この記事でわかること
AI導入の相談で「正解データを用意してください」と言われ、そこで止まってしまう。よくある場面です。過去の判断記録が残っていない業務では、そもそも正解を用意できません。
そんなとき、選択肢として出てくるのが教師なし学習です。正解を用意しなくても、データそのものから傾向を見つけ出す方法です。
この記事では、教師なし学習とは何かを、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。
- 教師なし学習とは何か
- 教師あり学習との違い
- 代表的な手法（クラスタリング・次元削減）
- できることと、難しさ
- 経営者として、どこまで知っておけばよいか
そもそも「AIに学習させる」とは何をすることなのかがあいまいな場合は、教師あり学習とはを先に読むと、この記事の内容がつかみやすくなります。
教師なし学習とは
教師なし学習とは、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や規則性を見つけ出す方法です。英語ではUnsupervised Learningと呼ばれます。
教師あり学習では、一つひとつのデータに正解ラベルを用意しておく必要がありました。人が付ける場合も、成約や解約といった業務結果から取り出せる場合もあります。教師なし学習では、その正解を用意しません。データを渡すだけで、AIが「似ているものどうし」をまとめたり、データの中で効いている要素を抽出したりします。
たとえば、顧客の購買履歴を渡すと、購買の傾向が似ている顧客をいくつかのグループに分けてくれる。ただし、そのグループに「優良顧客」「休眠顧客」といった名前を付けるのは人の仕事です。AIが出すのは「分かれ目」であって、「意味」ではありません。
教師なし学習とは わかりやすく（仕分けの基準を教えずに書類を分類させる）
もう少しイメージしやすく説明します。教師なし学習は、仕分けの基準を教えずに書類を分類してもらう作業にたとえると分かりやすいです。
新人に大量の書類を渡して、「これを内容ごとに分けてください」とだけ伝える。分類の基準は示しません。それでも新人は、書式や書かれている内容の似たものを集めて、いくつかの山を作るはずです。
できあがった山を見て、「これは請求書」「これは契約書」と名前を付けるのは、指示を出した側の仕事です。新人は「似ているものを集めた」だけで、それが何であるかを判断したわけではありません。
教師なし学習でAIがしているのは、これとほぼ同じことです。似ているものをまとめる、あるいはデータの中で効いている軸を見つける。そこに意味を与えるのは人の側です。
ただし、たとえで表せない部分もあります。新人は書類の内容を読んで理解していますが、AIが見ているのは数値上の似ている・似ていないです。人が想定していなかった軸で分かれることもあり、それが新しい発見につながることも、まったく使えない分け方になることもあります。
教師あり学習との違い
二つの違いを整理します。
| 教師あり学習 | 教師なし学習 | |
|---|---|---|
| 正解ラベル | 必要（人が付ける／業務結果や計測から取り出す） | 不要 |
| 目的 | 未知のデータに対して答えを予測する | データの構造や傾向を見つける |
| 業務での例 | 問い合わせの自動振り分け、需要予測 | 顧客のグループ分け、異常の検知 |
| 評価のしかた | 正解と比べて精度を測れる | 内部指標・安定性・下流業務での有用性・人の確認を組み合わせる |
※ 実務では両方を組み合わせます。教師なし学習でグループを見つけ、その結果を正解として教師あり学習を行う、という進め方もあります。
とくに押さえておきたいのが、評価のしかたの違いです。教師あり学習なら「正解率90%」といった数字が出せますが、教師なし学習では正解ラベルとの単純比較ができません。代わりに、グループのまとまり具合を示す内部指標、結果の安定性、下流業務での有用性、人による確認を組み合わせて判断します。
なお、機械学習の学習方法はこの二つだけではありません。試行錯誤の結果に対する報酬を手がかりに学ぶ強化学習とはもあります。さらに、正解が一部にしか付いていないデータを使う半教師あり学習、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あります。
このうち自己教師あり学習は、教師なし学習と混同されやすい方法です。正解ラベルを人が用意しない点は共通ですが、自己教師あり学習は「文章の一部を隠して当てさせる」といった形で擬似的な正解を作り、教師あり学習と同じ枠組みで学びます。 大規模言語モデルの事前学習は、この方法が中心です。「正解がない」という一点で同じものと扱わないほうが正確です。
教師なし学習の代表的な手法
よく使われる手法を紹介します。これらは代表例であって、必須の選択肢ではありません。
- クラスタリング：似ているデータどうしをグループにまとめる手法です。顧客の分類、商品の分類などに使われます。教師なし学習といえばまずこれ、というほど代表的な用途です。
- 次元削減：データが持つ多くの項目を、意味を保ったまま少ない項目にまとめ直す手法です。可視化のため、あるいは後続の処理を軽くするために使われます。
- 異常検知：大多数のデータから外れたものを見つける手法です。不正利用の検知、設備の異常予兆などに使われます。
- 相関ルールの発見：一緒に購入されやすい商品の組み合わせを見つける、といった用途で使われます。
このうち、中小企業のAI活用で出番が多いのはクラスタリングと異常検知です。どちらも「過去の判断記録がなくても始められる」という点が、実務上の大きな利点になります。
教師なし学習でできること
具体的な使い道を挙げます。
- 顧客の分類：購買履歴や利用状況から、傾向の似た顧客をグループに分ける。施策の出し分けに使えます。
- 商品・在庫の整理：売れ方の似た商品をまとめ、発注や陳列の方針を検討する。
- 問い合わせの傾向把握：大量の問い合わせ内容を自動でまとめ、多い相談の種類を把握する。
- 異常の早期発見：普段と違う動きを検知する。設備の点検や不正の兆候の把握に使われます。
- データの下見：本格的な分析の前に、どんな傾向があるかを把握する。
共通しているのは、「答えを当てる」のではなく「傾向を知る」用途だという点です。異常検知のように自動処理へ組み込む使い方もありますが、本記事が想定する経営判断の場面では、人が判断するための材料を整えるところから始めるのが取り組みやすい形です。
教師なし学習の難しさ
導入を検討する段階で、先に知っておくべき難しさが三つあります。
一つ目は、評価のしかたが教師あり学習と違うことです。正解ラベルとの単純比較はできませんが、グループのまとまり具合を示す内部指標、結果の安定性、下流業務での有用性、人による妥当性の確認を組み合わせて評価します。数字だけでは決まらないため、業務を知っている人の関与が必要になります。
二つ目は、出てきた結果に意味があるとは限らないことです。数値上はきれいに分かれていても、業務の観点では「だから何なのか」が分からない分け方になることがあります。分け方の数を変えて試すなど、試行錯誤が前提になります。
三つ目は、データの前処理の影響が大きいことです。項目の単位が揃っていない、極端な値が混ざっているといった状態では、その影響で分かれ方が決まってしまいます。データの整え方についてはデータセットとはで整理しています。
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、正解データがなくても始められること。「過去の判断記録がない」という理由で諦めていた業務でも、傾向の把握なら着手できる場合があります。
第二に、出てくるのは分かれ目であって意味ではないこと。グループに名前を付け、施策に結びつけるのは人の仕事です。ここを見込んでおかないと、結果を受け取っても使えません。
第三に、業務を知っている人の関与が必要なこと。妥当性を判断できるのは現場だけです。技術者に任せきりにできない部分があります。
第四に、評価のしかたが違うこと。教師あり学習のような正解率は出ませんが、内部指標・安定性・下流業務での有用性・人の確認で評価できます。「何をもって成功とするか」を事前に決めておく必要があります。
第五に、目的をどこに置くか。異常検知のように自動処理へ組み込む使い方もありますが、まずは人の判断を助ける材料づくりと位置づけたほうが、期待と結果のずれが起きにくくなります。
「分類の基準は決めなくていい」と言われて戸惑った担当者へ、私がしている説明
AI導入の打ち合わせで、開発会社から「最初に分類基準を細かく決めなくても大丈夫です。AIにデータを見せれば、似たもの同士に分けられます」と説明されることがあります。
このとき、現場の担当者が戸惑うことがあります。分類には、先に分類項目と判断基準を決める必要がある——そう考えて業務を回してきたからです。AIは何を根拠に分けるのか。会社のルールと違う分類になったらどうするのか。
私はこの場面で、まずこう説明します。
「分類基準を決めなくてよいのは、最初の探索段階の話です。実際の業務で使う段階では、人間が分類の意味と処理方法を決める必要があります」
探索段階でAIに自由にまとめさせると、従来と違う切り口が見つかることがあります。過去の問い合わせを分析させたら、「初期設定につまずいている」「料金体系を誤解している」「担当者からの連絡を待っている」といったまとまりが出てくる。部署別の分類では見えなかった軸です。
ここに、基準を先に決めすぎない利点があります。会社では問い合わせを担当部署別に分類していても、顧客側から見ると「説明ページが分かりにくい」「初期設定で同じ箇所につまずく」といった共通の原因が、複数部署へ分散して隠れていることがあるのです。
ただし、AIが見つけた集まりを、そのまま業務分類にしてはいけません。
たとえばAIが、「請求金額が違う」「契約内容と請求内容が一致しない」「解約したのに請求が続いている」を同じ集まりに入れたとします。文章上は、どれも請求の話で似ています。
しかし業務では、単純な請求確認、契約上の問題、重大な苦情として、別の担当者が対応すべきかもしれません。文章が似ていることと、同じ処理でよいことは、別なのです。
だから、業務で使う前には人間が確定します。各分類を何と呼ぶか。似た分類を統合するか、重要な分類を独立させるか。担当部署はどこか。自動処理してよいのはどれで、人間へ戻す条件は何か。
AIは分類案を発見し、人間は業務上の分類を決定する。この役割分担を示すと、担当者の戸惑いは減っていきます。
つまり、基準が不要なのではありません。従来は、先に人間が基準を作り、その基準でデータを分けていた。探索的なAI分析では、先にAIへまとまりを見つけさせ、データを見た後で人間が基準を作る。順番が違うだけです。
私は担当者へ、最後にこう伝えています。
「AIに自由に分けさせるのは、業務ルールを放棄するためではありません。人間が気づいていないまとまりを見つけて、よりよい分類基準を作るためです」
AIに発見を任せ、人間が意味と責任を持つ。この整理ができると、「基準を決めなくていい」という説明は、怖い話ではなくなります。
教師なし学習についてよくある質問
教師なし学習の代表的な例は何ですか？
クラスタリング（似ているデータをグループにまとめる）が最も代表的です。ほかに、多くの項目を少ない項目にまとめ直す次元削減、大多数から外れたデータを見つける異常検知などがあります。
強化学習は教師なし学習ですか？
別の方法です。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、より良い行動を学びます。正解ラベルを使わない点は共通していますが、報酬という別の手がかりを使う点で異なります。
教師なし学習のメリットは何ですか？
正解ラベルを用意しなくてよいことが最大の利点です。ラベル付けには人手と時間がかかるため、この工程を省けるのは実務上大きな意味があります。過去の判断記録が残っていない業務でも着手できます。
自己教師あり学習との違いは何ですか？
自己教師あり学習は、データ自体から擬似的な正解を作り出し、教師あり学習と同じ枠組みで学びます。人が正解を用意しない点は共通ですが、正解そのものを使わない教師なし学習とは学び方が異なります。
教師なし学習と教師あり学習はどちらを選ぶべきですか？
どちらか一つを選ぶ話ではありません。予測したい答えがはっきりしていて過去の判断記録があるなら教師あり学習、傾向を知りたい・記録がないなら教師なし学習が向きます。両方を組み合わせる進め方もあります。
関連記事と「AI戦略」に関するご案内
教師なし学習とは、正解のないデータから傾向や構造を見つけ出す方法です。ラベル付けの手間がかからない一方、出てきた結果に意味を与えるのは人の仕事になります。
判断の勘所は、まずは人が判断するための材料づくりと位置づけることです。ここを間違えなければ、正解データがない業務でもAI活用の入口が開けます。
正解を使う学習方法は教師あり学習とはで、報酬を手がかりにする方法は強化学習とはで、学習の材料の整え方はデータセットとはで、それぞれ整理しています。機械学習とAIの関係は機械学習とAIの違いをご覧ください。
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）
