
「無料」という言葉だけを探せばよいのでしょうか?
架空のメッセージ受信箱を思い浮かべてください。人が「無料という単語が入っていたら広告に分類する」というルールを書くことができます。簡単ですが、「無料で手伝うよ」という個人的なメッセージまで誤って振り分け、その単語を使わない広告を見逃すかもしれません。使う条件を人が決める方法では、新しい表現や文脈に出会うと、ルールの追加や修正が必要になることがあります。
AIはこうした機能一つの名前よりも広い分野です。画像から物体を見つけたり経路を計画したり、知識やルールで問題を解いたりする方法も扱います。そのため、すべてのAIがデータを学習するわけではなく、単純な条件文があるからといって、どのプログラムもAIと呼ぶのは適切ではありません。大切なのは名前よりも、何をどんな方法で処理するかです。
例が分類器を変えていく時間
別の方法は、広告かどうかを示したメッセージを例として与え、モデルを学習させることです。機械学習は、データでモデルを学習させ、予測やその他の出力を作らせる方法です。この場合も、どの資料を使い、何を目標にするかは人が設計します。例があっても、見慣れない表現まで常に正しく扱えるわけではありません。ここでの受信箱は原理を比べるための架空の場面であり、実際のサービスの精度を測った実験ではありません。
学習では、データと目標に合わせてモデルの内部の値を調整します。そのあと新しいメッセージを入れて分類結果を得るのは、学習済みモデルを使う推論です。新しい入力を入れたというだけで、そのたびに内部の値が改めて学習されるわけではありません。会話の内容を文脈として使うことも、モデルの値を再調整することと区別する必要があります。「例から作る時間」と「できたモデルを使う時間」はつながっていますが、同じ段階ではありません。
例を集めて
どんな資料から何を学ばせるかを決めます。
モデルを作り
学習の過程でモデルの内部の値を調整します。
新しいメッセージで使ってみる
推論で分類結果を得て、実際のメッセージと照合します。
広告を選び分けることと返信を書くこと
メッセージが広告かどうかを選び分けるモデルと、新しい返信文を作るモデルでは、出力の目的が違います。生成AIは文章・画像・音などのコンテンツを作るシステムを指し、現代の生成AIは通常、機械学習で学習したモデルを使います。機械学習はAIの中の一つの方法です。メッセージを分類するだけで文章を書かないモデルも、機械学習である場合があります。
この区別は、互いに入れない箱へ分けることではありません。一つのサービスが分類モデルでメッセージを選び、生成モデルで返信の下書きを作り、人が決めたルールで結果をさらに扱うこともできます。画面が対話式だからといって、内部のモデルが一つだけとも限りません。分類と生成、ルールが一つの画面に集まっていても、それぞれの役割を分けて見ることができます。
上手に話すことと正しいことを話すこと
滑らかで自信に満ちた返信や説明も、事実と違う場合があります。分類モデルが選び間違えるように、生成モデルももっともらしい誤りを作ることがあるため、結果が正しいかは目的に合う資料や評価で確かめる必要があります。説明の中の計算を自分で照合し、参考資料の題名やリンクが実在して、その主張を支えているかも確認してみてください。流暢さそのものは正確さの証拠ではありません。
返信の下書きでは、でっち上げた情報や不要な個人情報が紛れ込んでいないかも見ます。個人情報や非公開資料を入力する前には、使うサービスの取り扱い方針を確認するとよいでしょう。いくつかの方法を組み合わせたというだけで、結果の正確さや資料の安全な取り扱いが保証されるわけではありません。便利な機能に出会ったときも、何を入力し、どんな出力を受け取り、何でその結果を確かめるのかを併せて見ると、AIをより具体的に理解できます。
メッセージ1通をたどるだけでも、AIという大きな名前の中に違う仕事があると分かります。次に「AI機能」というボタンに出会ったら、まずその機能が選び分けるのか、作るのかを見てみてください。