第1章：AI（人工知能）の基礎概念

AIエンジニアとしての第一歩は、AIという言葉が指す範囲と、その中核となる技術の関係性を正しく理解することです。

1. AI・機械学習・ディープラーニングの定義

「AI（人工知能）」という言葉は非常に広い意味を持ちますが、技術的には以下の図のような包含関係になっています。

• AI（人工知能）: コンピュータに人間のような知的な情報処理を行わせる技術の総称。

• 機械学習（Machine Learning）: AIの一分野。データから反復的に学習し、そこに潜むパターンを見つけ出す技術。

• ディープラーニング（Deep Learning）: 機械学習の一手法。人間の脳の神経回路を模した「ニューラルネットワーク」を多層（ディープ）にしたもの。

試験対策ポイント： > 全てのディープラーニングは機械学習であり、全ての機械学習はAIですが、その逆（全てのAIがディープラーニングである）は成り立ちません。

2. AIの主な分類とタスク

AIが実務でどのような課題を解決するのか、大きく4つのタスクに分類されます。

1. 回帰（Regression）: 数値を予測すること。

   • 例：過去の売上データから来月の売上金額を予測する。

2. 分類（Classification）: 種類（ラベル）を特定すること。

   • 例：メールが「スパム」か「通常」かを判定する。

3. クラスタリング（Clustering）: 正解を与えずに、似たもの同士をグループ分けすること。

   • 例：顧客を購入傾向に基づいて3つのグループに分ける。

4. 異常検知（Anomaly Detection）: 通常とは異なる動きを見つけ出すこと。

   • 例：工場のセンサーデータから故障の予兆を検知する。

3. AI利活用における倫理とセキュリティ

AIエンジニアは技術だけでなく、社会的な責任についても理解しておく必要があります。

• AIバイアス（偏り）: 学習データに偏りがある場合、AIが特定の属性（性別、人種など）に対して不当な判断を下してしまう問題。

• 著作権とプライバシー: 学習に利用するデータが著作権を侵害していないか、個人を特定できる情報が含まれていないかを慎重に扱う必要があります。

• 説明責任（Explainability）: 特に医療や金融分野では、「なぜAIがその判断を下したのか」を人間が理解できる形で説明できることが求められます。