AIとデータ活用の基本をつなげて理解する

AIは、人の知的活動に関係する認識、推論、予測、生成、判断支援などをコンピュータで実現する技術・仕組みの総称として扱われます。

機械学習は、データから規則性やモデルを学習し、新しいデータに対して予測・分類などを行うAI技術の代表的な方法です。

ディープラーニングは、多層のニューラルネットワークを用いる機械学習の方法です。画像ではCNN、系列データではRNNなどの構造が代表例として扱われます。

学習済みモデルを実際の入力へ適用して予測・分類・生成などを行う段階は推論と呼ばれます。学習と推論を区別して考えることが重要です。

教師あり学習では、入力データと、それに対応する正解ラベルや目的値を組にしたデータを使ってモデルを学習します。

回帰は、売上額、気温、需要量など連続的な数値を予測する問題に使われます。分類は、迷惑メールか否か、画像がどのカテゴリかなど、離散的なクラスを予測する問題に使われます。

学習データをただ記憶するのではなく、未知の入力にも適切な予測ができる規則性を学ぶことが重要です。

教師なし学習では、正解ラベルの付いていないデータから構造や規則性を見つけます。似たデータをグループに分けるクラスタリングや、情報を保ちながら変数数を減らす次元削減などが代表例です。

強化学習では、エージェントが環境の中で行動し、得られる報酬を手掛かりに、長期的な報酬を大きくする行動方策を試行錯誤で学びます。

教師なし学習のクラスタリングと、教師あり学習の分類はどちらも『グループ』を扱うように見えますが、分類には正解クラスのラベルがあり、クラスタリングではあらかじめ正解クラスを与えません。

過学習は、モデルが学習データの細かな特徴やノイズに適合しすぎ、未知データに対する性能が低下する状態です。

汎化とは、学習時に見ていないデータにも学習した規則性を適用できることです。学習データでの精度だけが高くても、汎化性能が高いとは限りません。

データの量・品質・偏り、モデルの複雑さ、学習方法などが性能に影響します。目的に合わないデータや偏ったデータから学習すると、出力にも偏りが現れる可能性があります。

生成AIは、学習したデータのパターンを基に、文章、画像、音声、コードなど新しい内容を生成するAIです。大規模言語モデル（LLM）は文章生成などで広く利用される基盤モデルの一種です。

マルチモーダルAIは、テキストだけでなく画像、音声、動画など複数の種類の情報を組み合わせて扱うAIです。

生成AIは、事実と異なる内容を自然な文章で出力するハルシネーションを起こすことがあります。また、偏った情報、古い情報、出典が不明な情報などが含まれる可能性もあります。

そのため、重要な判断や外部公開に使う場合は、出力を人間が確認し、必要に応じて修正するHITLの考え方が重要です。公平性、説明責任、透明性、個人情報、著作権などの観点も確認します。