前回の記事では、人工知能の歴史を
第1次〜第3次AIブームの流れとして整理しました。

その中で何度も登場したのが、
「機械学習」と
「ディープラーニング」です。

この2つは似た言葉ですが、
試験でも実務でも、区別して理解しているかが問われます。
なぜなら、この違いこそが、
「なぜ生成AIがここまで進化したのか」を説明する土台になるからです。

この回では、暗記ではなく、
考え方の違いに注目して整理していきましょう。

• 機械学習とは何か
• AI・機械学習・ディープラーニングの包含関係
• 特徴量という考え方
• 猫の画像認識で考えてみる
• ディープラーニングとは何が違うのか
• 試験で押さえるポイント
• 実務・Web運営での判断につながる視点
• まとめ｜違いが分かると判断できる

機械学習とは、
データをもとに、AIが判断のルールを学ぶ仕組みです。

ルールベースAIでは、
人が「この条件ならこう判断する」と
すべて決める必要がありました。

機械学習では、
正解例とデータを与えることで、
AIが自分でパターンを見つけ出します。

迷惑メール判定や売上予測などは、
機械学習の代表的な活用例です。

ここは試験で非常によく問われる重要ポイントです。
AI・機械学習・ディープラーニングは、次のような入れ子構造になっています。

AI（人工知能） ＞ 機械学習 ＞ ディープラーニング

つまり、ディープラーニングは、
機械学習という大きな枠組みの中に含まれる、進化版の技術です。

「ディープラーニングは機械学習の一種である」
という関係を、ここでしっかり押さえておきましょう。

機械学習を理解するうえで欠かせないのが、
「特徴量（とくちょうりょう）」という考え方です。

特徴量とは、
AIが判断するためのヒントになる情報のことです。

従来の機械学習では、
この特徴量を人間が考えて設計する必要がありました。

ここで、猫の画像認識を例に考えてみましょう。

• 従来の機械学習：
  人間が「耳が三角」「ひげがある」といった
  特徴量をヒントとして教える
• ディープラーニング：
  数万枚の猫の画像を見せるだけで、
  AIが「猫に共通する特徴」を自ら見つけ出す

このときAIは、
人間には言葉で説明できないような
非常に複雑な特徴まで学習しています。
ここが、ディープラーニングの大きなブレイクスルーでした。

ディープラーニング（深層学習）は、
人間の脳の神経回路（ニューロン）を参考にした
ニューラルネットワークを、
何層にも重ねた仕組みです。

この多層構造によって、
AIは単純な特徴から複雑な特徴へと、
段階的に理解を深めていきます。

その結果、
画像・音声・文章といった、
これまで扱うのが難しかったデータを
高精度で処理できるようになりました。

今回、押さえておきたいポイントは、次の点です。

• ディープラーニングは機械学習の一種である
• 最大の違いは「特徴量を誰が抽出するか」
• ディープラーニングには大量のデータと高い計算能力（GPUなど）が必要
• AI・機械学習・ディープラーニングは入れ子構造になっている

図を思い浮かべながら説明できると、
試験でも迷いにくくなります。

なぜ、この違いを知る必要があるのでしょうか。
それは、「AIに何を準備すべきか」が変わるからです。

たとえば、
機械学習的な判断（売上予測など）では、
「どんなデータが影響しそうか」を
人間が考えて整理する必要があります。

一方、生成AI（ディープラーニング）では、
とにかく大量の文章や画像を与えることで、
人間が気づかないルールまでAIが汲み取ります。

AIは魔法ではありません。
手法によって、
人間が手助けすべき部分が違う。
この視点を持つことが、
実務での第一歩になります。

今回は、機械学習とディープラーニングの違いを整理しました。

今日のポイントは次の3つです。

• ディープラーニングは機械学習の進化版である
• 特徴量を人が作るか、AIが見つけるかが大きな違い
• この違いが生成AIを可能にした

次回は、
「生成AIは何をしているのか」をテーマに、
さらに中身をのぞいていきます。
一歩ずつ、理解を積み上げていきましょう。