この記事でわかること
「AIに学習させる」という言葉は、いまや会議の場でも普通に出てきます。ただ、実際にAI導入の相談を受けると、「学習させるとは、具体的に何をすることなのか」で話が止まることが少なくありません。
その入り口にあたるのが、教師あり学習という考え方です。機械学習の学習方法のなかでも最も基本的で、実際の業務システムで使われている多くのAIが、この方法で作られています。
この記事では、教師あり学習とは何かを、数式を使わずに整理します。エンジニア向けの技術解説ではなく、「自社でAIを使う側として、どこまで理解しておけばよいか」という目線でまとめました。
この記事で扱う主な内容は、次のとおりです。
- 教師あり学習とは何か（正解ラベルという考え方）
- 教師あり学習の仕組み（学習から予測までの流れ）
- 分類と回帰という二つの種類
- 教師なし学習・強化学習との違い
- つまずきやすい課題と、経営者として押さえるべき点
そもそも機械学習とAIの関係があいまいな場合は、機械学習とAIの違いを先に読むと、この記事の位置づけがつかみやすくなります。
教師あり学習とは
教師あり学習とは、正解が付いたデータをAIに与えて、入力と正解の関係を学ばせる方法です。英語ではSupervised Learningと呼ばれます。
ここでいう「正解」とは、一つひとつのデータに人があらかじめ付けておいた答えのことで、正解ラベル、または単にラベルと呼ばれます。たとえば、過去の問い合わせメール一件ごとに「クレーム」「見積依頼」「その他」といった区分を付けておく。この区分がラベルにあたります。
「教師あり」という名前は、答えを教えてくれる存在があることに由来します。人が正解を用意し、AIがその答え合わせを繰り返しながら、自力で見分けられるようになっていく。この関係が、先生と生徒の勉強に似ているため、この呼び方が定着しました。
結論＝教師あり学習は「答え合わせを繰り返して、データの中の規則を覚えさせる方法」
結論から言うと、教師あり学習とは、正解付きのデータを大量に見せ、答え合わせを繰り返させることで、AIに「入力からどう答えを導くか」の規則をつかませる方法です。
大事なのは、人がルールを書き下ろすわけではない、という点です。「件名に『至急』が入っていたらクレーム」といった条件を人が書いていくのが、従来のシステム開発の発想でした。教師あり学習では、そのルールを人が書きません。過去のデータと正解の組み合わせを大量に見せると、AIが自分で判断の基準を見つけ出します。
この違いが、実務では大きく効いてきます。人が言葉にできないような微妙な判断でも、過去の事例さえ十分にあれば再現できる可能性がある。一方で、AIがなぜその答えを出したのかは、人が書いたルールほど明快に説明できないことがあります。
もうひとつ、最初に押さえておきたい前提があります。教師あり学習の成否は、モデルの選択だけで決まるものではありません。用意できるデータとラベルの質、評価の方法、実際の業務との適合にも大きく左右されます。「どのAIを使うか」より前に「どんなデータに、誰が、どういう基準で正解を用意するか」が決まっていない案件は、データ準備や評価の段階で行き詰まりやすくなります。
教師あり学習とは わかりやすく（答え付きの問題集で勉強するイメージ）
もう少しイメージしやすく説明します。教師あり学習は、答え付きの問題集で勉強する受験生にたとえると分かりやすいです。
受験生は、まず問題と模範解答がセットになった問題集を解きます。自分の答えと模範解答を見比べ、間違えたところを直しながら、「こういう問題文なら、こう考えればよい」という感覚を身につけていきます。
このとき、受験生は解き方の公式を誰かから教わったわけではありません。大量の問題と答えを往復するうちに、自分なりの判断の型ができあがります。教師あり学習でAIがしているのは、これとほぼ同じことです。
そして本番の試験では、初めて見る問題が出ます。問題集にあった問題がそのまま出るわけではありません。それでも解けるのは、個々の問題を暗記したのではなく、共通する考え方をつかんでいるからです。AIが未知のデータに対しても答えを出せるのは、この状態を目指して学習しているためです。
ここから、二つのことが見えてきます。問題集の質が悪ければ、身につく判断も歪みます。そして、答えだけを丸暗記してしまうと、本番で通用しません。この二つが、後で触れる課題にそのままつながります。
教師あり学習の仕組み（学習から予測までの流れ）
教師あり学習は、大きく三つのステップで進みます。
第一に、データと正解ラベルを用意します。過去の問い合わせメールとその区分、過去の物件情報とその成約価格、といった組み合わせです。ラベルは人が付ける場合のほか、成約・故障・解約といった既存の業務結果から作れる場合もあります。人の判断が必要なラベルでは、この作業はラベル付け、またはアノテーションと呼ばれ、業務を理解した担当者の確認負荷が大きくなります。まとまったデータの集まりの作り方や注意点はデータセットとはで整理しています。
第二に、学習させます。AIは、入力（メールの文面）から出力（区分）を導く計算のしかたを、少しずつ調整していきます。多くの手法では、自分が出した答えと正解のずれを測り、そのずれが小さくなるように内部の設定値を修正する。この繰り返しが「学習」の実体です。
第三に、学習していないデータで確かめます。手元のデータをすべて学習に使うのではなく、一部を残しておき、そのデータで正しく答えられるかを検証します。ここで初めて、「本番でも通用しそうか」が見えてきます。実務では、学習用とは別に、調整に使う検証用データや最終確認用のテストデータを分けることがあります。
この三つ目の工程を省いた案件は、危険な状態にあります。学習に使ったデータで高い正解率が出るのは、ある意味で当たり前だからです。答え合わせ済みの問題をもう一度解かせているのと変わりません。
教師あり学習の主な種類（分類と回帰）
教師あり学習は、出したい答えの形によって、大きく二つに分かれます。
| 種類 | 出す答えの形 | 業務での例 |
|---|---|---|
| 分類 | どのグループに属するか（区分・ラベル） | 問い合わせの振り分け、迷惑メール判定、不良品の検知 |
| 回帰 | 数値そのもの | 需要予測、価格の見積もり、来店客数の予測 |
※ 実務では、この二つを組み合わせた仕組みもよく使われます。区分と数値のどちらを求めているのかが、要件定義の出発点になります。
分類は、答えが「どれか」で表せる場合に使います。クレームかどうか、不良品かどうか、といった判断です。二つに分ける場合も、三つ以上に分ける場合もあります。
回帰は、答えが数値で表せる場合に使います。来月の受注はおよそ何件か、この物件はいくらで売れそうか、といった予測です。
なお、これらを実現する計算方法には、決定木、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークなど、さまざまなものが知られています。よく挙げられる例であって、必須の選択肢ではありません。どれを使うかは技術者側の判断であり、経営判断としては「分類なのか回帰なのか」「その答えを何に使うのか」がはっきりしていれば十分です。
教師なし学習・強化学習との違い
機械学習の学習方法は、教師あり学習だけではありません。よく対比されるのが、教師なし学習と強化学習です。
教師なし学習は、正解ラベルのないデータから、データ自体に含まれる構造を見つけ出す方法です。顧客データを性質の似たグループに分ける、といった使い方が代表例です。「答えを用意できないが、傾向を知りたい」場面で使われます。
強化学習は、試行錯誤の結果に対して与えられる報酬を手がかりに、より良い行動を学ぶ方法です。詳しくは強化学習とはで整理しています。
ただし、この三つはきれいに切り分けられるものではありません。実務では、ラベルが一部にしか付いていないデータを扱う半教師あり学習や、データ自体から擬似的な正解を作り出す自己教師あり学習も使われます。大規模言語モデルの学習では、複数の方法が段階的に組み合わされています。
「三つのうちどれか一つを選ぶ」という話ではなく、「用意できるデータと、求める答えによって、適した方法が変わる」と押さえておくのが実態に近い理解です。
教師あり学習でできること（身近な活用例）
教師あり学習は、すでに多くの業務システムに組み込まれています。身近な例を挙げます。
- メールの仕分け：迷惑メールかどうかの判定は、教師あり学習の古典的な用途です。
- 書類の自動振り分け：請求書、注文書、契約書といった書類の種別判定に使われます。
- 需要・売上の予測：過去の実績と気温や曜日などの条件から、数値を予測します。
- 外観検査：製品画像から不良品を見分ける用途で、製造業を中心に導入が進んでいます。
- 与信・審査の補助：過去の取引実績をもとに、リスクの高さを推定します。
共通しているのは、いずれも「過去に人が判断してきた記録が、まとまった量で残っている」業務だという点です。逆に言えば、過去の判断記録が残っていない業務に教師あり学習を持ち込むのは難しい、ということでもあります。
教師あり学習の課題（ラベル付けのコスト・データの偏り・過学習）
導入を検討する段階で、先に知っておくべき課題が三つあります。
一つ目は、正解ラベルを用意する手間です。教師あり学習には、正解付きのデータがまとまった量だけ必要になります。成約や解約のように業務結果からそのまま取り出せるラベルであれば負担は軽くなりますが、人の判断が必要なラベルでは、その業務を理解した社内の担当者が確認を担うことが多く、現場の負荷を見込んでおく必要があります。外注する場合でも、正解の基準づくりと品質の確認には社内の関与が欠かせません。AI導入プロジェクトの負荷が、実は現場に集中するという構図は、ここから生まれます。
二つ目は、データの偏りです。学習に使ったデータが特定の傾向に寄っていると、AIの判断もその影響を受けます。たとえば、過去の採用データに偏りがあるまま学習へ使うと、その傾向をモデルが引き継いだり、場合によっては強めたりするおそれがあります。そのため、学習データや評価結果に不合理な偏りがないかを、人が目的に照らして確認する必要があります。
三つ目は、過学習です。手元のデータに合わせすぎた結果、未知のデータでは精度が落ちてしまう現象を指します。先ほどの受験生のたとえで言えば、問題集の答えを丸暗記してしまい、本番で通用しなくなる状態です。原因と対策は過学習の対策とはで詳しく整理しています。
なお、精度がどこまで上がるかは、データの質と量、扱う業務の性質、選んだ手法の組み合わせで決まります。「この手法を使えば精度が上がる」といった単純な関係ではない、という点は押さえておいてください。
経営者として、どこまで知っておけばよいか
技術の詳細は技術者に任せてかまいません。ただし、AI導入の判断をする立場としては、次の五点を押さえておくと、話が噛み合うようになります。
第一に、その業務の判断記録が、どれくらい残っているか。教師あり学習は過去の記録を土台にします。記録が残っていない業務は、まずそこから始まります。
第二に、正解ラベルを、誰が・どの記録から・どの基準で用意するのか。業務結果から自動的に取れるのか、人が判断して付けるのかで、必要な工数がまったく変わります。人手が必要な場合は、社内の誰かの時間を確保する話であり、これは実質的にコストです。
第三に、求めているのは区分（分類）なのか、数値（回帰）なのか。ここがあいまいなまま進むと、要件が固まりません。
第四に、精度をどう確かめるか。学習に使っていないデータで検証したか、その結果をどう共有してもらうかを、発注時点で決めておきます。
第五に、間違えたときにどうするか。AIの判断は完全ではありません。誤りが起きたときに誰がどう修正するのかを含めて、業務の流れとして設計する必要があります。
「正解データを、誰が作るのか」——AI導入相談で最大の壁になった場面
私がAI導入の相談を受けるとき、経営者からよく聞かれるのが「過去のデータを学習させれば、AIが自動で判断してくれるのではないか」という質問です。
ところが実際にプロジェクトを進めると、モデルの性能より先に、大きな壁にぶつかることがあります。「AIへ教える正解を、誰が決めるのか」という問題です。
ある相談では、顧客からの問い合わせをAIで分類し、担当部署へ自動で振り分けたいという要望がありました。過去の問い合わせ履歴が大量に残っていたため、当初は「このデータを渡せばよい」と考えられていました。
ところが中身を確認すると、同じような問い合わせでも、担当者によって分類が違っていたのです。ある人は「契約に関する質問」、別の人は「請求に関する質問」。苦情に近い内容も「一般問い合わせ」「要注意」「クレーム」と割れていました。
つまり、そこに記録されていたのは統一された正解ではなく、担当者ごとの判断結果の集まりでした。このまま学習させれば、AIは会社の基準ではなく、過去のばらつきまで覚えてしまいます。
やっかいなのは、この正解を決められる人が、どこにもいないように見えることです。開発会社は「正解データをください」と言い、経営者は「専門家側で作ってほしい」と考える。
管理職は「現場の判断を集めればよい」と言い、現場は「案件ごとに事情が違う」と答える。この状態では、AIが出した結果が正しいのかどうか、誰にも判断できません。
私は経営者へ、こうお伝えしています。「AIへ正解を教えられない業務は、新人社員にも一貫して教えられない可能性があります」
正解データ作りは、単なるデータ入力ではありません。担当者の経験や感覚に任されてきた業務ルールを、会社として決め直す作業です。
だからこそ、一人に任せません。現場が事例と判断理由を出し、管理職が部署間の調整を整理し、経営者が会社としての優先順位を決める。開発会社が担うのは技術的な実装と精度の評価で、最終的な正解に責任を持つのは会社側です。
始め方にもコツがあります。最初から何千件も整理しようとせず、まず代表的な事例を50件から100件ほど選びます。
このとき、担当者の意見が分かれた事例こそ外さないでください。すぐに多数決で決めず「なぜ判断が違ったのか」を確認すると、分類の定義の曖昧さや、部署ごとの都合が表面化します。
もうひとつ、すべての事例へ無理に答えを付けないことです。人間でも即断できない案件には「要確認」「責任者判断」といった分類を用意し、迷うべき案件を正しく人へ戻せるようにする。これも大事な精度のうちです。
この経験から、AI導入の成否を分けるのはモデルの性能より、「この会社では、誰が正解を決めるのか」だと感じています。正解データとは、AIに渡す教材であると同時に、会社の判断基準を記録した業務資産なのです。
教師あり学習についてよくある質問
教師あり学習とは何ですか？
正解が付いたデータをAIに与えて、入力と正解の関係を学ばせる機械学習の方法です。人がルールを書くのではなく、過去のデータと正解の組み合わせから、AIが自分で判断の基準を見つけ出します。
教師あり学習と教師なし学習の違いは何ですか？
正解ラベルがあるかどうかが違いです。教師あり学習は正解付きのデータから予測のしかたを学び、教師なし学習は正解のないデータから、データ自体に含まれる構造や傾向を見つけ出します。求めたい答えがはっきりしているなら教師あり学習、傾向を探りたいなら教師なし学習、というのが大まかな使い分けです。
教師あり学習にはどれくらいのデータが必要ですか？
扱う業務の複雑さや、使う手法によって大きく変わるため、一律の目安はありません。判断が単純なほど少ないデータで済み、微妙な判断を求めるほど多くのデータが必要になります。まずは手元にどれだけの記録が残っているかを確認し、その範囲で試せるかを技術者と相談するのが現実的な進め方です。
教師あり学習と深層学習（ディープラーニング）は違うものですか？
比べる軸が違います。教師あり学習は「どう学ばせるか」という学習方法の分類で、深層学習は「どんな構造の仕組みを使うか」という手法の分類です。深層学習を教師あり学習として使うことも、教師なし学習として使うこともあります。詳しくはディープラーニングとはをご覧ください。
正解ラベルは外注できますか？
そもそも成約や故障といった業務結果からラベルを取り出せる場合は、付ける作業自体が発生しません。人の判断が必要な場合、作業として外注できることもありますが、「何をもって正解とするか」の基準づくりは社内で決める必要があります。基準があいまいなまま外注すると、ばらつきのあるラベルが集まり、学習結果もそれに引きずられます。
関連記事と「AI戦略」に関するご案内
教師あり学習とは、正解付きのデータで答え合わせを繰り返させ、AIに判断の基準をつかませる方法です。技術の中身より、「過去の判断記録があるか」「誰が正解を決めるか」のほうが、導入の成否を分けます。
学習の材料となるデータの整え方はデータセットとはで、学習がうまくいかない代表的な失敗は過学習の対策とはで、それぞれ整理しています。AIそのものの全体像を確認したい場合は人工知能（AI）とはもあわせてご覧ください。
AI活用を個別用語の理解で終わらせず、経営課題や業務改善につなげたい場合は、中小企業社長のためのAI戦略活用完全ガイドで全体像を確認できます。
確認日：2026年7月29日（機械学習に関する各社の公開情報を参照）
