MAIMAI編集部は、親子AIラボ内の学習・編集・検証ブランドです。
まず、横並びの3種類ではない。
AI、機械学習、生成AIは、同じ階層に並ぶ言葉ではありません。ここを最初に押さえると、その後の用語がかなり楽になります。
AI ⊃ 機械学習 ⊃ 深層学習。そして現在の生成AIの多くは、深層学習を土台に「新しい内容を作る」ことを得意にしています。
AIは「賢く見える処理」全体を指す大きな言葉。
AI（Artificial Intelligence / 人工知能）は、ひとつの製品名でも、ひとつのアルゴリズム名でもありません。人間が行う判断、認識、推論、計画、言語処理などをコンピュータで実現しようとする広い分野です。
重要なのは、AIだから必ず機械学習を使うとは限らないことです。たとえば「条件Aなら処理B、条件Cなら処理D」というルールを人間が細かく書く仕組みも、目的によってはAI的なシステムとして扱われてきました。
AIという言葉だけでは、仕組みは分からない
「AIを導入します」と言われても、それだけでは何をするのか分かりません。売上を予測するのか、問い合わせを分類するのか、文章を書くのか。実務では「AIかどうか」よりも、入力は何で、何を出力し、どんな誤りが起こり得るかを見る方が重要です。
機械学習は、データから「傾向」を学んで判断する。
機械学習（Machine Learning）は、人間が一つひとつの判断ルールを書く代わりに、過去のデータからパターンや関係を学ばせる方法です。
たとえば「来月の売上はいくらになりそうか」を考えるとき、人間が「雨の日は売上を8％下げる」「金曜日は15％上げる」とルールを全部決めるのではなく、過去の売上、曜日、天気、キャンペーンなどのデータを使って、予測に役立つ関係をモデルに学ばせます。
分類する
迷惑メールか通常メールか、不良品か正常品か、解約しそうか継続しそうか。
予測する
来月の売上、需要、在庫切れの可能性、顧客が購入する確率など。
似たものをまとめる
顧客を購買傾向でグループ分けし、それぞれに違う施策を考える。
異常を見つける
不正利用、設備の異常、いつもと違うアクセスなどを検知する。
機械学習の代表的な3タイプ
- 教師あり学習：正解付きデータから、分類や予測を学ぶ。
- 教師なし学習：正解を与えず、似たグループや構造を見つける。
- 強化学習：行動と結果を繰り返し、報酬が大きくなる行動を学ぶ。
深層学習は、機械学習の中でも複雑な特徴を学びやすい。
深層学習（ディープラーニング）は、機械学習の一手法です。多層のニューラルネットワークを使い、画像・音声・文章のような複雑なデータから特徴を学びます。
従来の機械学習では、人間が「何を見るか」をある程度設計することが多くありました。深層学習では、大量のデータから有用な特徴そのものを学びやすくなり、画像認識、音声認識、言語処理などが大きく発展しました。
ChatGPTのような大規模言語モデル、画像生成モデル、音声生成モデルなど、現在広く使われている生成AIの多くは深層学習を土台にしています。
生成AIは「当てる」だけでなく、新しい内容を作る。
生成AI（Generative AI）は、学習したデータのパターンを利用して、新しい文章、画像、音声、動画、コードなどを生成するAIです。
従来の機械学習の代表例が「この顧客は購入する／しない」「来月の売上は○円」といった分類・予測だとすれば、生成AIは「この条件でメールの下書きを作る」「商品の画像案を作る」「コードを書く」のように、新しい出力そのものを組み立てるところが特徴です。
ただし、生成AIも何でもできるわけではない
文章を自然に作れても、その内容が事実とは限りません。数値予測が必要な仕事では、生成AIに数字を「それらしく書かせる」のではなく、データ分析や機械学習モデルで計算した結果を生成AIに説明させる方が適切な場合があります。
AI・機械学習・生成AIを、仕事目線で比較する。
| 言葉 | 何を表す？ | 得意なこと | 主な入力 | 主な出力 |
|---|---|---|---|---|
| AI | 知的処理を実現する広い分野 | 認識・判断・計画・言語など | 仕組みによる | 仕組みによる |
| 機械学習 | データから規則を学ぶ方法 | 分類・予測・推薦・異常検知 | 過去データ、特徴量 | クラス、確率、予測値など |
| 深層学習 | 機械学習の一手法 | 画像・音声・言語など複雑なデータ | 大量の画像・音声・文章など | 認識結果、予測、表現など |
| 生成AI | 新しい内容を生成するAI | 文章・画像・音声・動画・コード生成 | 指示、文脈、資料、画像など | 新しいコンテンツ |
生成AIは機械学習と別世界の技術ではありません。現在の生成AIの多くは、機械学習、とくに深層学習の技術の上に成り立っています。違いを見るときは「分類・予測したいのか」「新しい内容を生成したいのか」と目的で考えると実務的です。
身近な仕事を、どの技術で考える？
同じ業務で組み合わせることもある
「どちらか一つ」ではありません。たとえば店舗の売上改善なら、機械学習で需要や再来店確率を予測し、その結果を生成AIが人間向けの報告書や施策案に変換する、といった組み合わせができます。
迷ったら「欲しい出力」から逆算する。
技術名から選ぶより、「最後に何が欲しいか」を先に決める方が失敗しにくくなります。
判定したい：不良／正常、購入／非購入など → 分類モデルを検討。
数値を予測したい：売上、需要、確率など → 機械学習・統計モデルを検討。
似たものをまとめたい：顧客セグメントなど → クラスタリング等を検討。
文章・画像などを作りたい：要約、下書き、アイデア、画像 → 生成AIを検討。
根拠が重要：生成AIだけに任せず、元データ・計算・一次情報へ戻れる設計にする。
「AIなら何でもできる」は判断基準にならない
必要なのは、入力データ、正解の定義、許容できる誤り、処理量、速度、費用、説明可能性です。同じ業務でも条件が違えば、適切な方法は変わります。
3問だけ、自分で分類してみる。
ミニ練習
- 過去3年の販売履歴から、来月の商品別販売数を予測する。
- 商品情報を渡して、Instagram投稿文を10案作る。
- 顧客の購買履歴から、似た買い方をする顧客グループを見つける。
答えを見る
1は機械学習・統計による予測、2は生成AI、3は教師なし学習（クラスタリング）が代表的です。実際の現場では、データ量や精度要求によって別の方法を選ぶこともあります。
自分の仕事で考える
いま「AIでやりたい」と思っている仕事を1つ選び、①入力は何か、②欲しい出力は分類・数値・グループ・新しい文章/画像のどれか、③間違ったとき誰が確認するか、の3点を書いてみてください。これだけで技術選定の入口になります。
今日のまとめ。
AIは、人間の知的作業の一部をコンピュータで実現する広い分野。
機械学習は、データからパターンを学んで分類・予測などを行うAIの代表的な方法。
深層学習は機械学習の一手法で、現在の生成AIを支える主要技術。
生成AIは、学んだパターンを使って文章・画像・音声・コードなど新しい内容を作る。
仕事では「AIかどうか」ではなく、何を入力し、何を出力したいかで考える。