機械学習を取り入れた人工知能 (G検定)

1. 定義と概要

機械学習を取り入れた人工知能とは、大量の学習データを分析し、入力と出力を結ぶ汎用的なパターンや法則を統計的に見出すAIです。人工知能の4段階レベル分類ではレベル3にあたります。

代表例として、検索エンジンの検索結果の表示順、レコメンドエンジン（利用者の好みに合わせて商品やコンテンツを提案する仕組み）、スパムメールの自動判定、売上予測などが挙げられます。いずれも大量のデータが蓄積される場面であり、分析に用いる特徴量（データのどこに注目すればよいかを示す指標）の設計を人間が行う点が特徴です。

人工知能の4段階レベル分類は、レベル1のシンプルな制御プログラム（エアコンや洗濯機のように、あらかじめ決められたルールに従うだけの仕組み）から始まります。続くレベル2は古典的な人工知能で、人間が定義した知識やルールに基づいて判断する仕組みです。探索・推論（あらかじめ用意されたルールや手順に沿って答えを導き出す手法）やエキスパートシステム（専門家の知識をルールとして組み込み、専門家のように判断させるプログラム）を用いる点が特徴です。

レベル3の機械学習で初めて、人間があらかじめ全ルールを設計しなくても、大量のデータから統計的にパターンを学習できるようになりました。この先にレベル4のディープラーニング（人間が特徴量を設計しなくても、AI自身がデータから重要な特徴を自動的に見つけ出す技術）が続く、という発展の流れの中にレベル3は位置づけられます。

2. 試験対策ポイント

人工知能の4段階レベル分類の対応関係は、G検定における重要な論点です。名称と代表例が入れ替わった形で示されることがあるため、4つの段階を縦に並べて対応を確かめておきたいところです。

レベル	名称	代表例
レベル1	シンプルな制御プログラム	エアコン、洗濯機
レベル2	古典的な人工知能	掃除ロボット、ルールベースのチャットボット（あらかじめ用意した応答パターンに沿って対話するプログラム）
レベル3	機械学習を取り入れた人工知能	検索エンジン、レコメンドエンジン、スパムフィルタ（迷惑メールを自動的に見分けて振り分ける仕組み）
レベル4	ディープラーニングを取り入れた人工知能	自動翻訳、AlphaGo、顔認識、自動運転

レベル4は、AI自身がデータから重要な特徴を自動的に見つけ出すディープラーニングを取り入れた人工知能です。レベル1からレベル4までの名称と代表例の対応関係を正確に覚えているかどうかが分かれ目になります。

レベル3とレベル4を分ける境界線は、特徴量の設計を人間が行うか、AIが自動で見出すかという一点にあります。レベル3では、分析のどこに注目するかという特徴量の設計を人間が担います。一方でレベル4のディープラーニングは、AI自身がデータから重要な特徴を自動的に見つけ出します。この一点を入れ替えた説明は、取り違えやすい典型です。特徴量の設計主体がどちらにあるかという一点さえ押さえれば、レベル3とレベル4を混同することは少なくなります。

レベル3は、機械学習の各種手法の土台となる段階という位置づけでもあります。中でも教師あり学習（正解のデータを付けて、入力と出力の関係を学習させる手法）や教師なし学習（正解のデータを与えずに、入力データそのものの構造やパターンを学習させる手法）とあわせて整理しておきたいところです。レベル1〜4の名称と代表例、境界線の一点、そして機械学習の各手法という関連用語の束をあわせて覚えておくと、分類問題への対応がしやすくなります。

3. 関連概念との比較・相違点

レベル4のディープラーニングを取り入れた人工知能との最大の違いは、特徴量の設計を人間が行うか（レベル3）、AI自身が自動で抽出するか（レベル4）という一点にあります。レベル3では、精度を左右する特徴量の設計に人間の知見が必要です。これに対してレベル4は、大量のデータからAIが重要な特徴を自ら見つけ出すため、人間による設計の工程を省略できます。

両者は同じ「データから学ぶ」仕組みでありながら、学習の起点をどこに置くかという点で異なります。レベル3からレベル4への発展は、特徴量を見出す役割が人間からAIへと移った変化として整理できます。

レベル2の古典的な人工知能との違いは、知識やルールを人間があらかじめすべて設計して与えるか、データから統計的にパターンを学習するかという点にあります。レベル2は探索・推論やエキスパートシステムを用い、専門家の知識をルールとして組み込む発想に基づいています。これに対してレベル3は、判断基準となるルールを人間が明示的に書き下さなくても、大量データの分析結果から統計的な基準を導き出せる点が異なります。

ルールを与えるレベル2と、パターンを学ぶレベル3という対比は、4段階の発展を理解するうえでの軸になります。前後のレベルとの違いを軸ごとに並べると、レベル3の立ち位置がはっきりします。

比較の軸	レベル2 古典的な人工知能	レベル3 機械学習を取り入れた人工知能	レベル4 ディープラーニングを取り入れた人工知能
判断基準の作り方	人間が知識やルールをあらかじめ設計して与える	大量データの分析から統計的に導き出す	大量データからAIが学習する
特徴量を見出す役割	人間が書いたルールが判断基準のため該当しません	人間が設計する	AI自身が自動で見つけ出す
用いる仕組み	探索・推論、エキスパートシステム	教師あり学習、教師なし学習	ディープラーニング

教師あり学習や教師なし学習といった機械学習の手法は、このレベル3の段階で初めて登場する概念です。手法名がどの段階に属するかという観点でも、この対応を押さえておきたいところです。

4. ビジネス・実務での活用シナリオ

EC・小売の分野では、レコメンドエンジンが購買履歴から利用者の好みのパターンを学習し、関連商品を提示しています。個々の利用者に合わせた提案は、画一的な商品陳列に比べて購買率の向上につながります。あらかじめ決めた固定のおすすめ商品を表示するのではなく、利用者ごとのデータから提案内容そのものが変化する点が、レベル3の仕組みらしさです。

IT・検索の分野では、検索エンジンがクリックログなどのデータから検索結果の並び順を学習し、利用者の検索意図に近い順に表示します。あらかじめ決められた固定の順位ではなく、蓄積されたデータから並び順そのものを学習する点が、レベル3らしい特徴です。検索結果の精度は、こうした学習の積み重ねによって日々更新されています。

メール・セキュリティの分野では、スパムフィルタが過去の迷惑メールのデータからパターンを学習し、新着メールが迷惑メールかどうかを自動判定します。ルールを一件ずつ人間が書き加えなくても、データの蓄積に応じて判定の精度が高まっていく仕組みが、業務の効率化につながります。新しい手口の迷惑メールが登場しても、統計的な学習を通じて対応の幅が広がっていく点が実務上の意義です。

5. 要点まとめ

• 機械学習を取り入れた人工知能は、人工知能の4段階レベル分類における「レベル3」にあたり、大量のデータから入力と出力を結ぶパターンを統計的に学習する点が特徴です。
• 代表例は検索エンジンの表示順、レコメンドエンジン、スパムメールの自動判定です。分析に用いる特徴量の設計は人間が行います。
• レベル4（ディープラーニング）との違いは、特徴量の抽出を人間が行うか、AIが自動で行うかという一点にあります。

6. 確認問題