生成AIパスポート　学習メモ

Last updated at 2026-02-16Posted at 2026-02-15

まずはじめに

一般社団法人生成AI活用普及協会（GUGA）が主催する「生成AIパスポート」の資格取得に向けて学習中である。
本文章は、第1章の内容を整理する目的でまとめたものである。

AI（Artificial Intelligence）とは人工知能のことであり、人間の知的活動をコンピュータによって実現しようとする技術の総称である。

AIの一手法としてニューラルネットワークがある。これは人間の神経細胞（ニューロン）の仕組みを参考にした数理モデルである。さらに、ニューラルネットワークを多層化し、高度な特徴表現を可能にしたものをディープラーニング（深層学習）という。

ニューラルネットワークは、入力層・隠れ層・出力層から構成される。隠れ層では、学習を通じて重み（結合の強さ）が更新され、その結果として最終的な出力が変化する。

AIは大きく ルールベースと機械学習に分類される。

人間があらかじめ定めたルールに基づいて動作する方法である。
基本構造は「if（条件）then（結論・行動）」で表される。
大量のルールを人間が定義する必要があるため、開発や保守管理に大きな負担がかかるという課題がある。

大量のデータを用いて、機械が自らルールやパターンを学習し、統計的な推定を行う方法である。

機械学習には主に以下の4つの手法がある。

教師あり学習
入力データと正解データのペアを使い、
誤差が小さくなるようにモデルのパラメータを何度も更新する。
そうして得られた関数を使って、新しいデータの結果を予測する方法。
教師なし学習
教師あり学習の正解データがないバージョン。
入力データだけを渡してAIに推測させ、データ構造やパターンを見つける方法。
代表的な手法は以下の通りである。
- クラスタリング
  　データ同士の似ている度合いをもとに、自動的にグループ分けする手法
- 次元削減
  データの重要な特徴を抽出して、より少ない次元で表現する手法
半教師あり学習
教師あり学習、教師なし学習を組み合わせた方法。
これをやることで、学習自体のコストが削減される。
しかし、大量の正解データが存在する場合の教師あり学習と比べると精度が下がる
強化学習
機械に目標を与え、目標を達成するたびに報酬(または罰)を与える。
報酬が最大になる行動を学習する方法。

以上が機械学習の特徴である。
機械学習にはそれぞれ前提となる仮定があり、
すべての問題に万能な手法は存在しない（ノーフリーランチ定理）。
そのため、データの性質を理解して手法を選択する必要がある。

機械学習に訓練データを過度に適合すると、未知データに対する性能が低下する。
これを 過学習(オーバーフィッティング)という。

過学習を防ぐ代表的な手法は以下の通りである。

1940年代　コンピュータが誕生
1950年　　アラン・チューニングがチューリングテストを提案
1956年　　ジョン・マッカーシーがArtificial Intelligenceを提唱（ダートマス会議）

ダートマス会議から、人工知能の研究が急速に進展。
記号推論やルールベース技術を中心に、人間の知識をコンピュータに組み込む研究が進められた。

エキスパートシステムが注目を集めた時代。
専門家の知識をルール化し、推論エンジンによって問題解決を行った。

しかし、知識獲得の困難さや保守管理の問題により限界が顕在化し、「AIの冬」と呼ばれる停滞期を迎えた。

ビッグデータの普及、GPUの進化、ディープラーニング技術の発展により、AIは実社会で広く活用されるようになった。

将来的には2045年頃にシンギュラリティ（技術的特異点）が到来するという予測もあるが、これは仮説段階にある。