引き出しに、鉛筆、消しゴム、付箋、クリップが混ざっているとします。「好きなように分けてください」と言われたら、何を手がかりにするでしょうか。名前で分ける人もいれば、色や大きさでまとめる人もいるはずです。見本となる分け方がなくても、品物を比べて共通点を探すことはできます。

AIの学習にも、これに似た考え方があります。今回の疑問への一言での答えは、「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、一つひとつのデータに添える「これは鉛筆です」といった答えの札を指します。IBMの解説でも、ラベルのないデータから特徴やパターンを取り出す学習が説明されています。（出典: IBM）



ここでいう「学ぶ」は、人のように授業の意味を理解したり、片づけたいと感じたりすることではありません。データの中にある違いや繰り返しを扱う、技術上の表現です。「教師なし」という名前も、人が一切関わらないことを意味するわけではありません。この文房具の例なら、何を比較するか、何のために結果を使うかを決める役割が残ります。

この記事では、教師なし学習のうち、似たデータをまとめる「クラスタリング」というグループ分けを中心に考えます。文房具の仕分けは仕組みをつかむための架空の例で、特定の製品を操作した結果ではありません。押さえたいのは、AIが作るまとまりと、人が必要とする分類を、同じものとして受け取らないことです。

「教師なし」を理解するには、「教師あり」と比べると見通しがよくなります。教師あり学習では、学習に使うデータに正解ラベルを組み合わせます。IBMは、入力と出力の対応を学び、まだ見ていな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。機械学習とは、こうしてデータからパターンを学ぶAIの技術の一つです。（出典: IBM）

架空の文房具の例なら、品物の特徴と一緒に「鉛筆」「消しゴム」という答えを渡す場面を想像してください。新しい品物にも、すでに用意された種類のどれが当てはまりそうかを予測する、という方向になります。何を答えてほしいのかが、学習用のデータに示されている点が特徴です。

| 比べる点 | 教師あり学習 | 教師なし学習 |
| --- | --- | --- |
| 学習用データの答えの札 | 正解ラベルを付けます | 正解ラベルを付けません |
| この文房具の例での課題 | 用意した種類を予測します | 特徴の近い品物のまとまりを探します |
| 結果を見るときの問い | 正解の種類と合っていますか | どんな共通点があり、何に使えますか |



教師なし学習の例では、最初から「鉛筆の組を作ることが正解です」と教えません。そのため、同じ名前の品物が必ず一緒になるとは限らないでしょう。比較する特徴によっては、鉛筆と細長い消しゴムが近いものとして扱われる、と考えると違いがつかめます。

どちらが優れているかを、この比較だけで決めることはできません。「決まった種類を当てたい」のか、「どんなまとまりがあるか調べたい」のかで、問いが違うためです。また、教師なし学習のすべてがグループ分けというわけではありません。ここでは入口をわかりやすくするために、クラスタリングという一つの見方に絞っています。

では、答えの札を使わずに、どうやって品物を比べるのでしょうか。考える手がかりになるのが「特徴」です。ここでは、品物を比べるために取り出した情報、と捉えてください。長さ、重さ、色などを思い浮かべると身近になります。IBMは、機械学習の手法の一つとしてクラスタリングを挙げ、データからパターンや関係を扱う技術を説明しています。（出典: IBM）

仕組みを考えるため、架空の文房具を六つ用意します。長い鉛筆と短い鉛筆、大きな消しゴムと小さな消しゴム、大きな付箋の束と小さな付箋の束です。この例では、人が品名を知っていても、グループ分けには品名を使わず、長さと重さだけを使うと仮定します。



二つの特徴が近い品物ほど、似ているものとして考えます。たとえば、短い鉛筆と小さな消しゴムは、品名が違っても、長さや重さが近い組み合わせになるかもしれません。反対に、同じ鉛筆でも、長いものと短いものが別のまとまりに入る例を想像できます。これは理解のために単純化した説明で、実際の計算結果を示しているわけではありません。

ここで注目したいのは、比較に使わなかった情報です。長さと重さだけを見る設定なら、「文字を書けるか」「紙を貼れるか」という用途の違いは、そのまま比較の手がかりにはなりません。人には目立つ違いでも、今回のデータに含まれていなければ、同じように扱えるとは限らないのです。

つまり、「データを渡す」という言葉だけでは、何を比べているかはわかりません。分類結果を見るときは、色なのか、形なのか、別の特徴なのかを確かめる必要があります。まとまりの意味を考える前に、材料となった情報を見ることが理解の近道です。

長さや重さが近い文房具が一緒になったとして、その仕分けは役立つでしょうか。答えは、何をしたいかによって変わります。小さな収納ケースに入る品物を探しているなら、サイズが近いまとまりは検討材料になるでしょう。ところが、「書くときに使う道具」を一か所に集めたい場合には、同じまとまりでは足りないかもしれません。

これは、AIの結果が間違いかどうかを考える前に、比較の基準と目的の関係を見るための架空の例です。「似ている」は、あらゆる面で同じという意味ではありません。色が似ていることと、使い道が似ていることは別の関係です。どちらも共通点にはなりますが、必要な場面は異なります。



仮に、赤い鉛筆と赤い付箋が同じグループになっていたら、「AIが文房具を理解できていません」とすぐに判断する必要はありません。色を手がかりにした整理なら、筋の通った組み合わせです。ただし、その結果だけで「一緒に保管するのが最善です」とまで決めることもできないでしょう。保管場所や使う人の動きは、別に考える必要があるためです。

この区別は、結果に名前を付けるときにも役立ちます。「赤いものが多い組」と呼ぶのは、見えている共通点の説明です。それを「仕事でよく使う組」と呼び替えるには、使用頻度という別の根拠が必要になります。見つかった特徴から、確認していない意味へ飛び越えないようにしたいところです。

IBMが説明するデータからの特徴抽出を、この仕分けの例に置き換えると、まとまりを見つける段階と、その使い道を判断する段階を分けて考えられます。（出典: IBM）きれいに分かれて見えることより、目的に沿った説明ができることを重視すると、結果の受け取り方が具体的になります。

「正解を教えなくてよいなら、とりあえずデータを渡せば十分でしょうか」。ここには、二つの話が混ざっています。一つは、学習用のデータに答えの札を付けるかどうかです。もう一つは、どんなデータを使い、結果をどう評価するかという話です。正解ラベルを使わないことから、後者まで不要になるとは考えないほうがよいでしょう。

たとえば、先ほどの文房具の例で、同じ品物の長さをある行ではセンチメートル、別の行ではミリメートルで記録したとします。単位を区別せずに数値だけ並べれば、品物の違いと記録方法の違いを混同するおそれがあります。これは特定の学習手法の仕様ではなく、比較用のデータを準備するときの注意を示す架空の例です。



結果が出てからの確認も必要です。一つのグループだけを見て納得するのではなく、ほかのグループと何が違うかを比べてみます。どの組にも長い品物と短い品物が混ざっているなら、長さ以外の特徴が関係していないか確認する、という見方ができます。説明のつかない点を、そのままもっともらしい名前で覆わないことが大切です。

また、グループの番号にも注意が必要です。説明用に「グループ1」「グループ2」と付いていたとしても、その数字だけを根拠に、品質や重要度の順位を読み取ることはできません。「1だから最もよい」と受け取らず、何を示す番号なのかを確認してください。

IBMの資料には、ラベルなしのデータから特徴を自動的に取り出す説明があります。（出典: IBM）ただし、「自動で特徴を取り出せる」という説明を、「結果の意味も用途への適合も自動的に保証される」と広げて読むのは避けたいところです。入力の確かさと結果の使い道は、別々の確認事項として残ります。

明日から役立つ見方は、AIのまとまりを「発見された正解」として受け取る前に、説明できる共通点を探すことです。文房具なら、同じ組の品物を実際に並べたつもりで眺めてみてください。何が似ているのか、その似方が片づけの目的に合うのか。この二つを分けるだけで、結果への疑問を具体的な言葉にできます。

仕事で使う場面を考えるなら、匿名化した架空の商品一覧を、特徴の近さから整理する検討が例になります。これは応用の提案であり、特定のサービスでの実行手順や効果を示すものではありません。見た目の似た商品を集めたいのか、保管に必要な広さが近い商品を集めたいのかを決めれば、確認すべき特徴も変わるでしょう。



結果を説明する人に尋ねるなら、次の三つが確認の入口になります。

- どの情報を使って、似ているかどうかを比べていますか。
- 同じグループの共通点と、別のグループとの違いは何ですか。
- このまとまりを、今回の目的に使える根拠はありますか。

答えがはっきりしないときは、すぐに採用を決めるより、具体的な品物を数点取り出して説明を確かめる方法が考えられます。「長さが近い組」と説明されたのに、大きく違う品物が入っていたら、その理由を聞いてみるとよいでしょう。例外があること自体を失敗と決めつけず、説明と実際の中身が対応しているかを見る姿勢です。

身近にある文房具を、色で一度、用途でもう一度分けてみることを提案します。同じ品物でも、基準を変えるとまとまりが変わるはずです。この小さな仕分けを通じて、「どの組に入ったか」だけでなく「何を基準に、何のために分けたか」を尋ねる感覚をつかめます。AIの分類結果に出会ったときも、その問いから確認を始めてください。

- What Is Artificial Intelligence (AI)? | IBM

公開日は2024年8月9日、更新日は2026年10月2日と記載されています。提供資料の取得日時は2026年11月10日07:30:05 UTCです。この記事では基礎概念の説明に参照しており、取得日に発表された新機能として紹介するものではありません。