Machine learning
機械学習 - 人が手作業でプログラムするのではなく、データから学習するプログラム。
機械学習（machine learning）とは、プログラマーが手作業で記述したルールだけに頼るのではなく、モデルがデータから関係性を見つけ出すAIの一分野です。
例として、あるパン屋が翌日に売れるロールパンの数を予測したいとします。販売履歴、曜日、営業時間、地域のイベントに関する情報があります。モデルはこれらのデータからパターンを探せます。しかし、道路工事で明日通りが通行止めになるという情報がシステムに入力されていなければ、自動的にそれを知ることはできません。
通常のルールとの違い
「土曜日は20%多く用意する」というルールは人が決めたものです。データから学習するモデルは、多くの観測結果を使って関係性を見つけます。どちらの方法も役に立つ場合があります。単純なルールで良い結果が得られ、管理もしやすいなら、可能だからという理由だけで複雑なモデルに置き換える必要はありません。
AIは機械学習よりも広い概念です。また、ニューラルネットワークは機械学習で使われるモデルの一種です。小さな販売データ表なら、回帰や決定木も検討できます。すべての課題に大規模言語モデルやGPU、何百万枚もの画像が必要なわけではありません。
簡単な例で見る3つの学習方法
教師あり学習では、入力と正解を与えます。たとえば、その日の特徴と実際に売れたロールパンの数です。モデルは販売数を予測できるように学習します。結果が「返品」や「配送に関する質問」などのカテゴリなら分類、数値を予測するなら回帰と呼びます。
教師なし学習では、各例に正解ラベルを用意しません。販売推移が似ている日をグループ分けする、といった分析ができます。ただし、グループを見つけただけでは、それらをどう名付けるべきか、どんな判断を下すべきかは分かりません。モデルが実際に何をまとめたのかを確かめて解釈する必要があります。
強化学習では、環境から得られる報酬をもとに行動方針を学習します。報酬の設定が適切でないと、望ましくない行動につながる可能性があります。こうした基本的な分類については、Googleの機械学習入門で解説されています。実際には、複数の学習方法を組み合わせた手法もあります。
小規模で公平なテストの進め方
目的と予測を行う時点を定めます。パン屋が前日の夜に生産量を決めるなら、モデルが使えるのはその時点までに分かっている情報だけです。翌日の実際の天気と、前日の夜に入手できる天気予報は同じではありません。
データが何を意味するのか確認します。ロールパンが300個売れたという記録は、300個の需要があったことを示す場合もあれば、昼前に在庫がすべてなくなったことを示す場合もあります。販売データだけで学習したモデルは、追加情報がなければこの違いを見分けられません。列の意味を誤って解釈すると、アルゴリズムの選び方以上に結果を損なう可能性があります。
古い期間のデータを学習用に、新しい期間のデータを検証用に分けます。時系列データでは、日付をランダムに混ぜると、未来を実際に予測する場合とは異なる結果になることがあります。また、新しいデータが過去の例の準備に影響しないようにします。
たとえば、過去数回の土曜日の平均を基準として用意します。そのうえで、同じ日を使ってモデルと比較します。新しい方法のほうが良い結果にならないなら、AIを使っているというだけで導入しないでください。
会社にとって分かりやすい単位で誤差を計算します。何個足りなかったか、何個余ったか、コストはいくらだったかを確認します。平均値だけでは、最も売れた日に特に悪い結果が出ていたことを見落とす可能性があります。祝日、販促日、営業時間が短い日を個別に確認しましょう。
生産量を自動で変更せずに、予測の提案を試します。予測、従業員の判断、その後の結果を記録します。こうした記録から、システムが役立つ場面と、表にない情報を必要とする場面が分かります。
数か月後に精度が落ちる理由
価格の変更、新しい競合店、近くの学校の時間割の変更などによって、販売状況が変わることがあります。過去の関係性がいつまでも続く保証はありません。新しいデータで精度を監視し、悪化の原因を調べたうえで、更新するかどうかを判断しましょう。ファイルに行を追加しただけで、プログラムが自動的にそれを学習するわけではありません。
よくある間違い：モデルの学習に使ったデータで評価する
学習データで高いスコアが出ても、予測能力があるのではなく、例を記憶しているだけかもしれません。最終評価用のデータは別に確保し、試すたびにそのデータに合わせて解決策を調整しないでください。Googleのデータ分割の指針を参考にすれば、モデルの開発と公正な評価を区別できます。最も重要なのは、システムが実際に使われる環境で得られる結果です。