学習データとは、AIや機械学習のモデルにパターンや関係性を学ばせるために使うデータです。英語では「training data（トレーニングデータ）」と呼ばれます。文章、画像、音声、数値など、目的に応じてさまざまな情報が使われます。
たとえば、犬と猫を見分けるAIなら、犬や猫の画像が学習データになります。迷惑メールを判定するAIなら、メール本文と「迷惑メール」「通常メール」といった情報が学習に利用されます。
ただし、データは多ければよいわけではありません。AIの性能には、データの正確さや目的との関連性、偏りなども影響します。Googleの機械学習教材でも、モデルの性能はトレーニングに使用するデータの品質に左右されると説明されています。
この記事では、AIを学ばせるデータの意味から仕組み、具体例、使い方、注意点まで初心者向けに解説します。
学習データとは？
学習データとは、機械学習モデルが予測や分類、生成などを行えるようになるために学習する材料です。IBMでは、機械学習モデルが予測・パターン認識・コンテンツ生成を学ぶために使用する情報として説明されています。
人がさまざまな例題を解きながら特徴や規則を覚えるのと似ています。ただし、AIが人間のように内容を理解しているとは限りません。モデルはデータに含まれる特徴や関係性を計算によって捉え、その結果を内部の数値へ反映していきます。
学習データとデータセットの違い
一方、「訓練用データ」と「データセット」は似ていますが、意味の範囲が少し異なります。
データセットは、一定の目的でまとめられたデータの集合を指す広い言葉です。そのデータセットの中から、モデルの学習に使用する部分が「訓練用データ」になります。
そのため、すべてのデータセットが訓練用になるわけではありません。モデルの性能確認に使うデータもあります。
学習データ・検証データ・テストデータの違い
機械学習では、同じデータをすべて学習だけに使うのではなく、用途ごとに分ける方法が一般的です。GoogleのMachine Learning Crash Courseでも、データをトレーニング・検証・テストの3つに分割する方法が紹介されています。
| 種類 | 主な役割 |
|---|---|
| 学習データ | モデルにパターンや関係性を学ばせる |
| 検証データ | 学習途中の設定やモデルの状態を確認する |
| テストデータ | 学習終了後に未知のデータへの性能を確認する |
テストデータまで学習に使ってしまうと、本当に未知のデータへ対応できるのか評価しにくくなります。そのため、学習用と評価用のデータを分けることが重要です。
学習データを使ってAIが学習する仕組み
AIの学習方法はモデルによって異なりますが、基本的にはデータを与え、結果を確認しながらモデル内部を調整していく流れで進みます。モデル学習は、用途に関連するサンプルを使って性能を最適化していく工程です。
1. 学習する目的を決める
最初に「何をAIにできるようにしたいのか」を決めます。
たとえば、次のような目的があります。
- 商品画像を種類ごとに分類する
- 売上を予測する
- 迷惑メールを判定する
- 文章を生成する
- 音声を認識する
つまり、目的が違えば、必要なデータも変わります。
2. データを集めて整える
次に、目的に合ったデータを収集します。
さらに、データに誤りや欠損、重複などが多い場合は、そのまま使わず整理することがあります。また、教師あり学習では、入力データに正解を示す「ラベル」を付けます。Google Cloudでは、教師あり学習をラベル付きデータセットによってパターンを学ぶ機械学習の方法と説明しています。
3. モデルがデータのパターンを学ぶ
続いて、準備した訓練用データをモデルへ与え、特徴や関係性を学習させます。
たとえば猫と犬の画像を分類する場合、モデルは多数の画像から、形や模様など判定に役立つ特徴を捉えていきます。
学習を繰り返すことで、モデル内部のパラメータが目的に適した状態へ調整されていきます。
4. 別のデータで性能を確かめる
最後に、学習が終わったら、未知のデータでも適切に判断できるか確認します。
ここで使われるのが検証データやテストデータです。学習した例だけを覚えるのではなく、新しいデータにも対応できる状態を目指します。
学習データにはどのような種類がある？
また、訓練用のデータは、学習方法や扱う情報によっていくつかに分けられます。初心者が押さえたいのは「ラベル付き」と「ラベルなし」の違いです。
ラベル付きデータ
ラベル付きデータとは、入力データと正解の組み合わせが用意されたデータです。
たとえば、商品画像に「バッグ」「靴」「帽子」といった正解ラベルを付けておけば、モデルは画像と正解の関係を学べます。
このようなデータは、教師あり学習で利用されます。
ラベルなしデータ
ラベルなしデータには、人が付けた正解情報がありません。
教師なし学習では、このようなデータから似たもの同士のまとまりや特徴などを見つけます。
また、大規模な基盤モデルでは、人がすべてのデータへ正解を付けるのではなく、データ自体から学習の手掛かりを作る「自己教師あり学習」が利用される場合があります。
文章・画像・音声・数値など形式もさまざま
さらに、扱う情報は文章だけとは限りません。
目的によって、次のようなデータを利用できます。
- 文章
- 画像
- 音声
- 動画
- 表形式の数値
- センサーなどの計測データ
どの形式を使うかは、作りたいAIの用途によって決まります。
学習データの具体例
具体的には、実際のAIを例にすると意味を理解しやすくなります。
| AIの目的 | 学習データの例 |
|---|---|
| 迷惑メール判定 | メール本文＋迷惑メールかどうかのラベル |
| 画像分類 | 商品や動物などの画像＋分類ラベル |
| 売上予測 | 過去の売上、曜日、季節などのデータ |
| 音声認識 | 音声と対応する文章 |
| 文章生成 | 大量の文章など |
たとえば教師あり学習では、「入力」と「正解」の組み合わせを学ぶことで、未知の入力に対する予測を行います。
一方、大規模な生成AIの基盤モデルでは、大量のデータを使った自己教師あり学習などによって、言語や画像などに含まれるパターンを学習する方法が使われます。
学習データの品質が重要な理由
なお、モデル開発では、単純な「量」だけでなく「品質」も重要です。Googleの機械学習教材では、高品質なデータセットはモデルが目的を達成する助けになり、低品質なデータセットは妨げになると説明されています。
正確なデータであること
間違った数値や誤ったラベルが多ければ、AIはその誤りまで学習する可能性があります。
たとえば猫の写真へ大量に「犬」というラベルを付ければ、正しい分類を学ぶことは難しくなります。
そのため、データの誤りや欠損、重複などを確認する作業が重要です。
目的に合ったデータであること
一方、高品質でも、目的と関係のないデータばかりでは役に立ちません。
日本語の文章を扱うAIを作るのに、対象となる日本語や用途に関係するデータがほとんど含まれていなければ、期待する性能を得にくくなります。
つまり、必要なのは単純に「大量のデータ」ではなく、目的に合ったデータを適切に揃えることです。
偏りの少ないデータであること
データの構成が大きく偏ると、AIの結果にも偏りが生じる可能性があります。
Googleは、データの選択や収集など人が関与する過程から、機械学習モデルへバイアスが入る可能性を説明しています。NISTも、生成AIの訓練用データについて完全性・代表性・バランスなどを確認することを挙げています。
学習データの基本的な使い方
実際に機械学習を行う場合は、次の流れで訓練用データを準備します。
- AIで解決したい目的を決める
- 必要なデータを集める
- 誤り・欠損・重複などを確認する
- 必要に応じて正解ラベルを付ける
- 学習用・検証用・テスト用へ分割する
- 学習データでモデルを訓練する
- 検証・テストデータで性能を確認する
特に大切なのは、最初から「何のためのモデルなのか」を明確にすることです。
目的が曖昧なまま大量のデータを集めても、必要な特徴が含まれているとは限りません。また、モデルを評価するためのデータを学習用とは分離しておくことも重要です。
生成AIでは学習データをどう考える？
生成AIを理解するときは、事前学習・ファインチューニング・RAGを同じものとして考えないことがポイントです。
事前学習
基盤モデルは、幅広い用途に使える能力を得るために、大規模なデータを使って事前学習されます。
Google Cloudでは、基盤モデルの学習方法として自己教師あり学習を挙げており、人間がすべてのデータへ手作業でラベルを付けずに学習できる方法が説明されています。
ファインチューニング
事前学習済みのモデルへ、特定の用途や分野に合わせたデータを追加で学習させる方法がファインチューニングです。
ゼロから大規模モデルを作るのではなく、すでに学習したモデルを目的に合わせて調整します。Google Cloudでも、ファインチューニングを既存モデルを特定用途へ適応させる方法として説明しています。
RAGは学習データとは役割が異なる
RAG（検索拡張生成）は、外部のWebページやナレッジベース、データベースなどから関連情報を検索し、その情報を生成AIの回答へ利用する仕組みです。
そのため、社内文書を生成AIに参照させたい場合でも、必ずモデル自体を再学習させる必要があるとは限りません。RAGでは、モデルの学習後に外部情報を取得して回答へ利用できます。
したがって、訓練用データとRAG用ナレッジを混同しないことが重要です。
学習データを扱うときの注意点
また、利用時には品質だけでなく、プライバシーや権利にも注意が必要です。
個人情報や機密情報に注意する
生成AIの学習には大量のデータが使われることがあり、その中に個人情報が含まれる場合はプライバシー上のリスクが生じます。NISTも、生成AIのトレーニングに個人データが含まれる場合のプライバシーリスクを挙げています。
企業でデータを扱う場合は、個人情報や社外秘情報を無条件に学習へ回すのではなく、組織のルールや利用目的を確認する必要があります。
著作権や利用条件を確認する
インターネット上で閲覧できるデータだからといって、どのような目的にも自由に利用できるとは限りません。
NISTの生成AIリスク管理資料でも、生成AIと著作権を含む知的財産の問題が取り上げられています。訓練用データを収集・利用する際は、著作権やライセンス、利用条件などを確認することが重要です。
データの偏りを確認する
一部の条件や属性にデータが偏っている場合、モデルの予測や生成結果にも影響が出る可能性があります。
データを集める段階から、必要な対象が十分に含まれているかを確認しましょう。NISTも生成AIの訓練データについて、代表性やバランスなどの確認を挙げています。
学習データに関するよくある質問
学習データと教師データは同じですか？
完全に同じとは限りません。
ここでいう訓練用データは、モデルの学習に使うデータ全般を指します。一方、「教師データ」は特に教師あり学習で使う、正解ラベルを含んだデータという意味で使われることがあります。教師あり学習では、入力データと正解ラベルの関係をモデルが学びます。
学習データは多ければ多いほどよいですか？
単純に量が多ければよいとは限りません。
量に加えて、正確性、目的との関連性、代表性、偏りなどを確認する必要があります。品質の低いデータは、モデルの目的達成を妨げる可能性があります。
学習データとテストデータを同じにしてもよいですか？
基本的には分けて考えます。
学習に使ったデータだけで性能を測ると、未知のデータへどの程度対応できるのか判断しにくいためです。Googleの機械学習教材でも、トレーニング・検証・テスト用にデータを分割する方法が示されています。
RAGに登録するデータも学習データですか？
一般的なRAGでは、厳密にはモデルを学習させるデータとは役割が異なります。
RAGは学習済みモデルに外部のナレッジを検索・参照させる仕組みです。モデルそのものを再学習させずに新しい情報を利用できる点が特徴です。
まとめ
学習データとは、AIや機械学習モデルへパターンや関係性を学ばせるためのデータです。
初心者がまず押さえておきたいポイントは次のとおりです。
- 学習データはAIが学ぶための材料
- 文章、画像、音声、数値などさまざまな形式がある
- 教師あり学習では正解ラベル付きのデータを利用する
- 学習用・検証用・テスト用のデータは役割が異なる
- データは量だけでなく品質や偏りも重要
- 生成AIでは事前学習、ファインチューニング、RAGを区別して理解する
- 個人情報や著作権、利用条件にも注意する
「AIが学習する」と聞くと難しく感じますが、基本は多数のデータから役立つパターンを捉え、新しい入力に対応できるようモデルを調整することです。
この役割を理解すると、「パラメータ」「基盤モデル」「ファインチューニング」「RAG」といった用語も理解しやすくなります。また、生成AIの基礎は「GPTとは？」の記事でも解説しています。
関連用語
出典・参考情報
- IBM「What is Training Data?」
- Google Cloud「教師あり学習とは」
- Google for Developers「Datasets: Dividing the original dataset」
- Google for Developers「Datasets: Data characteristics」
- Google Cloud「What are foundation models?」
- Google Cloud「検索拡張生成（RAG）とは」
- NIST「Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile」
