「AI」「機械学習」「ディープラーニング」といった用語の違いや関係性に戸惑うことはありませんか？この記事では、試験対策として押さえておくべきこれらの基本概念や応用分野、学習手法について、網羅的に分かりやすく解説します。
1. AI・機械学習・ディープラーニング・生成AIの全体像
これらの概念は「大きな箱の中に小さい箱が入っている」ような入れ子構造（包含関係）になっています。関係性を図式化すると、「AI ⊃ 機械学習 ⊃ ディープラーニング ⊃ 生成AI」となります。
- AI（人工知能） 人間の「知的なふるまい」（推論・判断・学習・認識など）をコンピュータで実現しようとする一番広い概念です。データから学習しない「ルールベース（if〜then〜）」の手法（例：ルールで動くチャットボットや将棋プログラム、条件分岐で作ったレコメンド）もAIに含まれます。
- 機械学習（Machine Learning） AIの一部であり、データからパターンを学習し、明示的にプログラムしなくても予測や分類ができるようにする技術です。過去のデータと正解を渡すことで、例えば「この人が買いそうな商品」の予測や「スパムメールの分類」などを自動で学習します。
- ディープラーニング（深層学習） 機械学習の一部であり、多層のニューラルネットワーク（深いネットワーク）を用いた手法です。画像、音声、自然言語などの複雑なデータから自動で特徴を抽出できるのが強みで、画像から「犬か猫か」を判定するCNN（畳み込みニューラルネットワーク）や音声認識などが代表例です。
- 生成AI（Generative AI） 新しいコンテンツ（テキスト、画像、音楽など）を生成することに特化したAIです。多くの場合、ディープラーニング（特にLLMなどのトランスフォーマーモデル）を使用しており、ChatGPTやStable Diffusionなどが該当します。
2. AIの代表的な応用分野とAWSサービス
AIは様々な分野で応用されています。試験では、それぞれの入力データの種類と目的の違いを押さえることが重要です。
- コンピュータビジョン (Computer Vision) 画像や動画を入力とし、情報を読み取り理解させる分野です。画像分類や物体検出、顔認識などを行います。AWSの代表的なサービスは Amazon Rekognition です。
- 自然言語処理 (NLP: Natural Language Processing) テキストや音声などの「言語データ」を理解・生成する技術です。機械翻訳、チャットボット、感情分析などに使われ、近年はLLMが中心技術となっています。AWSでは Amazon Comprehend やBedrock上のLLMなどが該当します。
- インテリジェントドキュメント処理 (IDP) PDFや画像などの「文書」からレイアウトやテキストの意味を理解し、必要なデータを自動で読み取って構造化するソリューションです。コンピュータビジョンとNLPを組み合わせた技術であり、AWSでは Amazon Textract と Comprehend の組み合わせが典型的です。
- 不正検出 (Fraud Detection) クレジットカード決済やログイン操作などの取引・ログデータから、怪しいパターンを見つけ出す技術です。教師あり学習や教師なし学習による異常検知が使われ、AWSでは Amazon Fraud Detector がこの領域を担います。
3. 機械学習の3つの学習手法
機械学習は、学習の仕組みによって大きく3つに分けられます。
- 教師あり学習 (Supervised Learning) 入力データと「正解ラベル」のペアを使って学習します。売上などの数値を予測する「回帰」や、スパムか否か、解約か継続かなどを予測する「分類」が典型的なタスクです。
- 教師なし学習 (Unsupervised Learning) 正解ラベルがないデータを使って、構造やパターンを見つける手法です。似た顧客をまとめる「クラスタリング」や、通常パターンから外れたものを検出する「異常検知」などに使われます。
- 強化学習 (Reinforcement Learning) エージェントが環境との「試行錯誤」を通じて、「報酬」を最大化するように行動の方針を学習する手法です。ゲームAIやロボット制御、レコメンドの最適化などに用いられます。
4. 機械学習が「適さない」場面
機械学習は万能ではなく、以下のようなケースでは導入を避け、ルールベースなどを検討すべきです。
- データが不足している、または質が悪い場合: 学習には過去のデータが必要不可欠であり、件数が少なかったりノイズだらけのデータでは悪影響が出ます。
- ルールが明確に決まっている場合: 「売上 = 単価 × 数量」のような明確なビジネスルールは、if文や数式で書いた方が速くて正確です。
- 説明責任が非常に重い場合: ディープラーニングのようなブラックボックス性が高いモデルは「なぜその予測になったか」を説明しづらいため、法令順守や安全性が最重要な領域には不向きなことがあります。
- 環境変化が激しい場合: ルールや価格体系が頻繁に変わる状況では、過去のデータから学んだモデルがすぐに役に立たなくなってしまいます。
まとめ
AWS Certified AI Practitioner試験の対策としては、「AI ⊃ ML ⊃ DL」の集合関係をイメージしつつ、それぞれの定義や違いを説明できることが大切です。また、各種AIの応用分野や機械学習の手法、さらには機械学習が向かない場面についての理解を深めることで、試験への準備を万全にしましょう！
ここまで読んでいただき、ありがとうございます。もしこの記事の技術や考え方に少しでも興味を持っていただけたら、ネクストのエンジニアと気軽に話してみませんか。
- 選考ではありません
- 履歴書不要
- 技術の話が中心
- 所要時間30分程度
- オンラインOK
