AIのきほん

AIという言葉は日常でも耳にしますが、試験では機械学習や深層学習との関係をきちんと区別できるかが問われます。まずは3つの言葉の大小関係から整理します。

AI・機械学習・深層学習の関係

この3つは並列の技術ではなく、大きな輪の中に小さな輪が入っている入れ子の関係です。

ニューラルネットワークとは、人間の脳の神経細胞のつながり方をまねた計算のしくみです。この層を深くしたものが深層学習で、画像や音声のように特徴を人間が言葉で説明しにくいデータで大きな成果を上げました。

試験では「深層学習は機械学習の一種である」という向きの記述が正しく、「機械学習は深層学習の一種である」と逆にした選択肢が誤りとして混ぜられます。大きい順にAI、機械学習、深層学習と唱えて覚えてください。

学習のさせ方は3種類

機械学習は、データの与え方によって3つに分かれます。ここは選択肢の入れ替えでよく狙われる場所です。

見分け方は単純で、人間があらかじめ正解を付けているかどうかです。正解付きなら教師あり、正解を付けずにデータの似たもの同士をまとめるなら教師なしです。強化学習だけは正解データではなく、良い結果に報酬を与えて試行錯誤させる点が違います。「クラスタリングは教師あり学習の例である」といった記述は誤りなので注意してください。

訓練データと過学習

機械学習に学ばせるためのデータを訓練データ（学習データ）と呼びます。ここで押さえたい落とし穴が過学習です。過学習とは、訓練データに合わせ込みすぎた結果、未知のデータに対する精度がかえって落ちてしまう状態を指します。

過去問の暗記に特化しすぎて、少し表現を変えられると解けなくなる受験生を想像すると分かりやすいでしょう。防ぐには、学習に使っていないデータで精度を確かめる、データの量と種類を増やす、といった対策をとります。「訓練データでの正答率が高いほど良いモデルである」と言い切る選択肢は、過学習を無視しているので誤りです。

どこで使われているか

深層学習の普及で実用化が一気に進んだ代表例は、画像認識、音声認識、自然言語処理の3分野です。画像認識は工場の不良品検出や顔認証、音声認識はスマートスピーカーや議事録の文字起こし、自然言語処理は機械翻訳やチャットボットに使われています。試験では具体例のほうから「これはどの技術か」と問われることが多いので、事例と技術名をセットで覚えておくと得点しやすくなります。