なぜ今さらAIを学ぼうと思ったのか
IT業界に携わって約30年。日々なんらかのIT情報にかかわっている。
そんな私でも、「AIって結局何なの？」と聞かれたら正直に答えられなかった。
ニュースでは毎日AIの話題が出る。職場でもAI活用の話が増えてきた。でも「機械学習」「ディープラーニング」「生成AI」……言葉は知っているけれど、それぞれの関係や、ビジネスでどう使うのかが自分の中でぼんやりしていた。
MBAを学ぶビジネススクールでAI＆データサイエンスを体系的に学ぶ機会を得た。理由はシンプルで、
- AIの基礎を、ちゃんと体系的に理解したかった
- 自分の知識と”正しい基礎”のズレを確認したかった
- ビジネスにおけるAI活用の実像を掴みたかった
クラスメートにはIT系でない人も多く、「難しくてついていけなかったらどうしよう」という空気は正直なかった。それより、カリキュラムを見たときの感覚が強かった。「XGBoost」「AUC」「混同行列」……知らない言葉が並んでいる。これ、全部わかるようになるのか。そのワクワクの方が大きかった。
まず整理した：AI・ML・DLって何が違うの？
「AI」「機械学習」「ディープラーニング」。なんとなく同じような意味で使われているけれど、実は入れ子構造になっている。
- AI（人工知能）：人工的に作られた人間のような知能・技術の総称
- 機械学習（ML）：AIの一分野。データのパターンをアルゴリズムで学習して予測する
- ディープラーニング（深層学習）：機械学習の手法のひとつ。現在のAIブームの主役
図にするとこんなイメージ。
AI ⊃ 機械学習 ⊃ ディープラーニングメディアでは「機械学習 ≒ AI」として扱われることが多いが、ビジネスの文脈では機械学習がデータサイエンスの中心として位置づけられている。
個人的に「そうか！」となったのは、回帰分析も機械学習のひとつという話。統計の手法だと思っていたものが機械学習の文脈でも出てくる。ITインフラ畑にいるとこういう知識の接点が少なく、改めて整理できた感覚があった。
さらに、ChatGPTに代表される生成AIは予測AIとは別物として区別して考えると一気にスッキリした。生成AI ≠ 機械学習（予測AI）、同じAIという言葉でも指しているものが違う。
「統計と機械学習は違う」──この言葉が刺さった
学び始めて最初に「なるほど」となったのがこれだった。
統計学と機械学習、似ているようで目的がまったく違う。
| 機械学習 | 統計学 | |
|---|---|---|
| 目的 | 予測 | 説明（因果関係） |
| ビジネスでの使い方 | システムとして実装 | 意思決定の根拠 |
| 性質 | エンジニアリング的 | サイエンス的 |
統計学は「なぜそうなるのか（Why）」を明らかにしようとする。機械学習は「次に何が起きるか（What）」を予測することに特化している。
「機械学習の本質は予測に過ぎない」──このシンプルな言葉がすとんと落ちた。AIへの過度な期待や恐怖が、これを聞いてすっと薄れた気がした。
ビジネスで機械学習を使うということは、「このお客さんは買ってくれるか？」「このローンは貸し倒れるか？」「この社員は辞めそうか？」を確率で予測してシステムに組み込む、ということ。魔法でも神でもなく、あくまで予測ツール。そう理解した途端、急に身近なものに見えてきた。
タイタニックのデータで「データを見る」を体験した
学び始めの演習として取り組んだのが、Kaggleの「タイタニック」コンペだった。タイタニック号の乗客データをもとに、誰が生き残ったかを予測する分類問題で、データサイエンスの入門として世界中で使われている定番課題だ。
私はこのとき初めてKaggleにアカウントを作った。
やったのはモデルを作ることではなく、「データを理解すること」。Excelのピボットテーブルを使って乗客データを探索的に分析（EDA）し、生死に関わる要因を自分なりに考えた。
- 女性の生存率は男性より高いのか
- 船室のクラスによって生存率は変わるのか
- 年齢は関係するのか
データを眺めているだけでは見えないものが、集計して可視化すると浮かび上がってくる。この感覚が面白かった。
そしてここで気づいたのが、「データを見ること」が思った以上に思考力を使うということ。AIというと華やかなアルゴリズムの話になりがちだけれど、「何のデータを・どう見るか」が出発点。モデルを作る前の段階がいかに重要かを、手を動かして初めて実感した。
学んでみての感想と次のステップ
学び始めて一番感じたのは、「AIへの解像度が上がった」ということ。
IT歴が長くても、体系的に学ぶ機会がなかったものがある。AIはまさにそれだった。なんとなく知っている言葉が「こういう構造でつながっているのか」と整理された感覚があった。
特に印象に残ったのは2つ。
ひとつは「機械学習の本質は予測に過ぎない」というシンプルな定義。過度な期待も恐怖も、まずここに立ち返ると整理できる。
もうひとつは「データを理解することがすべての出発点」という話。モデルやアルゴリズムより先に、データを丁寧に見る力が問われる。これはITに限らず、ビジネス全般に通じる話だと思った。
次のステップではいよいよ実際の分析ツールを使って予測モデルを構築する演習に入る。テーマは金融データを使った貸し倒れ予測。次回もレポートします。
→ 【機械学習入門②の記事はこちら】※公開後リンク追加予定
学びを深めるのにおすすめの本
学び始めをきっかけに、関連書籍をいくつか読んだ。「これは読んでおくとよかった」と感じた本を紹介する。
①「AIの本質」を掴むなら
『図解即戦力 機械学習＆ディープラーニングのしくみと技術がこれ1冊でしっかりわかる教科書』（技術評論社）
機械学習の仕組みを図解で丁寧に説明してくれる一冊。プログラミング知識不要で、AIの全体像を掴むのに最適。学び始める前に読んでおくと理解がスムーズになると思う。
②「機械学習×ビジネス」の全体像を掴むなら
『仕事ではじめる機械学習 第2版』（オライリー・ジャパン）
コードよりもビジネス文脈での機械学習の使い方に重きを置いた本。「どう業務に活かすか」を考えたいビジネスパーソンに向いている。