AIモデルとは？生成AI・基盤モデルを含む種類一覧と仕組み・開発での選び方を徹底解説

みなさん、生成AI・自動運転システム・スパムメールの判別に共通する、仕組みの部分「AIモデル」をご存知ですか？

AIモデルは幅広い業界で活躍中で、特にChatGPTのような大規模言語モデル（LLM）や、画像・動画を生成するマルチモーダルAIの登場によって、ここ数年で存在感が一気に高まりました。

日本の野村総合研究所とオックスフォード大学の共同研究では、今後10〜20年で日本の労働人口の約49％の職業がAIやロボットで代替可能になると試算されていますが、近年の調査では「すべてが一気に置き換わる」のではなく、人間とAIが役割分担しながら共存していくシナリオが有力とされています。※1※2

当記事ではそんなAIモデルについて、基本的な仕組みや種類、国内での活用例を紹介していきます。完読いただくと、達成したいタスクに適したAIモデルが選べるはずです。

ぜひ最後まで、お読みくださいね。

AIの「モデル」とは？

AIの文脈では、「モデル」「アルゴリズム」「学習済みモデル（パラメータ・重み）」といった用語が混同されがちです。本記事では、ビジネスでよく使われる「AIモデル＝データから学習した予測器・生成器」という意味で用いていきます。

AI（厳密にはその一種、機械学習）の根幹をなすのは、既知のデータから抽出した法則性の部分です。これを「AIモデル」または単に「モデル」といいます。

すべての機械学習は、このモデルから成り立っています。たとえば……

大規模言語モデル	大量のテキストやコードから文章のパターンを学習し、次に続くトークン（単語や記号）を生成するモデル。ChatGPTやGemini、Claudeなどの対話型AIの中枢になっているタイプです。
画像解析モデル	物体の形の特徴に基づいて、画像を分類
株価予測モデル	過去の値動きに基づいて、各銘柄の株価を予測
生成・基盤モデル	テキスト、画像、音声、動画など、複数のモダリティを横断して扱える大規模モデル群。社内データでの追加学習（ファインチューニング）やRAG（検索拡張生成）と組み合わせて、チャットボットや業務自動化ツールの「土台」として利用

というふうにそれぞれ、モデルを使って未知のデータを予測しているのです。

ここまで「AIモデル＝法則性の部分」という抽象的な内容を説明しました。ですがAIには具体的な部分、つまりソースコードや計算式も欠かせません。次項でその詳細をお伝えします！

ちなみに分類上は「AI＞機械学習＞ディープラーニング」となっています！

AI	人間の知能を再現するための技術全般
機械学習	データからモデルを抽出して予測を行うAIの一種
ディープラーニング	人の手を借りずにモデルが抽出できる、機械学習の一種

特に近年の画像認識や音声認識、自然言語処理のブレイクスルーの多くは、このディープラーニングと、その発展形であるトランスフォーマーモデルによって支えられています。

AIモデルのアルゴリズムを紹介！

「アルゴリズム」は、データからモデルを取りだすときに用いられる、ソースコード・計算式の部分です。採用するアルゴリズムによって、モデルやAIの挙動が決まります。

このアルゴリズムはいくつかの種類に分かれているのですが、当記事では代表的なものだけを紹介していきます。まずは古典的なアルゴリズム「教師あり学習」から、詳しくみていきましょう！

参考までに、実務では、これらの学習手法を単体で使うだけでなく、「教師あり学習＋ディープラーニング」や「教師なし学習＋クラスタリング」のように組み合わせて利用するケースも一般的です。

教師あり学習

「教師あり学習」とは、入力に対して正しい出力が決められているデータ（教師データ）から、モデルを抽出するアルゴリズムです。教師あり学習では正解のある問題を使うため、高精度のモデルが作れます。

ただ、正しい出力を決めるのはあくまで人間です。よって人間が解けない問題はモデルにも解けない、というのが教師あり学習の難点です。

そんな教師あり学習で作られたモデルは、予測する内容によって、「回帰モデル」「分類モデル」の2種類に分けられています。まずは回帰モデルから、その特徴をみていきましょう！

回帰モデル

「回帰モデル」は、数値（連続値）の変動を予測するための教師あり学習モデルです。過去の出来事に対する数値の変動を学習しています。

この回帰モデルの代表例と予測に使う手がかりは、以下のとおりです。

電力消費量の予測	夏と冬に消費量が増えるという法則性
Webサイトのアクセス数の予測	人間の行動リズムと広告効果
株価予測	値動きのパターン（ローソク足）

教師あり学習ですので、予測の手がかりは人間が当たりをつけて示しています。

なお回帰モデルのアルゴリズムはおもに……

線形回帰	数値変動を直線グラフで予測
非線形回帰 / 多項式回帰	数値変動を曲線グラフで予測

の2つに大別が可能です。

分類モデル

一方「分類モデル」は、データの特徴・属性を予測する教師あり学習モデルです。「この写真は猫」「このメールはスパム」というふうに、人間が注釈（アノテーション）をつけたデータを学習しています。

そんな分類モデルは、回帰モデル以上に身近な存在です。たとえば……

• メールボックス：スパムメールの検出
• 自動車：歩行者の識別
• オフィスビル：コンクリート壁のひび割れ検出

など、日常生活の至る所に分類モデルが活用されているんです！

なお分類モデルのアルゴリズムは多種多様で……

• パーセプトロン
• ロジスティック回帰
• k-NN
• 決定木

などが、用途に応じて使い分けられています。

教師なし学習

「教師なし学習」は人間がヒントを与えずとも、自力でデータの中からモデルが抽出できるアルゴリズムです。精度は教師あり学習に劣りますが、人間が見つけられない法則性・特徴を抽出するのに長けています。

そんな教師なし学習は……

• 次元削減
• クラスタリング

などのアルゴリズムに細分化できます。まずは次元削減の代表格「主成分分析」から、詳しくみていきましょう！

主成分分析

データのなかには、いくつもの要因（次元）が重なっていて、法則性が見出しづらいものもあります。例を挙げると……

• 5教科の成績に基づく、受験合格率の予測
• 体力テスト8項目の結果に基づく、マラソン大会での順位予測
• 10項目のアンケート結果に基づく、購買行動の予測

といったことを行うには、結果を大きく左右する要因だけを抽出しなければいけません。この工程（次元削減）に用いられるアルゴリズムが「主成分分析」です。上記のデータに主成分分析を使ってみると……

• 受験合格を左右するのは「国語」と「算数」の成績
• マラソン大会の順位を左右するのは「全身持久力」
• 購買行動を左右するのは「割引表示」
  （※あくまで一例です）

といった法則性、つまりモデルが見えてきます。

クラスタリング

「クラスタリング」は膨大なデータのなかから、似たもの同士の集団を発見するアルゴリズムです。

たとえば……

• ゲームユーザーのなかから、課金してくれそうな層を探し出す
• 肺のX線写真のなかから、がんを発症しているパターンを探し出す

といったことを人力だけで達成するのは至難の業ですよね。

そこでクラスタリングが活躍します！上記のデータをクラスタリングでまとめ上げてみると……

• 課金層は「プレイ時間が長い」または「レアキャラを集めている」
• 肺がん患者のX線写真には「直径3cm以下の円形の影」が映り込む
  （※あくまで一例です）

といった法則性が見えてきます。

強化学習

教師あり / 教師なし学習では、解決できないタスクも存在します。たとえば以下に示したノウハウを、簡潔に説明することは不可能ですよね。

• 囲碁やチェスの試合で勝つための戦略
• 格闘ゲームで勝つためのプレイング
• 事故を起こさないように自動車を運転する方法

そこでアルゴリズムの一種「強化学習」が活躍します。

この強化学習はいわば「力業」です。学習データは不要ですが、代わりに人間が示した条件を満たすまでモデルに試行錯誤を繰り返させる、という手法をとります。

ちなみに、この強化学習を使って作られるのが……

• 囲碁やチェスで人間を打ち負かすAI（AlphaGoなど）
• 格闘ゲームAI
• 自動運転システム

などのAIになります。

ディープラーニング

先ほど紹介した分類モデルを多層構造で組み合わせると、「ニューラルネットワーク」というアルゴリズムになります。その構造については、以下の概略図をご覧ください。

このニューラルネットワークを使う学習の一種が、「ディープラーニング / 深層学習」です。上図の隠れ層の部分を3層以上増やしたものを使うため、この名前が付いています。

ちなみに「ニューラルネットワーク」という名前は、人間の脳の神経回路から着想を得ていることに由来します。

ディープラーニングの思考過程

ディープラーニングなら、人間による正解例の提示がなくとも、複雑な分析が行えます。その処理の工程を、バナナの画像認識の例で説明すると……

【古典的な分類モデル】
「黄色い物体がある！あれは人間によると、バナナなのだそう」

【ディープラーニングモデル】
「黄色い物体がある、細長いパーツがふさ状にまとまっているぞ！表面をよくみてみると黒点が付いているようだから、これはバナナに違いない！」

以上のとおり、思考過程も深くなっています。

ディープラーニングが使われている分野

ディープラーニングは、幅広い分野に応用できます。たとえば……

• 生成AI
• 画像解析
• 予測分析
• 囲碁AI
• 自動運転システム
  …etc.

このように、昨今のAIブームはディープラーニングの上に成り立っているんです！

なお、ディープラーニングモデルの一種・生成AIの企業成功事例について詳しく知りたい方は、下記の記事を合わせてご確認ください。

AIモデルのメリット・デメリットと選び方

AIモデルのメリット・デメリットを学習手法ごとに、下表で示します。

	メリット	デメリット
AIモデル全般	繰り返し予測を行っても、精度がブレない	トレンドの変化に弱い
教師あり学習	予測精度が高い	人間にできるタスクにしか向かない
教師なし学習	隠れたパターンが発見できる	教師あり学習ほどの精度は出ない
強化学習	目的に特化したAIが作れる	学習に時間がかかる
ディープラーニング	学習能力と汎用性が高い	膨大な学習データと高性能GPUを要する

このように、どのAIモデルにも一長一短があります。よって達成したいタスクごとに最適なものを選ぶわけですが……

タスク設定の鉄則

• タスクは具体的なものにする
  良い例：売上を伸ばすために、ユーザーにおすすめ商品を提示する
  悪い例：モデルを使って売上を伸ばしたい
• 目標性能と撤退ラインを定める
  良い例：2ヶ月以内に予測精度90%を実現する
  悪い例：とにかく高い精度を目指したい

そもそものタスク設定があいまいだと、モデル開発が難航してしまいます。まずはタスク設定や論文リサーチから、入念に行っていきましょう！

AIモデルの国内活用事例5選

ここからは、国内におけるAIモデルの活用事例を紹介します。当記事では……

• タクシー事業
• 小売業
• 農業
• 配送業
• 建設業

の合計5つの業種から、事例をピックアップしました。以下、詳しくみていきましょう！

【タクシー事業】NTTドコモの事例

NTTドコモは東京無線協同組合・富士通・富士通テンと共同で、「AIタクシー」を開発しています。このAIタクシーには……

移動需要予測モデルというものが使われており、500メートル四方圏内の人口統計データ / タクシーの運行データ / 気象データ / 施設データを10分おきに取得し、乗車台数の予測値を返す。

という、4種類のデータから予測を行うAIモデルが搭載されています。その精度は93〜95%を誇り、新人ドライバーでもベテラン並みの実車率が叩き出せるようです。※3

ちなみにこの移動需要予測モデルに用いられているアルゴリズムは……

ディープラーニング	4種類のデータを組み合わせて分析を行う
多変量自己回帰	教師あり学習・回帰モデルの一種で、予測値を出力する

の2種類となっています。

【小売業】トライアルの事例

全国にスーパーマケットを展開するトライアルは、子会社のRetail AIが開発した「リテールAIカメラ」を38店舗に導入しています。※4※5

このリテールAIカメラは、商品と利用客を把握するためのシステム（Androidベース）からなります。その導入効果は、以下のとおりです。

• 欠品の防止
• 売れ残り・廃棄ロスの削減
• 棚割りの最適化
• 利用客行動分析に基づく、売場レイアウトの改善
• 万引きの防止

搭載しているモデルは、画像解析モデルというもので、商品ごとの陳列状況と利用客の行動を把握する仕組みになっています。

このように、教師あり学習・分類モデルが応用されています。

【農業】NEDOの事例

NEDO（国立研究開発法人新エネルギー・産業技術開発機構）は、ファームシップ・豊橋技術科学大学と共同で、レタスの市場価格予測システムを開発・無償公開しています。※6

このシステムには、教師あり学習・回帰モデルが応用されていて、価格予測モデルという過去の市場価格などを学習していて、最大2ヶ月先まで市場価格を予測するモデルが使われています。

以上のモデルで予測したレタスの需要をもとに、栽培量の最適化をサポートしてくれます。

さらにこの価格予測モデルを植物工場に適用することで、露地栽培の供給量に応じたレタスの成長制御が可能です。

【配送業】佐川急便の事例

佐川急便は、SGシステムとフューチャーアーキテクトの協力のもと、配送伝票入力業務を自動化してくれるAIシステムを開発しています。その心臓部には、以下のディープラーニングモデルを採用しました。※7

文字認識モデル / OCRというもので、手書きの文字&数字を99.995%以上の精度で認識！丸で囲まれた数字 / 取消線が入った数字 / 複写された文字 / 擦れや傷のある文字でも読み取れるモデルになっています。

このAIシステムによって、月間約8,400時間にのぼる作業削減が達成できるようです。

【建設業】大林組の事例

総合建設会社の大林組は、富士フイルム発・AI搭載の「社会インフラ画像診断サービス / びびみっけ」を、コンクリート構造物の点検に活用中！従来の目視点検と比べて、1/4の時間で同等の結果が出せるようになりました。※8※9

ちなみにこのひびみっけに搭載されているAIモデルは、画像解析モデルで、最大60枚のコンクリート外壁の写真を自動合成、ひび割れを検出してくれるようです。

このように、教師あり学習の応用となっています。日本全国の損傷画像を学習しているようです。

弊社のAIモデル開発サービスの流れと相場

弊社・株式会社WEELでも「AIソリューション開発」にて、各種AIモデルの開発を承っております。AIソリューション開発の大まかな流れについては、下図をご覧ください。

このようにAIソリューション開発では、設計と検証はウォーターフォール方式で、各機能の開発はアジャイル方式でそれぞれ行っております。その内容と見積もり額は……

	AIソリューション開発
期間	4ヶ月〜
内容	・システムの要件定義書作成 ・データ処理 ・環境構築 ・プロトタイプ開発 ・検証 ・コードの提出 ・検証結果報告 ・AIシステムの開発 ・社内システムとの連携 ・AIシステムの実装 ・運用
見積もり額	¥13,200,000〜

以上のとおりです。AIモデル開発の要・タスク設定から実装後の改善まで、弊社スタッフが全力でサポートさせていただきます！

ぜひ無料相談から、貴社のお困りごとをお聞かせくださいね。

なお、開発費用について詳しく知りたい方は、下記の記事を合わせてご確認ください。

用途に応じて選べる「AIモデル」

当記事では、AIモデルの種類や活用例について紹介してきました。以下でもう一度、そのアルゴリズムの種類と特徴を振り返っていきましょう！

教師あり学習	・人間が示した正解例を学習しており、高精度の予測ができる・回帰モデルはデータの数値を予測・分類モデルはデータの属性を予測
教師なし学習	・正解例の提示なしで、隠れた法則性を見つけ出す・主成分分析はデータの変動要因を探し出す・クラスタリングはデータの中から、似た者同士を探し出す
強化学習	試行錯誤を繰り返して、目標のタスクを達成する
ディープラーニング	生成AIの要で、学習能力と汎用性に優れている

このようにAIモデル・アルゴリズムは、それぞれ異なる強みをもっています。

したがってAIで業務効率化を図る際には、「どのモデルに何をさせたいか」「どこまで予測精度を追求するか」など、具体的な目標が欠かせません。

最後に

いかがだったでしょうか？

達成したい業務課題に対して、どのAIモデルや学習手法を選ぶべきか。要件定義からモデル選定、実装・運用までを見据えた現実的なAI活用の考え方を整理できます。