ビジネスAI入門
まず、やさしく
AIの学習は、間違いの大きさ（損失）を測って、それが小さくなる方向へ少しずつ動かすことの繰り返しです。坂道を下るのと同じイメージです。
要点
機械学習とは「パターンの自動発見」
人間がルールを書く代わりに、大量のデータから機械が自動的にパターンを学習する。教師あり学習（入出力ペアから学ぶ）・教師なし学習（データの構造を自動発見）・強化学習（試行錯誤で報酬を最大化）の3種類が基本。ChatGPTは膨大なテキストから「次のトークンを予測する確率」を学習した巨大な教師あり学習モデル。
確率とソフトマックス（AIの出力の本質）
ChatGPTが単語を生成するとき、次の単語の確率分布を計算して確率的にサンプリングする。Softmax関数は任意のスコアを確率（合計1）に変換する変換式。「温度」パラメータを上げると確率が均等化し、創造的だが不安定な出力になる。
コサイン類似度（ベクトルで意味を測る）
単語・文書・画像をベクトルで表現し、その「向き」の近さで意味の類似度を測る。ChatGPT等の埋め込み（Embedding）はこれが基礎。1に近いほど似た意味、0なら無関係、-1なら正反対。RAG（検索拡張生成）では質問と文書のコサイン類似度でコンテキストを選ぶ。
過学習と汎化（AIの限界を知る）
学習データには完璧に合うが未知データで失敗する「過学習(Overfitting)」はAI最大のリスク。訓練データと検証データを分けて評価するのが基本対策（ホールドアウト法）。ビジネス文脈では「社内データで作ったモデルが外部データに使えない」現象として頻出。精度レポートに「検証データでの数値か」を常に確認すること。
プロンプトエンジニアリングの数学的背景
プロンプトはAIへの「条件付き確率の指定」。「役割（Role）・背景（Context）・具体例（Few-shot）・出力形式（Format）」を与えることで、確率分布を望む出力方向に絞り込む。Chain-of-Thought（段階的推論）は、AIに中間ステップを出力させることで条件付き確率の精度を高める技術。感覚ではなく構造として理解するとプロンプトの改善速度が上がる。
図で見る
横軸は学習の回数。下がり方が止まったところが、そのモデルの限界。
この単元を使う職業
AIコンサルタント¥1500万
プロダクトマネジャー（AI製品）¥1200万
DXリード（デジタル変革責任者）¥1000万
§
ここから先は会員限定です
確認問題と職業の詳細は会員向けです。月額¥490、いつでも解約できます。
コメント
コメントにはログインが必要です