識別AI利活用｜ITパスポート

シラバス案 Ver.0.1 の小分類 2「識別AI利活用」（大分類 2：データ・AIの利活用／中分類 10：AI利活用）。
2026-09-26 にシラバス本文と突合済み。

0. 何を押さえるか

ここで問われるのは AI の仕組みではなく、業務のどの課題に、どの学習の型を当てるかです
（仕組みそのものは大分類 4 の「AI 技術」で扱います）。

学習の型	何を与えるか	業務での使い方	例
教師あり学習	過去のデータと正解の組	予測する	売上予測・成約予測・離反予測
教師なし学習	データだけ（正解なし）	グルーピングする	顧客セグメンテーション・店舗クラスタリング
強化学習	行動の結果の良し悪し（報酬）	最適な行動を探して支援する	配車ルートの最適化

正解が分かっている過去データがあるかが、教師ありか教師なしかの分かれ目です。

識別 AI は、与えられたデータを分類・予測・判断する AI で、
新しい文章や画像を作り出す生成 AI（次のノート）と対になります。

根拠: シラバス 2-10-2

識別 AI と生成 AI の違いは？

	何をするか	出力の例
識別 AI	データを分類・予測・判断する	「この顧客は来月解約しそう（確率 80%）」
生成 AI	新しい文章・画像・音声などを作り出す	解約防止のお知らせメールの文面

見分けて当てるのが識別、作るのが生成。

教師あり学習・教師なし学習・強化学習は、業務でそれぞれ何に使われるか？

学習の型	業務での使い方
教師あり学習による予測	過去の実績から将来の数値や結果を当てる（売上予測、成約予測、離反予測など）
教師なし学習によるグルーピング	似たものどうしをまとめて分ける（顧客セグメンテーション、店舗クラスタリングなど）
強化学習による支援	試行錯誤から最も良い行動を見つけて提案する（配車ルートの最適化など）

予測・グルーピング・行動の最適化で分ける。

売上予測と、成約予測・離反予測は、何を予測する点が違うか？

どれも過去の正解（実際の売上・成約したか・解約したか）があるので教師あり学習。
分類の予測は「成約する確率 70%」のような確率で出ることが多い。

離反予測は、業務でどう使われるか？

解約・購入停止など、顧客が離れていきそうかを予測し、離れる前に手を打つ

新規顧客を獲得するより、今の顧客を引き留めるほうが安く済むことが多いため重視される。

顧客セグメンテーションとは？なぜ教師なし学習を使うのか？

購買履歴や属性が似ている顧客を、いくつかのグループ（セグメント）に分けること

「どんなグループに分かれるか」という正解が最初から無いので、
データの似かたからグループを見つける教師なし学習を使う。

AI はグループに分けるだけで、「若い高頻度層」のような意味づけは人が行う。
分けたあと、グループごとに違う販売施策を打つ。

店舗クラスタリングとは？何に使うか？

立地・客層・売上の傾向などが似ている店舗を、教師なし学習でグループ（クラスタ）に分けること

使い方の例:

顧客セグメンテーションと同じグルーピングで、対象が顧客か店舗かの違い。

強化学習による配車ルートの最適化とは？

配車や経路の選び方を試行錯誤させ、良い結果（報酬）が得られる行動を学ばせて、最適なルートを提案させること

	配車ルートの場合
行動	どの車をどの客・どの道に回すか
報酬	到着までの時間が短い、走行距離が短い、待ち時間が少ない

正解を教えるのではなく、結果の良し悪しから学ぶのが強化学習。
AI は案を出し、人の業務を支援する。

次の課題に向く学習の型は何か？
「過去の来店データから、明日の来店客数を当てたい」
「会員をどんなタイプに分けられるか知りたい」
「倉庫内のロボットの動かし方を、試行錯誤でよりよくしたい」

正解がある → 教師あり、正解がない → 教師なし、報酬で学ぶ → 強化。

識別 AI の予測を業務に使うときの注意点は？

AI の出力は判断材料の 1 つとして使う。