LilyTech

機械学習の手法とは?代表的な3種類を比較

機械学習の手法とは?教師あり・教師なし・強化学習の違いを、ビジネスでの活用例とともに解説します

人工知能と聞くと、チャットボットや商品レコメンドシステム、画像認識ソフトウェアを思い浮かべる方も多いでしょう。こうした多くのアプリケーションを支えているのが、データから学習して予測や判断を行う機械学習です。機械学習とは何か、そして代表的な3つの機械学習の手法にはどのような違いがあるのでしょうか。

この記事では、機械学習の基本をわかりやすく解説し、教師あり学習・教師なし学習・強化学習を身近な例で比較します。経営者やマーケティング担当者の皆さまが、実際の業務にどう活用できるかをイメージできるよう、それぞれの特徴を紹介します。

機械学習とは?

機械学習とは、人工知能の一分野です。あらゆるケースに対応するルールをあらかじめ一つひとつプログラムするのではなく、データと学習方法をコンピューターに与え、有用なパターンを見つけさせます。学習を終えたモデルは、これまでに扱ったことのない新しいデータについても、結果を予測したり分類したりできます。

ベトナム企業の現場で、専門家が機械学習を活用したデータ分析を行う様子
機械学習は、データからパターンを見つけ、予測やビジネス上の意思決定を支援します。

たとえば、企業が購入する可能性の高い顧客を予測したいとします。通常のプログラムでは、「ウェブサイトを3回以上訪問し、商品をカートに追加した顧客を見込み客とする」といった詳細なルールを設定する必要があります。しかし、購買行動は少数の固定条件だけでは捉えきれないほど複雑です。機械学習モデルは、訪問回数、閲覧したコンテンツ、購入履歴、キャンペーンへの反応などの過去データを分析し、購入に結びつきやすい兆候を見つけます。

基本的なプロセスは、通常次の3つのステップで進みます。

  1. データの収集:関連する情報を集め、データの品質を確保するとともに、適切なルールに従って利用します。
  2. モデルの学習:データを使い、モデルに関連性やパターンを学習させます。
  3. 評価と活用:新しいデータを使って精度を検証した後、実際の業務プロセスにモデルを導入し、継続的に状況を確認します。

機械学習が、人間のようにあらゆることを自動的に理解するわけではありません。結果は、目的やデータ、学習方法、企業によるモデルの使い方に左右されます。代表的な3つの機械学習の手法は、主に入力データの種類と、システムが受け取るフィードバックの違いによって区別されます。

教師あり学習:正解付きデータから予測する

教師あり学習は、ラベル付きデータ、つまり各例に正解が付与されたデータを使ってモデルを学習させる方法です。モデルは入力情報と既知の結果を照らし合わせ、新しいケースの答えを予測する方法を学びます。模範解答付きの問題を解きながら、解き方を身につける学習にたとえられます。

たとえば、銀行が、正常または不審と判定済みの取引データを保有しているとします。モデルには、金額、日時、場所、顧客の取引習慣などの情報と、それぞれに対応するラベルを与えます。学習後、システムは新たな取引に不正の兆候があるかを検知し、担当者による確認を促せるようになります。

ビジネスやマーケティングでは、教師あり学習は主に次のような用途に使われます。

  • 見込み客の分類:過去のデータをもとに、顧客のコンバージョン可能性が高いか低いかを予測します。
  • 売上予測:販売データ、季節要因、マーケティング活動をもとに、一定期間の売上を見積もります。
  • 感情分析:レビューやコメントを、ポジティブ・ネガティブ・中立に分類します。
  • リスク検知:異常の可能性がある取引、注文、申請情報などを特定します。

この方法のメリットは、信頼できるラベル付きデータがあれば、目的が明確で結果を評価しやすいことです。一方、正しく分類された十分な数の事例が必要です。ラベルが誤っていたり、データの代表性が不足していたり、過去のデータに含まれる偏りが反映されていたりすると、モデルもその偏りを学習してしまう可能性があります。データの準備に、モデルの学習以上の時間がかかることもあります。

教師なし学習:未知のグループやパターンを見つける

教師あり学習とは異なり、教師なし学習では、正解やラベルがあらかじめ付いていないデータを使います。モデルはデータに含まれる類似点や相違点、潜在的な構造を自ら見つけます。特定の結果を予測するよう指示されるのではなく、データがどのように構成されているかを探るのが目的です。

マーケティングチームが機械学習の教師なし学習で顧客セグメントを発見する様子
教師なし学習を活用すると、ラベルのないデータから顧客の行動グループを発見できます。

たとえば、オンラインショップに多くの顧客データがあるものの、まだ顧客をグループ分けしていないとします。モデルは、購入頻度、注文金額、好みの商品カテゴリー、再訪までの期間などを分析し、いくつかの行動グループを特定できます。たとえば、少額の商品を頻繁に購入するグループ、購入頻度は低いものの高額を使うグループ、セール期間だけ反応するグループなどが見つかるかもしれません。マーケティング担当者は、こうした発見をもとに、より適切なメッセージや施策を設計できます。

代表的な活用例は次のとおりです。

  • 顧客セグメンテーション:グループの境界が事前にわからない場合に、似た行動やニーズを持つ顧客の集団を見つけます。
  • 異常検知:支出の急増など、ほかのデータと大きく異なるデータを検出します。
  • トピックの発見:関連性の高いレビューやコンテンツをグループ化し、顧客がよく言及する課題を見つけます。
  • データ探索の支援:商品、行動、顧客属性の間にある関連性を見つけ、分析に役立てます。

教師なし学習の強みは、企業に多く存在する、ラベルが付いていないデータも活用できることです。ただし、結果に唯一の解釈があるとは限りません。たとえば、モデルが顧客を4つのグループに分類したからといって、その4つがそれぞれ意味のある顧客像に自然に対応するとは限りません。ビジネスの知見をもとに、利用者が結果を検討・検証し、グループの意味を判断する必要があります。

強化学習:行動とフィードバックを通じて学ぶ

強化学習は、エージェントが環境とやり取りしながら、行動の選び方を学習する方法です。行動を起こすたびに、システムは報酬またはペナルティを受け取ります。長期的に報酬の合計を最大化できる行動の組み合わせを見つけることが目標です。

この仕組みは、犬の訓練に似ています。望ましい行動にはご褒美を与え、適切でない行動にはご褒美を与えなかったり、注意したりします。何度も試すうちに、エージェントは選択を調整していきます。強化学習では、フィードバックがすぐに得られるとは限りません。ある判断の影響が、複数のステップを経て初めて明らかになることもあります。

わかりやすい例として、障害物を避けながら商品を取りに行く倉庫ロボットが挙げられます。システムはさまざまな経路を試し、速く安全に目的地へ到着すると報酬を得て、衝突したり遠回りしたりすると減点されます。こうしたやり取りを繰り返すことで、ロボットは経路選択の方針を改善します。

企業では、資源配分の最適化、ロボットの制御、シミュレーション環境での運用調整など、継続的な意思決定が必要な課題に、この方法を検討できます。マーケティングでも、コンテンツやオファーの選択をモデル化できる場合があります。ただし、顧客体験を損なわないよう、目標と安全上の制約を慎重に設計する必要があります。

強化学習は、システムが環境とやり取りし、その結果に関するフィードバックを受け取れる場合に適しています。一方、学習プロセスは複雑になりやすく、多くの試行と計算資源が必要になることがあります。顧客、財務、安全に関わる意思決定では、適切な監視体制やテスト環境を整えないまま、モデルを実環境で自由に試行させるべきではありません。

比較と適切な手法の選び方

3つの手法はいずれもデータからコンピューターに学習させますが、得意とする課題は異なります。次のように整理できます。

ビジネス課題に合った機械学習の手法を選ぶ経営者
機械学習の手法は、ビジネス目標、データの品質、効果測定の方法を起点に選びましょう。
  • 教師あり学習:正解付きのデータを使い、特定の結果を予測・分類する場合に適しています。
  • 教師なし学習:ラベルのないデータを使い、グループや構造、異常値を見つけたい場合に適しています。
  • 強化学習:行動とフィードバックを通じて学習し、相互作用のある環境で一連の意思決定を最適化する場合に適しています。

アプローチを選ぶ際は、技術の名称ではなく、解決したい課題から考え始めましょう。ラベル付けされた過去データがあり、顧客の離脱率を予測したい場合は、教師あり学習が適している可能性があります。顧客がどのようなグループに分かれるのかがわからない場合は、教師なし学習で新たな傾向を探れます。システムが継続的に行動し、その結果を観察して調整する必要がある課題では、強化学習が選択肢となります。

導入前には、ビジネス目標と効果の測定方法を明確にし、データの網羅性、正確性、鮮度を確認しましょう。また、結果の利用に伴うプライバシー、セキュリティ、責任についても考慮が必要です。すべてのプロジェクトに機械学習が必要なわけではありません。業務ルールが明確な場合や、従来型のデータ分析で課題を解決できる場合は、そのほうが低コストで済むこともあります。

優れたモデルとは、精度が高いだけのモデルではありません。実際の価値を生み、適切に管理でき、企業の業務プロセスに合っていることが重要です。

まとめ:ビジネス課題から始める

機械学習とは、コンピューターがデータからパターンを学び、予測や構造の発見、行動の選択を行う方法です。教師あり学習は正解付きデータを使い、教師なし学習はラベルのないデータから構造を見つけ、強化学習は環境とのやり取りやフィードバックを通じて意思決定を改善します。機械学習の手法の違いを理解することで、適切な期待値を設定し、ニーズに合ったアプローチを選びやすくなります。

効果的に活用するには、信頼できるデータ、明確な目標、適切な業務プロセス、そして人による監督を組み合わせる必要があります。LilyTechは、テクノロジーに関するコンサルティング、ウェブサイトやアプリの設計、ERP導入、デジタルトランスフォーメーションの推進を通じて企業を支援しています。貴社の目標やリソースに合った導入方法について、LilyTechまでお問い合わせください。