基礎知識

機械学習の基礎とは。仕組み・種類・できることを解説

機械学習という言葉は広く使われますが、何ができて何ができないのかは曖昧なまま語られがちです。この記事では、仕組みから限界までを順に整理します。

機械学習とは何か

機械学習とは、大量のデータから規則性を見つけ、未知のデータに対して予測や判定を行う技術です。

従来のプログラムは、人が手順を書きます。「金額が1万円以上なら送料無料」のように、条件と処理を明示します。

機械学習では、正解つきのデータを与えて、規則そのものを見つけさせます。猫の写真を大量に見せて「これが猫だ」と学習させると、初めて見る写真でも判定できるようになります。

この違いが重要です。人が条件を書き切れない問題に対応できる代わりに、なぜその答えになったのかが説明しにくくなります。

3つの学習方法

学習のさせ方は、大きく3種類に分かれます。

• 教師あり学習／正解つきのデータで学ぶ。予測と分類に使う。最も広く使われる
• 教師なし学習／正解なしで、データの構造を見つける。グループ分けや異常の検出
• 強化学習／試行錯誤を繰り返し、報酬が最大になる行動を学ぶ。ゲームや制御

実務で扱う案件の多くは教師あり学習です。売上の予測、解約しそうな顧客の判定、不良品の検出、文書の分類。いずれも過去のデータに正解がある問題です。

正解つきのデータが用意できるかどうかが、実現可能性を左右します。ここが最初の関門になります。

扱える問題の型

機械学習で解ける問題は、いくつかの型に整理できます。

回帰。数値を予測します。来月の売上、必要な在庫数、価格の見積もり。

分類。どのグループに属するかを判定します。迷惑メールかどうか、故障するかどうか、問い合わせの種別。

クラスタリング。似たものをまとめます。顧客の類型化、商品のグループ分け。

異常検知。通常と異なるものを見つけます。不正利用、設備の故障予兆。

自社の課題がどの型に当てはまるかを見極めることが、検討の出発点になります。当てはまらない場合、機械学習では解けません。

データが最大の制約

実務で最も多い障害は、技術ではなくデータです。

量が足りない。数十件のデータでは、規則性を見つけられません。問題によりますが、最低でも数百から数千件は必要になります。

正解がない。「この顧客は解約した」という記録がなければ、解約予測は学習できません。

質が悪い。欠損、表記の揺れ、入力の誤り。前処理に想定の数倍の時間がかかります。

偏りがある。特定の条件のデータしかない場合、その範囲でしか予測できません。

「AIで何とかならないか」という相談の多くは、この段階で止まります。技術の前に、データの状態を確認する必要があります。

できないこと

誤解を避けるため、限界を明示しておきます。

過去にない事象は予測できません。学習したデータの範囲を超える状況には対応できません。

因果関係は分かりません。「傘の売上とアイスの売上が逆相関する」ことは見つけられますが、原因が天候であることは教えてくれません。

100%の精度にはなりません。確率的に判定するため、誤りは必ず発生します。誤ったときにどうするかの設計が必要です。

判断の理由を説明しにくい。手法によっては、なぜその結果になったかを人が理解できません。融資や採用など、説明責任が伴う場面では制約になります。

生成AIとの関係

近年注目される生成AIも、機械学習の一種です。ただし性質が異なります。

従来の機械学習は、目的ごとにモデルを作ります。売上予測なら売上予測用のモデルを、自社のデータで学習させます。

生成AIは、汎用的に学習された巨大なモデルを、そのまま使います。自前で学習させる必要がなく、指示を与えるだけで多様な作業に対応します。

使い分けの基準は、自社固有のデータで判断したいかどうかです。自社の販売履歴から需要を予測するなら従来型、文書の要約や分類なら生成AIという整理になります。

両者は競合ではなく、併用されます。

検討を始めるときに

自社で活用を考える場合の順序を示します。

第一に、課題を具体化する。「AIを活用したい」ではなく「何を予測できれば、どの判断が良くなるか」まで落とします。

第二に、データを確認する。必要なデータが、必要な量と質で存在するか。ここで多くの構想が現実的でないと分かります。

第三に、小さく試す。実現可能性を検証する工程を、本開発とは別に設けます。

第四に、誤ったときの扱いを決める。人が確認する工程を残すか、影響が小さい範囲から始めるか。

技術の選定は最後です。先に手法を決める進め方は、多くの場合うまくいきません。

精度をどう評価するか

モデルの良し悪しを測る方法にも、注意点があります。

正解率だけでは判断できません。1000件中10件しか該当しない事象では、「すべて該当しない」と答えるだけで正解率99%になります。

そのため、複数の指標を組み合わせます。見つけるべきものをどれだけ見つけたか、該当と判定したもののうち実際に該当した割合はどれか。

どちらを重視するかは用途で決まります。病気の検出なら見逃しを減らすことを優先し、迷惑メールの判定なら誤検知を減らすことを優先します。

学習に使ったデータで評価してはいけません。丸暗記した状態でも高い数字が出るためです。別のデータで確認することが原則です。

作った後の運用

モデルは作って終わりではありません。

時間とともに精度が落ちます。顧客の傾向、市場の状況、業務の手順が変われば、過去のデータで学んだ規則は当てはまらなくなります。

したがって、精度を監視し、定期的に学習し直す仕組みが必要です。これをMLOpsと呼びます。

監視すべきは、精度そのものと、入力データの傾向です。入力の分布が学習時と変わっていれば、精度低下の予兆になります。

この運用設計を含めていない案件は、数か月で使われなくなります。導入時の見積もりに、運用の費用を含めるべきです。