【応用情報】応用情報で出題されるAIについてまとめて解説

この記事では応用情報で出題されるAIについてIT初心者にも分かりやすく解説します。

応用情報ではAIに関する問題が頻出します。是非最後までご覧ください。

機械学習

機械学習とは、データを分析する手法の一つで、大量のデータからAIが学習し、パターンやルールを発見する方法です。

機械学習の手法には「教師あり学習」「教師なし学習」「強化学習」の3つあります。
ここ最近では「教師あり学習」しか出題されていないので、教師あり学習を紹介します。

教師あり学習

教師あり学習とは、入力データとそれに対する答えを与えて学習させ、AIが入力データから答えを導けるようにする手法です。
教師あり学習には更に回帰と分類の2つ種類があります。

回帰

回帰では入力データから値を予測します。回帰は連続した値が答えになるのが特徴です。
例えば、数学の点数から物理の点数を予測するのが回帰ですね。

「数学のテストが70点だったA君は物理のテストで65点でした」
「数学のテストが40点だったB君は物理のテストで41点でした」
というデータをAIに大量に与えることで数学の点数と物理の点数の関係を学習させます。
そして、「数学のテストが54点だったZ君は物理で何点取るか？」を予測させるのが回帰です。

分類

分類では入力データからカテゴリを予測します。分類は例えば、メールがスパムか非スパムかの分類や、動物が猫か犬か人かの分類を予測するのが特徴です。要するに、Yes/Noが答えになるような学習が分類ですね。

「この画像は猫です」「この画像は人です」と言う感じで、大量の画像データを答えと共にAIに与え、AIは画像から答えのパターンを学習します。学習の時、例えば、「二足歩行していたら答えは人である」と特徴も教えてあげます。そうすることで、AIは与えられた画像データが猫か犬か人か判断出来るようになります。

2クラス分類モデル

2クラス分類モデルとは、「このメールはスパムか非スパムか？」や「この動物は犬か猫か？」のようにデータを2つのカテゴリに分類するモデルです。

過学習

AIは学習したデータから答えを予測するモデルを作ります。
しかし、そのモデルが学習データには対しては良い精度を発揮するが、未知のデータに対しての精度が良くないという状態になることがあり、これを過学習と呼びます。

AIが作ったモデルも常に完璧という訳では無いので、人間が評価してあげる必要があります。教師あり学習で使われる評価方法に交差検証とROC曲線があります。

交差検証

AIが作ったモデルを検証するには、学習データと検証データを用意する必要があります。

しかし、1回の検証で、そのモデルを正しく評価出来るかと言われると微妙な所があります。その時に使った検証データが偶々予測しやすいデータだった、みたいなことがありますからね。

そこで、交差検証では、用意したデータを複数のグループに分け、一部のグループを学習用に、残りのグループを検証用に使う、ということをグループを入れ替えながら行います。
1回目ではグループ①～④からモデルを作り、グループ⑤で検証して結果を確認します。
次に1回目で作ったモデルを一度リセットし、グループ①～③とグループ⑤からモデルを作り、グループ④で検証して結果を確認します。ということを5回繰り返し、それぞれの検証結果を平均することで、AIが作るモデルを正しく評価します。

ROC曲線

ROC曲線は2クラス分類モデルを評価する手法です。
「この画像は猫か？」を予測するモデルを例に2クラス分類モデルを考えてみましょう。
AIの予測結果は次の4つに分類できます。

• 猫を正しく猫だと予測する：真陽性
• 猫なのに誤って猫ではないと予測する：偽陰性
• 猫ではない画像を正しく猫ではないと予測する：真陰性
• 猫ではない画像なのに誤って猫だと予測する：偽陽性

ところで、2クラス分類モデルではどのように猫かどうかを判断するのでしょうか？

猫の画像をモデルに読み込ませると、猫っぽさが64点だと判定しました。
60点以上なら猫と設定すれば、モデルはこの画像を猫だと判定しますし、
70点以上なら猫と設定すれば、モデルはこの画像を猫ではないと判定します。
つまり、何点以上なら猫とするのか、の設定によって答えは変わってきてしまいます。
この時設定した点数を閾値と言います。

閾値を高くすれば判断基準が高くなるので、猫の画像なのに猫ではないと判断してしまう可能性が高くなります（真陽性率が低くなる）。しかし、猫の画像ではないのに猫だと判断する可能性も低くなります（偽陽性率が低くなる）。

逆に閾値を低くすれば判断基準が低くなるので、真陽性率は高くなりますが、偽陽性率も高くなります。

閾値を0点から100点まで色々設定した時の真陽性率と偽陽性率の関係を表したグラフがROC曲線です。

閾値が0点のとき、全ての画像を猫だと判断してしまうので、猫の画像を猫だと判断する確率(真陽性率)は100%ですが、猫ではない画像を猫だと判断する確率(偽陽性率)も100%となってしまいます。同じように閾値が100点のとき、真陽性率と偽陽性率は共に0%となります。これはどのモデルでも同じです。

ここから閾値を変えていくと、どうなるかを示したのがROC曲線ですね。
閾値が20点のとき、猫の画像を猫だと判断する確率(真陽性率)が90%、猫ではない画像を猫だと判断する確率(偽陽性率)が80%になる・・・というのを閾値を変えて調べていきます。

ちなみに、完璧なモデルは閾値をどう変化させても真陽性率=1、偽陽性率=0となります(青の完璧なモデル)。良いモデルは閾値をどう変化させても真陽性率が高く、偽陽性率が低くなります(赤のモデルA)。
グラフで見ると、完璧なモデルに形が近付く程、良いモデルと言えるとことが分かります。

ディープラーニング

機械学習では「二足歩行していたら人間である」のような特徴量を開発する必要がありますが、ディープラーニングでは特徴量の開発を必要としません。AIが自動で有用な特徴量を学習していきます。

ディープラーニングでは、人間の神経細胞に似たニューラルネットワークを取り入れて、複雑な判断が出来るようにしています。

応用情報技術者試験での出題例

令和6年度秋期問2

令和6年度春期問3

令和5年度春期問3

令和4年度秋期問4

令和3年度秋期問3