Skip to main content

機械学習（ML）とは

注：この文書は英語の原文からの自動翻訳です。

機械学習（ML）とは

**機械学習（ML）**は、システムが手書きのルールに従う代わりにデータからパターンを学習する 人工知能 のサブセットです。例による教育だと考えてください：手順を一つずつ記したレシピを書く代わりに、何千もの完成した料理を見せて、システムに料理の仕方を自分で見つけさせるのです。プログラマがあらゆる判断をコーディングするのではなく、システムは何千、何百万もの例を見せられ、自らルールを発見します。

今日の実用的な AI の大半——スパムフィルターや音声アシスタントから医療画像分析や 大規模言語モデル まで——は機械学習の上に構築されています。crypto プロジェクトが AI を使うと主張するとき、基盤となる技術はほぼ常に何らかの形の ML です。

要約： ML はデータから学習することを意味します。システムに何をすべきか教える代わりに、例を見せると、システムがパターンを見つけ出します。crypto AI では、プロジェクトカードの「機械学習」は、プロジェクトがハードコードされたロジックではなくデータ駆動の学習を主張していることを意味します。

機械学習はどう機能するか

機械学習システムは一般的なサイクルに従います。各ステップを理解することは、プロジェクトの ML の主張が本物かどうかを評価するうえで不可欠です——どのステップも、エビデンスとなり得る検証可能なアーティファクトを生み出します。

ML のライフサイクル

  1. 問題を定義する — モデルが何を予測または分類する必要があるかを決めます。たとえば：「ブロックチェーンのトランザクションが与えられたとき、それが疑わしいかどうかを判定する」。明確な問題設定は、ML の主張を評価するときの最初のチェックポイントです。

  2. データを収集する — 問題に関連する データセット を集めます。これには、トランザクション履歴、ウォレットの活動ログ、テキスト文書、ユーザー行動の記録などが含まれ得ます。データは公開ソース、独自のデータベース、またはオンチェーンの記録から来ることがあります。

  3. データを準備し清浄化する — 生のデータはそのまま使えることはまれです。このステップには、誤りの除去、欠損値の処理、フォーマットの正規化、そしてデータを訓練・検証・テストのセットに分割することが含まれます。データ準備は通常、ML プロジェクトの時間の大半を消費します。

  4. モデルアーキテクチャを選ぶ — タスクに適した AI モデル の種類を選びます：ニューラルネットワーク、決定木、サポートベクターマシン、アンサンブル手法など。選択はデータの種類、問題の複雑さ、利用可能なコンピュートに依存します。テキストには、transformer アーキテクチャ（GPT、BERT、DeepSeek のような現代の LLM の基盤）が支配的です。表形式データには、勾配ブースティング木（XGBoost、LightGBM）がしばしば深層学習を上回ります。

  5. モデルを訓練する — モデルの予測が訓練データの既知の結果と一致するように、モデルの内部パラメータ（重み）を調整する 訓練 アルゴリズムを実行します。訓練はデータを複数回（エポックと呼ばれる）反復し、予測と現実の差（損失関数で測定される）を徐々に減らしていきます。

  6. 評価する — 訓練済みのモデルをホールドアウトのテストデータや ベンチマーク と照合し、本物のパターンを学習したのか、単に訓練セットを記憶したのか（過学習と呼ばれる問題）をチェックします。一般的なメトリクスには、分類では精度、適合率、再現率、F1 スコア、回帰では平均二乗誤差や決定係数、言語モデルではパープレキシティがあります。

  7. デプロイする — モデルを本番環境に置き、新しい未知の入力に対して 推論 を行わせます。デプロイには、サービング基盤の構築、レイテンシの管理、エッジケースの処理が含まれます。

  8. 監視と再訓練 — 現実のデータは時とともに変化します（データドリフト）。昨年のブロックチェーンのトランザクションパターンで訓練されたモデルは、現在のトランザクションでは性能が低下するかもしれません。責任ある ML システムは、性能の劣化を検出して新鮮なデータでの再訓練を促す監視パイプラインを備えています。

実践的な例

あるプロジェクトが、その ML モデルが疑わしいウォレットの活動を検出すると主張するとします。検証可能な実装は次を示すでしょう：

  • データ：どのオンチェーンデータが収集され、どうラベル付けされるか（例：既知のエクスプロイトのデータベースでフラグの立ったアドレス）
  • モデル：どのアーキテクチャが使われるか（例：トランザクションの特徴量に対する勾配ブースティング分類器）
  • メトリクス：測定された検出率、偽陽性率、そして方法論（例：「定められた期間からのホールドアウトされた 10,000 件のトランザクションで評価」）
  • デプロイ：モデルがどうリアルタイム予測を提供するか（API エンドポイント、レイテンシの特性）
  • 更新：モデルがどれくらいの頻度で再訓練され、何が再訓練を引き起こすか

プロジェクトがこれらのいずれも記述していないなら、その「ML」の主張は検証可能な実体を欠いています。

crypto AI に関連する主要な ML の手法

機械学習は単一の技法ではありません——それは手法の一群であり、それぞれが異なる種類の問題に適しています。

手法 どう学習するか データ要件 crypto の例
教師あり学習 ラベル付きの例から ラベル付きデータセット 不正検知、詐欺の分類
教師なし学習 ラベルなしで構造を見つける ラベルなしデータセット ウォレットのクラスタリング、異常検知
強化学習 試行と報酬を通じて 環境 + 報酬シグナル 自動エージェント、プロトコルの最適化
深層学習 多層ニューラルネットワーク 大規模データセット + コンピュート LLM、画像生成、NLP
転移学習 事前学習済みモデルを新タスクに適応 小さいタスク固有のデータセット crypto ドメイン向けの LLM のファインチューニング

教師あり学習

モデルは ラベル付きデータ から学習します——各例には既知の正解が付いています。モデルは入力を出力にマッピングすることを学び、新しい未知の例に対して正解をどれだけうまく予測するかで評価されます。

  • どう機能するか：（入力、正解の出力）のペアが与えられると、アルゴリズムは予測誤差を最小化するようにモデルのパラメータを調整します。
  • 例：ラベル付きのトランザクション（不正／正当）で訓練され、詐欺にフラグを立てる分類器。各訓練例は、特徴量（金額、送信者の履歴、コントラクトとのやり取り）とラベルを持つトランザクションです。
  • 一般的なツール：scikit-learn、XGBoost、LightGBM、そして PyTorch や TensorFlow のような深層学習フレームワーク。
  • 強み：良いラベルが利用可能なとき高い精度。
  • 限界：ラベル付きデータを必要とし、その作成は高価で時間がかかり得る。

教師なし学習

モデルは ラベルなしでパターン を見つけます。何を探すべきか誰も教えません。データの中の構造、クラスタ、異常を自ら発見します。

  • どう機能するか：アルゴリズムは似たデータポイントをまとめてグループ化するか、統計的な性質に基づいて外れ値を識別します。
  • 例：ウォレットアドレスを行動パターン——トランザクションの頻度、金額、既知のプロトコルとのやり取り——でクラスタリングし、事前のラベルなしに関連するウォレットのグループを識別する。
  • 一般的なツール：k-means クラスタリング、DBSCAN、主成分分析（PCA）、オートエンコーダ。
  • 強み：ラベリングが非現実的または高価すぎるときに機能する。
  • 限界：結果には人間の解釈が必要。アルゴリズムは構造を見つけるが、クラスタが何を意味するかは説明しない。

強化学習（RL）

モデルは 試行と報酬 を通じて学習します。環境の中で行動を取り、フィードバック（肯定的または否定的）を受け取ります。時間とともに、累積報酬を最大化する戦略を学びます。

  • どう機能するか：エージェントは現在の状態を観測し、行動を取り、報酬または罰を受け取り、戦略を更新します。このループが何千、何百万回も繰り返されます。
  • 例：ネットワークの混雑パターンに基づいてトランザクションのタイミングを計り、ガス料金を最適化することを学ぶ自動エージェント。
  • マイルストーン：RL は AlphaGo のようなゲームプレイシステムを支えています。crypto では、RL はプロトコルのパラメータ調整やエージェントベースの戦略に現れます。
  • 強み：最適な行動が長期的な結果に依存する、逐次的な意思決定の問題に適している。
  • 限界：明確に定義された報酬シグナルと多くの反復を必要とする。訓練中に不安定になり得る。

深層学習

多層のニューラルネットワーク（だから「深層」）を使う ML のサブセットです。深層学習は、現代の AI のブレークスルーの大半を支えています：画像認識、自然言語処理、生成モデル、そして 大規模言語モデル。

  • どう機能するか：データは人工ニューロンの連続する層を流れ、各層が次第により抽象的な特徴を抽出します。畳み込み層はエッジを検出するかもしれません。より深い層はエッジを形に、次いで物体に組み合わせます。
  • 例：crypto ドキュメントでファインチューニングされた transformer モデル（GPT、BERT、DeepSeek の背後にあるアーキテクチャ）が、非構造化テキストから構造化情報を抽出する。
  • 主要なアーキテクチャ：transformer（テキスト／系列）、畳み込みニューラルネットワーク／CNN（画像）、再帰型ニューラルネットワーク／RNN（時系列）。
  • 強み：複雑で高次元のデータ（テキスト、画像、音声、系列）に優れる。
  • 限界：大規模なデータセット、相当なコンピュートパワー、慎重なチューニングを必要とする。性能はより単純なモデルより解釈が難しい。

転移学習

大規模な汎用データセットで事前学習されたモデルを、より小さなデータセットで 特定のタスクに適応 させる技法です。ゼロから訓練する代わりに、モデルはすでに学習された知識から出発します。

  • どう機能するか：BERT（汎用テキストで事前学習）のようなモデルを取り、crypto ホワイトペーパーの小さなデータセットでファインチューニングして、プロジェクトの主張を分類する。
  • なぜ重要か：転移学習は新しいタスクに必要なデータとコンピュートを減らします。多くの crypto AI プロジェクトは、ゼロから訓練するのではなく、既存モデルのファインチューニング版を使います。

古典的な ML から現代の深層学習へ

ML の進化を理解すると、プロジェクトの主張を評価しやすくなります：

  • 古典的な ML（1990 年代〜2010 年代）：決定木、サポートベクターマシン、ロジスティック回帰。これらは構造化された（表形式の）データでうまく機能し、トランザクションの分類やリスクスコアリングのために crypto 分析で今も一般的です。

  • 深層学習の時代（2012 年〜現在）：多層のニューラルネットワークが複雑なタスクで古典的手法を上回り始めました。2017 年の transformer アーキテクチャ（「Attention Is All You Need」）が分野を作り変えました。BERT（2018）と GPT（2018〜現在）が transformer を言語理解と生成にもたらしました。

  • 基盤モデル（2020 年代〜現在）：広範なデータで事前学習され、特定のタスクのためにファインチューニングまたはプロンプトされる、非常に大きなモデル。GPT、Claude、Gemini、Mistral がよく知られた例です。これらのモデルは強力な NLP を利用可能にする一方で、最小限の独自の作業で「AI」を謳う薄いラッパーを簡単に作れるようにもします。

プロジェクトが「機械学習」と言うとき、問う価値があります：これは構造化データに対する古典的な ML なのか、既存の基盤モデルのファインチューニングなのか、それともゼロからの新しいモデルの訓練なのか？

なぜ DecAIHub で ML が重要か

プロジェクトカードが AI component の一部として「機械学習」を挙げるとき、それはプロジェクトが静的なルールに頼るのではなくデータから学習するシステムを使うと主張していることを意味します。この区別が重要な理由：

  • ML は訓練パイプラインを含意する — データ、訓練プロセス、そして結果として得られるモデルが存在するはずです。これらはすべて検証可能なアーティファクトです。
  • ML は測定可能な性能を含意する — 学習されたモデルはベンチマークでき、比較できます。手作業でコーディングされたルールセットは同じように評価できません。
  • ML は継続的なメンテナンスを含意する — モデルはデータの分布が変わるにつれて時間とともに劣化します。ML を使うプロジェクトは定期的に再訓練し再評価する必要があります。
  • ML はコンピュート要件を含意する — 訓練と推論には計算資源が必要です。分散型 ML プロジェクトは、コンピュートがどう供給され、誰がコストを負担するかを説明しなければなりません。

DecAIHub は、「機械学習」が本物なのか単なるマーケティングのラベルなのかを評価するとき、これらのアーティファクトの Tier-1 エビデンス をチェックします。AI reality のフラグ（AI_0 から AI_4）は、エビデンスのチェックポイントに直接マップします：プロジェクトは ML コンポーネントを記述しているか（AI_1）？ 稼働するデモはあるか（AI_2）？ 公開されたメトリクスは（AI_3）？ 技術的なアーキテクチャのドキュメントは（AI_4）？

これらのアーティファクトのいずれも提供せずに「機械学習」に言及するプロジェクトは、より低い AI reality フラグを受け取り、それが ai_score の上限メカニズムを通じて DecAI Fit スコアを制限します。

ML だけでは証明されないこと

  • モデルの品質 — ML を主張することは、モデルが正確で、頑健で、よくチューニングされていることを意味しません。品質には ベンチマークのエビデンス が必要です。
  • データの品質 — モデルはその訓練データと同程度にしか良くなりません。貧弱で、偏った、または不十分なデータは、アルゴリズムに関わらず貧弱な結果を生みます。
  • 本物の学習 — 一部のプロジェクトはルールベースのシステムや単純なヒューリスティックを「ML」とラベル付けします。Automation vs real AI component を参照してください。
  • 独自の優位性 — 既製の ML ライブラリをデフォルト設定で公開データに使うことは、意味のある AI の深さを構成しません。
  • 分散性 — ML モデルは完全に中央集権的な基盤の上で動き得ます。プロジェクトが ML を使うという事実は、その AI が分散型であるか、ブロックチェーン統合が意味を持つかについて何も語りません。

混同しないでください

  • 人工知能 — より広い分野。ML は AI のサブセットであり、その同義語ではありません。
  • AI モデル — 訓練済みのアーティファクト。ML は、データ駆動の学習を通じてそのアーティファクトを作り出すプロセスです。
  • 深層学習 — 多層ニューラルネットワークを使う ML のサブセット。すべての深層学習は ML ですが、すべての ML が深層学習ではありません。
  • オートメーション — あらかじめ定義されたルールを実行すること。ML はデータから自らのルールを学習します。Automation vs real AI component を参照してください。
  • 統計学 — ML は統計的な基礎の上に構築されますが、過去のデータの説明ではなく新しいデータでの予測性能に焦点を当てる点で、伝統的な統計学を超えます。

よくある質問

機械学習と従来のプログラミングの違いは何ですか？

従来のプログラミングでは、開発者が明示的なルールを書きます：「トランザクションの金額が閾値を超え、かつ送信者に履歴がなければ、フラグを立てる」。機械学習では、開発者がラベル付きの例を提供し、アルゴリズムがルールを自ら発見します。その結果は、手書きのルールには細かすぎるパターンを検出できるモデルです——ただし、それには質の高い訓練データと継続的な評価が必要です。

機械学習にはビッグデータが必要ですか？

必ずしもそうではありません。深層学習モデル（特に LLM）は大規模なデータセットを必要としますが、多くの古典的な ML 技法はそこそこの量のデータで効果的に機能します。転移学習は、事前学習済みモデルから出発することでデータ要件をさらに減らします。鍵となる要因は量だけでなくデータの品質と関連性です。小さく、よく整えられ、適切にラベル付けされたデータセットは、大きくノイズの多いものを上回り得ます。

教師あり学習と教師なし学習の違いは何ですか？

教師あり学習はラベル付きデータを使います——各例に正解が含まれ、モデルはそれを予測することを学びます。教師なし学習はラベルなしのデータで機能し、何を探すべきか教えられることなく、パターン、クラスタ、異常を発見します。第三のカテゴリである 半教師あり学習 は、少量のラベル付きデータとより多くのラベルなしデータを組み合わせます。選択は、ラベルが利用可能で作成が手頃かどうかに依存します。

crypto プロジェクトが本物の ML を使っているかどう見分けられますか？

検証可能なアーティファクトを探してください：記述された データセット、文書化されたモデルアーキテクチャ、方法論を伴う公開された ベンチマーク、公開デモ、そして再訓練のエビデンス。DecAIHub はこれらを AI reality のフラグ（AI_1 から AI_4）と Tier-1 エビデンス のチェックを通じて評価します。「ML 駆動」と言いながらこれらのいずれも提供しないプロジェクトは、その語をマーケティングとして使っている可能性が高いです。

深層学習は機械学習と同じですか？

深層学習は機械学習のサブセットであり、同義語ではありません。ML には深層学習を超える多くの技法が含まれます：決定木、サポートベクターマシン、ベイズ手法、アンサンブル手法。深層学習は、階層的な表現を学習するために複数の層を持つニューラルネットワークを使います。複雑なデータ（テキスト、画像、音声）に優れますが、構造化された表形式のデータでは、より単純な ML 手法がしばしばそれを上回ります。

関連ページ

外部リンク

No comments to display

Back to top