基本情報 平成30年度 春期 問3：テクノロジ系に関する問題

答えは a です。

機械学習＝コンピュータが大量のデータから「パターン」や「ルール」を自分で見つけ出す技術。

人間が普段、写真を見て「これは犬」「これは猫」と自然に当てられるのと同じことを、コンピュータにデータから学ばせる仕組みです。

👉 覚え方：機械学習＝コンピュータがデータから自分でルールを学ぶ！

ほかの選択肢：b 生命現象の再現＝人工生命／c 知識を入力して推論＝エキスパートシステム（古いAI）／d Web学習教材＝eラーニング。

なぜこれが正解か

正解は a。機械学習（Machine Learning）は、大量のデータから特定のパターン・規則性を自動で見つけ出す学習能力をコンピュータに付与する技術。教師あり学習（分類・回帰）、教師なし学習（クラスタリング・次元削減）、強化学習の3類型に大別され、AIの中核技術として現代の画像認識・音声認識・自然言語処理等で実用化されている。

各選択肢の解説

• a データからパターンを発見する学習能力 → 機械学習（正解）。
• b 生命現象・進化のプロセスを再現：人工生命（A-Life）、遺伝的アルゴリズム等。
• c 専門知識を入力して推論：エキスパートシステム（第2次AIブームのルールベースAI）。
• d Web教材・学習管理：eラーニング／LMS（Learning Management System）。

覚え方・ひっかけ注意

AIの階層：AI ⊃ 機械学習 ⊃ ディープラーニング。機械学習はAIの一手法で、ディープラーニングは機械学習の一手法（ニューラルネットの多層化）。cのルールベースAI（記号主義）と機械学習（コネクショニズム）の対比は試験頻出。

AI の歴史的潮流

• 第1次AIブーム（1950s-60s）：探索・推論。チェスプログラム、定理証明。
• 第2次AIブーム（1980s）：知識ベース、エキスパートシステム（MYCIN等）。
• 第3次AIブーム（2010s〜）：機械学習・ディープラーニング。ImageNet 2012でAlexNetが圧勝、ブーム再燃。
• 生成AI時代（2020s〜）：Transformer→GPT、BERT、LLM、拡散モデル。

機械学習の主要分類

教師あり学習（Supervised Learning）

• 分類：ロジスティック回帰、SVM、決定木、ランダムフォレスト、勾配ブースティング（XGBoost, LightGBM）、ニューラルネット。
• 回帰：線形回帰、Ridge/Lasso、勾配ブースティング回帰。

教師なし学習（Unsupervised Learning）

• クラスタリング：k-means、DBSCAN、階層クラスタリング、ガウス混合モデル。
• 次元削減：PCA、ICA、t-SNE、UMAP、オートエンコーダ。
• 異常検知：Isolation Forest、One-Class SVM。

強化学習（Reinforcement Learning）

• モデルフリー：Q学習、SARSA、Policy Gradient、Actor-Critic。
• モデルベース：環境モデルを学習。
• 代表応用：AlphaGo、AlphaZero、ロボット制御、自動運転、推薦システム。

自己教師あり学習（Self-Supervised Learning）

• データ自身からラベルを生成：BERT（穴埋め）、SimCLR（対照学習）、GPT（次トークン予測）。

主要アルゴリズム・モデル

• ニューラルネットワーク：CNN（画像）、RNN/LSTM（時系列）、Transformer（言語・汎用）。
• 生成モデル：GAN、VAE、拡散モデル（Stable Diffusion、DALL-E、Midjourney）。
• LLM：GPT、Claude、Gemini、LLaMA。事前学習＋RLHF（人間フィードバックからの強化学習）。

試験での位置づけ

FE「ストラテジ／AI」分野で毎期出題の急成長領域。機械学習の3類型、ディープラーニング、自然言語処理、画像認識、推薦システム等の用語整理は確実な得点源。応用情報・AIスペシャリスト（今後新設可能性）、データサイエンティスト試験では数理的な深堀りも要求。

倫理・社会的論点

• AI倫理：公平性（fairness）、説明可能性（XAI）、プライバシー、安全性。
• 規制：EU AI Act（2024発効）、米AI大統領令、日本「AI戦略」「広島AIプロセス」。
• 生成AIと著作権：学習データの権利、生成物の権利。
• ハルシネーション：LLMの誤情報生成、ファクトチェック必要。

選択肢の発展補足

cのエキスパートシステムは推論エンジン＋知識ベース構造で、医療診断MYCIN・地質探査PROSPECTOR等で実用化されたが、知識獲得のボトルネック（人手の限界）で停滞した。現代のLLMは事実上の知識ベース＋推論器を機械学習で自動構築した発展形と位置づけられる。bの人工生命研究は遺伝的アルゴリズム・セルオートマトン（Conway's Game of Life）として今も継続。