アンケートの自由記述を読んでいると、「同じような意見が何度も出てきますが、どう整理すればよいでしょうか」と迷うことがあります。あらかじめ「料金」「接客」「品ぞろえ」という分類を用意できれば振り分けやすいものの、読む前には、どんな意見が集まっているのか分からない場合もあるでしょう。そんな場面を入り口にすると、AIの学び方の一つである「教師なし学習」をイメージしやすくなります。

一言で説明すると、教師なし学習は、正解ラベルのないデータから特徴やまとまりを見つける方法です。正解ラベルとは、それぞれのデータに付ける「これは何か」という答えに相当します。IBMの解説では、教師なし学習について、ラベルのないデータから特徴を取り出すことが説明されています。答えの一覧を覚えることだけが、機械の学習ではありません。（出典: IBM）



ここでいう「正解がない」は、内容が間違っていても構わないという意味ではありません。学習に使うデータに、正解として扱う分類名などが付いていないという意味です。アンケートなら、回答文はあっても、「この回答の分類は料金です」という対応表はない状態を想像してください。

この記事では、架空のアンケートを使い、この「答えを先に渡さず、まとまりを探す」という考え方に絞って説明します。押さえたいのは、まとまりが見つかることと、仕事に使える分類が完成することの違いです。そこを区別できると、AIによる整理結果を見たときも、見栄えだけで受け入れず、何を確認すればよいか判断しやすくなるでしょう。

机の上に、店への感想を書いたカードが並んでいると想像してください。「支払いの負担が大きいです」「もう少し安いとうれしいです」「駅から遠く感じます」といった文章が書かれています。箱には分類名がなく、カードにも正解の印はありません。そこで内容の似たカードを近くに置き、いくつかのまとまりを作る、というのが理解のためのたとえです。

対照的に、カードごとに「料金」「立地」という答えを付け、その対応を学習に使う方法もあります。これは「教師あり学習」に相当します。IBMは、教師あり学習を、入力例と出力ラベルを組み合わせて学習し、新しいデータのラベルを予測する方法として説明しています。「教師」は人間の先生そのものではなく、学習時に用意する正解の情報だと捉えると分かりやすいでしょう。（出典: IBM）



ただし、教師なし学習を「人が何も決めなくてよい仕組み」と受け取ると、理解がずれてしまいます。カード整理のたとえでも、文字の見た目で寄せるのか、書かれた内容で寄せるのかによって結果は違います。何のために整理するのかが曖昧なままでは、まとまりができても使い道に困るかもしれません。

架空の店舗アンケートなら、改善すべき設備を探すのか、料金への意見を詳しく読むのかで、役立つ整理は変わります。目的が決まっているなら、人が最初から分類を用意する方法も候補になるでしょう。教師ありと教師なしを、優劣の違いとして覚える必要はありません。答えの付いた例を使うのか、まだ名前の付いていないまとまりを探すのか、という違いから考えるのがおすすめです。

カードを似たもの同士に寄せるとしても、コンピューターには、人が机を眺めるときの感覚をそのまま渡せません。理解の入り口になるのが「特徴」という言葉です。特徴とは、データを比べたり整理したりするときの手掛かりです。アンケートを例にすれば、回答に含まれる表現や、何に関する意見なのかといった違いを思い浮かべるとよいでしょう。これは仕組みをつかむための例示であり、特定の製品の処理方法を説明するものではありません。

Google Cloudは、機械学習を、データからパターンを学ぶAIの一分野として説明しています。またIBMは、機械学習の手法の一つに「クラスタリング」を挙げています。クラスタリングは、似たデータをまとまりに分ける方法です。教師なし学習を理解するうえで、今回のカード整理と結び付けやすい考え方です。（出典: Google Cloud、IBM）



説明用に流れを単純化すると、「データにある特徴を手掛かりにする」「似ているもののまとまりを探す」「そのまとまりの意味を人が確認する」となります。最後の確認は、学習方法の定義というより、結果を仕事に使うための提案です。「まとまりA」という結果を見ただけでは、それが料金への不満なのか、短い回答が集まっただけなのか判断できません。

ここでは、文章を作る生成AIとも区別しておきましょう。IBMは、生成AIを、利用者の依頼に応じて文章や画像などを生成するモデルとして説明しています。教師なし学習は学習の方法を表す言葉で、生成AIは内容を作り出す技術を指す言葉です。同じAIに関係していても、説明している側面が違います。「回答を分類してください」とチャットに頼めたというだけで、その処理が教師なし学習だと判断することはできません。（出典: IBM）

ここからは、架空の店舗アンケートを使った説明例です。実際にAIを操作した結果ではありません。回答として「夕方はレジに並びます」「会計まで時間がかかります」「商品の説明が見つかりません」「売り場の案内が分かりにくいです」「少量の商品も選びたいです」という文章が集まっているとします。最初から分類名を付けず、内容の近さから整理する場面を考えてみましょう。

例えば、最初の二つが一つのまとまりになり、続く二つが別のまとまりになる整理が考えられます。人が中身を読めば、前者には「会計の待ち時間」、後者には「案内の分かりにくさ」という名前を付けられるかもしれません。最後の「少量の商品も選びたいです」は、別に読むほうがよい場合もあるでしょう。これは想定した整理例であり、特定の手法で同じ結果が得られるという保証ではありません。



この例で注目したいのは、分類名が登場する順序です。「待ち時間」という正解を各回答に付けてから学習させる場合と、回答のまとまりを見てから人が「待ち時間」と名付ける場合では、進め方が違います。後者では、最初の想定になかった話題に気付く余地があります。ただし、その話題が実際に重要かどうかは、別に検討する必要があります。

実務への応用案としては、まとまりの名前だけを一覧にする前に、元の回答を横に置いて確認する進め方が考えられます。「案内」という名前にすると、商品の説明不足と店内の移動のしにくさが一緒になり、対策を決めにくくなる可能性があります。読み直して分けるほうがよいでしょう。整理は、元の声を読むための入り口として使うと、分類名だけが独り歩きするのを防ぎやすくなります。

色分けされたグループや、整った分類表を見ると、それだけで分析が進んだように感じるかもしれません。しかし、データの似方と、人が仕事で知りたいことは必ずしも一致しません。教師なし学習によって見つかったまとまりも、人にとって意味のある分類として使えるか、確認が必要です。「何を基準に似ていると扱ったのか」と「何を判断したいのか」を結び付けることが、結果を読む際の要点になります。

例えば、架空の回答に「料金は高いですが、説明には満足しています」と書かれていたらどうでしょうか。料金と説明の両方に関係するため、一つの分類名だけでは内容を十分に表せないかもしれません。「料金」というグループに置いたこと自体よりも、説明への満足まで不満として扱ってしまうことが問題です。これは想定例ですが、分類後も元の文章を残して読む理由がよく分かります。



別の誤解は、目立つまとまりほど優先すべき課題だと考えることです。応用上の注意として、似た意見が多く集まったことだけでは、対応の優先順位までは決まりません。少数の回答に、見過ごせない困り事が含まれる場合も考えられます。アンケート整理を改善提案につなげるなら、まとまりの大きさとは別に、内容や影響を人が検討する必要があるでしょう。

確認のためには、「同じグループの回答を読んで、共通点を説明できるでしょうか」「別のグループにも同じ話題が混ざっていないでしょうか」「分類名から抜け落ちる意見はないでしょうか」と問い直す方法を提案します。これらはAIの性能を実測するための正式な評価手順ではありません。初心者が整理結果を受け取るとき、見た目の分かりやすさと内容の妥当性を分けて考えるための確認項目です。

教師なし学習を知った後に変えられるのは、AIへの期待の置き方です。「正しい分類を自動で完成させてもらう」と考えるより、まだ整理しきれていないデータに、どんなまとまりがあるのかを探す方法として捉えると、確認すべき点が具体的になります。IBMが説明する、ラベルのないデータから特徴を取り出すという考え方も、この位置付けで理解すると日常の仕事と結び付けやすいでしょう。（出典: IBM）

実務への提案として、アンケートを整理する前に、「来月の店舗案内を見直すために、案内に関する困り事を探します」のように、目的を一文で書いてみてください。「回答を整理します」だけでは、何をもって役立つ結果とするかが曖昧です。目的があれば、できたまとまりを読み直し、案内の改善につながるか、料金など別の話題が混ざっていないかを確かめやすくなります。



学習用の小さな練習なら、自分で架空の感想を数件書き、分類名を付けずに紙の上で寄せてみる方法もあります。その後でまとまりに名前を付け、別の目的でも同じ分け方が役立つか考えてみましょう。AIの計算を再現する練習ではありませんが、「似ている」と「使いやすい」が同じとは限らないことを確かめる助けになります。実際の顧客情報を用意する必要もありません。

AIによる分類結果を目にしたら、グループ名を読むだけで終わらず、その中の元データをいくつか見てください。そして「このまとまりを使って、何を決められるでしょうか」と問い直してみましょう。答えがはっきりしなければ、分類名や整理の目的を見直す余地があります。教師なし学習を知る最初の一歩は、専門的な計算を覚えることよりも、見つかったまとまりと、自分が判断したいことを照らし合わせる習慣を持つことです。

- What Is Artificial Intelligence (AI)? | IBM
- AI vs. Machine Learning: How Do They Differ? | Google Cloud