機械学習モデル — 「ルールを書かずに、データから振る舞いを決める」 すべての AI の共通骨格

「機械学習」という言葉は、いまや業界誌・経営層・顧客提案で 毎日100回見る単語 になった。だが、「で、機械学習って何なんですか?」と素朴に聞かれて、3分で答えられる人は意外に少ない。

本記事はその素朴な疑問に正面から答える。機械学習モデルとは、調整可能なダイヤルとノブをたくさん持った装置を、データで正解に近づくように回す仕組み。これだけ。線形回帰も、ニューラルネットワークも、GPT も、原理は完全に同じ枠の中にいる。

違いはダイヤルの数と並べ方だけ — そこを掴むと、「ディープラーニング」「LLM」「Transformer」がすべて 機械学習モデルのバリエーション だと見えてくる。

機械学習以前 — 「コードで if-then を書く」 時代

機械学習を理解するには、まず 機械学習以前のやり方 と対比するのが早い。

1960〜1990年代の AI は、ほぼ全部 ルールベース(エキスパートシステム) だった。やり方はこう:

もし 患者の体温 ≥ 38℃ かつ 喉が痛い:
  → 風邪を疑う
もし 患者の体温 ≥ 38℃ かつ 関節痛 かつ 季節が冬:
  → インフルを疑う
もし …
  → …

医師の判断を 専門家ヒアリング → if-then ルールで書き起こす → コードに落とす。これを何百〜何千ルール積み上げる。当時の医療診断 AI(MYCIN 等)はこの形だった。

限界は あっという間に来た:

• ルールが 1,000本を超えると人間が管理しきれない(矛盾が出始める)
• 例外パターンが 無限に出てくる(「子供」「妊婦」「高齢者」で分岐爆発)
• 新しい病気が出ると 全ルールを書き直し
• そもそも医師本人が「なんで自分がそう判断してるか言語化できない」

この最後が決定的だった。暗黙知をコードに落とすのが、原理的に難しい。経験豊富な医師の 「なんとなくおかしい」 を if-then で書ききれない。

機械学習という発想転換 — 「コードで書く代わりに、データから学ばせる」

そこで 1990年代後半から発想が反転した。

判断ルールを人間がコードで書くのではなく、過去事例(データ)を山ほど与えて、機械に 「ルールに相当する内部状態」 を自動で調整させる。

具体的には、調整可能なパラメーター(ダイヤルとノブ)をたくさん持った柔軟な構造 を用意して、入力と正解のペアを大量に見せながら、「正解に近づくようにダイヤルを少しずつ回す」。これを延々と繰り返す。

3Blue1Brown の解説でもこう言われている:

機械学習のアプローチは、タスクを遂行する手続きを具体的にコードで定義するのではなく、調整可能なパラメーター(ダイヤルやノブ)をたくさん持った柔軟な構造を持たせて、与えられた入力に対してどんな出力が適切かというたくさんの例を使って、このパラメーターを調整することでこの振る舞いを真似させようというもの。

つまり 機械学習モデル = 「ダイヤルとノブを持った装置」+「データから自動でダイヤルを回す仕組み」。

このアプローチが革命的だったのは、「人間がルールを言語化できない領域でも、データさえあれば AI が動く」 という点。画像認識・音声認識・自然言語処理は、まさにこの 「言語化できない暗黙知」 の領域で、ルールベースでは全く歯が立たなかったのが、機械学習で一気にブレイクした。

機械学習モデルの最小単位 — 線形回帰(ダイヤル2個)

機械学習モデルの 「原型」 として、最も単純な例を見る。線形回帰 だ。

住宅価格を予測したい。入力は 住宅の面積、出力は 価格。データは過去の成約事例:

これを表現するモデルは 価格 = a × 面積 + b。ダイヤルは a と b の2個 しかない。

学習とは、過去データを使って a と b の値を、誤差が最小になるように調整する だけ。Excel の 「近似曲線」 で出てくる y = 80x + 0 みたいなあの式、あれが線形回帰のダイヤルを回した結果。

図1: ダイヤルの数で見る機械学習モデルの 「スケール」 の変遷

これが 機械学習モデルの最小形。ダイヤル2個でも立派な機械学習モデルである。「データから振る舞いを決める」 という原則さえ満たせば、全部 機械学習。

ダイヤルを増やすと何ができるか — 線形回帰から GPT まで

ダイヤルが2個では「直線1本」しか引けない。住宅価格のような単純な関係なら十分だが、現実のタスクの多くは直線では足りない。

そこで ダイヤルを増やす。これが機械学習モデルの歴史:

すべて 同じ枠 にいる: 「ダイヤルとノブを持った装置 + データで回す仕組み」。違いは ダイヤルの数と並べ方 だけ。

そして 「深層学習(Deep Learning)」 = ダイヤルを 「深く積んだ」 機械学習モデル。Transformer も GPT も Claude も Llama も、全部 深層学習 = 機械学習モデルの一種、という入れ子構造になっている。

機械学習モデルが向く仕事 / 向かない仕事

ここまでで 「機械学習 = ルールを書かずにデータから決める」 という骨格が見えた。では実務的に、どんな仕事に向いて、どんな仕事に向かないのか。

判断の目安はシンプルで、「if-then で書きたくないほどルールが複雑か、暗黙知か」 の一点。

コンサル業務に重ねると、「マニュアル化できる業務 = if-then で書ける = 機械学習である必要なし」「マニュアル化に20年かかる業務 = 暗黙知の塊 = 機械学習の主戦場」 という整理になる。

つまり、AI に 真っ先に代替されるのは 「マニュアルに書けないが、過去事例は山ほどある」 業務。コンサル業界で言えば 「ベテラン社員の 「感覚」 で判断していたタスク」 がここに該当する。皮肉なことに、これは シニアコンサルの市場価値の核 でもある。