BLOG

「AIを業務で活用したい」と考えている方のなかには、AIや機械学習、ディープラーニングという言葉を耳にしたことはあっても、それぞれ何が違うのかよくわからないという方も多いのではないでしょうか。

これらは似ているようで、得意なこと・必要なデータの量・向いている場面がそれぞれ異なります。違いを整理しておくことで、自社の業務にどの技術が向いているかを判断しやすくなります。そして、自社のデータや課題に合った技術を選べるかどうかが、AI活用を成功させる重要なポイントです。

本記事では、AI・機械学習・ディープラーニングのそれぞれの意味と仕組み、共通点と違い、そして実際の業務での活用事例までをわかりやすく解説します。

💡AI活用を自社に合った形で進めたい企業様へ
Athena TechnologiesのDX Solutionでは、企業ごとの業務内容や社内ルール、セキュリティ要件に合わせた、オーダーメイド型のAI実装を支援しています。
LLM・Physical AI・画像認識などの技術を活用し、セキュリティなどの要件も踏まえながら、自社業務に適したAIソリューションを設計・開発します。
課題ヒアリングから技術設計、PoC開発、本開発・実装、運用後の改善まで一気通貫で伴走するため、AIを本格的に導入したい企業様におすすめです。
⇨Athena TechnologiesのDX Solutionについて詳しくはこちら

AI（人工知能）とは？

AIとは、人間が行ってきた「考える・判断する・予測する」といった働きを、コンピューターで再現する技術の総称です。これまでのシステムは、あらかじめ決められたルールに従って動くものが一般的でした。

一方AIは、データをもとに状況を読み取り、判断を変えたり、先の結果を予測したりできる点が特徴です。

たとえば、以下のような場面で活用されています。

• 問い合わせ対応の自動化
• 売上や需要の予測
• 画像や音声の認識
• 文章の作成や要約

このようにAIは、作業の効率化だけでなく、判断の質を高めるためにも使われるようになっています。

また、AIはひとつの技術だけを指すものではなく、その中に「機械学習」、さらにその中に「ディープラーニング」というように、段階的に発展してきた技術が含まれています。

そのため、「AI＝ディープラーニング」と思われがちですが、AIには機械学習やディープラーニングを使わないものも含まれます。

どの技術を使うかによって、

• 導入に必要な準備とコスト
• 扱えるデータの種類と量
• できることの範囲と精度

のような点が大きく変わります。

ChatGPTや画像生成AIはディープラーニングを中心に構築されていますが、売上予測や顧客の分類などは機械学習を用いるケースも多くあります。

機械学習とは？

機械学習とは、大量のデータから繰り返し学習することで、パターンやルールを機械が自動的に見つけ出す技術です。

従来のプログラミングでは、人間がすべての判断ルールをあらかじめ書き込む必要がありましたが、機械学習はデータを与えるだけで自動でルールを見つけ出します。

機械学習は特に

• 過去のデータに一定のパターンがある
• 人間の経験や勘に頼ってきた判断を自動化したい
• 大量のデータに対して判断をリアルタイムで行いたい

のようなケースで活用されます。

データさえ揃えられれば業種を問わず幅広い業務への活用が可能であり、一度学習すれば新しいデータにも自動で対応できる点が機械学習の強みです。機械学習には主に3つの方法があります。

教師あり学習

教師あり学習とは、人間が正解を事前に用意してあげることで、機械がその正解に近づくよう自動で調整を繰り返す手法のことです。

具体的には、正解データと機械の予測の差を計算し、差が小さくなるように微調整し精度を高めていきます。

モデルの精度を左右する主なポイントは次の2つです。

• 正解データの量：数百〜数万件など、正解データが多いほど精度が上がる
• 正解データの質：誤りや偏りが少ないほど信頼性の高いモデルになる

事前に正解を用意する手間はかかるものの、学習後の予測の精度は高く、同じ種類の判断を早く一定の精度で自動化できます。

具体的な活用例としては

• 過去の売上データをもとに、来月の売上を予測する
• メールの文面から、迷惑メールかどうかを自動で仕分けする

などが挙げられます。

業種や目的を問わず導入事例が多く、AI活用の始めの一歩として最もよく使われる手法のひとつです。

教師なし学習

教師なし学習とは、正解のないデータから、データそのものが持つ構造やパターンを機械が自動的に発見する手法です。

代表的な活用例がグループ分けを行うクラスタリングです。

正解を用意する手間が不要なため、膨大なデータを手軽に整理・分類したい場面でよく使われます。

主な活用シーン

• 顧客の購買データをもとに、似た行動パターンを持つ顧客グループを自動で分類する
• アクセスログから、よく一緒に閲覧されるページの組み合わせを見つけ出す
• 製品の検査データから、正常品とは異なるパターンを自動で検出する

などが挙げられます。

これまで気づいていなかった顧客の特徴や商品の組み合わせパターンが見つかり、マーケティング施策へもつなげることができます。

ただし、機械学習によって得られたグループや傾向を業務にどう活かすかには、人間の判断が必要です。

強化学習

強化学習とは、AIが試行錯誤を繰り返しながら、得られる報酬が最大になるように行動を自ら学んでいく手法です。

人間が正解を教えるのではなく、うまくいったらプラス・失敗したらマイナスという報酬のルールを設定し、AIが自分で学習を進めていきます。

正解を与えるのではなく、行動の結果として得られる『報酬』をもとに、より良い選択肢を自ら探していく点が特徴です。

強化学習の主な特徴は

• 多くの回数の試行錯誤を短時間でこなせる
• 人間が直感では到達できない最適な戦略を見つけ出すことがある
• シミュレーションとしても活用できる

などが挙げられます。

主に、

• 囲碁・将棋のAIが対局を重ねながら、勝率が高くなる手を学習
• 自動運転においてさまざまな走行状況に対して、安全な操作を試行錯誤しながら習得
• 工場の自動制御のために生産ラインの稼働データを継続的に学習

といったケースで活用されています。

ディープラーニングとは？

ディープラーニングとは、機械学習の一種で、人間の脳の神経回路のようにニューラルネットワークを多層に積み重ねることで、より複雑なパターンを学習できるようにした技術です。

2012年頃、大規模な画像認識コンテストでディープラーニングが他の手法を大きく上回る成績を収めたことをきっかけに、世界的に注目が集まり広がってきました。

ディープラーニングは

• 画像・音声・文章など、形が決まっていない複雑なデータの処理
• 「人間が目で見て判断する」「文章を読んで理解する」のような、従来の手法では難しかったタスク
• 生成AIの基盤となる自然言語処理や生成技術

などで活用されており、生成AIの中心技術にもなっています。

ニューラルネットワークの構成

ニューラルネットワークとは、人の脳のしくみをヒントにして作られた、データから特徴を見つけて判断する仕組みです。たくさんの小さな計算の単位がつながり合い、情報を少しずつ受け渡しながら処理していくことで、最終的な結果を出力するものです。

ニューラルネットワークは、以下の3つの層で構成されています。

たとえば画像から猫を認識する場合、

1. まず「線や色」を読み取り
2. 次に「耳・目・ヒゲ」などのパーツを把握し
3. 最後に「これは猫だ」と判断する

という段階的な処理を、それぞれの層が分担しながら進めていくイメージです。

学習の仕組みは、正解との差を計算し、その差が小さくなるよう隠れ層の中の数値を自動で調整することを繰り返すものです。

業務で活用するうえでは、

• 隠れ層が多いほど複雑な内容を処理できるが、必要な学習データ量と計算量も増える
• ゼロから学習させる必要はなく、すでに学習済みのモデルを活用できる

などを押さえておく必要があります。

機械学習・ディープラーニングの共通点

機械学習とディープラーニングは、手法は異なっていても、考え方には共通する部分があります。

どちらもデータから自動で学ぶという考えに基づいており、自社がどんなデータを持っているかが重要となる点も共通しています。ここでは3つの共通点について紹介します。

• 大量のデータから規則性を抽出する
• 汎化能力の獲得を目的とする
• 数理最適化と確率論に基づく

大量のデータから規則性を抽出する

機械学習もディープラーニングも、人間がすべてのルールを決めるのではなく、大量のデータから機械が自動的に規則性を見つけ出すという点が共通しています。

たとえば、家の価格を予測するモデルを作る場合、

• 立地がよければ高い
• 築年数が古いほど安い

といったルールを人間が手作業で設定するのではなく、過去の売買データを大量に学習することで、価格に影響する要素とその重みを機械が自動的に学習します。

人間には気づきにくい複数の要素の組み合わせも含めて、幅広い規則性を発見できる点が大きな強みです。

機械学習もディープラーニングも、技術そのものに加え、使えるデータがあるかという点も活用できるかどうかに大きく影響します。

汎化能力の獲得を目的とする

機械学習とディープラーニングの目的は、過去のデータを丸暗記することではなく、見たことのないデータにも対応できる力を身につけることです。

過去のデータにだけ高い精度を示し、新しいデータには対応できないモデルは過学習と呼ばれ、実際の業務では使い物になりません。

また、継続的に精度を高めていくためには

• 学習に使っていないデータで精度を確かめる
• 定期的に学習データを見直す
• 長期的に精度を管理していく体制を整える

といった点が大切です。構築したら終わりではなく、精度の維持や改善を行う運用体制を最初から設計しておくことが大事です。

数理最適化と確率論に基づく

機械学習もディープラーニングも、裏側では数学的な仕組みがあります。

たとえばメールの迷惑フィルターであれば、実際の迷惑メールと、AIの判定結果のズレをできるだけ小さくするという目標を数式で設定し、そのズレが小さくなるように繰り返し微調整します。

導入するうえで

• データ量やモデルの複雑さによってAIの学習時間が変わる
• 学習の設計がモデルの完成度を左右する
• 専門家でなければ設計が難しい部分が多い

などの点を理解しておくことが必要です。

これらの仕組みを押さえておくことで、AIの性能を理解し適切な準備を進めることができます。

機械学習・ディープラーニングの違い

機械学習とディープラーニングには共通点がある一方で、主に以下3つの違いがあります。目的とデータの種類によって向き不向きがあるという点を理解しておくことが大切です。

• 特徴量を誰が作るのか
• 扱えるデータの種類
• 必要なデータ量と計算資源

特徴量を誰が作るのか

機械学習とディープラーニングの違いのひとつが、AIへの入力データの特徴を人間が教えるのかAIが自動的に判断するのかという点です。

たとえば、猫の画像を判定するAIでは、以下のような違いがあります。

• 機械学習は、人間が「耳の形」「目の位置」「ヒゲの有無」などの特徴を数値化してモデルに入力する。人間が「猫らしさ」を事前に定義する必要がある。
• ディープラーニングは、画像をそのままモデルに入力する。「線・色」→「目・耳」→「猫という概念」というように、段階的な特徴を自動で学習する。人間が特徴を設計する必要がない。

従来の機械学習は人間が特徴を教える必要があるので、一手間ありますが、少ないデータでも使いやすく、結果の理由も説明しやすいという良さがあります。

ディープラーニングは人間が特徴を教える必要がなく、高い精度を出しやすい一方で、多くのデータや計算力が必要になります。

扱えるデータの種類

機械学習とディープラーニングでは、得意とするデータの種類も異なります。この違いは、特徴を人が整理するか、AIが自動で見つけるかの違いによるものです。

機械学習は、あらかじめ整理された数値やカテゴリのデータを扱うのが得意です。顧客の年齢・購入履歴・来店回数といった構造化されたデータを使った予測・分類へ活用できます。

一方ディープラーニングは、画像や音声、文章などのデータから特徴を自動で見つけて処理できます。画像や音声、文章といった構造化されていない、人間が直接やり取りするようなデータの処理を得意としています。

実際の業務でデータを扱う際には

• 自社にどんなデータがあるかを整理する
• データの下準備（抜けている値を補う・極端な値を見直す・形式をそろえる）を行う

などの対応が必要になります。

必要なデータ量と計算資源

機械学習とディープラーニングは性能を発揮するための必要なデータ量と、動かすためのハードウェアの規模も、大きく異なります。

それぞれ主に

• 機械学習は、比較的少ないデータでも動くため、試験的な取り組みやAI活用の第一歩として選ばれることが多い
• ディープラーニングは、導入コストは高くなりやすいが、画像・音声・文章といった複雑なタスクでも精度を出しやすい

といった違いがあります。

さらに、これらの技術を実際に使う際には、どのような環境で動かすかも大切なポイントです。

機械学習は既存の社内サーバーでも動かせることが多い一方、ディープラーニングはGPUなどの高性能な環境が必要になります。

特に、機密性の高いデータを扱う場合には、オンプレミス環境での運用が有効ですが、オンプレミスのAI基盤を社内に構築できる人材がいないといった課題もあります。

そのような場合は、支援サービスを活用するのも一つの方法です。

Athena technologiesでは、NVIDIA最新パーソナルAIスーパーコンピューターであるDGX Sparkなどのハードウェア選定から環境構築、LLM（大規模言語モデル）の実装までをワンストップで支援していますので、ぜひ詳細をご覧ください。

機械学習の活用事例

機械学習はすでに多くの業種で業務改善に活用されており、国内外でさまざまな事例があります。

ここでは、代表的な活用事例を紹介します。

• キユーピー｜不良品の自動検知
• スシロー｜需要予測で廃棄ロスの削減を実現

キユーピー｜不良品の自動検知

キユーピーでは、惣菜に使用するカット野菜の検査工程に、機械学習を活用した自社開発のAI検査装置を導入しています。

これまでの検査は、人の目で

• 形の異常や変色
• 異物の混入

などを確認していましたが、作業者の負担が大きく、改善が求められていました。また、こうした検査を自動化する手法として、従来は不良品の特徴をあらかじめ登録する画像検査が一般的でした。

しかし、不良のパターンは変色や変形、異物の混入など多岐にわたるため、すべてを網羅することが難しいという課題がありました。

そこでキユーピーは、

• 不良品を覚えさせるのではなく、良品のパターンを学習
• 良品に当てはまらないものを不良として検出
• 幅広い異常を見つけやすい仕組みに改善

という仕組みを導入しました。

また、現場で使いやすいように、ボタン1つで操作できるシンプルな設計や、コンパクトで設置しやすい構造も取り入れられています。

この取り組みにより、検査工程の自動化と効率化が進み、作業者の身体的な負担軽減につながりました。

スシロー｜需要予測で廃棄ロスの削減を実現

スシローでは、すべての寿司皿にRFIDタグを取り付けることで、どの商品が

• いつ・どれだけ売れたか
• どれだけ廃棄されたか

といった情報を細かく取得しています。

回転寿司では、

• 作りすぎると廃棄が増える
• 少なすぎると品切れになる

という課題があるため、提供する量の調整が非常に重要です。

さらに、これまではこうした判断が現場の経験に頼る部分も大きく、ばらつきが出やすいという課題もありました。

このデータをもとに分析を行うことで、商品ごとの需要を予測し、適切なタイミングで適切な量の寿司を提供できるようになりました。

その結果、廃棄ロスを大幅に削減（最大75%削減）するとともに、削減できたコストを食材に還元することで、顧客満足度の向上にもつながっています。

ディープラーニングの活用事例

ディープラーニングは、画像・音声・文章といった複雑なデータを扱う業種で特に活用されています。

保険・インフラ・公共安全など、さまざまな分野での事例があります。

• MS&AD保険グループ｜事故車査定AIで顧客満足度を向上
• NEC｜顔認証技術で世界最高精度を実現

MS&AD保険グループ｜事故車査定AIで顧客満足度を向上

MS&AD保険グループでは、ディープラーニングによる自動車保険の査定プロセスの効率化を進めています。

従来の査定では、

• 損傷の確認のために現地での目視確認
• スケジュール調整が必要

であり、対応完了までに時間がかかることが課題でした。

ディープラーニングにより、事故車の写真をもとに損傷の状態を解析し、人の判断に近い形で査定をサポートできるようになっています。

査定や承認にかかる時間を大幅に短縮し、1件あたり最大で約2週間の短縮が可能になりました。

また、この仕組みによって査定担当者の作業負担も軽減され、年間で約36万時間分の工数削減につながるとされています。

その結果、保険金支払いまでのスピードが向上し、顧客への対応をより迅速に行える体制が整いました。

NEC｜顔認証技術で世界最高精度を実現

NECは、ディープラーニングを活用した顔認証技術において、世界トップクラスの性能を実現しています。

米国国立標準技術研究所（NIST）が実施する顔認証の評価テストにおいて、1,200万人規模のデータを対象に高い精度を達成し、世界1位を獲得しました。

この技術では、大量の顔画像データをもとに学習したディープラーニングと、多段階で照合する仕組みを組み合わせることで、高い精度と速い処理速度を実現しています。

特に、大規模なデータベースでも高速に検索できる点が特徴です。

また、照明の変化や撮影角度の違いのある環境なども安定して認証できるよう設計されており、安定した認証が求められる場面で活用されています。

現在は、空港や交通機関での本人確認、決済、公共施設の利用などで導入が進んでいます。

機械学習とディープラーニングの課題

業務での活用が広がる一方で、機械学習・ディープラーニングには導入前に把握しておきたい課題があります。その中でもここでは2つの課題について解説します。

• 説明責任の確立が不可欠
• 機密情報の漏えいリスクとデータ持ち出し制御

説明責任の確立が不可欠

機械学習は、使用する手法によっては判断に影響した要素を比較的確認しやすい一方で、ディープラーニングは構造が複雑なため、AIがなぜその判断をしたのかを人間が後から把握しにくいという課題があります。

特に、

• なぜその診断になったのか、なぜ融資が否決されたのかなど理由を説明できない
• 学習データに偏りがある場合、AIの回答内容が不公平な内容になる

といったリスクがあることを理解しておくことが必要です。

こうした問題に対応するには、

• AIがどのような判断をしたかを記録・確認できる仕組みを導入する
• 利用状況や出力内容を定期的にチェックする
• 判断の公平性を継続的に検証する体制を整える

という取り組みが欠かせません。

技術的な整備だけでなく、組織全体でAIの使い方に責任を持つ体制を作ることが求められます。

機密情報の漏えいリスクとデータ持ち出し制御

機械学習やディープラーニングを業務で使う場合、もうひとつ注意したいのがデータの取り扱いです。

顧客データ・契約情報・社内規程などをAIの学習や処理に使う際、外部のクラウドサービスにデータを送信する構成では、情報が外部に出るリスクが生じます。

具体的な課題としては

• クラウド型AIサービスに入力した内容が、提供企業の学習データとして利用される可能性がある
• 金融・医療・製造などの業界では法規制が厳しく、クラウド型のAIサービスをそのまま業務に使えないケースが多い
• 情報漏えいが発生した場合、法的責任や取引先・顧客への信頼を失ってしまうという深刻な問題につながる

などが挙げられます。

こうしたリスクに対応するためには、どのデータをAIに入力するかの社内ルールを定め、業務データを外部に送らずに社内や限られたネットワークの中でAIを動かせる環境を整えることが必要です。

AIに関するセキュリティリスクや対策は以下の記事で詳しく解説していますので、ぜひ見てみてください。

参考：AIセキュリティとは？基本の対策や規制産業での生成AI活用ポイントを解説

また、Athena Platformであれば、業務データを一切外部に出さずに社内の閉じたネットワーク内で生成AIを安全に活用できるため、情報漏えいのリスクを抑えながらAIを業務に取り入れることができます。

自社の課題に合ったAI実装ならAthena Technologies

ここまで見てきたように、機械学習やディープラーニングは、目的や扱うデータによって適した活用方法が異なります。

そのため、業務で成果につなげるには、自社の課題やデータ環境、セキュリティ要件に合わせたAIの実装が必要になります。

Athena TechnologiesのDX Solutionでは、LLM・Physical AI・画像認識などの技術を活用し、企業ごとの課題に合わせたPoCから本開発、運用保守を含めたオーダーメイド型のAI実装を支援しています。

たとえば、

• 業務データを活用した需要予測や最適化
• 画像認識による検査・判定業務の自動化
• AI-OCRによる帳票・請求書処理の効率化
• LLMを活用した社内業務支援システムの構築
• セキュリティ要件を踏まえたオンプレミス・閉域環境でのAI活用

など、既存サービスでは対応しにくい業務課題にも、自社の運用に合わせた形でAIを組み込むことができます。

「どのAI技術を使うべきかわからない」「自社データを活用して業務を効率化したい」「セキュリティ要件を満たしながらAIを導入したい」とお考えの方は、ぜひ一度Athena TechnologiesのDX Solutionをご覧ください。