規則で決めるAIと、データから学ぶAI

探す文字と、返す案内を比べる

二人がしたかったのは、すでにある予約を取り消すことです。ところが「予約を取り消したいです」と送ると、新しい予約を申し込む案内が返ってきました。「キャンセルしたいです」に変えると、取消の受付へ電話する案内になりました。人なら同じ用件と受け取れる二つの文を、この案内は違う用件として扱ったのです。

ハルは「特定の言葉で案内を選んでいるのでは」と考えました。ただし、返事を二つ比べただけでは、内部の仕組みまでは分かりません。ミオが受付へ返事の違いを伝え、受付の人が設定担当に確認したことで、「予約」で申込みの案内を返し、「キャンセル」には対応していても「取り消し」が抜けていたことが分かりました。

入力の意味より、先に決めた文字の条件を見ている

この架空の自動案内は、次の順番で動く設定として説明します。まず「キャンセル」の文字があるかを調べ、あれば取消の連絡先を返す。なければ「予約」の文字があるかを調べ、あれば新規申込みの案内を返す、という順番です。この優先順位は教材で定めた設定です。漫画の二つの返事から、読み取れたという意味ではありません。

「予約」という文字があるから新しい予約をしたい、と決めると、予約を取り消したい文まで、新規申込みへ案内してしまいます。この設定には、文全体の意味から用件を理解する処理は入れていません。あくまで、この施設の単純な案内の例です。AI全般が言い換えを理解できない、という話ではありません。

このように、人が判断の規則を用意し、コンピューターがその規則に従って処理する方法をルールベースと呼びます。入力した文、探す文字や優先順位、返す案内をたどると、結果が変わった理由を調べられます。

案内が変わったことと、取消の完了は別

「受付へお電話ください」は、これからする手続きの案内です。この返事を受け取った時点では、R214の予約はまだ有効です。ミオが電話で予約番号を伝え、本人確認と取消条件の説明を受けて依頼し、受付が処理して初めて取消が完了しました。通話後には、予約番号R214・11月9日・ツアー名が一致する完了メールも確かめています。

予約番号や通話の細部を暗記する必要はありません。ここで区別するのは「案内を受け取った」「受付が取消を処理した」「案内の設定が直った」の三つです。ミオの電話はスピーカー通話ではありません。ハルとビットは受付の説明を直接聞いておらず、ミオが通話後に設定の内容を伝えています。また、この話で確認したのは予約の取消までです。施設が案内の設定を直したかは、まだ分かりません。

規則を直すなら、どの条件を足すか考える

「取り消し」などの言い方に対応するには、施設の担当者が入力と誤った案内を調べ、取消の条件や用件の振分けを見直します。「予約をキャンセルしたい」のように両方の文字がある文や、新しい予約をしたい文でも確かめ、条件の優先順位を管理します。どの条件にも合わないときに人へつなぐか、別の案内を出すかも、設計が必要です。

問い合わせを受信したり、例を保存したりするだけでは、この仕組みの規則は増えません。担当者が条件を直すことと、データからモデルを学習させることは違います。返す案内文だけを書き直しても、間違った用件へ振り分ける条件が残れば、今回の取り違えは解消しません。

条件が明確なら、規則を使う理由もある

たとえば、施設が「締切時刻を過ぎた申込みは受け付けない」と決め、締切と申込時刻を正確に渡せる場合は、決めた条件に沿って処理する方法が考えられます。条件が少なく、意味と優先順位を明確にできることが、規則を管理しやすい場面です。ただし、例外の追加や条件の変更があれば、担当者が規則と確認用の例を見直します。

一方、自由な文章で届く問い合わせでは、同じ用件でも多くの言い方があります。「この語があれば、この用件」と条件を足すほど、別の用件にも当てはまる文や、優先順位の取り違えを確かめる負担が増えます。次の節では、別の方法として、文と正しい用件の組から分類の仕組みを学ぶ方法を見ます。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google AI・モデルの用語（別のタブで開く） ↗ / Google モデルの用語（別のタブで開く） ↗

AIには、どんな入力と結果がある？

ここまで見たのは、文字の条件で動く自動返信の例でした。もっと広く、写真から物を見分ける、過去の記録から所要時間を予測する、質問に対して文章をつくる、といった働きに関わる技術をAI（人工知能）と呼びます。人の認識・推論・予測など、知的な活動をコンピューターで実現しようとする技術や仕組みです。人と同じ気持ちや意識がある、という意味ではありません。

たとえば、問い合わせを「新規予約」か「取消」かに分ける仕組みなら、入力は問い合わせ文、結果は予測した用件です。人が規則を書く方法もあれば、正しい用件を付けた例から分類の傾向を学ぶ方法もあります。次の節で、この違いを比べます。両方を組み合わせる仕組みもあります。

漫画の単純な文字一致は、条件によって結果が変わることを理解するための例です。AI全般が、違う言い方を理解できないという意味ではありません。意味の似た文を同じ用件へ分類するモデルもありますが、どんな方法にも誤りはあり、今回の目的に合うかを確認します。自動で動く機能すべてをAIと呼ぶわけでもありません。

「受付へお電話ください」という自然な文章は、人が用意した定型文としても返せます。答えが自然に読めるだけでは、例から学んだ仕組みを使っているかは分かりません。設計や学習の情報を確かめます。

後の教材で学ぶ深層学習は、複数の層で計算するニューラルネットワークを使う機械学習の一つです。AIの方法すべてが深層学習ではありません。今は名前の範囲を押さえ、層と計算の仕組みは後続教材で見ていきます。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google AI・モデルの用語（別のタブで開く） ↗ / Google モデルの用語（別のタブで開く） ↗

文と正しい用件の組から、分類の仕組みをつくる

ここでは、新規予約は新たに席を申し込む用件、取消はすでにある予約を取りやめる用件、と決めます。「予約を取り消したい」にも「予約」の文字はありますが、この目的では新規予約に分けると間違いです。まず、何のために、どの分類へ分けるかを人が決めます。

文字の条件を増やす方法とは別に、問い合わせ文と正しい用件の組を使う方法があります。機械学習は、データから分類や予測に使える傾向・関係を学ぶ方法です。データとは、コンピューターが処理する記録や情報。今回の学習用データは、次のような「文＋人が確認した用件」の組です。

文を読んで正しい用件を付けるのは、学習のための準備です。正解を付けただけで、モデルが学習したことにはなりません。コンピューターで学習処理を実行する段階が必要です。文を計算できる形で扱い、用意した例の文と用件に合うように、分類に使う内部の値や関係を調整します。その結果、新しい文から用件を予測する仕組みができます。この学習で得た仕組みをモデルと呼びます。

アルゴリズムは、目的の処理を行うための手順のことです。前の節で文字を探し、条件に応じて返信する手順にも使う言葉で、「例から学ぶ手順」だけを指す言葉ではありません。機械学習では、モデルを学習させるための手順を学習アルゴリズムと呼びます。人は目的・データ・学習方法を選び、コンピューターがその手順に沿って学習します。

この例のように、正解付きのデータを使う方法は教師あり学習です。詳しい比較は次の教材で学びます。深層学習も機械学習の一つで、層を重ねたニューラルネットワークを使います。機械学習のすべてが深層学習ではありません。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google 機械学習の基本（別のタブで開く） ↗ / Google 深層モデルの用語（別のタブで開く） ↗ / アルゴリズムの一般的な意味（NIST）（別のタブで開く） ↗ / 学習・評価・予測の区別（Google）（別のタブで開く） ↗

学習したモデルを使い、別のメールで確かめる

学習が終わったら、モデルへ新しい問い合わせ文を渡します。漫画では「明日、2人分の席をお願いできますか」という文を渡すと、用件を「新規予約」と予測しました。学習はモデルをつくる段階、利用は学習済みのモデルに入力を渡して予測する段階です。新しい文を分類するたびに、必ず学習し直すわけではありません。

予測が正しいかは、学習に使っていない文で確認します。確認用の文と、人が本文を読んで定めた正しい用件を、学習用とは別に取っておきます。モデルには文だけを渡し、出た予測を、別に保持した正解と比べます。モデルの予測をそのまま正解として付けては、間違いを見つけられません。

漫画で合ったのは、架空の確認用メール一件です。取消の別の言い方や、どちらとも決めにくい文でも確認が必要です。たとえば「予約をやめます」の正しい用件は取消。「明日は空いていますか」だけでは、予約の申込みか、空き状況の質問かを決めにくい場合もあります。分類の基準や、人へ引き継ぐ条件を用意します。一件の一致や学習例への一致だけで、ほかのメールにも正しく対応できるとは判断しません。

今回のモデルが行うのは、用件の予測です。席を確保したり、予約を成立させたり、相手へ返信したりする処理は別です。予測の結果を確かめてから担当へ回す、という使い方もあります。何を間違えると困るかを考え、目的に合う確認を続けます。

規則と機械学習を、準備と失敗の違いで比べる

ここでは、問い合わせを担当へ振り分ける方法を比べます。規則を管理する手間と、学習用データを整える手間は別です。規則が増えたからすぐ学習へ替える、という順番で決めるのではありません。

たとえば、学習例が「予約したい」ばかりで取消の言い方がほとんどない、同じ文への正解付けが担当者ごとに違う、学習に使っていない確認用の文を残していない、といった不足を調べます。必要な件数は課題によって異なるため、一律の数だけで十分とは決めません。

十分な例がない、正しい用件を付けられない、重要な取消を誤って扱うと困る、といった条件も考えます。機械学習に替えれば、言い換えや曖昧な文を必ず正しく扱えるわけではありません。必要なら、明確な条件は規則で処理し、判断しにくい文は担当者へ回すなど、方法を組み合わせます。

根拠：GUGA 2027年2月適用シラバス（別のタブで開く） ↗ / Google 機械学習の基本（別のタブで開く） ↗ / Google 未知データへの一般化（別のタブで開く） ↗ / 学習・評価・予測の区別（Google）（別のタブで開く） ↗