【AIF-C01】AIの実ユースケースと向き不向きとは？手法の選び方を図解

AWS認定AIプラクティショナー（AIF-C01）のドメイン1 Task1.2では、「AIをどこに使うべきか／使うべきでないか」「どの手法を選ぶか」が問われます。技術そのものより“使いどころの判断”がテーマです。基礎の整理は AI・機械学習・ディープラーニング・生成AIの違い をどうぞ。

AIが価値を生む3つの場面

AIは万能ではありませんが、次のような場面で大きな価値を発揮します。

• 意思決定の支援：データに基づいて人の判断を助ける。例：医療画像の診断補助、与信審査の参考情報。
• 自動化：繰り返しの作業を肩代わりする。例：問い合わせの一次対応、書類の自動仕分け。
• スケール（規模の拡大）：人手では不可能な規模を処理する。例：数百万件のログ監視、大量画像の自動分類。

機械学習が「向かない」場面

AIF試験では「MLを使うべきでない」ケースの判断も問われます。次の場合は、機械学習より従来の方法が適しています。

• 単純なルールで十分：明確な条件分岐で解ける問題は、通常のプログラム（ルールベース）の方が速く・安く・確実。例：「金額が1万円以上なら送料無料」。
• 決定的な正確さが必須：機械学習は確率的で誤りうるため、絶対に間違えてはいけない計算には不向き。例：会計の合計金額の計算。
• データが乏しい／コストが見合わない：学習データが足りない、または効果に対して導入コストが高すぎる場合。

手法の選び方：回帰・分類・クラスタリング

代表的な機械学習の手法は3つ。「何を出力したいか」で選びます。

• 回帰（regression）：連続した数値を予測する（教師あり）。例：来月の売上、住宅価格の予測。
• 分類（classification）：あらかじめ決めたカテゴリに振り分ける（教師あり）。例：迷惑メールか否か、画像が猫か犬か。
• クラスタリング（clustering）：正解なしで似たもの同士をグループ化する（教師なし）。例：顧客を行動パターンでセグメント分け。

AIの代表的なユースケース

実際のビジネスでは、次のような用途でAIが使われています。AIF試験でも頻出の例です。

• 画像認識（コンピュータービジョン）：写真から物体・人・文字を判別。例：製造ラインの不良品検知、顔認証。
• 自然言語処理（NLP）：文章の意味理解・生成。例：チャットボット、要約、感情分析。
• 音声認識：音声を文字に変換。例：会議の自動文字起こし、音声入力。
• レコメンド（推薦）：好みに合う商品・コンテンツを提案。例：ECサイトのおすすめ表示。
• 不正検知：異常なパターンを検出。例：クレジットカードの不正利用の検知。
• 需要予測：将来の数量を予測。例：在庫や人員配置の最適化。

確認クイズ

よくある質問（FAQ）

Q. 分類と回帰の違いは？

A. 出力がカテゴリ（離散）なら分類、連続した数値なら回帰です。「猫か犬か」は分類、「価格はいくらか」は回帰。

Q. クラスタリングと分類の違いは？

A. 正解ラベルの有無です。分類はあらかじめ決めたカテゴリに振り分ける教師あり学習、クラスタリングは正解なしで似たもの同士をまとめる教師なし学習です。

Q. どんな時にAIを使わない方がいい？

A. 単純なルールで十分なとき、絶対の正確さが必要なとき、データやコストが見合わないときは、従来の方法が適しています。

まとめ

• AIの価値＝意思決定支援・自動化・スケール
• 向かない場面＝単純ルールで十分／決定的正確さが必須／データ・コスト不足
• 手法＝回帰(数値)・分類(カテゴリ)＝教師あり、クラスタリング＝教師なし

※本記事はAWS公式試験ガイド(AIF-C01)に基づき、エンジニアKが作成しています。