Notta

【経産省ガイドライン準拠】AIモデルと学習の基礎｜業務担当者のための技術理解

お役立ち記事

Share

Notta

Check!

  • AIモデル＝学習データとアルゴリズムから作られる「予測・生成・分類のしくみ」
  • 機械学習・深層学習・生成AI・LLMは同心円の包含関係
  • RAG（外部参照型）とファインチューニング（追加学習型）は目的で使い分け

「AIモデル」という言葉を、提案書や社内会議で耳にする機会が増えました。一方で、機械学習・深層学習・生成AI・LLM・RAG・ファインチューニングといった用語が次々に登場し、どれが何を指すのか整理しきれない方も多いはずです。本記事では、経済産業省・総務省『AI事業者ガイドライン（第1.2版）』および総務省『令和7年版 情報通信白書』を出典に、AIモデルの基本構造と学習の仕組み、RAGとファインチューニングの違い、業務利用の注意点を業務担当者の目線で整理します。前提知識ゼロでも読み通せる構成です。まずAIの基礎全体像から確認したい場合はAIとは｜中小企業が知るべき基礎と安全な始め方を併読してください。

おすすめ記事

目次

開く

閉じる
  1. AIモデルとは（学習済みモデルの考え方）
  2. 機械学習・深層学習・生成AIの関係
  3. RAG・ファインチューニングの違い
  4. 業務でAIモデルを使う際の注意
  5. よくある質問（FAQ）
  6. まとめ｜今日からできる3つのこと
  7. 関連記事
  8. 参考文献

AIモデルとは（学習済みモデルの考え方）

AIモデルとは、学習データとアルゴリズムを組み合わせて作られる「予測・生成・分類のしくみ」です。料理に例えると、アルゴリズムが「レシピ」、学習データが「食材」、AIモデルがその両方を使って完成した「料理」にあたります。レシピと食材だけでは料理は提供できず、調理を経て初めて使える状態になる──この調理工程が「学習」、調理を終えた料理が「学習済みモデル」です。

業務でAIモデルを使う場合、出発点は大きく2つに分かれます。1つは、自社のデータで一から学習させる方法。もう1つは、ChatGPTやClaudeのように、すでに大量のデータで訓練が完了している「学習済みモデル」をAPIや製品経由で呼び出す方法です。総務省『令和7年版 情報通信白書』によると、日本企業で生成AIの活用方針を定めている比率は2024年度調査で約50%に達し、前年度の約43%から増加しています。多くの企業が後者（学習済みモデルの活用）から取り組み始めています。

AI（人工知能） 機械学習 深層学習 生成AI LLM 外側ほど概念が広く、内側ほど特化された技術領域
図1：AI技術の階層関係

もう1つ押さえておきたいのが「アルゴリズム」と「モデル」の違いです。アルゴリズムは計算の手順そのものを指し、モデルは手順とデータから生まれた成果物を指します。同じアルゴリズム（例：ニューラルネットワーク）を使っても、与えるデータが違えば別のモデルになります。提案書で「○○モデル採用」と書かれていても、それがアルゴリズムの種類なのか、学習済みの完成品なのかを区別すると、見積もりの読み方が変わります。

規模別の出発点の目安。個人事業主は学習済みモデルをそのまま使う形が現実的です。中小企業は学習済みモデルに自社データを参照させるRAG構成、中堅大企業はファインチューニングや独自モデルの選択肢も視野に入ります。詳細は「RAG・ファインチューニングの違い」で扱います。

機械学習・深層学習・生成AIの関係

AIに関する用語は同心円のような包含関係にあります。経済産業省・総務省『AI事業者ガイドライン（第1.2版）』では、AI（人工知能）を最も広い概念として位置づけ、その内側に機械学習、さらに内側に深層学習や生成AIを置く整理が用いられています。図1の階層をもう一度言葉で確認しておきます。

  • AI（人工知能）：人間の知的活動の一部を機械で再現しようとする技術や研究の総称
  • 機械学習：データからパターンを学習し、予測や分類を行う手法の総称
  • 深層学習（ディープラーニング）：ニューラルネットワークを多層化した機械学習の一種
  • 生成AI：深層学習を活用し、テキスト・画像・音声などを生成する応用領域
  • LLM（大規模言語モデル）：生成AIのうち、言語に特化した大規模なモデル

機械学習の代表的な学び方は「教師あり学習」「教師なし学習」「強化学習」の3つです。教師あり学習は問題と正解のペアを与えて訓練する方法、教師なし学習はデータの中から自動的にパターンを見つけ出す方法、強化学習は試行錯誤を通じて最適な行動を学ぶ方法です。深層学習はこれら3種すべてで使える技術であり、特に画像や音声のように特徴量を人間が定義しにくいデータに強みを発揮します。

①データ収集 学習用データを 準備する ②前処理 欠損値補正・ 形式統一 ③学習 アルゴリズムで パターンを抽出 ④評価 精度・誤りを 確認する ⑤運用 業務へ組み込み 継続改善 運用結果をもとに評価・再学習を繰り返す AIモデルの学習プロセス 5段階のサイクルで精度を高める
図2：AIモデルの学習プロセス

2026年3月31日に公表された『AI事業者ガイドライン（第1.2版）』では、新たに「AIエージェント」「フィジカルAI」が定義として追加されました。AIエージェントは目的を与えると複数のタスクを自律的に連鎖実行するモデルの呼称、フィジカルAIはロボットなど物理世界で動作するAIを指します。これらも基盤にあるのは機械学習・深層学習であり、図1の階層関係そのものは変わっていません。生成AIの全体像と業務応用については生成AIの基礎と業務活用で扱っています。

RAG・ファインチューニングの違い

業務でAIモデルを自社用にカスタマイズしたい場合、現在主流の手法は「RAG」と「ファインチューニング」の2種類です。経済産業省・総務省『AI事業者ガイドライン（第1.2版）』でも、両者はAI提供者・利用者の選択肢として整理されています。同じ「自社用にする」でもアプローチは大きく異なります。

RAG（Retrieval-Augmented Generation／検索拡張生成）は、AIモデルそのものは変えず、回答時に外部のデータベースや社内文書を検索して参照する仕組みです。新しい資料を追加すれば即座に反映でき、情報の更新が容易です。一方、検索元データの整備が品質を左右し、構造化されていない文書だと精度が伸びにくいという特性があります。

ファインチューニング（Fine-tuning）は、既存のAIモデルに追加学習を施し、特定の用途や業界向けにパラメータを調整する手法です。業界固有の言い回しや専門用語を内面化させたい場合に向きます。ただし学習データの整備と学習工程に手間がかかり、情報を更新するには再学習が必要になります。

RAG と ファインチューニング の構造の違い RAG（検索拡張生成） 既存モデル＋外部データ参照 質問 AIモデル 社内データ ／外部資料 回答 特徴：データ更新が容易・最新情報に強い ファインチューニング 既存モデルに追加学習で再調整 既存の AIモデル 業界・業務 特化データ ＋ 業務特化AIモデル 業界用語・社内ルールを内面化 特徴：専門領域の精度を底上げ
図3：RAGとファインチューニングの構造比較

両者の特性を業務観点で並べると次の通りです。

観点RAGファインチューニング
得意なこと最新情報・社内資料の反映業界固有の言い回し・専門知識の定着
情報更新資料の差し替えで即反映再学習が必要
初期コスト比較的低い学習工程に時間と費用がかかる
必要データ検索しやすい構造化文書業務に沿った教師データ
向く業務FAQ自動応答、社内ナレッジ検索専門領域のドキュメント生成、品質管理
規模別の起点個人事業主・中小から取り組みやすい中堅大企業や専門領域の業務に適合しやすい

判断軸はシンプルです。「扱いたい情報が頻繁に更新されるか」「業界固有の知識をモデル自体に覚えさせる必要があるか」を見れば、RAGとファインチューニングのどちらが向くかは見えてきます。両者を組み合わせる構成も実務では一般的で、専門知識をファインチューニングで土台に組み込み、最新情報はRAGで参照させるという二段構えです。プロンプト設計の基本はAIプロンプトとは｜基本と書き方で扱っています。

業務でAIモデルを使う際の注意

AIモデルを業務利用する際には、技術選定とは別に、入力データの管理と出力結果の確認体制を整えておく必要があります。経済産業省・総務省『AI事業者ガイドライン（第1.2版）』および個人情報保護委員会が示す指針を踏まえ、3つの観点で整理します。

入力データに個人情報・機密情報を含めない

個人情報保護委員会は、生成AIサービスに個人情報や機密情報を入力する際の注意喚起を継続的に発信しています。クラウド型のAIモデルでは、入力内容が学習や品質改善に利用される可能性がある契約形態もあり、社内ルールとして「入力してよい情報」「ダミー化が必要な情報」を線引きしておく必要があります。個人事業主の場合は顧客名・取引額をそのまま入力しない、中小企業は社内向けの利用ガイドを1枚にまとめる、中堅大企業はガバナンス文書として整備する、といった段階的な運用が現実的です。

出力のファクトチェックを前提に組み込む

AIモデルは確からしい文章を生成するのが得意な一方、事実と異なる内容を自信ありげに出力する「ハルシネーション」が起こり得ます。社外提出物・契約書・医療や法律に関する助言など、誤りが許されない領域では、人間による確認工程を必ず挟む設計が前提になります。『AI事業者ガイドライン（第1.2版）』では「人間の関与（Human-in-the-Loop）」の考え方が示されており、特にAIエージェントが外部システムに対して自律的に作業する場面では、人間のチェックポイントの設置が推奨されています。

規模に応じた運用体制を整える

運用体制は規模に応じて段階的に整えます。個人事業主は「いつ・どのモデルに・何を入力したか」のログを手元に残す習慣から始めれば十分です。中小企業は、利用ルールと窓口担当を決め、月次で運用状況を見直す体制を持つと運用が安定します。中堅大企業はAI利用ガバナンス文書を整備し、開発・提供・利用の役割分担を社内で明確化することが推奨されます。これらの体系は『AI事業者ガイドライン（第1.2版）』が示す3主体（開発者・提供者・利用者）の整理と接続できます。法的位置づけや実務対応の要点はAI事業者ガイドラインの要点と実務対応チェックリストを参照してください。

よくある質問（FAQ）

Q1. AIモデルと生成AIは同じものですか？

A. 同じではありません。AIモデルは「学習データとアルゴリズムから作られたしくみ」の総称で、機械学習モデル・深層学習モデル・生成モデルなどを広く含みます。生成AIはAIモデルの一種で、テキストや画像などを新たに生成する用途に特化したモデル群を指します。図1で示した階層関係を見ると、生成AIは深層学習の中に位置する応用領域であることが分かります。

Q2. 自社専用のAIモデルを作るには何が必要ですか？

A. 大きく3つです。①目的とユースケースの明確化、②学習データの整備（量と質）、③技術選定（自社開発／既存モデルへのRAG／ファインチューニング）。中小企業の場合、ゼロから独自モデルを作るより、既存のAPIにRAGで自社データを参照させる構成から始めるケースが多くなっています。総務省『令和7年版 情報通信白書』でも、企業の生成AI活用は方針策定の段階から始まっており、いきなり独自開発に進む例は限定的です。

Q3. RAGとファインチューニングはどちらが安く始められますか？

A. 一般的にはRAGの方が初期コストを抑えやすい傾向があります。学習工程が不要で、検索元データを整備すればすぐに動かせるためです。ただし「安いから良い」とは限らず、検索しにくい資料を多く扱う場合や、業界用語の理解度を上げたい場合はファインチューニングの方が結果として効率的なこともあります。費用と効果の両面で見ることが大切です。

Q4. 学習データに自社の文書を使うと著作権上の問題はありますか？

A. 自社が著作権を保有する文書を自社専用のAIモデルに学習させる範囲では、原則として権利上の問題は生じにくいと整理されています。一方、第三者が作成した資料（外部ベンダーの納品物・ライセンス購入したデータ等）を学習データに使う場合は、契約条件の確認が必要です。詳細な判断は弁護士など専門家への相談を推奨します。

Q5. 機械学習と深層学習は何が違うのですか？

A. 深層学習は機械学習の一種です。違いの中心は「データの特徴をどう抽出するか」にあります。従来の機械学習では人間が「どの特徴に注目するか」を設計するのに対し、深層学習ではニューラルネットワークが層を重ねて自動で特徴を抽出します。画像認識や音声認識のように、特徴を人間が定義しにくい領域で深層学習の強みが発揮されます。

Q6. AIモデルの精度はどう評価すればよいですか？

A. 用途によって指標は変わります。分類タスクなら正解率・適合率・再現率、生成タスクなら人間による評価や、参照解との一致度などが用いられます。業務利用の現場では「想定する場面で十分使えるか」をユーザー視点でテストすることが重要です。図2の学習プロセスでも示した通り、評価と運用は循環するもので、運用結果を踏まえた再評価を継続することが精度維持につながります。

まとめ｜今日からできる3つのこと

AIモデルは、学習データとアルゴリズムから作られる「予測・生成・分類のしくみ」です。機械学習・深層学習・生成AI・LLMは同心円の包含関係にあり、RAGとファインチューニングは既存モデルを自社用に使うための代表的な2手法です。最後に、今日から着手できる3つの行動にまとめます。

  1. 自社が扱いたい情報の性質（最新性／専門性）を整理し、RAGかファインチューニングかの初期判断軸を持つ
  2. 経済産業省・総務省『AI事業者ガイドライン（第1.2版）』の「AI利用者」章を読み、社内ルールの土台にする
  3. 試験運用は機密情報を含まないデータで始め、出力のファクトチェック体制を先に決める

AIモデルが業務に組み込まれた次の段階として、目的を与えると自律的にタスクを連鎖実行するAIエージェントの基礎と業務活用も視野に入ります。

関連記事

参考文献

この記事に興味を持った方におすすめ

あなたへのおすすめ記事

同じカテゴリの記事を探す

同じタグの記事を探す

同じタグの記事はありません

掲載希望の方はこちら
top