AI と ML の基礎
Fundamentals of AI and ML
学習目標
- AI・機械学習・ディープラーニング・生成 AI・エージェンティック AI の関係と、学習（トレーニング）と推論の違いを説明できる
- 教師あり・教師なし・強化学習と、回帰・分類・クラスタリングを業務の課題に当てはめられる
- AI が向かない場面（説明できる決まった答えが必要、費用対効果が合わないなど）を判断できる
- Comprehend・Transcribe・Translate・Lex・Polly・Rekognition・Textract などのマネージドな AI サービスと、SageMaker AI による ML のライフサイクル（データ準備→学習→評価→デプロイ→監視）を説明できる
要点
- AI ⊃ 機械学習（データからパターンを学ぶ）⊃ ディープラーニング（多層のニューラルネットワーク）。生成 AI は学習したパターンから新しい文章・画像などを作る。エージェンティック AI は目標に向けて計画し、ツールを使いながら自律的に作業を進める。
- 学習（トレーニング）はデータからモデルを作ること、推論は作ったモデルで新しいデータの予測・生成をすること。推論にはリアルタイム・バッチ・非同期・サーバーレスの方式がある。
- 教師あり学習は正解ラベル付きのデータで学ぶ（回帰＝数値を予測、分類＝カテゴリを予測）。教師なし学習はラベルなしで構造を見つける（クラスタリング、異常検知）。強化学習は報酬を最大にする行動を試行錯誤で学ぶ。
- データの種類：ラベルあり／なし、表形式・時系列・画像・テキスト、構造化／非構造化。どの種類かで使う手法とサービスが変わる。
- AI が向かない場面：必ず同じ決まった答えが必要（規則で計算できる）、説明責任上ルールベースが求められる、データが足りない、費用対効果が合わない。
- マネージドな AI サービス：テキストの分析は Comprehend、音声→テキストは Transcribe、翻訳は Translate、チャットボットは Lex、テキスト→音声は Polly、画像・動画の分析は Rekognition、帳票の読み取りは Textract、レコメンドは Personalize。
- ML のライフサイクル：課題の定義→データの収集と準備→特徴量エンジニアリング→学習とチューニング→評価→デプロイ→監視（データやモデルのドリフト）。MLOps は実験の管理・再現性・自動化で、これを継続的に回す仕組み。
- 評価指標：分類は正解率（accuracy）・適合率（precision）・再現率（recall）・F1 スコア、回帰は RMSE など。ビジネスの指標（1 ユーザーあたりの費用、開発費、顧客の反応、ROI）も合わせて見る。
業務での使いどころ
- 営業過去の商談データ（ラベル付き）から受注の可能性を分類するモデルを作り、優先して訪問する見込み客を決める。
- 総務問い合わせ窓口の通話を Transcribe で文字起こしし、Comprehend で内容を分類・感情分析して、よくある問い合わせを把握する。
- 経理請求書の PDF から Textract で金額・日付・取引先を読み取り、経費精算システムに自動で登録する。ルールで判定できる承認は AI ではなく業務ルールで処理する。
公式のタスクステートメント（英語）
- 1.1 AI の基本的な概念と用語を説明する。
- 1.2 AI の実用的なユースケースを特定する。
- 1.3 AI/ML 開発ライフサイクルについて説明する。