機械学習

機械学習とは

機械学習 (Machine Learning) は、データに含まれるパターンをアルゴリズムが自動的に学習し、未知のデータに対して予測や分類を行う技術だ。ルールを人間が逐一コードに書き下す従来のプログラミングとは異なり、振る舞いを決める規則をデータの側から獲得させる点が本質的な違いになる。与えるものは課題によって変わり、入力と正解の組に限らず、正解のないデータや行動に対する報酬でも学習は成り立つ。AI という分野の中では、この「データから学び取る」実現手段の層が機械学習にあたり、多層のニューラルネットワークを使うディープラーニングはさらにその内側の一手法になる。

3 つの学習タイプ

機械学習は学習の仕方によって大きく 3 つに分かれる。

種類	与えるデータ	代表的な用途
教師あり学習	入力と正解ラベルの組	価格予測、スパム判定、画像分類
教師なし学習	正解のないデータ	顧客のクラスタリング、異常検知
強化学習	行動に対する報酬	ゲーム AI、ロボット制御、推薦最適化

3 つは「何を手がかりに良し悪しを決めるか」が違う。教師あり学習は入力から正解への対応を関数として近似し、予測と正解のずれ (誤差) が小さくなるようモデルを調整する。教師なし学習には照合すべき正解がないため、データ同士の距離や密度といった内部構造を手がかりに、まとまりや外れ値を浮かび上がらせる。強化学習は 1 手ごとの正解を与えず、環境とやり取りした結果として返る報酬の累積が最大になる方針を学ぶ。良い手の効果が何手も後に現れるため、遅れて届いた報酬をどの行動の功績に割り振るかが難しさの中心になる。

業務適用が教師あり学習に寄りやすいのは、達成度を正解との一致で測れて投資判断を説明しやすいからだ。そのぶん、正解ラベル付きデータをどれだけ用意できるかがプロジェクトの成否を左右する。

なぜ重要か

機械学習は需要予測、与信審査、故障検知、レコメンドなど、ビジネスの意思決定そのものを自動化・高度化する。重要なのは「精度の高いモデルを作ること」よりも、解くべき課題を機械学習で扱える形 (予測タスク) に落とし込めるかという問題設定の力だ。

実務上の落とし穴

学習データに偏りがあれば、モデルはその偏りをそのまま増幅する。また、学習データに合わせ込みすぎて雑音まで覚えてしまう過学習 (オーバーフィッティング) は頻出の失敗で、訓練に使っていない検証用データで測らないと気づけない。似た症状でも原因は分かれる。公開前の検証時点で既に成績が落ちているなら過学習を、公開後にじわじわ落ちていくなら入力データの分布が学習時からずれてきたこと (ドリフト) を疑う。ここを取り違えると、再学習すべき場面でモデルを複雑にしてかえって悪化させる。モデルを一度作って終わりにせず、データ分布の変化に合わせて継続的に再学習する運用設計まで含めて初めて価値が出る。

着手するなら、精度の追求より先に「何を予測できたら業務の判断が変わるか」を 1 つに絞り、その予測に必要なラベルを過去データから復元できるかを確かめたい。ここが埋まらない課題は、どのアルゴリズムを選んでも運用まで到達しない。