機械学習とは、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技術です。 人が判断のルールを1つずつ書く代わりに、過去のデータからルールに当たるものを見つけさせます。
この記事で分かること
- 機械学習の仕組み(学習と推論、特徴量、過学習)
- 3つの種類(教師あり・教師なし・強化学習)の違い
- 分類・回帰・クラスタリング・異常検知・レコメンドの業務での使い方
- 導入に必要なデータと、進め方の注意点
機械学習はAI(人工知能)の一部で、ディープラーニングは機械学習の一部です。3つの関係は AI・機械学習・ディープラーニングの違い で整理しています。
機械学習とルールベースの違い
機械学習を理解する近道は、人がルールを書く「ルールベース」と比べることです。
| 観点 | ルールベース | 機械学習 |
|---|---|---|
| 判断の決め方 | 人が条件を書く(「〇〇なら△△」) | 過去のデータから、判断の基準を見つけさせる |
| 向いている業務 | 基準がはっきりしていて、変わらない業務 | 基準を言葉にしにくい、または要素が多すぎる業務 |
| 変化への対応 | 人がルールを書き直す | 新しいデータで学び直す |
| 判断理由 | ルールを見ればわかる | 手法によっては説明しにくい |
例えば、営業の見込み客の優先順位づけを考えます。「従業員100人以上かつ問い合わせが2回以上ならA」と決めるのがルールベースです。機械学習では、過去に成約した顧客と成約しなかった顧客のデータから、成約しやすい顧客の特徴を学ばせ、新しい見込み客に成約の可能性を点数で付けます。
ルールで書ける業務に、無理に機械学習を使う必要はありません。条件が多すぎて書ききれない、担当者の経験に頼っていて言葉にできない、という業務が機械学習の出番です。
機械学習の仕組み
学習と推論
機械学習は、大きく2つの段階に分かれます。
| 段階 | やること | 例(問い合わせの自動分類) |
|---|---|---|
| 学習 | 過去のデータから規則性を見つけ、「モデル」を作る | 過去の問い合わせ文と、担当部署(正解)の組み合わせを読み込ませる |
| 推論 | できたモデルに新しいデータを入れて、予測や判断を出す | 新しく届いた問い合わせを、どの部署の担当かに振り分ける |
モデルとは、学習の結果できあがる「判断の型」です。学習は最初と見直しのときに行い、日々の業務では推論を繰り返し使います。
特徴量
特徴量は、予測や判断の手がかりにするデータの項目です。例えば、飲食店の来店客数を予測するなら、曜日、祝日かどうか、天気、気温、近くのイベントの有無などが特徴量になります。
どの特徴量を使うかで、精度は大きく変わります。ここは、業務を知っている人の知識が生きる部分です。「雨の日は出前が増える」「月末は問い合わせが多い」といった現場の感覚は、特徴量の候補になります。
正解ラベル
予測したい答えのことを、正解ラベル(または目的変数)と呼びます。不良品の判定なら「良品か不良品か」、売上予測なら「実際の売上」が正解ラベルです。教師あり学習では、正解ラベル付きのデータが必要になります。
過学習
過学習とは、学習に使ったデータには当てはまりすぎるのに、新しいデータではうまく当たらない状態です。試験の過去問を答えごと丸暗記して、少し違う問題が出ると解けない状態に似ています。
過学習を見抜くために、データを「学習用」と「検証用」に分けます。学習用のデータでモデルを作り、学習に使っていない検証用のデータで精度を測ります。検証用での精度が、実際の業務で期待できる精度の目安になります。
機械学習の3つの種類
| 種類 | 学び方 | 主な用途 | 業務の例 |
|---|---|---|---|
| 教師あり学習 | 正解ラベル付きのデータから、入力と答えの関係を学ぶ | 分類、回帰 | 問い合わせの分類、売上・需要の予測、与信の判定 |
| 教師なし学習 | 正解のないデータから、似たもののまとまりや構造を見つける | クラスタリング、異常検知 | 顧客のグループ分け、いつもと違う取引の発見 |
| 強化学習 | 試行錯誤を繰り返し、得られる評価(報酬)が大きくなる行動を学ぶ | 行動の最適化 | ロボットの制御、ゲーム、配送ルートや設備運転の最適化 |
業務で最もよく使われるのは、教師あり学習です。過去の記録に「結果」が残っている業務(受注したか、不良だったか、いくつ売れたか)は、教師あり学習の候補になります。
教師なし学習は、正解が決まっていない段階で「データにどんなまとまりがあるか」を知りたいときに使います。強化学習は、試行錯誤できる環境(シミュレーションなど)が必要なため、一般の事務業務で使う場面は限られます。
代表的な手法
機械学習には多くの手法(アルゴリズム)があります。名前をすべて覚える必要はありませんが、よく目にするものを知っておくと、ベンダーの提案や社内の検討資料が読みやすくなります。
| 手法 | 仕組みのイメージ | 特徴 |
|---|---|---|
| 線形回帰・ロジスティック回帰 | 項目ごとに「どれだけ効くか」の重みを付けて足し合わせる | 単純で、どの項目が効いているかを説明しやすい |
| 決定木 | 「気温は25度以上か」「週末か」のような質問を枝分かれで重ねて答えを出す | 判断の流れを図で見せられる |
| ランダムフォレスト・勾配ブースティング | たくさんの決定木を組み合わせて、精度を高める | 表形式のデータで高い精度が出やすく、実務でよく使われる |
| k-means(k平均法) | 近いデータどうしを、決めた数のグループにまとめる | 顧客のグループ分けなど、教師なし学習の代表 |
| ニューラルネットワーク | 多数の計算の単位を層状につなぎ、複雑な関係を学ぶ | 層を深くしたものがディープラーニング。画像・音声・文章に強い |
表形式の数値データ(売上、在庫、取引の記録)では、回帰や決定木の仲間の手法が、少ないデータでも十分な精度を出し、理由も説明しやすいことがよくあります。手法の新しさではなく、データと目的、説明の必要性で選びます。
代表的な用途と業務の例
| 用途 | 何をするか | 業務の例 |
|---|---|---|
| 分類 | データがどのグループに当てはまるかを判定する | 問い合わせの部署への振り分け、迷惑メールの判定、不良品の判定 |
| 回帰 | 数値を予測する | 来月の売上、商品の需要、作業の所要時間 |
| クラスタリング | 似たもの同士をまとめる | 購買傾向による顧客のグループ分け、商品の分類 |
| 異常検知 | 普段と違うものを見つける | 設備の故障の予兆、不正な経費精算や取引、システムの異常 |
| レコメンド | 一人ひとりに合いそうなものを推薦する | ECサイトのおすすめ商品、社内のナレッジの推薦 |
製造業なら設備の異常検知や不良品の判定、小売・卸売なら需要予測、営業なら成約しやすい見込み客の発見、経理なら不正や入力ミスの疑いがある伝票の抽出、といった使い方が典型です。
導入に必要なデータ
機械学習の精度は、データの質と量でほぼ決まります。始める前に、次の点を確かめます。
| 確認すること | 見るポイント |
|---|---|
| 正解ラベルがあるか | 予測したい「結果」が記録されているか(受注の有無、不良の有無、実際の販売数など) |
| 期間と量は足りるか | 季節や景気の変化を含む期間の記録があるか。予測したい対象ごとに十分な件数があるか |
| 項目の意味が揃っているか | 担当者や時期によって、入力のルールや項目の意味が変わっていないか |
| 欠けや誤りが少ないか | 未入力、重複、明らかな入力ミスがどの程度あるか |
| 今後も同じデータが取れるか | 推論のときに、同じ項目を同じ形で毎回用意できるか |
最後の点は見落とされがちです。過去のデータを手作業で集めてモデルを作れても、毎月のデータが自動で揃わなければ、業務では使い続けられません。
進め方とよくある失敗
| 手順 | やること |
|---|---|
| 1. 目的を決める | 予測の結果を、誰の、どの判断に使うかを決める(例:毎週の発注量を決める) |
| 2. データを確かめる | 上の表に沿って、必要なデータがあるかを確認する |
| 3. 小さく試す | 対象を絞って試し、今のやり方(担当者の経験や前年比など)と精度を比べる |
| 4. 業務に組み込む | 予測を見て誰がどう判断するか、外れたときにどうするかを決める |
| 5. 運用して見直す | 精度を定期的に確かめ、状況が変われば学び直す |
よくある失敗は次のとおりです。
- 目的があいまいなまま始める:「AIで何かできないか」から始めると、精度の検証はできても、業務の判断が変わらずに終わります。
- 精度の数字だけを見る:例えば不良率が1%の工程では、すべて「良品」と答えるだけで正解率は99%になります。見逃してはいけない不良をどれだけ見つけられたかなど、業務に合った指標で評価します。
- 作った後の担当者がいない:モデルは、状況が変わると精度が落ちます。誰が精度を確かめ、学び直しを判断するかを決めておきます。
- 予測を人が使わない:予測の出し方が現場の業務の流れに入っていないと、結局、使われなくなります。
生成AIとの関係
生成AIも、仕組みとしては機械学習(その中のディープラーニング)で作られています。違いは、決まった答え(分類や数値)を出すか、文章や画像を新しく作るかです。生成AIについては 生成AIとは、生成AIの中心にある大規模言語モデルについては LLM(大規模言語モデル)とは で解説しています。
最近は、この2つを組み合わせる使い方が広がっています。例えば、対話型AIやAIエージェントに、データの集計や前処理、分析の手順の相談、予測結果を説明するレポートの作成を任せ、数値の予測そのものは機械学習のモデルで行う、という分担です。
当社の支援
機械学習を含むAIの導入は、技術を選ぶことよりも、「どの業務の、どの判断に使うか」を決めることから始まります。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)。
| サービス | こんなときに |
|---|---|
| はじめてのAI導入 | 自社の業務のどこにAIが使えるか、棚卸しから一緒に考えたい |
| DX/AXコンサルティング | データ活用やAI導入の方針・ロードマップを作り、継続して見直したい |
| 階層別・テーマ別研修 | 経営層・管理職やDX/AX推進者が、AIの基礎と業務への組み込み方を学びたい |
全社での進め方は 中堅・中小企業のためのAI活用ロードマップの作り方 も参考にしてください。どの業務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。



