AI・機械学習・深層学習の基礎

このページは、中小企業診断士試験で出題される AI・機械学習・深層学習の基礎概念 を、段階的に理解できるように設計しています。試験では、用語の定義より「技術が何をするのか」「何が課題なのか」「どう使い分けるのか」が問われます。本ページは、AIの発展史からはじめて、各技術の包含関係を明確にし、具体的な応用例と実務的な課題まで、一貫したストーリーで展開しています。

AI・機械学習・深層学習は階層的な関係にあります。AIはあらゆる人間の知的行為を実現する技術全般を指し、機械学習はそのうちデータから自動的にパターンを学ぶ方法、深層学習はその中で多層ニューラルネットワークを用いた方法です。試験では、この関係を図示できることが基本です。さらに、教師あり学習・教師なし学習・強化学習の3分類、そして各深層学習アーキテクチャ（CNN、RNN、Transformer）の得意分野を対応させることが求められます。

生成AIは近年出題が増加しており、従来の予測・分類AIとの違い、ハルシネーション、RAGなどのリスク対策を実務的に理解することが重要です。また、AI活用には倫理的・法的課題があり、説明可能性、バイアス、プライバシーなどの視点は、試験での「課題認識」問題でよく出現します。

初期のAIは、与えられたルール（if-then）から論理的に結論を導き出す記号論理的アプローチでした。コンピュータに「すべての人間は死ぬ」「ソクラテスは人間である」というルールを与えると、「ソクラテスは死ぬ」と推論する、というイメージです。この時期、研究者たちは、複雑な現実世界も十分なルールベースで表現できると期待していました。

しかし実際には、例外や曖昧性に満ちた現実世界をすべてルール化することは不可能に近く、限定的な領域（チェスや将棋）でしか高精度を実現できませんでした。このブームは1970年代に終焉を迎えます。

このブームでは、記号論理から知識表現へと焦点が移ります。医師や設計者といった専門家の知識を、体系的にデータベースと推論エンジンの形で蓄積し、意思決定を支援するシステム（エキスパートシステム）が開発されました。医療診断や機械設計の領域では、実際に産業応用され、経済的な価値を生み出しました。

しかし知識ベースのメンテナンスは手作業で負担が大きく、領域を越えた応用が難しいという限界に直面します。また、コンピュータの計算性能の制約も足かせとなり、1990年代にこのブームは衰退しました。

このブームは、AIの基本的な発想を転換させました。ルールを人間が与えるのではなく、データから自動的にパターンを学習する という方向へのシフトです。GPUの普及による計算能力の飛躍的向上、インターネットから大規模データセットの取得が可能になったこと、そしてTensorFlowやPyTorchといったオープンソースフレームワークの登場が、深層学習を実用化させました。

結果として、画像認識（顔認識、自動運転での物体検出）、自然言語処理（機械翻訳、チャットボット）、生成AI（ChatGPTなど）など、従来のAIでは実現困難だった領域での高精度な実現が可能になりました。このブームは今も継続し、AI産業は数兆ドル規模に成長しています。

AI（Artificial Intelligence：人工知能） は最も広い概念です。推論、判断、学習、生成など、人間が知的に行うあらゆる行為をコンピュータで実現する技術の総称を指します。

機械学習（Machine Learning） は、AIの部分集合です。プログラマが明示的にすべてのルールを書くのではなく、データから自動的に規則性やパターンを学び、予測や分類ができるようになる方法を指します。「データさえあれば、学習アルゴリズムが自動的に答えを導き出す」という発想が根底にあります。

深層学習（Deep Learning / ディープラーニング） は、機械学習のさらに下位の概念です。多層のニューラルネットワーク（脳のニューロン構造を模した計算モデル）を用いた学習方法で、複雑な非線形関係をモデル化するのに優れています。

教師あり学習は、正解ラベル付きのデータ から学習し、未知のデータに対して予測や分類を行う方法です。たとえば、「このメールはスパムか非スパムか」という正解ラベルが付いた過去のメール集合から学習することで、新規メールの判定ができるようになります。

教師あり学習は目的によって、分類（カテゴリ予測）と回帰（連続値予測）に分かれます。

分類（Classification）

分類は、データをカテゴリに振り分ける問題です。典型例は「購買する/しない」「不良品/良品」といった二値分類から、複数カテゴリの多値分類まであります。

ロジスティック回帰は、線形関数をシグモイド関数で確率に変換し、0から1の確率値を出力します。解釈性が高く、医療診断補助や顧客離脱予測に使われます。決定木は、「はい/いいえ」の質問を繰り返して分類を行い、判断基準が人間にも理解しやすいため、営業判定やリスク診断で重宝されます。サポートベクターマシン（SVM）は、異なるクラスを最大のマージンで分離する境界を探す手法で、高次元データに強いため、テキスト分類や画像分類に使われていました。ランダムフォレストは、複数の決定木を組み合わせたアンサンブル学習で、過学習に強く、顧客セグメンテーションや信用スコアリングで活躍しています。k-最近傍法は、未知データに最も近い「k個」のデータの多数決で分類する単純な方法で、計算は後処理のみなため、顧客タイプ判定や不正検知に適用されます。

回帰（Regression）

回帰は、連続値（数値）を予測する問題です。線形回帰は y = a + bx のような一次式で関係をモデル化し、売上予測や需要予測に使われます。重回帰は複数の説明変数から目的変数を予測し、住宅価格予測では「面積」「築年数」「駅からの距離」など複合的な要因を組み込みます。

教師なし学習は、正解ラベルなし に、データ内の構造やパターンを自動で発見する方法です。「顧客属性から勝手にグループを見つけたい」「画像データの次元を圧縮したい」といった場合に活躍します。

クラスタリングは、似たデータをグループ分けします。k-meansは、データをk個のクラスタに分割し、重心からの距離で分類する高速な手法で、顧客のライフスタイル分類やマーケティングセグメンテーションに使われます。階層的クラスタリングは、クラスタを段階的に統合・分割し、樹形図で可視化できるため、製品分類や生物系統分類に適しています。

次元削減は、多数の変数をより少ない変数に圧縮し、データの構造を理解します。主成分分析（PCA）は、高次元データを2次元・3次元に圧縮し、分散が最大の軸を発見することで、顧客属性の可視化やノイズ除去に使われます。

アソシエーション分析は、データ間の関連性を発見します。「バターを買う人はパンも買う」といったルールを自動抽出し、レコメンドシステムやマーケットバスケット分析に活用されます。

強化学習は、エージェント（学習者）がゲーム環境や実環境で試行錯誤しながら、報酬を最大化するように行動を学ぶ方法です。人間が「これは正解」と教えるのではなく、行動に対して報酬（reward）または罰（penalty）が返ってくることで、最適な判断ルール（ポリシー）を学習します。

典型例は、囲碁ゲームのAlphaGoです。AlphaGoは約16万局（約3000万局面）の棋譜を学習し、その後、自分自身と対局して報酬（勝利）を最大化するポリシーを確立しました。自動運転では、シミュレータ環境で報酬（安全で効率的な走行）を最大化する行動を学習し、実世界への応用につなげています。ロボット制御では、「二足歩行」「物体掴み」といった複雑な動作を報酬ベースで学習させています。

年度別では、クラスタリング と 分類、強化学習 と 教師なし学習、生成AI と 教師なし学習 を混ぜて出す設問が多いです。ここは 何を出力したいのか で切ると崩れにくくなります。

生成AI は 教師あり / 教師なし / 強化学習 と同じ軸の言葉ではありません。何を学ぶか ではなく、何を作るか の側の言葉です。したがって、設問で 文章を自動作成する、画像を生成する とあれば、まず 生成AI を疑い、そのうえで内部でどの学習法やモデルが使われているかを考える順番が安全です。

深層学習は、脳のニューロン構造を模した多層ニューラルネットワークに基づいています。入力層でデータを受け取り、複数の隠れ層で段階的に特徴を抽出し、出力層で最終的な予測を行います。

各ノード間は重み（w）とバイアス（b）で接続され、各層には活性化関数（ReLU、シグモイド等）が適用されます。活性化関数は、線形計算に非線形性を導入し、複雑なパターンの表現を可能にします。

層数が多くなるほど、複雑な非線形関係を表現できます。学習は逆伝播（バックプロパゲーション）によって、出力層の誤差から入力層に向けて、全層の重みを効率的に更新します。勾配降下法により、予測誤差を最小化するよう重みを調整していきます。

CNNは、画像認識や物体検出など、視覚情報の処理に特化したアーキテクチャです。人間が目で見たときの「局所的な特徴認識」（縁、色合い、テクスチャ）を階層的に学習します。

メカニズム：畳み込み層で小さなフィルタ（例：3×3ピクセル）を画像全体にスライドさせ、各領域での特徴を抽出します。プーリング層で情報を圧縮（例：2×2の最大値を取る）し、計算量を削減しながら重要な特徴を保持します。最終的に全結合層で分類判定を行います。

利点：空間的な位置関係を保持するため、画像の局所的パターンを効率的に捉えられます。パラメータ数も少ないため、計算リソースが限定的な環境でも動作します。

応用例：顔認識（セキュリティ、決済）、医療画像診断（X線、MRI解析）、自動運転（看板認識、歩行者検出）、製造業の不良品検査（微細な欠陥の自動検知）。

RNNは、時系列データや自然言語処理など、順序や文脈が重要な情報の処理に特化しています。前のタイムステップの隠れ状態が次のステップに受け継がれ、過去の情報が現在の処理に影響を与えます。

課題と改良：通常のRNNは、長い系列で学習が困難になる「勾配消失問題」に直面します。LSTMは、セルに「忘却ゲート」（古い情報を忘れる）と「入力ゲート」（新しい情報を取り込む）を導入し、長期の時間的依存性を学習できるようにしました。GRUはLSTMを簡略化した版です。

応用例：機械翻訳（日本語から英語への自動翻訳）、テキスト生成（文章の自動完成、創作）、時系列予測（株価予測、売上予測）、チャットボット（会話履歴の理解）、感情分析（テキストから肯定・否定を判定）。

Transformerは、自然言語処理の革命的なアーキテクチャです。従来のRNNが「順序通りに逐次処理」するのに対し、Transformerは「全タイムステップを同時に処理」する並列化により、計算が高速化されます。

革新的な特徴：自己注意機構（Self-Attention）により、系列内のすべての位置が相互に関連し、どの過去タイムステップが現在の処理に重要かを自動学習します。たとえば、「彼は走った」という文で、「彼」が誰を指すかを文脈から判定できます。位置エンコーディングで単語の順序情報を保持しながら、全体的な関連性を並列処理できる点が強みです。

応用例：大規模言語モデル（LLM）（GPT、Claude、Llamaなど）、質問応答システム、テキスト分類、感情分析、画像処理（Vision Transformer）。

GAN（生成的対抗ネットワーク）は、生成器と識別器が競い合い、偽物を見分けられないほど高品質なデータを生成します。顔生成、写真の超解像度化、顔交換などに使われます。

拡散モデルは、ノイズが多い状態から段階的にノイズを除去して画像を生成する方法で、Stable DiffusionやDALL-E 3に採用されています。高品質で多様な画像生成が可能です。

年度別では、画像認識、時系列予測、LLM を並べて、アーキテクチャを取り違えさせる出し方が多いです。ここは 入力の形 と 問題文の合図 で切ると安全です。

受験では、工場カメラで不良品検知 なら CNN、1秒ごとのセンサーデータから故障予測 なら RNN / LSTM、大量文書を読んで要約・対話 なら Transformer と切れれば十分です。実務では境界が重なることもありますが、試験ではまず典型形で判断してください。

生成AIは、テキスト、画像、音声、動画など、新しいコンテンツを自動生成する AI技術です。従来のAIが「与えられたデータから答えを引き出す」（判定、予測）のに対し、生成AIは「存在しなかったコンテンツを創出する」点で根本的に異なります。

従来のAIは、過去の売上データから将来の売上を予測したり、顧客属性から購買する確率を判定したりします。一方、生成AIは、プロンプト「犬の可愛い写真を描いて」に応じて、学習データには存在しなかった新しい犬の画像を生成できます。

LLMは、膨大なテキストデータから言語の確率分布を学んだ、パラメータ数が数十億から数兆に及ぶニューラルネットワークです。ChatGPTやClaudeが代表例です。

基本原理：LLMは「前の単語列から次の単語の確率分布を予測」するという単純なタスクから学習します。この予測を繰り返すことで、文法的で意味のある文章を生成します。たとえば、「人工知能とは」と与えると、統計的に最も続きやすい単語を選び、「コンピュータが...」と生成を続けます。

スケーリング則：興味深い発見として、パラメータ数とデータ量が増えるほど、性能が向上することが実証されています。GPT-3（1750億パラメータ）がGPT-2（15億パラメータ）より大幅に高精度だったのは、単純にスケールを拡大したためです。

文脈学習（In-context Learning）：LLMは、プロンプト内に例を2-3個示すだけで、その例のパターンを学習し、新規データに適用できます。モデルを再調整（ファインチューニング）する必要がなく、非常に効率的です。

汎用性：同一のLLMで、翻訳、要約、コード生成、質問応答など、多様なタスクに対応できます。これは従来の機械学習（タスクごとにモデルを再学習）とは大きく異なります。

代表的なLLMは、OpenAIのGPT（ChatGPT、GPT-4等）、AnthropicのClaude、MetaのLLaMA（オープンソース）、GoogleのGeminiなどです。

ハルシネーションは、LLMが学習データに存在しない、または事実に反する情報を、自信を持って生成する現象です。

発生原因：LLMの学習目的は「尤もらしい文を生成すること」であり、「真実を述べること」ではありません。学習データに統計的パターンがあれば、それが事実かどうかは区別しないのです。また、学習データは固定的であり、最新情報を含まないため、古い情報や間違った情報を生成することがあります。

典型例：存在しない論文を引用する、実在しない人物の経歴を述べる、数学計算を誤る、架空の企業名をあたかも実在するかのように述べるなど。

対策：RAG（Retrieval-Augmented Generation）では、LLMに外部の知識ベース（企業文書、最新のWebページ）を参照させ、回答の精度を向上させます。ファインチューニングで特定領域の事実性を向上させることも有効です。最終的には、ユーザーによる検証が最も確実な対策です。AIが生成した情報を無批判に使用してはいけません。

プロンプトエンジニアリングは、LLMに適切な指示（プロンプト）を与え、期待する出力を引き出す技術です。指示の工夫だけで、モデルの性能を大幅に改善できます。

Zero-shot：「これを日本語に翻訳してください」のように、例なしで指示するだけの方法。LLMの汎用性を活かした最もシンプルなアプローチです。

Few-shot：例を2-3個示してから本題を与える方法。例：「例①：リンゴ→fruit、例②：牛→animal、では『太郎』は？」というように、パターンを示すことで精度が向上します。

Chain-of-Thought：「ステップバイステップで考えてください」という指示で、推論過程を明示化させる方法。複雑な問題で特に効果的です。

ロール指定：「あなたは経験豊かなビジネスコンサルタントです」と役割を指定することで、そのペルソナに沿った回答を引き出します。

出力形式指定：「JSON形式で返してください」「箇条書きで」など、出力の構造を明確に指定することで、下流のシステムで処理しやすくなります。

RAGは、LLMの回答精度を向上させるための仕組みで、外部の知識ベースを参照させながら生成を行います。

処理フロー：ユーザーが「去年の売上実績は？」と質問すると、まず検索ステップで社内の売上レポートから関連文書を検索し、拡張ステップでそれらをプロンプトに付加し、生成ステップでLLMが拡張プロンプトから回答を生成します。

利点：外部知識を参照するため、ハルシネーション削減につながります。知識ベースを更新するだけで最新情報に対応でき、モデルの再学習不要です。企業秘密の保護にも配慮しやすいです。

注意点：RAG を入れただけで安全になるわけではありません。検索対象の文書が不適切なら回答も誤りますし、プロンプト注入や情報漏えいには別途対策が必要です。

応用例：企業Q&Aシステム（よくある質問に自動応答）、技術サポートチャットボット（マニュアルをベースに問題解決）、医療文献ベースの医師補助システム。

ファインチューニングは、事前学習済みのLLMをさらに、特定タスク・領域のデータで再学習することです。

アプローチの選択肢：全層ファインチューニングはすべてのパラメータを更新しますが、時間とリソースが大量に必要です。LoRA（Low-Rank Adaptation）は、わずかなパラメータのみを追加・更新する効率的手法で、企業での活用が増えています。指示チューニングは、指示文と応答ペアで学習させ、特定領域での応答精度を向上させながら汎用性を保持します。

活用例：医療用語に特化したLLM開発、顧客対応チャットボットの社内ポリシー対応、法務文書の自動生成システム。

生成AIの活用設問では、知識を足したい のか、モデルの癖を変えたい のか、その場の指示を工夫したい のかが混ぜて出されます。何を変える手段かで切り分けます。

社内規程を読んで答える、最新マニュアルを参照したい なら RAG、法務文書らしい文体を安定させたい ならファインチューニング、JSON で返してほしい ならまずプロンプト改善です。RAG は 検索して添える 技術であり、モデルそのものを再学習しているわけではありません。

自然言語処理は、人間の言葉の意味を段階的に分析する複数レベルを持ちます。

形態素解析：日本語の文を「形態素」（意味を持つ最小単位）に分割し、品詞タグ付けを行います。「私は犬を飼う」は「私」「は」「犬」「を」「飼う」に分割され、それぞれ「名詞」「助詞」「名詞」「助詞」「動詞」と分類されます。

構文解析：単語間の文法的関係を分析し、文の構造を把握します。「私は」が主語、「犬を」が目的語、「飼う」が述語という関係を明確にします。

意味解析：言葉の意味を理解し、多義性を解決します。「銀行」という単語が「金融機関」なのか「河岸」なのか、文脈から判定します。単語埋め込み（Word2Vec、GloVe）で、言葉の意味を数値ベクトルで表現し、意味的な距離を計算できるようにします。

感情分析：テキストから感情（肯定・否定・中立）を自動判定します。顧客レビュー分析（「この製品は素晴らしい」＝肯定）、SNS監視（ブランド関連のツイート監視）、ブランド評判管理（競合分析）に活用されます。

文書分類：テキストを定義されたカテゴリに自動分類します。スパムメール判定、ニュース自動分類、カスタマーサポートのチケット自動振り分けなどが典型例です。

チャットボット：自然言語の質問に対し、自動で応答するシステムです。従来はルールベース（IF-THEN形式で対応パターンを限定）でしたが、現代のLLM基盤チャットボットは文脈を理解し、多様な回答が可能です。

需要予測・売上予測：過去の売上、季節性、外部要因（天気、競合）を機械学習で学習し、未来の需要を予測します。小売、製造、物流の最適化に直結し、在庫コスト削減や品切れ防止につながります。手法は時系列回帰やLSTMです。

画像検査・不良品検出：CNNを用いた自動検査で、製造過程の微細な欠陥を自動検知します。人間の目に頼らず24時間連続監視が可能で、精度が高ければ検査員削減と品質向上を同時に実現できます。

異常検知：正常パターンから外れた振る舞いを検出します。サイバー攻撃の検知、機械故障予兆診断、不正取引検知などの安全保障に関わる領域で活躍します。教師なし学習（k-means、Isolation Forest）で、ラベルなしに異常を検知する手法が多用されます。

レコメンドシステム：顧客の購買履歴や閲覧パターンから、購入しそうな商品を提案します。協調フィルタリング（「あなたと似た顧客が買ったもの」）やコンテンツベースフィルタリングで実装されます。ECサイト、動画・音楽配信、広告配信で効果を生み出しています。

自動運転：カメラ、レーダー、LiDARからのセンサー情報をリアルタイムで処理します。CNNで物体認識、RNNで意思決定、強化学習で経路最適化といった複数のAIが統合的に動作する複雑なシステムです。

機械学習、特に深層学習はしばしば「ブラックボックス」と呼ばれます。モデルが何らかの判定を下しても、なぜそう判定したのかが不明確です。しかし、金融機関の与信判定では「なぜ融資を断ったか」を顧客に説明する法的責任があり、医療診断では医師が判定根拠を理解・検証する必要があります。採用判定でも人事部が判定根拠を説明する義務があります。

XAI技術：LIME（Local Interpretable Model-agnostic Explanations）は、ある予測の周辺でシンプルな近似モデルを構築し、主要な特徴の寄与度を説明します。SHAP（SHapley Additive exPlanations）は、ゲーム理論の概念を用いて、各特徴の平均的な寄与度を定量化します。ランダムフォレストや決定木では、特徴量重要度を直接計算できます。

実務的アプローチ：金融や医療等の厳しい説明要件がある領域では、複雑なモデルより解釈可能なモデル（決定木、ロジスティック回帰）を優先します。やむを得ず複雑モデルを使用する場合は、事後的にXAI技術で説明を補完します。

バイアスは、学習データやモデル設計の偏りから、特定の集団に対して不公正な判定が行われる現象です。

発生源の多様性：データの統計的偏り（採用データが男性70%、女性30%の場合、女性の採用率が過度に低く判定される）。歴史的偏り（過去の差別的慣行がデータに反映され、未来に再現）。測定誤り（代理変数の不適切な選択）。サンプリング偏り（特定地域や人口層のみデータ取得）。

典型的な失敗例：AmazonはAIによる採用システムを導入しましたが、過去のデータに男性採用比率の高い傾向があったため、女性応募者を系統的に低く評価してしまいました。信用スコアリングでは、特定人種の住所を負の要因として学習し、結果的に差別的な融資判定が行われました。

対策：データの多様性確保（サンプル層の均衡化）、定期的な監査（属性別の性能差を検証）、代理変数の排除（人種・性別を直接使わない、住所のような代理も避ける）、複数モデルのアンサンブル（単一モデルの偏りを緩和）。

AIが社会全体に影響を持つようになり、単なる「精度が高い」だけでは不十分になりました。

主要な倫理原則：人間中心のAI社会では、AIは人間を補助するツールであり置き換えではなく、意思決定の最終責任は人間にあります。透明性・説明責任により、AIの判定根拠を説明できる体制を構築します。公正性・非差別では、特定の属性に基づく差別を禁止します。セキュリティ・プライバシー保護で、学習データの個人情報を守り、敵対的攻撃への耐性を確保します。安全性・堅牢性により、予期しない入力への耐性を構築し、重大な誤判定時の代替手段を用意します。

代表的なガイドライン：EU AI規則は、高リスクAI（採用、金融、法執行）に対する厳格な規制を課しています。日本の「人間中心のAI社会原則」（2019年）は、安全性、公正性、透明性、アカウンタビリティを強調しています。ISO/IEC 42001はAIマネジメントの国際規格です。

AIの学習には大量データが必須ですが、個人情報の収集・利用には法的制限があります。

関連法令：GDPR（EU一般データ保護規則）は、「忘れられる権利」（データ削除要求）や、機械学習での自動判定に対する説明・異議申し立て権を定めています。日本の個人情報保護法は、個人情報の利用目的の特定と第三者提供規制を規定しています。

実務的課題：データの匿名化・仮名化処理後、学習精度が低下することがあります。複数データを組み合わせると個人識別可能になる「再識別リスク」があります。学習データから学習済みモデルを逆算する「モデル盗用」も懸念されます。

対策：差分プライバシー（個人データを特定できなくなるノイズを加える）、フェデレーション学習（データを中央に集めず、分散地点で学習し、結果のみ共有）、定期的なセキュリティ監査。

IoT（Internet of Things）は、センサー付きデバイスをネットワークでつなぎ、データを集め、分析・活用するシステムの総称です。4層の構造を理解することが試験では重要です。

デバイス層：温度・加速度・GPS・カメラセンサーなど、物理量や画像をデジタルデータに変換します。組込OSが搭載され、初期的なデータ処理を行うこともあります。

ネットワーク層：センサーデータをプラットフォーム層に送信します。5G、Wi-Fi、Bluetooth、MQTT、Zigbee、LoRaWANなど、通信距離、速度、消費電力の要件に応じて規格が使い分けられます。

プラットフォーム層：AWS IoT Core、Azure IoT Hubなど、クラウドサービスでデータを蓄積・処理します。または、エッジコンピューティングでデバイス近くで処理することもあります。

アプリケーション層：Tableau、Power BI、機械学習など、蓄積・処理されたデータを分析し、可視化や自動制御につなげます。

IoT の設問では、IoT そのもの、通信方式、近くで処理する技術、中央で蓄積・分析する基盤 を意図的に混ぜることがあります。

迷ったら、センサーで集める仕組み全体 が IoT、近くで先に処理する のが エッジ、省電力で遠くへ送る通信 が LPWA、集約して重い分析をする場所 が クラウド です。

クラウドコンピューティング（中央集約型）では、センサーデータを一箇所に集約し、遠隔のデータセンターで処理します。豊富な計算リソースで複雑な分析が可能で、アップデートが容易です。欠点は、ネットワーク遅延、障害時の停止、プライバシー懸念です。非リアルタイム分析やAI学習に適しています。

エッジコンピューティング（分散型）では、データ生成地点やネットワーク端でリアルタイムに処理します。低遅延、ネットワーク障害への耐性、リアルタイム制御が可能で、プライバシー保護も容易です。欠点は、計算リソース限定、スケーラビリティ課題、複雑分析困難です。リアルタイム制御や異常検知の即時警報に適しています。

実務的アプローチ：ハイブリッドが主流です。エッジで即時処理（ノイズ除去、圧縮、異常検知）を行い、処理済み・重要データのみクラウドに送信することで通信効率を高めます。クラウドで長期分析、AI学習、予測を行うという分担が標準的です。

Volume（量）：テラバイト、ペタバイト単位の膨大なデータで、従来のRDB（リレーショナルデータベース）では管理困難です。Hadoopなどの分散ストレージが必要になります。

Velocity（速度）：リアルタイムまたは準リアルタイムで流入し続けるストリーミングデータで、Kafka、Spark Streamingなどのストリーム処理基盤が必須です。

Variety（多様性）：構造化データ（RDB、CSV）だけでなく、非構造化データ（画像、動画、テキスト）を統合処理します。複数ソースからのデータ統合が前提です。

Veracity（品質・真正性）：データの正確性、完全性が保証されず、ノイズ、欠損、重複があります。データ品質の確保・検証が重要なタスクです。

Value（価値）：分析から有用な知見や経済的価値を引き出すことが最終目的です。単なる「データがあるから分析する」ではなく、ビジネス課題から逆算した目的意識が不可欠です。

実務例：製造業では、機械IoT（センサー）が工場のデータを収集し、ビッグデータで蓄積・処理し、AIの故障予測で予防メンテナンスを実行します。小売業では、POS・顧客IoTから販売データを集約し、ビッグデータで統合分析し、AIの需要予測で在庫配分を最適化します。医療では、可視化デバイスから患者データを取得し、ビッグデータで蓄積し、AI診断補助で治療ガイダンスを提供します。農業では、土壌・気象センサーから圃場データを集め、ビッグデータで分析し、AI収量予測で施肥・灌漑を最適化します。

データ分析プロジェクトの標準的なプロセスで、6つのフェーズが循環します。

1. ビジネス理解：ビジネス課題を明確にし、データ分析で何を解決したいか定義します。KPI（達成指標）を設定し、利害関係者の合意を得ます。

2. データ理解：どのようなデータソースが利用可能か、データの特性（量、型、品質）を探索的に分析します。

3. データ準備：必要なデータを抽出し、欠損値補填、外れ値除外、重複排除などのクレンジングを行います。特徴量エンジニアリングで、機械学習に適した新しい変数を作成します。

4. モデリング：どのアルゴリズムを選ぶか、パラメータをどう調整するか、試行錯誤的に学習します。複数モデルの比較検討が一般的です。

5. 評価：学習済みモデルをテストデータで性能評価し、ビジネス要件を満たすか検証します。

6. 展開：本番環境への組込、運用開始、定期的な精度監視。

これら6フェーズは循環し、フィードバックにより継続的に改善されます。

CRISP-DM はアルゴリズム名ではなく、分析プロジェクトをどう進めるか の標準手順です。まずモデルを作る と覚えると、年度別の誤答に引っかかりやすくなります。

精度が高いから導入する ではなく、そもそも何を解くのか から始めるのが CRISP-DM です。試験では ビジネス理解 と モデリング、データ理解 と データ準備 を入れ替えた選択肢が典型的な誤りです。

機械学習の成功は、データ量やモデルの複雑さより、特徴量の質に大きく左右されます。生データから、モデルの性能を高める新しい変数を作成するプロセスです。

具体例：顧客の購買日時から、購買間隔（日数）、曜日、季節といった特徴量を作成することで、モデルがパターンを認識しやすくなります。売上金額から、対前年伸び率、移動平均を作成することで、トレンドを捕捉できます。

領域知識の重要性：営業部長や製造部長といったドメイン専門家との協働で、業務的に意味のある特徴量を発見することが重要です。ただし、闇雲に特徴量を増やすと過学習のリスクが高まるため、説明可能性と性能のバランスが求められます。

特徴量エンジニアリングは 変数を増やす作業 ではなく、業務上意味のある説明変数へ変換する作業 です。試験では、予測時点では使えない情報 を入れてしまう選択肢が典型的な誤りです。

データリーク とは、本来予測時点では使えない未来情報や正解に近い情報が紛れ込み、見かけ上の精度だけが高くなる状態です。現場で予測するときに本当にその値を知っているか を自問すると、危ない特徴量を弾きやすくなります。

定義：モデルが学習データに過度に適合し、未見データ（テストデータ）での性能が大幅に低下する現象です。

典型的な例：学習データでの正解率が99%なのに、テストデータでは60%に落ちる大きなギャップが生じます。

対策：正則化（L1、L2正則化）でモデルの複雑さにペナルティを課す。学習データを追加して一般化能力を向上させる。層数や特徴量を削減してモデルを簡略化する。ドロップアウトで隠れニューロンをランダムに無効化し、アンサンブル効果を得る。早期停止で検証誤差が上昇し始めたら学習を中止する。クロスバリデーションでデータを複数分割し、異なる組み合わせで複数回学習し、真の性能を評価する。

年度別では、訓練データでは高精度 という言い方だけで良いモデルだと思わせる設問が出ます。訓練データ と 検証・テストデータ の差で見ると切りやすいです。

訓練では99%、テストでは60% なら過学習を疑います。逆に両方とも低いなら、まずはモデルや特徴量が足りていない可能性を考えます。

データを3つに分割することが標準的です。学習データ（60%）でモデルパラメータを最適化し、検証データ（20%）でハイパーパラメータをチューニングと過学習チェックを行い、テストデータ（20%）で最終性能を評価します。特に、テストデータは学習時に一切見せず、性能評価の信頼性を保ちます。時系列データの場合は、時系列順に分割し、未来のデータを使う誤りを避けます。

全部のデータで学習したほうが精度が上がる と短絡すると、評価が壊れます。ここは 学ぶためのデータ と 選ぶためのデータ と 最終確認のデータ を分けてください。

時系列では、未来データを先に見てしまうと現場では再現できないため、ランダム分割より 時系列順分割 が基本です。テストデータを見ながら調整した 時点で、そのテストは 検証データ に変質してしまいます。

データが少ないときに 1 回だけ学習・評価して終わり にすると、たまたま良い分割だっただけで高評価になることがあります。そこで使うのが 交差検証 です。

交差検証 と聞いたら、まず データを分け直して何度も確かめる 話だと捉えてください。とくに 不均衡分類 なら 層化、時系列 なら 未来を先に見ない が合図です。

回帰は 売上金額 や 気温 のような連続値を当てるタスクです。分類の 正解率 ではなく、どれだけ外れたか を見る指標を使います。

RMSE = √MSE なので、MSE と RMSE は別の系統の指標ではなく親子関係 です。相対誤差を見たい なら MAPE / WAPE、大きな外れを重く見たい なら MSE / RMSE、まず平均的な外れ幅を知りたい なら MAE と考えると切りやすくなります。

回帰指標の計算問題では、式だけ覚えていると途中で崩れます。まずは 各データの誤差を1行ずつ書く ことを徹底してください。

たとえば 実績 = 100, 120、予測 = 90, 135 なら、誤差は -10, 15、絶対誤差は 10, 15、二乗誤差は 100, 225 です。ここから MAE = (10 + 15) / 2、RMSE = √((100 + 225) / 2)、WAPE = (10 + 15) / (100 + 120) と追えば、何を平均しているか と 何を全体比で見ているか が区別しやすくなります。

分類問題の評価では、まず混同行列を 表として読めること が重要です。TP / FP / FN / TN の略語だけ覚えても、分母を取り違えると得点できません。

適合率 は 予測した陽性の質、再現率 は 本当の陽性の取りこぼしの少なさ です。問題文で 正常メールを迷惑メール扱いしたくない なら適合率、病気の人を見逃したくない なら再現率を先に疑ってください。

陽性が1%しかない 問題で、全部を陰性と予測しても 正解率99% になります。これが、正解率が高い = 良いモデル ではない理由です。

たとえば 1000 件中 10 件だけ不正 のデータで、全件を 正常 と予測すると 990 / 1000 = 99% です。しかし不正 10 件は 1 件も拾えていないので、再現率は 0% です。

AUC-ROC は、分類のしきい値を動かしたときに、どれだけ陽性を上位に押し上げられているか をまとめて見る指標です。

AUC が高い ことは、陽性を陰性より上位に並べる力が強い ことを意味します。ただし、実際の運用では どのしきい値で止めるか を別に決める必要があります。極端なクラス不均衡では、AUC だけで満足せず、適合率や再現率も併せて見てください。

ROC と PR はどちらも しきい値を動かしたときのモデルの振る舞い を見る図ですが、見る重点が違います。

陽性が極端に少ない問題では、陰性を大量に正しく当てるだけで ROC が良く見えることがあります。このため、クラス不均衡が強いときは PR 曲線も確認する のが安全です。年度別では 不正が 1%、異常がまれ、病気が少数 といった言い回しが出たら、PR 曲線や適合率・再現率を優先して考えてください。

評価指標は、何を見落としたくないか、何を誤検知したくないか で使い分けます。式だけではなく、分母に何が入るか を理解すると混同しにくくなります。

スパムではないメールを誤って削除したくない なら 適合率、病気の人を見逃したくない なら 再現率 をまず疑ってください。正解率が高い だけでは、陽性がごく少ない問題では役に立たないことがあります。

時系列予測では、過去のどの情報を特徴量に変えるか が精度を大きく左右します。ここでも、予測時点で本当に分かる情報だけを使う のが絶対条件です。

危ないのは、翌週売上 を予測するのに 翌週を含む平均 を作ることです。これは未来情報を先に見ており、データリークになります。時系列では 過去だけで作れる特徴量か を毎回確認してください。

ChatGPTやDALL-Eが話題になり、AIはすべて生成型だと思い込む傾向があります。実際には、生成AIは技術の一部にすぎません。企業実務では、需要予測、不良品判定、与信判定といった従来の予測・分類AIが圧倒的多数派です。

対策：AI → 機械学習 → 深層学習 → 生成AI という包含関係を固定し、各層で異なる用途があることを理解します。「この問題は予測・分類か、それとも新しいコンテンツを生成する必要があるのか」という切り分けが基本です。

データがあればAIが自動的に答えを出すと期待する初心者は多いです。実際には、データの質が低い、不足している、特徴量エンジニアリングで領域知識が不可欠、モデル選択やパラメータチューニングは試行錯誤が多いなど、多くの課題があります。

対策：CRISP-DMプロセスを理解し、ビジネス理解とデータ理解に時間をかけることが成功の鍵です。機械学習は「銀弾」ではなく、課題解決のための一つの手段にすぎません。

学習データで95%の正解率を達成しても、テストデータ（未見データ）では60%に落ちることはよくあります。過学習により、ノイズまで学習してしまう典型例です。

対策：学習データ、検証データ、テストデータを明確に分割し、テストデータでの性能が最終評価です。クロスバリデーションで信頼性を確保します。

ひとまずブラックボックスモデルで精度を追求し、後で説明性を足すと考える実装者がいます。しかし金融、医療、人事等では最初から説明可能性が求められることが多く、後付けは困難です。

対策：要件分析時に説明可能性の必要度を確認します。必要なら、シンプルなモデル（決定木、ロジスティック回帰）から検討を開始します。

XAIやデータ補正でバイアスを0にできると思う人がいます。しかし、バイアスは現実の不公正を映した結果であり、技術的改善だけでは対応不可です。

対策：バイアスの定期監査、多様性確保、ステークホルダー参加による意思決定が重要です。組織的・法的対応も同時に必須です。

クラスタリングは、ラベルのないデータを自動で似た集団に分ける手法です。教師あり のように正解を当てるのではなく、まとまりを見つける のが役割です。

対策：答えが用意されているか を先に確認します。正解ラベルがあるなら教師あり、ないなら教師なしを疑います。

生成AIは 何を作るか の観点の言葉であり、教師なし学習は どう学ぶか の分類です。同じ軸の言葉ではありません。

対策：まず 予測・分類か、生成か を切り、そのあとで どのモデルや学習法か を考えます。

センサーは IoT の一部ですが、IoT は センサー + 通信 + 蓄積 + 活用 の全体システムです。LPWA や エッジ はその周辺技術です。

対策：何を集めるか、どう送るか、どこで処理するか の 3 点で役割を分けて覚えます。

RAG は、外部知識を 検索して添える 仕組みです。モデルの重みを書き換えるわけではないため、社内文書が更新されたら知識ベース側を更新すればよく、毎回再学習する必要はありません。

対策：検索して参照 なら RAG、モデルそのものの癖を変える ならファインチューニングと切って覚えます。

XAI は なぜその予測になったかを説明しやすくする 技術であり、精度向上やバイアス解消を自動で保証するものではありません。

対策：XAI は 説明 の道具、バイアス対策は 監査やデータ改善、精度向上は モデル改善 と役割を分けます。

モデルを先に作ってから課題を探すのは、手段先行です。試験では、ビジネス理解 や データ理解 を飛ばしてモデリングする選択肢が誤答としてよく出ます。

対策：課題を決める → データを知る → 整える → 学習する → 評価する → 現場で使う の順を、業務の流れとして覚えます。

テストデータは 最後の実力確認 に使うためのものです。これを見ながら特徴量やパラメータを調整すると、見かけの成績だけが良くなり、実運用の性能を正しく測れなくなります。

対策：調整は学習データと検証データで行い、テストデータは最後まで触らないと覚えます。

不正検知や病気診断のように、陽性が少ない問題では、全部陰性と予測 しても正解率だけ高く見えることがあります。

対策：見逃しを減らしたいのか、誤警報を減らしたいのかを先に決め、適合率・再現率・F値を使い分けます。

売上予測や価格予測のように、正解が連続値である問題に 当たった / 外れた の発想を持ち込むと、回帰と分類が混ざります。

対策：連続値 が答えなら回帰です。回帰では どれだけ外れたか を見るので、MAE / MSE / RMSE / MAPE / WAPE を疑ってください。

MSE は誤差を二乗した平均なので、元データの単位とは一致しません。MSE = 100 を、そのまま 10 個ずれた のように読むのは誤りです。

対策：元の単位で読みたいなら RMSE や MAE を使います。RMSE = √MSE という関係を固定しておくと崩れません。

AUC はモデル全体の並べ方の上手さを見る指標であり、何点以上を陽性にするか までは決めてくれません。

対策：AUC はモデル比較、適合率・再現率は運用時のしきい値判断と役割を分けます。

時系列予測で未来データを学習に混ぜると、現実では使えない情報を先に見てしまいます。これでは精度が良く見えても再現性がありません。

対策：時系列では 過去で学習し、未来で検証する 順序を守ります。交差検証も時系列順にスライドさせる方法を使います。

問題文の判断：「この顧客は購買するか」は分類（教師あり学習）、「顧客の購買確率を予測」も回帰的分類、「商品説明文を自動生成」は生成AI（LLM）、「商品画像をイラスト化」は生成AI（画像生成モデル）。

選択肢評価のコツ：従来の分類技術で対応可能か判断します。可能ならシンプルな選択肢、不可ならば生成AIを示唆する選択肢が正答の傾向があります。

技術的課題：過学習、データ不足、特徴量設計の工夫、モデル精度評価。

運用・倫理的課題：バイアス検査、説明責任、個人情報保護、セキュリティ（敵対的攻撃対策）、ステークホルダーの受容性。

判断方法：技術改善だけで解決しない課題が多い場合、組織的・法的対応を強調した選択肢が正答になります。

学習方法の話：教師あり/なし、どのアルゴリズムを選ぶか。

データ基盤の話：何をセンサリングするか、ビッグデータの蓄積・品質管理、エッジ vs クラウド。

問題のポイント：「機械学習の精度向上」と「データ基盤の構築」は別問題です。質問の焦点に応じて切り分けることが重要です。

試験でよく出る思考法：他社の成功例（画像検査で不良品検知）を紹介し、「自社でも応用できるか」を問う形式。

解答の視点：成功事例の技術そのものより、「その技術が解いた課題」を抽象化し、自社課題とマッチングする思考が必要です。要件（データ質、業務プロセス、リソース）が異なれば、単純な流用は不可です。

問題構成：（1）新技術の説明、（2）活用メリット、（3）「課題は何か」「注意点は何か」を選ぶ形式。

対策：技術の利点だけでなく、ハルシネーション、説明可能性、バイアス、プライバシー、セキュリティの課題を常に想起することが重要です。

回帰 なら MAE / MSE / RMSE / MAPE / WAPE、分類 なら正解率 / 適合率 / 再現率 / F値 / AUC-ROC をまず疑います。

対策：答えが 連続値 なのか、カテゴリ なのかを先に見てください。ここを誤ると、式を知っていても選択肢を切れません。

問題構成：不正検知、異常検知、疾病検査のように、陽性が少ない場面で高い正解率を見せる選択肢が出ます。

対策：全部陰性でも高得点にならないか を一度考えます。見逃し重視なら再現率、誤警報重視なら適合率、総合比較なら F値や AUC を見ます。

問題構成：データが少ない場面で、1回分割だけで評価する 選択肢や、時系列をランダムに混ぜる 選択肢が誤答として出ます。

対策：一般データなら k 分割、クラス不均衡なら層化 k 分割、時系列なら未来を先に見ない分割と覚えてください。