AIと機械学習の違いとは?基本用語から種類・活用事例まで幅広く解説

AIと機械学習の違いとは?基本用語から種類・活用事例まで幅広く解説します。

AIと機械学習とは？
機械学習の基本用語
機械学習のフロー
モデル選択のポイント
機械学習の限界と今後の課題
関連ページ

AIと機械学習とは？

AI（人工知能）とは、「会話する」「画像を認識する」「意思決定する」といった「人間の知的活動を模倣する技術全般」を指します。機械学習（Machine Learning）とは、AIを実現するための手法の1つで、人間が経験から学ぶ仕組みを、コンピュータに学習させる技術のことです。また、深層学習は機械学習の中でも「特徴抽出も自動で行う高度な手法」のことです。

出典：総務省ホームページ（令和元年版情報通信白書｜AIに関する基本的な仕組み）

【ポイント】
・AIは「上位概念」
・機械学習はその中の「学習技術」
・深層学習は機械学習の中でも「特徴抽出も自動で行う高度な手法」

コンピュータ技術の進歩とともに、機械学習の性能も大きく向上しており、今では私たちの生活のあらゆる分野で活用されています。主な活用事例を分野別に以下表にまとめました。

分野	活用例
金融	・株価や為替の予測・ローン審査における信用スコアリング・不正取引の検出（フラウド検出）
医療	・患者データから病気の判定（がん・糖尿病など）・レントゲン画像の異常検知・新薬候補の探索（バイオインフォマティクス）
自動車	・自動運転技術（物体認識、経路推定）・ドライバーの疲労・注意力検知・エンジンや車両状態の異常予測
小売・EC	・ユーザーの購買履歴からレコメンド・在庫・需要の予測・顧客離脱予測
製造業	・工場設備の異常検知（予知保全）・品質検査（画像認識）・工程最適化（スループットの向上）
農業	・衛星画像による作物の生育予測・病害虫の発生予測・気候や土壌に基づく収穫量推定
教育	・学習履歴から個別最適化された問題の提示・理解度予測によるフィードバック生成・自動採点
エンタメ	・動画や音楽のおすすめ・ゲームAIによる対戦相手の最適化・視聴履歴に基づくコンテンツパーソナライズ
セキュリティ	・ネットワーク異常検知・顔認証による入退室管理・フィッシング詐欺やサイバー攻撃のリアルタイム検出

機械学習の基本用語

機械学習をこれから学ぶ中でよく登場する基本用語を以下にまとめました。

用語	説明
学習	大量のデータ（説明変数・目的変数）から、予測や分類に適した最適なパラメータ（重みや係数など）を計算するプロセス。例：売上履歴から将来の需要を予測。
モデル	学習によって構築された「予測の仕組み」。アルゴリズムとパラメータの組み合わせで構成される。例：ランダムフォレスト、SVM、ニューラルネットワークなど。
予測	学習済みモデルに新しいデータを入力し、目的変数を推定する処理。例：天気予報やユーザーの購買確率など。
説明変数	入力となる特徴量。予測や分類の根拠となる情報。例：年齢、収入、閲覧履歴など。
目的変数	出力に相当する値。モデルの予測対象。例：商品の購入有無、病気の診断結果。
パラメータ	モデルが学習により決定する値。予測の計算式に使われる重みや係数。例：線形回帰の傾きや切片。
ハイパーパラメータ	モデル設計時に手動で設定するパラメータ。例：学習率、決定木の深さ、正則化係数など。自動では学習されず、チューニングにより性能向上を図る。
特徴量エンジニアリング	学習性能を高めるために、データから新しい特徴量を作成するプロセス。例：「年齢」から「年代」を導く、「日付」から「曜日」を抽出するなど。
データ前処理	欠損値の補完、外れ値処理、標準化・正規化などを行って、モデル学習に適した形に整える操作。
過学習	学習データに過度に適合してしまい、汎化性能が低くなる問題。例：学習データには強いが、テストデータでは精度が落ちる。
汎化性能	未知のデータに対する予測精度。過学習の抑制や交差検証によって改善される。
正則化	モデルの複雑さを制御し、過学習を防ぐ技術。例：L1正則化（スパース化）、L2正則化（小さい重みを好む）
交差検証	データを複数の分割にして、繰り返し学習・検証することでvモデルの性能を安定して評価*する方法。例：K-Fold交差検証など。
評価指標	モデルの予測性能を測る基準。分類なら正解率・F1スコア、回帰ならMSE・R²など。
未学習	モデルが訓練データにすら適合できていない状態。モデルが単純すぎる、データ量が少ない、特徴量が不十分などが原因。