
G検定#02|そもそも人工知能(AI)とは? AIの勉強を始めました。【1-1】
皆さん、ご安全に!! 技術屋たかちゃんです。
最近、AIという言葉を聞かない日はありません。文章を書き、画像を作り、質問に答える。相棒のAI(アイ)君も、僕の調べものを手伝ってくれています。
ところが、ここで一つ疑問が浮かびます。
そもそも、人工知能(AI)とは何なのでしょうか?
人間のように考えているのでしょうか。
この疑問を自分なりに理解するため、僕は「G検定」の受験を決意しました。G検定は、AIやディープラーニングの基礎知識を学び、活用する力を身につけるための検定です。
今回は、その勉強の第一歩。まずはAIの基本から始めます。
AIは、すべて同じ仕組みではない
AIと聞くと、ChatGPTのような生成AIを思い浮かべる人が多いかもしれません。
しかし、AIの世界はもっと広いそうです。
例えば、エアコンの温度制御。迷惑メールの分別。商品のおすすめ表示。そして、画像から不良品を見つける検査装置。
これらは仕組みこそ違いますが、AIだそうです。
基本的な考え方として、AIは大きく4つのレベルに整理できるそうです。
レベル1は、あらかじめ決められたルールに従って動く単純な制御プログラム 冷蔵庫や洗濯機。
レベル2は、探索や推論などを使う古典的な人工知能(AI) お掃除ロボットや診断プログラム。
レベル3は、データから規則性を学ぶ機械学習 検索エンジン、交通渋滞予想、カーナビのルート案内。
レベル4は、多層のニューラルネットワークを使うディープラーニングです。特徴量と呼ばれる変数自動的に学習する技術を持った製品で、相棒のAI(アイ)君もこのレベルに到達しているようです。画像認識、音声認識、自動翻訳がこれらです。

この四段階は、AIの歴史や技術を整理するための分類です。
AIは、どうやって学ぶのか
ここで重要になるのが、機械学習です。
例えば、工場で製品の外観検査を自動化するとしましょう。
従来の方法では、「この範囲に傷があれば不良」「この寸法を超えたら異常」といった判定ルールを、人間が一つずつ設定することがあります。
一方、機械学習では、良品と不良品の画像を大量に用意し、その特徴を学習させる方法があります。
人間がすべての判定条件を書かなくても、データから特徴や規則性を学べるわけです。
相棒のAI(アイ)君が調べたところでは、機械学習は、正解を示して学ばせる方法や、正解を与えずデータのまとまりを探す方法などに分かれるそうです。
正解付きのデータで学ぶのが「教師あり学習」。正解を与えず、データの構造や類似性を見つけるのが「教師なし学習」です。
さらに、行動の結果として得られる報酬を手掛かりに、よりよい行動を学ぶ「強化学習」もあります。
AIは、本当に意味を理解しているのか
ここからが、僕にとって面白いところです。
相棒のAI(アイ)君は文章を作り、質問にも答えます。人間と話しているように感じることもあります。
しかし、自然な会話ができることと、人間と同じ意味で内容を理解していることは、同じではありません。
AI研究では、この問題を考えるために「中国語の部屋」という思考実験が知られています。
中国語を理解できない人が、決められた手順書に従って中国語の記号を操作し、外から見ると自然な返答を作れたとします。
その人は、本当に中国語の意味を理解しているのでしょうか。
この問いは、AIが記号を適切に処理できることと、その意味を理解していることの違いを考えさせてくれます。
AIがどこまで理解しているのかという問題には、現在も議論があります。会話が流暢だからといって、人間と同じ意識や理解を持つと結論づけることはできません。
勉強して分かった、技術屋としての視点
今回の勉強で感じたのは、AIを理解するには、便利な使い方を覚えるだけでは足りないということです。
どのような仕組みで動き、何を得意とし、どこに限界があるのか。そこまで理解して初めて、適切な使い方を考えられます。
産業機械の世界でも同じです。自動で判定する装置を導入しても、誤判定の可能性や、想定外の条件での動作を考えなければ、安心して任せることはできません。
AIも、仕組みを知り、性能を確かめ、必要な場面では人間が判断する。その姿勢が大切だと思います。
G検定の勉強は、まだ始まったばかりです。
これからも、学んだ用語や仕組みを一つずつ整理しながら、相棒のAI(アイ)君と一緒に理解を深めていきます。
技術屋たかちゃんでした。ご安全に!!
G検定 連載
前回:
次回:
目次(マガジン):
G検定重要用語集:AIの基本
1. AIの基本概念と分類
① 人工知能(AI:Artificial Intelligence)
人間が行う学習、推論、認識、判断などの知的な処理を機械で実現する技術の総称。明確な共通定義は存在せず、研究分野や時代によって意味する範囲が異なる。
② 古典的AI(Traditional AI)
人間が設定したルールや知識を使い、探索や推論によって問題を解決する従来型のAI。エキスパートシステムなどが代表例。データから自動的に規則性を学ぶ機械学習とは基本的な仕組みが異なる。
③ 機械学習(Machine Learning)
コンピューターがデータから規則性や特徴を学習し、予測や分類などを行う技術。人間がすべての判断ルールを記述する必要がない。教師あり学習、教師なし学習、強化学習などに分類される。
④ ディープラーニング(Deep Learning)
多層のニューラルネットワークを使い、データから特徴量を自動的に学習する技術。画像認識、音声認識、自然言語処理などで高い性能を発揮し、現在の生成AIの基盤技術にもなっている。
⑤ ニューラルネットワーク(Neural Network)
人間の脳の神経細胞のつながりを参考にした計算モデル。入力層、隠れ層、出力層などで構成され、ニューロン間の重みを調整しながらデータの特徴や規則性を学習する。
⑥ 特徴量(Feature)
データに含まれる、分類や予測に役立つ情報を数値で表現したもの。従来の機械学習では人間が設計することが多かったが、ディープラーニングでは特徴量の抽出自体もモデルが学習できる。

2. 機械学習の3つの学習方法
⑦ 教師あり学習(Supervised Learning)
正解ラベルが付いた学習データを使って、入力と正解の関係を学習する方法。例えば、良品・不良品のラベルが付いた画像から判定方法を学習する。分類問題や回帰問題に利用される。
⑧ 教師なし学習(Unsupervised Learning)
正解ラベルのないデータから、データの特徴や類似性、隠れた構造を発見する学習方法。代表例にクラスタリングや次元削減がある。顧客のグループ分けやデータ分析などに利用される。
⑨ 強化学習(Reinforcement Learning)
エージェントが環境の中で行動し、その結果として得られる報酬を手掛かりに、よりよい行動を学習する方法。ロボット制御やゲームAIなどに利用される。試行錯誤を通じて報酬の最大化を目指す。
⑩ 正解ラベル(Label)
教師あり学習で、入力データに対応する正解を示す情報。例えば、画像に対して「猫」「犬」などの分類名を付けたもの。モデルは予測結果と正解ラベルの違いを利用して学習する。
⑪ 分類(Classification)
入力データがどのカテゴリーに属するかを予測する機械学習のタスク。例えば、メールを迷惑メールと通常メールに分けたり、製品画像を良品と不良品に分類したりする。主に教師あり学習で扱われる。
⑫ 回帰(Regression)
入力データから連続した数値を予測する機械学習のタスク。例えば、住宅価格、気温、機械設備の故障までの時間などを予測する。分類がカテゴリーを予測するのに対し、回帰は数値を予測する。
⑬ クラスタリング(Clustering)
正解ラベルを使わず、データ同士の類似性に基づいてグループに分ける教師なし学習の手法。顧客の購買傾向分析や画像データの分類などに利用される。代表的な手法にk-means法がある。
⑭ 報酬(Reward)
強化学習において、エージェントが環境から受け取る評価値。望ましい行動には大きな報酬、望ましくない行動には小さな報酬や罰に相当する値を設定する。エージェントは累積報酬の最大化を目指す。
⑮ エージェント(Agent)
強化学習において、環境の状態を観測し、行動を選択する主体。行動の結果として報酬を受け取り、経験を通じて行動方針を改善する。AIエージェントという言葉は、より広い自律的なシステムにも使われる。
⑯ AI効果
AIが新しいことをできるようになり、その仕組みが知られると、「それはただの自動処理で、知能ではない」と考えてしまう心理現象です。かつて驚きだった技術が、普及すると「AI」と呼ばれなくなり、AIの貢献が過小評価されます。
⑰ 人工知能とロボットの違い
人工知能は「考える」という頭脳の部分、ロボットは「動く」という体の部分が中心です。ロボットの脳に当たる部分がAIと考えるとわかりやすく、自動運転車のように両者が一体になるものもあります。将棋や囲碁のAIは体が要りません。ロボット研究者でも、専門が脳以外ならAI研究者とは限りません。
⑱ 汎用人工知能(AGI)
AGIは人間並みかそれ以上の知能で、自分で学び、幅広い課題をこなす「強いAI」にあたる概念で、現状では実現していません。
⑲ 応用人工知能(ANI)
特定の仕事だけに特化したAI。 ANIは特定のタスクに特化した「弱いAI」にあたり、ChatGPTを含め現在のAIはこちらに分類されます。。