AI LAB

Insights and Innovations

ISMのAIツール

無料で文字起こしをはじめる
点線の用語から説明を表示できます AIキーワード辞書 ↗
Sus8システム
2026/11/16
今更聞けないAI知識
AIの「おすすめ」はどう決まる?好みの手がかりから候補を選ぶ仕組み

この記事の要点

AIの「おすすめ」は、利用履歴などのデータから傾向を見つけ、候補を選ぶ仕組みです。架空の本の推薦を通して、学習と候補選びの違い、希望と食い違う理由を説明します。おすすめを自分の目的や条件に照らして判断する見方も紹介します。

目次
「気になっていた本」が出てくるのはなぜ?


本を探しているときに、読んでみたかった分野の本が「おすすめ」に並んでいると、少し不思議に感じませんか。自分で書名を入力したわけでもないのに、関心に近い候補が出てきます。反対に、まったく興味のない本が並び、「どうしてこれがおすすめなのですか」と戸惑うこともあるでしょう。この二つを理解する鍵は、おすすめを「自分の気持ちを理解した答え」と受け取らないことです。

AIのおすすめはどう決まるのか。一言で答えるなら、「利用履歴などのデータから傾向を見つけ、候補を選ぶ仕組み」です。Google Cloudの公式解説では、機械学習はデータのパターンを見つける技術として説明され、その予測を使う用途に、個人に合わせた商品の推薦が挙げられています。おすすめは、こうしたデータにもとづく判断の身近な例です。(出典: Google Cloud)



ただし、この説明は、すべてのサービスが同じ情報を使っているという意味ではありません。何を手がかりにするか、どのように候補を選ぶかという個別の仕様は、今回の参考資料からは確認できません。この記事では特定の製品の内部を再現せず、架空の本の推薦を使って、データとおすすめの関係を考えます。

読み終えたときに持ち帰っていただきたいのは、表示された候補に対して「どんな手がかりから選ばれたのでしょう」と考える視点です。仕組みを細部まで覚えなくても、おすすめと自分の希望が食い違う理由を整理しやすくなるでしょう。
好みそのものではなく、好みの手がかりを使う仕組み


たとえとして、読書の好みを短いメモにまとめる場面を想像してみてください。「料理に関する本をよく読む」「写真が多い本を選ぶ」「専門的な説明は少なめがよい」と書けば、何も情報がない状態より、本の候補を絞りやすくなります。ここで役に立つのは、その人の心の中を直接知ることではなく、選ぶ際の手がかりです。AIのおすすめも、データから候補につながる傾向を見つける、と考えると理解しやすくなります。

この働きを支える技術の一つが、機械学習です。機械学習とは、コンピューターがデータからパターンを学び、予測や判断に使う方法です。IBMは、データにもとづく予測や判断を行えるように学習させ、モデルを作るものと説明しています。ここでいうモデルは、学習したパターンを新しいデータにも当てはめるための仕組み、と捉えてください。(出典: IBM)



架空の例では、「料理の本を何冊か選んだ」という履歴を手がかりに、料理に関係する別の本を候補にできます。ただ、その履歴だけでは、選んだ理由までは確定できません。自分の趣味だったのか、家族への贈り物だったのか、仕事で必要だったのかという違いが残ります。同じ行動でも、背景は一つではないのです。

このたとえで注意したいのは、データが本人の希望をそのまま写したものとは限らない点です。履歴は判断材料になりますが、「今もその分野が好きです」「次も同じ本を読みたいです」という本人の意思表示と同じではありません。おすすめを読むときは、記録された行動と現在の気持ちを分けて考えると、納得できる候補と違和感のある候補の両方を受け止めやすくなるでしょう。
架空の本選びでたどる、学習とおすすめの違い


ここからは仕組みを理解するための架空の例です。実在するサービスの仕様や、実際の推薦結果を示すものではありません。本を選んだ記録と、本の分野や特徴をまとめたデータがあると仮定します。そのデータには、「家庭菜園の入門書を選んだ記録では、野菜の育て方に関する別の本も選ばれている」といった傾向が含まれているかもしれません。

学習の段階では、こうしたデータに含まれるパターンを、予測に使える形にします。Google Cloudの公式解説でも、機械学習モデルは、学習用のデータに処理方法を適用した結果として得られるものと説明されています。学習とは、目の前の一人に本をすすめる作業そのものではなく、その判断に利用する仕組みを作る段階です。(出典: Google Cloud)



おすすめを出す段階では、学習した仕組みを使い、ある利用者について得られる手がかりから候補を選ぶ、と考えてください。この架空の例なら、家庭菜園の入門書を選んだ人に、ベランダで育てる野菜の本を候補として示す場面です。過去のデータにある関係を、これからの選択を予測する材料にしています。

両者を分けると、「おすすめに出たから、自分の希望をすべて把握しているはずです」という受け取り方が変わります。候補は、学習した傾向と、その場で使える手がかりから導かれたものです。本人が次に選ぶものと一致するとは限りません。モデルという言葉が難しく感じられる場合は、「データから得た傾向を、新しい候補選びにも使うための仕組み」と言い換えるとよいでしょう。
おすすめが外れても、好みを否定されたわけではありません


架空の本選びをもう少し続けます。ある人が家庭菜園の本を選んだ理由は、知人に頼まれて調べ物をするためだったとします。その後に野菜の育て方の本がすすめられても、本人はもう必要としていません。データの上では関連していても、今の目的には合わないという食い違いです。これは、本人の好みが変わっている、あるいは選び方が間違っているという話ではありません。

Google Cloudは、機械学習がデータのパターンを特定して予測に利用することを説明しています。この性質を踏まえると、データから推測できることと、本人が現在必要としていることを区別する必要があります。今回の資料は、推薦が一人ひとりの希望に必ず一致することを保証してはいません。(出典: Google Cloud)



別の架空の例として、旅行に関する本を何冊か選んだ人を考えてみましょう。旅行の計画を立てていたのかもしれませんし、仕事の資料として集めていたのかもしれません。関心のある分野は推測できても、予算、使う時期、誰のための本なのかといった条件まで、同じ記録だけで決まるわけではないでしょう。

「おすすめ」と表示されると、自分に最適なものを認定されたように感じることがあります。しかし、候補として選ばれることと、自分の事情に最も合うことは、分けて確かめたいところです。合わない本が出てきたら、「この候補につながりそうな過去の行動はありますか」「今の目的と違う点はどこですか」と整理してみてください。おすすめを自分への評価と受け取る必要はありません。選ぶための材料として扱えば十分です。
「候補を選ぶAI」と「文章を作るAI」を分けて考える


AIという言葉から、質問に文章で答えるサービスを思い浮かべる方もいるでしょう。それだけに、商品や本を並べるおすすめ機能までAIと呼ばれると、違いが分かりにくくなります。ここでは、AIを一つの決まった製品名ではなく、さまざまな働きを実現する技術の広い呼び名として捉えると整理できます。IBMとGoogle Cloudはいずれも、AIの用途に推薦を挙げています。(出典: IBM、Google Cloud)

文章や画像などを作る技術は、生成AIと呼ばれます。生成AIとは、利用者からの依頼などに応じて新しい内容を作る技術です。IBMの説明では、学習データに含まれるパターンや関係をもとに内容を生成します。これに対して、この記事で扱ってきた推薦の中心は、候補の中から何をすすめるかという選択です。どちらもAIの話ですが、見ている働きが異なります。(出典: IBM)



理解のための架空の提案として、本の候補を選ぶ仕組みと、その本を紹介する文章を作る仕組みを組み合わせた場面を考えてみてください。「何をすすめるか」と「どう説明するか」は、別々に確かめる対象になります。紹介文が読みやすいことだけでは、自分の目的に合う本かどうかは判断できません。

実在するサービスがこの構成を採用している、と断定するものではありません。読者として役立つのは、目に見える文章の印象と、候補の適切さを分ける視点です。丁寧な紹介文であっても、自分が知りたい内容を扱っているか、読むための前提知識が合っているかは確認したいところでしょう。「AIがすすめました」という説明だけで選択を終えず、何を根拠に選ぶかを手元に残しておけます。
次のおすすめは、自分の条件を一つ添えて見てみる


おすすめの仕組みを知った後にできることは、表示された候補を全部信用するか、全部無視するかを決めることではありません。候補を見つけるきっかけとして使いながら、自分の条件で確かめることです。Google Cloudの公式資料では、データからの予測を使って個人に合わせた推薦を行う用途が紹介されています。これを踏まえた利用上の提案として、予測された関心と、自分で決める条件を組み合わせてみてください。(出典: Google Cloud)

たとえば仕事に関する本を探す架空の場面では、「会議の進め方を知りたい」という分野だけでなく、「専門用語が少なく、初めて司会を担当する人にも読めるものが必要です」と条件を置けます。これは、特定のサービスに入力すれば必ず希望どおりの結果が出るという操作手順ではありません。候補を自分で見比べるときの判断基準の例です。



確認する内容は、多くなくても構いません。次の三つは、候補を選ぶための確認項目の提案です。

- 今の目的に合う内容でしょうか。
- 読むために必要な知識や、かけられる費用などの条件に合うでしょうか。
- 紹介文に書かれている内容を、目次や提供元の説明でも確認できるでしょうか。

今回参照した資料の取得日は2026年11月16日です。IBMの記事には2024年8月9日の公開日と2026年10月2日の更新日が示されており、取得日とは区別しています。ここまでの説明は、新機能の発表を紹介するものではなく、推薦を理解するための基礎です。

次におすすめが表示されたら、一つの候補を選び、「自分は何のためにこれを探していますか」と短く言葉にしてみてください。その目的に合うかを確かめるだけでも、表示の順番に任せきりにせず、自分で選ぶための足場になるでしょう。

ISM AI CONSULTING

AIを、自社の業務で
使える仕組みに。

ISM株式会社は、システム開発で培った技術と現場理解をもとに、AIの業務活用を支援します。課題の整理から導入・運用まで、貴社に合う進め方を一緒に考えます。

  • 活用テーマの整理
  • 業務への組み込み
  • 導入後の定着
AI活用について相談する

「何から始めるか」のご相談から承ります。

AI LAB 一覧へ戻る