動画サービスを開くと、見たいと思っていた雰囲気の作品が並んでいることがあります。反対に、一度だけ見たジャンルばかりが続き、「今はそういう気分ではありません」と感じる場面もあるでしょう。どちらも、AIの「おすすめ」を考える入り口になります。自分に合うときも、外れるときも、裏側で何が起きているのでしょうか。

一言で答えるなら、AIを使ったおすすめは、利用履歴などのデータから、好みに合いそうな候補を推定する仕組みです。Google Cloudの公式資料では、機械学習が顧客データのパターンを分析し、その予測をAIシステムが個人に合わせた商品推薦などに使うと説明されています。「あなたにはこれがよさそうです」という表示の背景には、データに基づく予測があります。（出典: Google Cloud）



ここで押さえたいのは、「好みに合いそう」という部分です。おすすめは、本人の気持ちを直接確かめた結果ではありません。過去に選んだものなどを手がかりにして、これから選ぶ可能性のあるものを推し量っています。ぴったりの作品が並んでも、心を読み取った証拠にはならないのです。

この記事では、架空の動画サービスを例に、この「データから候補を推定する」という一点を掘り下げます。実在するサービスの画面や内部の計算方法を再現するものではありません。おすすめを、自分の好みを決めつける表示ではなく、選ぶときの手がかりとして受け取れるようになることが、ここでの目標です。

おすすめの考え方は、次に読む本を選ぶ場面に置き換えると想像しやすくなります。たとえば、自分がこれまで選んだ本の一覧を紙に書き出したとします。料理の本が多く、その中でも手軽に作れる献立の本が目立つなら、新しい本を探すときにも「短い時間で作れる料理」という条件から候補を絞れそうです。これは、過去の選択に共通する特徴を、次の選択の手がかりにするたとえです。

AIでこのような推定を支える技術の一つが、機械学習です。機械学習とは、データに含まれるパターンを学び、予測や判断に使う技術を指します。Google Cloudは、機械学習をAIの一部と位置づけ、大量のデータを分析して得たパターンから判断につなげる仕組みと説明しています。AIが広い呼び名で、その中にデータから学ぶ方法が含まれている、と捉えると整理しやすいでしょう。（出典: Google Cloud）



データから学んだ結果、予測に使える形になったものを「モデル」と呼びます。Google Cloudの資料でも、モデルは学習用のデータに処理を行って得られる結果として説明されています。初心者のうちは、「おすすめを計算するときに使う、学習済みの仕組み」と考えて差し支えありません。（出典: Google Cloud）

本のたとえでは、選んだ一覧が手がかりに当たり、そこから見つける共通点がパターンに当たります。ただし、これは仕組みをつかむための説明です。実際のサービスが何をデータとして使い、どのように候補を並べるかは、そのサービスの資料で確かめる必要があります。「どのAIも同じ方法でおすすめを出す」とまでは考えないようにしましょう。

架空の動画サービスで、二人の利用者を考えてみます。美咲さんは休日に料理動画を選ぶことが多く、健太さんは旅行動画をよく選ぶ設定です。このサービスが過去の選択を手がかりに候補を推定すると仮定すれば、美咲さんには料理に関する動画、健太さんには旅先を紹介する動画が多く並ぶ、という違いが考えられます。これは仕組みを説明するための架空の例です。

同じサービスを使っていても、手がかりになるデータが違えば、推定される候補も変わり得ます。Google Cloudは、機械学習で顧客データを分析し、個人に合わせた推薦に使う例を紹介しています。全員に同じ一覧を見せるのではなく、データに応じて候補を変えることが、個人向けのおすすめを理解するポイントです。（出典: Google Cloud）



この例で、美咲さんの画面に料理動画が多くても、サービス全体に料理動画しかないわけではありません。表示された候補と、サービスが扱う作品の全体は分けて考えられます。おすすめ欄は、多くの選択肢から自分向けに絞られた入り口、と捉えるとよいでしょう。そこに出てこない作品まで、好みに合わないと判断する必要はありません。

家族や友人の画面を見て、「自分には出ていない動画があります」と気づく場面も、この見方で整理できます。おすすめの違いは、作品そのものの評価だけでなく、候補を推定する手がかりの違いでも説明できるからです。ただし、実在するサービスで表示が違う理由を特定するには、そのサービスの説明が必要です。この架空の例だけで、個別の画面の原因まで断定することはできません。

料理動画をよく選ぶ美咲さんでも、今日は旅の映像を見て気分転換したいかもしれません。あるいは、以前の料理動画は自分のためではなく、家族に頼まれて探していた可能性もあります。これも架空の設定ですが、同じ「動画を選んだ」という出来事に、いくつもの事情があり得ることが分かります。

機械学習は、データからパターンを見つけ、特定の課題に対する予測に使う技術として説明されています。その説明を踏まえると、過去の行動から作るおすすめを、その瞬間の本人の希望と同一視することはできません。履歴が示すのは行動の手がかりであり、その背景にある事情や今の目的まで、すべてが含まれているとは限らないためです。（出典: Google Cloud）



おすすめが外れたときは、「AIなのに分かってくれません」と捉えるより、「今回の目的と、推定に使われる手がかりが合っていないのかもしれません」と考えるほうが、仕組みに沿っています。逆に、偶然ぴったり合ったときも、気持ちそのものを理解したと結論づける必要はありません。どちらも、候補の推定と本人の希望が一致したかどうか、と整理できます。

ここから「使うほど必ず自分を理解してくれます」と期待するのも早計です。今回の参考資料だけでは、個別サービスで何がどの程度反映されるかまでは分かりません。初心者が覚えておきたいのは、外れた候補が出ることと、自分の好みがおかしいことは別だという点です。表示に自分を合わせる必要はなく、そのとき見たいものを自分で選んで構いません。

おすすめ欄に並ぶと、それだけで「自分にとって最もよい候補」に見えることがあります。しかし、先ほどの架空の例で推定していたのは、過去の選択を手がかりにした、好みに合いそうな動画です。今日使える時間や、一緒に見る人の希望まで満たす作品かどうかは、それとは別に確かめたい条件でしょう。

Google Cloudの資料は、機械学習がパターンを識別し、特定の課題に対する予測を行うと説明しています。この点から考えると、おすすめを見るときには「何を予測した候補なのか」という視点が役立ちます。個人に合わせた表示であることだけでは、自分が今必要としている条件をすべて満たす証明にはなりません。（出典: Google Cloud）



たとえば、架空の利用場面として、昼休みに動画を見る状況を考えてみます。普段は長い旅行動画が好きでも、今日は短い休憩の間に楽しめることを優先するかもしれません。家族と見るなら、自分一人の好み以外の条件も加わるでしょう。おすすめが好みに近いことと、その場で選びやすいことは、重なる場合もあれば、ずれる場合もあります。

そこで提案したいのは、候補を見たあとに「今日は何をしたいですか」と自分に問い直すことです。気分転換したいのか、知りたいことがあるのか、新しい分野を試したいのか。目的が一つ言葉になるだけでも、表示された候補をどう受け取るか考えやすくなります。これは特定の機能を使う操作手順ではなく、選ぶときの見方の提案です。おすすめを判断材料に加えつつ、最後の選択には今の自分の条件を持ち込めます。

AIのおすすめを理解するために、難しい計算方法まで覚える必要はありません。「データから、合いそうな候補を推定しています」という一言を持っておくと、表示との距離を取りやすくなります。好みに合う候補があれば利用し、合わなければ別の探し方を試せます。おすすめを毎回正解として受け取る必要も、外れたからといってすべて無意味と考える必要もありません。

Google Cloudの公式資料では、データから学ぶ機械学習と、その予測を使うAIシステムの関係が説明されています。この記事では、その基本的な考え方を、架空の動画サービスに置き換えてきました。ここで扱っているのは新機能の発表ではなく、おすすめを理解するための基礎です。参考資料の取得日は2026年11月9日ですが、この日を仕組みの発表日や提供開始日として扱うものではありません。（出典: Google Cloud）



明日試す行動としては、おすすめされた候補を一つ見たあと、自分で決めた言葉でも作品を探してみる方法を提案します。たとえば、普段は料理動画を見る人が、今日は「海辺の風景」という言葉で探す、といった架空の例です。これはおすすめの精度を測る実験ではありません。表示された候補と、自分の今の関心を比べるための小さな試みです。

候補を比べた結果、おすすめから選んでも、自分で見つけたものを選んでも構いません。「なぜ自分は今これを選びたいのでしょうか」と一度考えることに意味があります。過去の選択から推定された候補には、探す手がかりがあります。今日の目的には、自分で確かめられる条件があります。次におすすめ欄を開いたら、その両方を使って一つ選んでみてください。

- AI vs. Machine Learning: How Do They Differ? | Google Cloud