AI(人工知能)がいちばん大きな枠で、その中に機械学習があり、機械学習の中にディープラーニングがあります。 3つは並べて比べるものではなく、入れ子の関係です。
この記事で分かること
- AI・機械学習・ディープラーニングの意味と、入れ子の関係
- 生成AI(ChatGPT、Claude、Gemini などの対話型AI)がどこに位置づくか
- AIの歴史の要点と、いまのAIが使えるようになった理由
- 業務の目的に応じた使い分けの考え方
AI・機械学習・ディープラーニングとは
まず、3つの言葉の意味を一言で整理します。
| 用語 | 一言でいうと | 身近な例 |
|---|---|---|
| AI(人工知能) | 人の知的な働き(判断・予測・認識・言葉の理解など)をコンピュータで実現する技術や研究分野の総称 | 将棋のAI、迷惑メールの判定、対話型AI |
| 機械学習 | データから規則性をコンピュータに学ばせ、新しいデータに対して予測や判断をさせる手法 | 売上の予測、問い合わせの自動振り分け |
| ディープラーニング(深層学習) | 機械学習の手法の1つ。多層のニューラルネットワークで、判断に使う特徴までデータから学ぶ | 画像認識、音声認識、翻訳、生成AI |
AIという言葉には、誰もが同じ意味で使う1つの定義はありません。研究者や団体、法律や規格によって、範囲の決め方が少しずつ違います。この記事では、上の表のように広い意味で使います。
3つの関係(包含関係)
入れ子の関係を、外側から順に並べると次のようになります。
| 範囲 | 含まれるもの | 判断の決め方 |
|---|---|---|
| AI(いちばん外側) | ルールベースのAI、機械学習、ディープラーニングを含む全体 | 人がルールを書く方法も、データから学ぶ方法も含む |
| 機械学習(AIの一部) | 決定木・回帰分析などの手法、ディープラーニング | データから学ぶ。ただし、何に注目するか(特徴量)は人が決めることが多い |
| ディープラーニング(機械学習の一部) | ニューラルネットワークを多層にした手法。生成AIの土台 | 何に注目するかも、データから自動で学ぶ |
特徴量とは、予測や判断の手がかりにするデータの項目です。例えば、来店客数を予測するなら「曜日」「天気」「チラシの有無」などが特徴量になります。
3つの違いは、「人がどこまで決めて、どこからデータに任せるか」で見ると分かりやすくなります。
| 観点 | ルールベースのAI | 機械学習 | ディープラーニング |
|---|---|---|---|
| 人がやること | 判断のルールをすべて書く | 特徴量を選び、正解付きのデータを用意する | 大量のデータを用意する |
| 必要なデータ | 少なくてよい(ルールがあればよい) | 一定の量が必要 | 大量に必要なことが多い |
| 得意なデータ | 条件がはっきりした判断 | 表形式の数値データ(売上・在庫など) | 画像・音声・文章 |
| 判断理由の説明 | しやすい | 手法によっては説明できる | 説明しにくい |
例えば、経費精算のチェックを考えます。「5万円以上は部長承認」と人が決めて判定するのはルールベースです。過去に差し戻された申請のデータから、差し戻しになりやすい申請を見つけるのが機械学習です。領収書の画像から日付や金額を読み取るのは、ディープラーニングが得意な仕事です。
総務省の情報通信白書は、ディープラーニングを「機械学習の一種」と位置づけ、何に着目して判断するか(特徴量)を人が与えなくても、コンピュータが自ら見つけられるようになった点を、現在のAIブームのきっかけとして説明しています(出典:総務省「平成28年版 情報通信白書」人工知能(AI)研究の歴史)。
生成AIとの関係
ChatGPT、Claude、Gemini などの対話型AIは、生成AIと呼ばれます。生成AIは、文章・画像・音声などを新しく作り出すAIです。その多くは、ディープラーニングの中でも、後で紹介する Transformer という仕組みを使った大規模なモデルで作られています。
つまり、生成AIはディープラーニングの中に位置づきます。ただし、AIの中で「生成AIか、そうでないか」は、仕組みの違いよりも、何を出力するかの違いで分けた呼び方です。
| 区分 | 出力するもの | 業務の例 |
|---|---|---|
| 識別・予測のAI | 「どれに当てはまるか」「数値はいくつか」という答え | 不良品の判定、需要の予測、問い合わせの分類 |
| 生成AI | 新しい文章・画像・音声・プログラム | メールや報告書の下書き、議事録の要約、資料の作成 |
生成AIの詳しい仕組みと使い方は 生成AIとは で解説しています。
AIの歴史の要点
AIの研究は70年ほど続いており、期待が高まる「ブーム」と、限界が見えて停滞する「冬の時代」を繰り返してきました。要点だけを表にまとめます。
| 時期 | 出来事 | ポイント |
|---|---|---|
| 1956年 | 米国ダートマス大学で研究集会(ダートマス会議)が開かれる | 前年の1955年に出された開催の提案書で「Artificial Intelligence(人工知能)」という言葉が使われ、AIが研究分野として始まった出来事とされる |
| 1950年代後半〜1960年代 | 第1次AIブーム | 推論や探索で、迷路やパズルのような問題を解けるようになった。現実の複雑な問題は扱えず、冬の時代へ |
| 1980年代 | 第2次AIブーム | 専門家の知識をルールとして入力する「エキスパートシステム」が広がった。知識を人が書き尽くすことが難しく、再び冬の時代へ |
| 2000年代〜 | 第3次AIブーム | 大量のデータ(ビッグデータ)から学ぶ機械学習が実用になった。ディープラーニングの登場で画像・音声の認識が大きく進んだ |
| 2012年 | 画像認識の国際コンペ(ILSVRC)でディープラーニングを使ったチームが優勝 | 上位5候補の誤り率で15.3%を記録し、2位の26.2%を大きく下回った |
| 2017年 | Google の研究者らが Transformer を発表 | 文章の中の言葉どうしの関係をまとめて捉える仕組み。現在の大規模言語モデルの土台になった |
| 2022年11月 | OpenAI が ChatGPT を公開 | 誰でも言葉で指示して使える生成AIが広まり、業務での利用が一気に進んだ |
出典は次のとおりです。ダートマス会議:Dartmouth「Artificial Intelligence Coined at Dartmouth」、AI Magazine「A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955」。第1〜3次ブーム:総務省「平成28年版 情報通信白書」。2012年のコンペ:Krizhevsky ほか「ImageNet Classification with Deep Convolutional Neural Networks」(NeurIPS 2012)。Transformer:Vaswani ほか「Attention Is All You Need」(arXiv、2017年6月)。ChatGPT:OpenAI「Introducing ChatGPT」。
第2次ブームと第3次ブームの違いは、「知識を人が書くか、データから学ぶか」です。人が書き尽くせなかった知識を、データから学べるようになったことが、いまのAIの出発点になっています。
その後、生成AIは文章を作るだけでなく、ファイルを読み、手順に沿って作業を進める AIエージェント へと役割を広げています。AIに任せられる範囲が広がったことで、ツールを足すだけでなく、仕事の進め方そのものを見直す段階に入っています。
ビジネスでの使い分け
業務でAIを使うときは、技術の名前から選ぶのではなく、「業務で何をしたいか」から選びます。
| やりたいこと | 向いている方法 | 業務の例 |
|---|---|---|
| 決まった基準で判定・処理したい | ルールベース(Excelの関数、RPA、システムの設定) | 承認ルートの振り分け、入力漏れのチェック |
| 数値を予測したい、パターンで分けたい | 機械学習 | 需要予測、解約しそうな顧客の発見、設備の故障予兆 |
| 画像・音声を認識したい | ディープラーニング(既製のサービスを含む) | 外観検査、手書き書類の読み取り、音声の文字起こし |
| 文章を作る・要約する・質問に答える | 生成AI | 議事録の要約、問い合わせへの回答の下書き、提案書の作成 |
| 複数の手順をまとめて任せたい | AIエージェント | 資料の収集・集計からレポート作成まで |
実際の業務では、これらを組み合わせます。例えば、問い合わせ対応では、機械学習で問い合わせを分類し、生成AIで回答を下書きし、金額や契約にかかわる回答は人が確認する、という形です。
中堅・中小企業では、モデルを自社で一から作るよりも、既製のサービスを使い、自社の業務にどう組み込むかを設計するほうが現実的です。差がつくのは技術の選び方よりも、「どの業務を、どこまでAIに任せ、誰が確認するか」の設計です。
よくある誤解
- 「AIを入れれば自動で判断してくれる」:機械学習は、学んだデータの範囲でしか判断できません。過去に例のない状況や、データにない事情は、人が判断する必要があります。
- 「ディープラーニングがいちばん優れている」:表形式の数値データでは、従来の機械学習のほうが少ないデータで十分な精度が出て、理由も説明しやすいことがあります。目的とデータに合わせて選びます。
- 「生成AIがあれば機械学習はいらない」:生成AIは文章の扱いは得意ですが、数値の予測を安定して出すのは得意ではありません。需要予測などは、機械学習の手法を使うのが基本です。
- 「データがなくてもAIは使える」:生成AIは自社のデータがなくても使い始められますが、自社の業務に合った回答をさせるには、社内の資料や手順書を整えて渡す必要があります。
まとめ/AI活用の基礎から整えるには
AI・機械学習・ディープラーニングは入れ子の関係で、生成AIはディープラーニングの上に成り立っています。言葉の違いを押さえたら、次に考えるのは「自社のどの業務に、どの方法を使うか」です。
AIを前提に業務・組織・意思決定の仕組みを作り替えることを、AX(AIトランスフォーメーション)と呼びます(AX(AIトランスフォーメーション)とは)。当社は、AIの基礎知識を学ぶところで終わらせず、AIに任せる業務の設計から定着までを支援しています。
| サービス | こんなときに |
|---|---|
| 階層別・テーマ別研修 | 経営層・管理職、DX/AX推進者、一般従業員ごとに、AIの基礎と業務での使い方を身につけたい |
| はじめてのAI導入 | 予備知識がない状態から、業務の棚卸しと最初の一歩を一緒に決めたい |
| DX/AXコンサルティング | AI活用の方針やロードマップを作り、施策を継続して見直したい |
全社への展開の計画づくりは 中堅・中小企業のためのAI活用ロードマップの作り方 を参照してください。AIの最新の動きを毎週追いたい方は、無料のメールマガジン 週刊AXニュース をご利用ください。何から始めるべきかを整理したい場合は、無料相談 からお問い合わせください。



