「教師あり学習」は、AIの学習方法の中で最も基本となる考え方です。生成AIの華やかな話題の裏でも、この古典的な方法はしっかり現役で働いています。このページでは、「教師」の正体、学習が進む仕組み、そしてLLMの育成のどの場面で教師あり学習が使われているのかまで、一段深く掘り下げます。
📖 ひと言でいうと
教師あり学習とは、「問題」と「正解」のペアを人間が用意し、それをお手本としてAIを訓練する学習方法のことです。「教師」とは人間の先生そのものではなく、正解ラベル付きのデータを指します。
身近な例えは、採点者付きの反復練習です。漢字ドリルを解いては丸付けをしてもらい、間違えた字を直す——これを何千回も繰り返せば、初見の言葉でも正しく書けるようになりますよね。教師あり学習もまったく同じで、「入力→AIの予測→正解と比べる→ずれた分だけ直す」というサイクルを大量に回して、モデルを正解に近づけていきます。
🖼 1枚でわかる教師あり学習
🔍 しっかり理解する
学習が進む仕組み——「ずれ」を測って直すの繰り返し
親記事では「問題集を解いて答え合わせする」というイメージまで学びました。ここでは、その答え合わせの中身をもう一歩だけ踏み込んで見てみましょう。
教師あり学習のサイクルは4拍子です。①モデルに問題(入力データ)を見せて予測させる。②予測と正解ラベルの「ずれ」を数値として測る(このずれの大きさは損失と呼ばれます)。③ずれが小さくなる方向に、モデル内部のパラメーター(調整用の数値のつまみ)をわずかに動かす。④次の問題へ。この4拍子を、データ全体に対して何周も繰り返すうちに、モデルは徐々に「正解を言い当てるつまみの位置」に近づいていきます。
大事なのは、目指すゴールが「問題の丸暗記」ではなく「初見の問題にも通用するパターンの獲得」だという点です。そのため実務では、データを「学習用」と「テスト用」に分け、学習に使っていないデータで実力を測るのが鉄則です。学習用の問題は満点なのに初見の問題で崩れる状態は「過学習」と呼ばれ、丸暗記に陥ったサインとされます。
何が得意で、何がボトルネックか
教師あり学習が得意なのは、「入力と正解の対応がはっきり定義できるタスク」です。代表的には、データをいくつかのグループに仕分ける分類(迷惑メール判定、画像の被写体判定など)と、数値を言い当てる回帰(住宅価格の予測、需要予測など)の2系統があります。正解という明確な物差しがあるため、精度を測りやすく、業務システムにも組み込みやすい——これが長年「AI開発の王道」であり続けた理由です。
一方で、最大のボトルネックがアノテーション(ひと言でいうと、データ1件1件に人手で正解ラベルを付ける作業)です。ラベルの量が精度を左右するのに、その作業は地道な人海戦術になりがちで、専門知識が要る分野(医療画像の診断ラベルなど)では専門家の時間まで必要です。さらに、ラベル付けの基準が人によってぶれれば、その「ぶれ」ごとモデルが学んでしまいます。データの量と質の確保こそが教師あり学習の生命線であり、この限界が、次項の自己教師あり学習という発想を生む背景になりました。
LLM時代の教師あり学習——脇役ではなく「仕上げ職人」
「生成AIは自己教師あり学習で作られる」と聞くと、教師あり学習はもう古いのかと思うかもしれません。実際は逆で、LLMの育成工程の仕上げ段階で決定的な役割を果たしています。
事前学習を終えたばかりのLLMは「続きを予測する機械」であって、指示に素直に従う対話AIではありません。そこで、「指示文とお手本回答」のペア(=正解ラベル付きデータ)を人間が用意し、教師あり学習の方法で追加訓練します。これがファインチューニングであり、その代表例がインストラクションチューニング(別項目で学びます)です。また、人間のフィードバックを取り入れてAIの振る舞いを整える工程でも、人間の判断をラベルとして活かす発想が使われています。つまりLLM時代の教師あり学習は、「大量の知識を教える先生」から「振る舞いを整える仕上げ職人」へと役どころを変えて活躍しているのです。
💡 具体例で考える
ECサイトを運営するG社が、レビューを「好意的/否定的/中立」に自動仕分けしたいとします。まず社員が過去のレビュー数千件に人手でラベルを付け、そのデータでモデルを訓練し、ラベル付けに使っていないレビューで精度を確認する——これが教師あり学習の典型的なプロジェクトです。途中、「皮肉っぽい表現のラベルが人によってバラバラ」という問題が起き、ラベル付けの基準書を作り直すことになりました。精度の勝負がモデルの前の「データ作り」で決まる、という教師あり学習の現実がよく表れた例です。
一方、LLMの現場では、たとえば社内チャットボットの回答品質を上げるために「よくある質問と模範回答」のペアを数百件用意してファインチューニングする、といった形で登場します。ゼロから育てるのではなく、事前学習済みモデルへの仕上げとして使う——これがLLM時代の典型的な使われ方です。
⚠️ よくある誤解・つまずきポイント
- 誤解「教師あり学習では人間の先生がAIにつきっきりで教える」→ 正しくは、「教師」は正解ラベル付きデータのことです。人間の主な仕事はラベルの用意です
- 誤解「生成AIの時代に教師あり学習は使われていない」→ 正しくは、ファインチューニングなどLLMの仕上げ工程で今も中心的に使われています
- 誤解「学習データで高精度なら良いモデル」→ 正しくは、初見のデータで通用してこそ本物です。丸暗記状態は過学習と呼ばれる失敗パターンです
- 誤解「自己教師あり学習は教師あり学習とまったく無関係の方法」→ 正しくは、正解を人間が付けるかデータから自動で作るかの違いで、「正解と比べて調整する」という仕組み自体は共通しています
📝 生成AIテストではこう出る
- 定義を問う形式。「人間が用意した正解ラベル付きデータを用いて学習する方法」が正解の軸。「ラベルなしデータから構造を見つける方法(=教師なし学習)」との区別が問われ得ます
- 弱点を問う形式。「正解ラベルの付与に多大な人手・コストがかかる」という記述を選べるかがポイントです
- LLMとの関係を問う形式。「ファインチューニングでは教師あり学習が典型的に用いられる」「事前学習=教師あり学習(→誤り)」といった正誤判定が想定されます
- アノテーションという用語の意味(データへの正解ラベル付け作業)を問う形式も考えられます
📚 まとめ
- 教師あり学習は、正解ラベル付きデータをお手本に、「予測→ずれを測る→調整」を繰り返す学習方法です
- 「教師」とはラベル付きデータのことで、その用意(アノテーション)に膨大な人手がかかるのが最大の弱点です
- 目標は丸暗記ではなく初見データへの対応力で、学習用と別のデータで実力を測るのが鉄則です
- LLM時代には、ファインチューニングなど「仕上げ」の工程で中心的な役割を担っています
- 次のキーワード「自己教師あり学習」は、この弱点(ラベル付けコスト)を突破するための発想です
