【情報I】人工知能と機械学習の入口を図解で総まとめ—学習の種類・データの偏り・生成 AI の使い方｜武蔵野個別指導塾

ルールによる分類とデータからの学習を比べ、正解率の計算や集団別の棒グラフから偏りを読み取ります。生成AIの文章を確かめる例題も使い、出力を採用する根拠まで考えてみましょう。

よくあるのは、模試会場の入口で友人と「AIはどうやって答えを出しているのか」と話し、問題集にあった「教師あり学習」の教師を、画面の向こうにいる人のことだと思ってしまう場面です。「人工知能」「機械学習」「生成AI」という言葉は聞いたことがあっても、何を入力し、どこで規則を決め、何を出力するのかを説明しようとすると、区別があいまいになりがちです。

まず注目したいのは、答えが人間らしく見えるかどうかではなく、答えを作る手順です。人が条件を決めたプログラムと、データから条件や数値を調整したモデルは、同じ結果を出すことがあっても、作り方が違います。また、練習に使ったデータにうまく答えられることと、初めて見るデータに役立つことも別です。

この違いを図と小さな計算でたどれば、AIについての問題文から、学習の方法、評価のしかた、出力を使う際の確認点を読み取れるようになります。難しい数式を先に覚える必要はありません。「材料」「調整」「確認」の3か所に分けて考えていきましょう。

この単元で身につけること

• 人が決めるルールと、データから学ぶモデルを区別します。同じ「条件分岐」が見えても、境目を誰がどのように決めたのかを説明できるようにします。
• 教師あり学習、教師なし学習、強化学習の違いを捉えます。正解ラベル、データの構造、行動に対する報酬のどれを手掛かりにするかで整理します。
• 学習と推論を分けます。モデルを調整する段階と、できあがったモデルに新しい入力を渡す段階を、別々の矢印として追います。
• 正解率を計算し、全体の数字だけでは見えない偏りを調べます。データの件数や撮影条件など、結果に影響する条件も確かめます。
• 生成AIの出力を、確かめる対象として扱います。もっともらしさと事実の正しさを分け、入力する情報と出力の利用方法を考えます。

これまでに学んだ条件分岐は分類の手順を、データの収集と整理は学習材料の質を理解する土台になります。プログラミングとデータ分析が、AIの学習と評価の両側からつながる単元です。

基本の考え方

人が書くルールとデータから学ぶモデル

人工知能は、認識、判断、推論など、人間の知的な活動に関わる処理をコンピュータで実現しようとする技術や研究分野を指します。その方法は1つではありません。人が知識や条件を明示する方法も、データから処理に必要な規則性を学ぶ方法もあります。「人工知能と書いてあれば、すべて機械学習をしている」とは限りません。

たとえば、画像の明るさを0から10の数値で表し、5未満なら「暗い」、5以上なら「明るい」とする仕組みを考えます。人が経験や目的に応じて5という境目を決め、条件文に書けば、ルールに基づく処理です。この場合、判定例をいくら処理しても、それだけで境目が自動的に変わるわけではありません。

一方、明るさの数値と「暗い」「明るい」という正解を組にして渡し、よく当たる境目をデータから選ばせる方法もあります。こうした、データに含まれる規則性を利用してモデルを作る方法が機械学習です。モデルは、入力から出力を求めるための数式や処理の仕組みです。境目の数値のように、学習で調整する値をパラメータと呼びます。

図1のように、上段では人がルールを用意し、下段では学習データを使ってモデルを作ります。下段でできたモデルに新しい入力を与え、予測や分類を求める処理が推論です。学習済みのモデルに質問したり画像を渡したりすることと、その場でモデルが学び直すことは同じではありません。

図1では流れの違いを見やすくするために、細かな処理を省いています。実際には、何を予測するか、どのデータを集めるか、どの方法で学ぶか、どれほどの誤りを許容するかなどを人が設計します。「データから学ぶ」とは、人の判断が不要になるという意味ではありません。また、出力が同じでも、ルールが人の指定なのか学習で得られたものなのかは、出力だけから断定できません。

3種類の学習は手掛かりが違います

教師あり学習では、入力と、その入力に対応する正解を組にして使います。画像と写っている物の名前、家の広さなどの情報と価格、といった組です。この正解にあたる情報を正解ラベルと呼びます。「教師」は必ずしも目の前で教える人ではなく、学習の手掛かりとなる正解データを指す言葉として捉えると整理できます。

教師あり学習のうち、画像を「犬」「猫」のような種類に分ける課題は分類です。気温などから翌日の使用電力量という数値を予測する課題は回帰です。入力に用いる明るさ、広さ、気温などの性質を特徴量と呼びます。目的と無関係な特徴量ばかりを集めても、必要な判断ができるとは限りません。正解ラベル自体が間違っていれば、その誤りを学んでしまうこともあります。

教師なし学習では、分類先などの正解ラベルを与えず、データの似ている点やまとまりを探します。たとえば、貸出記録の傾向が似た本をまとめる処理が考えられます。似たデータを集めてグループにする方法をクラスタリングと呼びます。ただし、できたグループに「初級向け」「専門的」といった意味を付けられるかは、内容を調べて判断します。グループ番号がそのまま人間にとっての意味を表すわけではありません。

強化学習では、ある状況で行動を選び、その結果として得られる報酬を手掛かりに、行動の選び方を学びます。迷路の中で移動する仕組みなら、ゴール到達に報酬を与えるなどの設定が考えられます。各場面の正しい行動を最初からすべて教えるのではなく、試行の結果を使い、将来にわたる報酬を大きくすることを目指します。目先の報酬だけを追うと、遠回りでも最終的に有利な行動を選べない場合があります。

強化学習では、報酬の決め方も重要です。移動の速さだけを褒める仕組みにすると、安全に進むという本来の目的から外れるおそれがあります。教師なし学習も強化学習も、「人が何も設定せずに学ぶ」という意味ではありません。何を似ていると見なすか、何を良い結果と見なすかには設計が関わります。

学んだ結果を確かめることと生成すること

学習に使うデータを学習用データと呼びます。しかし、そのデータへの当てはまりだけでは、実際に役立つかを評価できません。学習例の細部に合わせすぎて、新しいデータにはうまく対応できない状態を過学習といいます。学習に使わなかったデータでも役立つ性質は、汎化と呼ばれます。

方法や設定を選ぶための検証用データと、最終的な評価のためのテスト用データを分けて使う考え方があります。テスト結果を見ながら何度も設定を調整すると、テストの内容に合わせてしまい、初めてのデータに対する評価としては弱くなります。同じ画像のほぼ同じ複製が学習側とテスト側に入ることも、評価が良く見える原因になります。

生成AIは、文章、画像、音声などを生成するAIの総称です。代表的な文章生成の仕組みでは、学習した言語のパターンをもとに、入力とそれまでの文章に続くトークンを順に選びます。トークンは処理上の区切りで、必ずしも1文字や1単語とは一致しません。画像生成では別の仕組みも用いられるので、すべての生成AIを「次の単語を当てる機械」と説明するのは狭すぎます。

文章を自然につなげる能力と、その内容が事実かを保証する能力は別です。実在しない資料名を挙げたり、計算を誤ったりする出力はハルシネーションと呼ばれることがあります。検索機能を組み合わせた仕組みでも、元の資料を読み違える可能性は残ります。生成された文は、調べる観点や説明案として役立てられますが、採用する事実は別に確かめます。

例題で解き方を確かめる

例題1　ルールによる判定と学習を見分ける

ある装置は、画像の明るさを数値xで表し、人が決めた条件「xが5以上なら明るい、そうでなければ暗い」で判定します。xが3、5、8のときの出力を求めてください。また、この説明だけから、装置が機械学習をしているといえるでしょうか。

1. 境目を決めた主体を確かめます。問題文に「人が決めた条件」とあるので、ここではデータから境目を学習していません。
2. 等号の位置を見ます。「5以上」には5を含むため、5ちょうどを暗い側に入れないようにします。
3. 3、5、8を条件に当てはめます。3は5未満、5と8は5以上なので、出力を順に並べられます。

同じ条件をPythonで表すと、次のようになります。繰り返しは3個の入力を順に処理するためのもので、学習を繰り返す処理ではありません。

for x in [3, 5, 8]:
    if x >= 5:
        print(x, "明るい")
    else:
        print(x, "暗い")

出力は次のとおりです。

3 暗い
5 明るい
8 明るい

データが入るプログラムなら何でも機械学習というわけではありません。判定に使う境目が、この処理の前にどのように決まったかが、読み分ける根拠になります。

答え：出力は順に「暗い、明るい、明るい」で、この装置は記述された範囲では人が指定したルールで判定しています。

例題2　データから分類の境目を選ぶ

学習用データとして、明るさと正解ラベルの組が「2は暗い、4は暗い、6は明るい、8は明るい」と与えられました。「境目t未満なら暗い、t以上なら明るい」というモデルで、tの候補3、5、7のうち、この4件への正解数が最大になるものを選びます。選んだモデルで、明るさ5の新しい画像も判定してください。

1. 候補ごとに同じ4件を判定します。異なるデータで候補を比べると、境目の良し悪しとデータの違いが混ざるからです。
2. tが3なら明るさ4を、tが7なら明るさ6を誤ります。tが5なら4件すべてが正解になるので、候補の中では5を選びます。
3. 選んだ境目を固定して新しい入力5を判定します。5以上に入るため出力は明るいですが、この出力が本当に正しいかを確かめるには、新しい画像の正解も必要です。

図2のように、数直線上にデータを置くと、境目と予測の関係を追いやすくなります。青い丸は暗いという正解、橙の四角は明るいという正解を表し、色だけでなく形も変えています。赤い縦線は選ばれた境目5で、点の間隔は明るさの差に比例しています。

図2で4と6の間に線が引けることは、この4件を分類できることを示します。しかし、現実の画像では明るさだけでは区別しきれない場合もあります。また、候補以外も許すなら、4より大きく6以下の境目はこの4件をすべて正しく分類できます。今回は候補を3、5、7に限ったので、5に決まります。

data = [(2, "暗い"), (4, "暗い"), (6, "明るい"), (8, "明るい")]
for t in [3, 5, 7]:
    correct = 0
    for x, label in data:
        pred = "明るい" if x >= t else "暗い"
        if pred == label:
            correct += 1
    print(t, correct)

出力は次のとおりです。

3 3
5 4
7 3

これは境目をデータで選ぶ学習を小さく表した例です。ここで示した正解数は学習用データへの当てはまりであり、新しいデータでの性能を表す数字ではありません。

答え：境目は5、学習用データの正解数は4件、新しい明るさ5への予測は「明るい」です。

例題3　全体の正解率に隠れる差を読む

画像を分類するモデルを、学習に使っていない100件で評価しました。明るい場所で撮影した集団Aは80件中72件、暗い場所で撮影した集団Bは20件中12件が正解でした。全体と各集団の正解率を求め、「全体の結果がよいので、どちらの撮影条件でも同じように使える」といえるか考えてください。ここで集団A、Bは撮影条件の区分であり、例題2の正解ラベルとは別です。

1. 分母をそろえず、まず各集団の中で割合を出します。Aは72 ÷ 80 × 100で90％、Bは12 ÷ 20 × 100で60％です。
2. 全体は正解数と件数をそれぞれ合計します。84 ÷ 100 × 100で84％となり、90％と60％の単純平均75％にはなりません。
3. 集団ごとの差を確認します。Aが多いため全体の数字にはAの結果が強く反映されており、Bでの低い正解率を見落とせません。

次のPythonでは、割合を小数第1位まで表示します。正解率は「正解数 ÷ 全件数」であり、全体の計算には集団ごとの件数が欠かせません。

a_ok, a_n = 72, 80
b_ok, b_n = 12, 20
print(f"A: {a_ok / a_n * 100:.1f}%")
print(f"B: {b_ok / b_n * 100:.1f}%")
print(f"全体: {(a_ok + b_ok) / (a_n + b_n) * 100:.1f}%")

出力は次のとおりです。

A: 90.0%
B: 60.0%
全体: 84.0%

この結果だけで、学習データの不足が原因だと断定することもできません。暗い画像の識別が難しい、画質が違う、正解ラベルに誤りがある、といった別の可能性も調べます。Bの件数は20件なので、さらにデータを集めたときにも差が続くかを確かめる意味があります。

答え：Aは90％、Bは60％、全体は84％で、両条件で同じように使えるとは判断できません。

例題4　生成された説明を採用する前に確かめる

生成AIが「教師なし学習では、画像に付けた正解ラベルを使って分類の規則を学びます」と答え、続けて出典らしい書名を挙げました。この説明を学習ノートに採用するまでに、どのように確かめればよいでしょうか。

1. 説明を、確かめられる主張に分けます。ここでは「教師なし学習が正解ラベルを使う」という定義と、「挙げられた書名が実在し、説明を裏付ける」という出典の2点です。
2. 手元の教科書で定義を照合します。入力に対応する正解ラベルを使うのは教師あり学習なので、生成された説明は用語を取り違えています。
3. 書名の存在と該当箇所を別々に確認します。資料が実在することだけでは、その資料に同じ説明が書いてある証拠にならないためです。
4. 確かめた内容に基づいてノートを書き直します。同じAIに「本当ですか」と尋ねて同じ答えが返っただけでは、独立した裏付けにはなりません。

生成AIを使うときは、目的や条件を明示すると、望む形式の出力を得やすくなります。たとえば「高校の情報Iの範囲で、3種類の学習を、手掛かりにする情報で比較する」と依頼できます。ただし、指示を詳しく書いても正しさが保証されるわけではなく、定義や計算は別の手段で確かめます。

答え：教科書で定義を照合して「教師あり学習」に直し、出典は実在と記載内容の両方を確かめてから採用します。

つまずきやすいところと直し方

誤り1　学習時の正解率だけで性能を決める

誤った書き方は「学習用の100件をすべて正解したので、今後も必ず正解する」です。どこが違うかというと、学習に使った例への当てはまりから、まだ見ていない例への結果まで広げている点です。問題と答えを覚えた状態と、条件が変わっても考えられる状態を、同じ数字で扱ってしまっています。

正しい書き方は「学習用データへの正解率は100％だが、新しいデータへの性能は、学習に使っていないデータで別に確かめる」です。似た画像の重複や、予測時点では知りえない情報の混入も点検します。データを分けたという形式だけでなく、学習側に答えにつながる情報が漏れていないかが大切です。

誤り2　全体の数字をそのまま公平性と呼ぶ

誤った書き方は「全体の正解率は84％なので、集団による不利はない」です。どこが違うかというと、全体の平均的な結果と、条件ごとに誰がどんな誤りの影響を受けるかを混同している点です。図3のように同じ目盛りで並べると、全体の数字がAとBの差を表していないことが見えます。

図3の棒はすべて0％を起点にしているので、高さで割合を比較できます。正しい書き方は「全体は84％だが、Aは90％、Bは60％なので、条件別の誤りとデータの集め方を調べる」です。学習データが使う場面を十分に代表していないと、特定の条件で性能が下がることがあります。件数を増やしても、同じ条件の例だけを増やすのでは偏りが残ります。

公平性は、集団別の正解率を等しくすれば必ず満たせる、という単純な性質でもありません。見逃す誤りと、誤って該当すると判定する誤りでは、困る人や影響が違います。利用目的に照らして誤りの種類を調べ、結果を受ける人への影響も考えます。集団の分け方そのものが適切かも、確認する対象です。

誤り3　自然な文章を正しい知識と見なす

誤った書き方は「文章が詳しく、出典も付いているので正しい」です。どこが違うかというと、表現の自然さを内容の裏付けとして扱っている点です。生成AIは、誤った情報も整った文にできるため、読みやすさだけでは信頼性を判断できません。

正しい書き方は「定義は教科書、数値は再計算、出典は実際の資料と照合して判断する」です。利用前には個人情報や公開されていない情報を不用意に入力せず、利用規約や所属先のルールを確認します。入力した内容がどう扱われるかは仕組みごとに異なるため、「質問した内容は必ずその場で学習される」「絶対に保存されない」のどちらとも一律にはいえません。

また、生成された文章や画像を使う場合も、既存の著作物に関わる権利や他者への影響を考える必要があります。「AIが作った」という理由だけで自由な利用が保証されるわけではありません。学習課題では使用が認められる範囲を確認し、自分で説明できる内容としてまとめます。

練習問題

練習1　学習の種類を区別する

次の3つは、教師あり学習、教師なし学習、強化学習のどれにあたりますか。名称と、判断に使った手掛かりを答えてください。アは「名前のラベルを付けた植物画像から、植物の種類を判定する仕組みを学ぶ」、イは「分類名を与えず、画像の特徴が似たものをまとめる」、ウは「迷路で移動を試し、ゴール到達の報酬をもとに行動の選び方を学ぶ」です。

練習2　境目と正解数を調べる

「明るさが境目以上なら明るい、未満なら暗い」とするモデルを考えます。学習用データは「1は暗い、3は暗い、7は明るい、9は明るい」です。境目の候補2、5、8それぞれの正解数を求め、最も正解数が多い境目と、そのモデルでの明るさ6への予測を答えてください。新しい入力6の正解ラベルは与えられていません。

練習3　集団の件数を考慮する

別の分類モデルの評価で、集団Cは90件中81件、集団Dは10件中5件が正解でした。各集団と全体の正解率を求めてください。また、CとDの正解率を足して2で割った値が、今回の全体の正解率にならない理由を説明してください。

練習4　評価と事実確認を分ける

ある人が「テスト用データで点検し、間違えるたびに設定を変更したところ、そのテストではすべて正解した。生成AIも『これで未知のデータでも必ず正解する』と説明した」と述べています。評価方法の問題と、説明の採用方法の問題を、それぞれ1つ挙げてください。

答えと解説

練習1の答え：アは教師あり学習、イは教師なし学習、ウは強化学習です。アは正解ラベル、イはラベルなしで探すデータのまとまり、ウは行動の結果としての報酬が手掛かりです。人が画面を操作したかどうかではなく、学ぶために何を与えているかを読みます。

練習2の答え：境目2、5、8の正解数は順に3件、4件、3件で、選ぶ境目は5、明るさ6への予測は「明るい」です。境目2では3を、境目8では7を誤ります。6は5以上ですが、予測が正解だったとまでは、この条件から判断できません。

練習3の答え：Cは90％、Dは50％、全体は86％です。全体では正解数が81 + 5 = 86件、件数が90 + 10 = 100件なので、86 ÷ 100 × 100で求めます。単純平均の70％は件数の違いを反映しません。全体の正解率が高めに見えても、Dでは半分を誤っていることが残ります。

練習4の答え：設定変更に繰り返し使ったデータは、未知のデータに対する最終評価として扱いにくくなっています。また、生成AIの断言だけでは性能の保証になりません。調整から独立させたデータで改めて評価し、その評価も、すべての将来の入力への保証ではないと説明するのが適切です。

次の単元へのつながりと家庭での確かめ方

機械学習で入力を数値として扱うには、コンピュータが画像や文字をどのように保存し、計算するかが関わります。コンピュータの構成を学ぶと、大量のデータを置く記憶装置と、モデルの計算を進める処理装置を区別できます。また、問題解決の実践では、AIを使うこと自体を目標にせず、どの誤りを減らしたいか、どう評価するかを先に決める考え方につながります。

家庭での5分の確認は、次の2つです。1つ目は、紙に「入力」「手掛かり」「出力」の3欄を書き、植物画像の分類と迷路での行動選択を比べることです。2つ目は、例題3の件数と正解数だけを見て、全体の正解率を電卓で求め直し、Bの割合が全体と違う理由を声に出して説明することです。AIのサービスに登録しなくても取り組めます。

個別指導では、学習の種類で迷うなら「正解ラベルと報酬の違い」まで、正解率で迷うなら「何件を分母にするか」まで戻って確かめます。保護者の方がお子さまと確認するときも、用語を言えたかだけでなく、その用語を選んだ根拠を一緒に聞くと、理解の位置が見えやすくなります。

まとめ

AIについて判断するときは、出力の印象からいったん離れ、その答えを作った材料と確かめ方をたどってみましょう。境目を学ぶ小さなモデルでも、長い説明を生成する仕組みでも、入力条件が変われば結果も変わりえます。誤りを1つ見つけたときに、単に使える、使えないと結論を急がず、どの条件で何が起きたのかを記録できれば、改善や適切な使い方へ進めます。

AIの答えを採用する根拠は、流暢さではなく、確かめた過程にあります。