2026/11/07
今更聞けないAI知識
AIに「正解を教えて学ばせる」とは？迷惑メールでわかる教師あり学習
この記事の要点
教師あり学習は、入力と正解の組み合わせから、新しい入力を分類・予測するためのパターンを学ぶ方法です。架空の迷惑メール分類を通じて、正解ラベル、モデル、学習と判定の違いを説明します。正解付きで学んでも誤分類は起こり得るため、間違えたときの影響から人の確認箇所を考えます。
目次
「正解を教えたのに間違う」という疑問
大切な取引先から届くはずのメールが見当たらず、迷惑メールのフォルダーを確認する。そんな場面を考えてみてください。もしメールを振り分けるAIが、あらかじめ「こちらは迷惑メール、こちらは通常のメール」と教わっていたら、なぜ間違えるのでしょうか。「正解を教えて学ばせる」という説明だけでは、答えを知っているはずなのに外すように感じられるかもしれません。
一言で答えると、教師あり学習は、入力と正解の組み合わせから、新しい入力を分類・予測するためのパターンを学ぶ方法です。IBMの解説では、学習のための各例に正解を示すラベルを組み合わせ、まだ見ていないデータのラベルを予測することが目的とされています。正解を教える対象は練習に使う例であり、これから届くすべてのメールの答えではありません。（出典: IBM）
この記事では、架空の迷惑メール分類を例に、この違いをたどります。特定のメールサービスの内部構造や機能を説明するものではなく、仕組みを理解するための例示です。「迷惑メールか、通常のメールか」という二つの行き先だけを考えると、専門的な計算を知らなくても、学習と判定の関係が見えやすくなります。
ここで押さえたいのは、教師あり学習の「教師」が、質問のたびに横で正解を伝える先生を意味するわけではない点です。学習中に参照する正解が用意されている、と捉えるとよいでしょう。その正解から新しい例にも役立つ手がかりを得ることと、どの例にも必ず正解できることには隔たりがあります。この隔たりを知ると、AIの判定をどこで人が確かめるべきか考えやすくなります。
答え付きの練習問題にたとえると見える仕組み
教師あり学習は、答え付きの練習問題を使う勉強にたとえられます。問題文が「入力」、解答欄に示された答えが「正解」に当たります。ただし、これは関係をつかむためのたとえです。AIが人と同じように問題の意味を理解したり、先生の説明に納得したりすることを表すものではありません。
迷惑メール分類なら、メールの内容を問題文、「迷惑メール」または「通常のメール」という分類を答えとして考えられます。この答えを示す印が、ラベルです。ラベルという言葉は難しく見えても、ここでは「その例をどの分類に入れるかを示す札」と置き換えれば十分でしょう。IBMも、教師あり学習では人が各学習例に出力ラベルを組み合わせると説明しています。（出典: IBM）
架空の教材として、「心当たりのない当選案内」に迷惑メールの札を、「依頼していた見積書の案内」に通常のメールの札を付けるとします。学習では、こうした入力と正解の対応から、分類に役立つパターンを得ることを目指します。「当選」という言葉だけで分類する、と決まっているわけではありません。この二つの例だけで十分に学習できる、と示しているわけでもありません。
練習問題のたとえが役立つのは、答えを覚えることと、別の問題にも対応できることを区別できるからです。練習で見た文章だけを正しく扱えても、表現の違うメールを分類できるとは限りません。教師あり学習の目的は、学習に使った例の答えを再現するだけでなく、新しい入力にも対応できるパターンを得ることです。この「新しい入力にも使えるか」という視点が、AIの性能を考える出発点になります。（出典: IBM）
メール本文と正解ラベルを組み合わせる
架空の会社でメール分類の仕組みを考えるとしましょう。担当者は、学習用に使うメールそれぞれに「迷惑メール」か「通常のメール」かのラベルを付けます。ここで重要なのは、メール本文だけを大量に集めるのではなく、そのメールに対応する答えも組み合わせる点です。入力と正解が対になっていることが、今回説明する教師あり学習の中心です。（出典: IBM）
たとえば、理解のための架空の教材を次のように並べられます。実際のメールを集めた資料でも、分類性能を確かめた実験結果でもありません。
| 入力となる架空のメール | 学習用の正解ラベル | 例の設定 |
| --- | --- | --- |
| 応募していない懸賞の当選案内 | 迷惑メール | 不要な勧誘として扱います |
| 依頼済みの見積書を送る案内 | 通常のメール | 業務上必要な連絡として扱います |
| 参加登録した催しの当選通知 | 通常のメール | 本人が待っている連絡として扱います |
この例では、当選を知らせるメールにも異なるラベルがあります。単語が同じでも、受け取り手が申し込んだものか、必要な連絡かによって、教材上の正解を変えているためです。ただし、その事情が入力に含まれていなければ、分類する側が使える手がかりは限られます。これは架空の教材を作るうえでの注意点であり、実在するサービスが何を参照しているかを示す説明ではありません。
このように考えると、「正解ラベルを付ける」は単なる札貼りでは済まないとわかります。この会社では何を迷惑メールとして扱うのか、判断が分かれる例をどうそろえるのか、といった準備も必要になるでしょう。これは教材設計への提案です。AIの学習というと計算の仕組みに目が向きますが、何を答えとして渡すかを具体的に考えるだけでも、判定の前提を確かめられます。
学習で作る「モデル」と新しいメールの判定
正解付きの例から学習する段階と、新しく届くメールを判定する段階は、分けて考えると整理しやすくなります。前者で作られるのが「モデル」です。ここでは、データから学んだパターンを使って、分類や予測を行うための仕組みと捉えてください。Google Cloudは、機械学習のモデルを、学習用データに対して学習の手順を実行した結果として説明しています。（出典: Google Cloud）
架空のメール分類では、学習用のメールと正解ラベルを使ってモデルを作ります。その後、まだ分類していないメールをモデルに入力し、「迷惑メール」か「通常のメール」かという予測を得ます。この新しいメールには、判定の時点では答えを添えません。答えが付いていない例にも対応するために、先ほどの学習を行うわけです。（出典: IBM）
たとえば、学習用の教材にはなかった「展示会の抽選結果のお知らせ」が届いたとします。この架空の場面では、モデルは入力に含まれる手がかりを、学習で得たパターンに基づいて扱います。担当者がその場で正解の札を渡しているわけではありません。「正解を教えた」という過去の学習と、「このメールの正解がわかる」という現在の判定を、同じものとして考えないことが大切です。
また、新しいメールを一通判定することと、そのメールを使ってモデルを学習し直すことも別の話です。この説明から、判定のたびにモデルが自動で更新されるとは言えません。実際にどの情報が学習へ使われるかは、個々のサービスで確認する必要があります。利用者としては、画面に分類結果が出たときに「学習済みの仕組みが出した予測」と受け止めると、正解の保証と取り違えにくくなるでしょう。
正解付きで学んでも必ず当たるわけではない理由
正解付きの練習問題があっても、出題される問題が変われば対応は難しくなります。教師あり学習でも、学習に使った例と、これから判定する例がまったく同じとは限りません。IBMが説明する目的は、まだ見ていないデータのラベルを予測することです。「予測」である以上、学習用に正解を用意したことだけを根拠に、新しい入力への正しさまでは保証できません。（出典: IBM）
架空のメール教材で考えると、限界を具体的にできます。不要な当選案内ばかりが迷惑メールの例に並び、本人が申し込んだ催しの当選通知がほとんど含まれていなかったらどうでしょうか。教材の偏りを点検すべき場面です。また、担当者によって同じ種類の連絡に違うラベルを付けていたら、何を正解として学ばせたいのかが曖昧になります。いずれも仕組みを理解するための仮定で、誤分類の発生率を測った結果ではありません。
学習中に使った例を正しく分類できるかだけでは、確認として足りないこともわかります。Googleの機械学習用語集では、教師あり学習のモデルを評価する際、一般に検証用とテスト用のデータで判断すると説明されています。初心者の段階では、「練習の答え合わせに加えて、別に用意した問題でも確かめる」と捉えればよいでしょう。（出典: Google for Developers）
利用者にとっては、間違いの種類にも目を向けたいところです。架空のメール分類なら、不要な案内が受信箱に残る場合と、大切な見積書の案内が迷惑メール側へ入る場合では、困り方が違います。どちらも誤分類ですが、後者は必要な連絡を見落とすきっかけになり得ます。「よく当たるか」という問いに加え、「外したときに何が困るか」を考えると、人が確認する場所を決めやすくなります。
明日からは「何を正解として、どこを人が確認するか」
教師あり学習は、AI全体を指す名前ではありません。Google Cloudは、AIを広い概念、機械学習をその一部として説明しています。教師あり学習は、その機械学習で用いられる学び方の一つです。今回のメール分類を理解するために、文章を作るAIや自律的に作業するAIまで、一度に覚える必要はありません。入力と正解の組み合わせから、新しい入力の分類・予測につながるパターンを学ぶ、という関係に立ち返れば十分です。（出典: Google Cloud、IBM）
この知識を明日からの判断につなげるなら、身近な自動分類を一つ選び、次の三つを考えてみることを提案します。サービスの内部情報が公開されていない場合は、わからない点を推測で埋める必要はありません。
- 何を入力として、何を分類しているのでしょうか。
- 学習用の正解を用意するとしたら、どんな基準が必要でしょうか。
- どの間違いが起きたときに、人の確認が必要でしょうか。
架空の職場で「取引先から見積書が届く予定」という状況なら、受信箱にないことだけで未着と決めず、ほかの振り分け先も確認する運用が考えられます。これは特定の製品の操作手順ではなく、重要な連絡を見落とさないための提案です。分類結果を役立てながら、外れた場合に困る場面へ確認を残す、という使い方になります。
教材を用意する立場なら、「正解をたくさん付ける」より前に、判断が分かれるメールを一通取り上げるとよいでしょう。必要な案内と不要な案内を何で分けるのか、その判断材料は入力に含まれているのかを話し合えます。利用する立場なら、待っている重要なメールが見当たらないときの確認先を決めることから始められます。教師あり学習の理解は、AIを無条件に信頼するためではなく、どこまで任せて、どこで確かめるかを具体的に決める手がかりになります。