AI BASICS · CHAPTER 02
AIは、どう進歩してきたか。
「答えを教える」から「材料を渡す」へ
AIの歴史は、突然現れた便利な会話サービスの歴史ではありません。人がルールを教える時代から、データを見せて学ばせる時代へ。そして、文章や画像を生成する時代へ。変化したのは技術だけでなく、仕事で人が担う役割でした。
最初のAIは、ルールを一つずつ教えた
1950年代から始まった初期のAI研究では、「もしこの条件なら、こう判断する」という規則を人が書きました。これはルールベースAIと呼ばれます。たとえば、申請内容が一定の条件を満たすか、症状の組み合わせが特定の病気に近いかを判定する仕組みです。条件がはっきりしている仕事では、今でも有効です。
ただし現実の仕事には例外があります。顧客によって事情が違い、制度も変わり、同じ言葉でも文脈で意味が変わります。例外が増えるたびに人がルールを書き足すと、仕組みは複雑になります。AIが停滞した時期があったのは、期待が大きすぎたからだけではありません。人の暗黙知を、すべて規則に変える難しさがあったからです。
次にAIは、データから傾向を学び始めた
そこで主役になったのが機械学習です。人が答えの手順を全部書く代わりに、多くの事例を見せます。過去の購入履歴から次に選ばれそうな商品を予測する。迷惑メールと通常メールの例から、新しいメールを分ける。こうした仕組みでは、AIは正解のパターンに近づくよう学習します。
仕事の見方も変わりました。「どんなルールを書くか」だけでなく、「どんなデータを使うか」「偏りがないか」「予測をどう確かめるか」が重要になったのです。データが古ければ、AIも古い判断をします。評価が偏っていれば、AIの出力も偏ります。AI導入は、ツールを置くだけでは終わらず、業務データと確認の設計を見直すことでもあります。
深層学習が、画像・音声・言葉の壁を下げた
2010年代には、深層学習が画像や音声の認識で大きく進みました。以前は、人が「この形なら猫らしい」「この音ならこの文字らしい」と特徴を決める必要がありました。深層学習では、たくさんの例から特徴そのものを見つけます。計算能力の向上と大量のデータがそろったことで、認識精度は実用の水準へ近づきました。
ただし、精度が高いことと説明できることは別です。なぜその判定になったのかを説明しにくい場面もあります。採用、融資、医療のように人へ大きな影響を与える仕事では、精度だけでなく、根拠、監査、異議を申し立てられる仕組みが欠かせません。
生成AIは、仕事の入口を変えた
生成AIは、分類や予測だけでなく、文章、画像、音声、コードの候補を作ります。これまで専門職だけが扱っていた資料作成や要約の前段に、誰でも使える対話形式で入ってきました。変わったのは、成果物を作る速度だけではありません。白紙の前で考え始める代わりに、たたき台を見て問い直す仕事が増えました。
だからこそ、人の役割は小さくなりません。何を目的にするか。誰に読ませるか。どの情報を使ってよいか。出力に誤りがないか。AIが速くなった分、問いを立て、レビューし、責任を持つ力がより重要になります。
この章のまとめ
AIは、ルールベース、機械学習、深層学習、生成AIへと進歩しました。しかし、古い技術が不要になったわけではありません。条件が明確ならルールベース、予測なら機械学習、文章の下書きなら生成AIというように、仕事に合わせて使い分けます。次の章では、機械学習と生成AIの違いを、さらに具体的に整理します。