールや不正な取引を判定する用途にも活用されています。過去のデータから通常と異常の特徴を学習すれば、新しいメールや取引がどちらに近いかを判断できるためです。

たとえば迷惑メールの判定では、過去のメールを通常のメールと迷惑メールに分類して蓄積し、本文に含まれる単語などから迷惑メールである確率を計算します。金融機関でも、過去の取引や不正口座の特徴を学習し、取引の疑わしさをスコア化してアラートを通知する仕組みにAIが活用されています。

このように、機械学習を活用して過去の正常・異常なデータの特徴を学習すれば、新しいデータに異常がないかを判定可能です。

会計・経理業務でのAI活用については、以下の記事で詳しく扱っています。

【関連記事】
経理はAIに取って代わられる？AI時代に価値を高めるスキルと業務効率化を成功させるまで

機械学習は、顧客の傾向を分析する用途にも活用されています。

たとえば、ECサイトでは、購入した商品の種類や購入頻度、購入金額などのデータから、似た傾向を持つ顧客をまとめることが可能です。グループごとの特徴に合わせて商品を提案したり、キャンペーンの内容を変えたりする施策にも活用できます。

このように、似た特徴を持つデータをグループ分けする方法をクラスタリングといいます。ただし、分けたあとに、それぞれのグループがどのような特徴を持つのかを判断するのは人の役割です。

機械学習を使うときは、学習データの内容やモデルの特性によって予測精度や結果の信頼性が左右される点に注意が必要です。

主な注意点は、以下の3つです。

機械学習は、学習に使ったデータと実際に扱うデータの傾向が大きく異なると、予測精度が下がりやすくなります。

たとえば、明るい場所で撮影した画像を中心に学習した画像認識モデルでは、暗い場所で撮影した画像を正しく判別しづらくなることがあります。学習時にはなかった条件のデータを扱うと、それまでに学んだパターンが当てはまりにくくなるためです。

そのため、実際に利用する環境に近いデータで学習させるほか、運用後も精度を確認し、必要に応じた再学習やモデルの見直しを行うことが重要です。

機械学習では、学習データに偏りがあると、予測結果にもその偏りが反映される可能性があります。

機械学習では与えられたデータから特徴やパターンを学習して判断するためです。たとえば、特定の年代のデータに偏って学習すると、ほかの年代に対して適切な予測ができない場合があります。

そのため、学習データの量だけでなく、実際に予測・判断する対象の特徴を適切に反映しているか、特定の属性などに偏っていないかを確認することが重要です。

深層学習など複雑なモデルでは、なぜその予測や判断になったのかを人が説明しづらい場合があります。

たとえば、不正取引を判定するモデルがある取引を「疑わしい」と判断しても、どの情報が判断に影響したのかわからなければ、担当者が結果を確認するのが難しくなります。

重要な判断に利用する場合は、AIの結果だけで結論を出さず、人が内容を確認して最終的に判断できる運用にすることが重要です。

機械学習は、データからパターンを学び、新しいデータの識別や予測に活用する技術です。

主な学習方法は、教師あり学習・教師なし学習・強化学習の3つです。これらの考え方は、レコメンドや画像認識、需要予測、迷惑メールの判定、顧客のグループ分けなど、さまざまな用途に応用されています。

一方で、予測精度は学習データの内容や実際の利用環境に左右されます。データの偏りや、判断理由を説明しにくいモデルがある点にも注意が必要です。

そのため機械学習を活用するときは、「どのようなデータを使い、何を学習させ、どのような結果を得たいのか」を整理することが重要です。

機械学習とは、コンピューターがデータからパターンを学び、その結果を使って新しいデータを識別したり予測したりする技術です。

従来のプログラムでは、人があらかじめ判断ルールを設定します。一方で機械学習では、判断に使う基準をデータから学習する点が特徴です。

ただし学習したデータと実際に扱うデータの傾向が大きく異なると、予測精度が下がることがあります。そのため、どのようなデータで学習させるかが重要です。

詳しくは、記事内「機械学習とは」をご覧ください。

AIは、人間の知的な働きをコンピューターで実現する技術や仕組みを幅広く指す概念です。機械学習はそのAIを実現するための技術のひとつといえます。

AIと機械学習は同じものではなく、AIという広い概念の中に機械学習が含まれる関係です。

詳しくは、記事内「機械学習とAIの違い」をご覧ください。

機械学習を学ぶために、特定の資格を取得する必要はありません。

ただし、何から学べばよいか迷う場合は、資格試験の出題範囲を学習内容を整理する目安として活用できます。独立行政法人情報処理推進機構が実施する応用情報技術者試験では、教師あり学習・教師なし学習・強化学習のほか、回帰・分類・クラスタリングなどが用語例として挙げられています。

資格取得を目的にしない場合でも、こうした出題範囲を参考にすれば機械学習の基礎用語を体系的に学習可能です。