精度

記事数:(15)

音声認識の精度を見極める

声を言葉に変える技術は、使うものによって精度に大きな差があります。あるサービスでは、ほとんど間違えることなく声を言葉に変換できますが、別のサービスでは誤りが多く、使い物にならないこともあります。この精度の違いは、いくつかの要因が複雑に絡み合っています。まず、それぞれのサービスで採用されている変換の仕組みが違います。この仕組みは、まるで人間が言葉を学ぶように、大量の声のデータを使って訓練されています。この訓練に使われるデータの量や質によって、変換の正確さが大きく左右されます。質の高いデータでしっかりと訓練された仕組みは、より正確に声を言葉に変換できます。次に、声の録音状態も重要な要素です。静かな場所でクリアに録音された声は、正確に変換されやすい一方、騒がしい場所や雑音が多い場所で録音された声は、変換の精度が落ちてしまいます。周りの音が大きすぎると、機械が人の声をうまく聞き取れなくなるからです。さらに、同じサービスであっても、契約しているプランによって精度が異なる場合があります。高い料金を支払うプランでは、より高度な変換の仕組みが使われていることが多く、精度の高い変換が期待できます。声を言葉に変換する技術は、私たちの生活や仕事に欠かせないものになりつつあります。スムーズな会話や仕事の効率化に直結するため、サービスを選ぶ際には、精度の高さを重視することが大切です。それぞれのサービスの精度をしっかりと比べ、自分の目的に合った最適なサービスを選びましょう。

深層学習の謎：二重降下現象

近年の技術革新により、深い層を持つ学習手法は目覚ましい進歩を遂げ、絵や写真を見分ける技術や言葉を扱う技術など、様々な分野で素晴らしい成果を生み出しています。しかし、これらの学習手法はとても複雑な仕組みで動いているため、その動き方はまだ完全には解明されていません。特に、学習に使うデータの量や、手法そのものの規模によって、結果がどのように変わるのかは、現在も盛んに研究されている重要な課題です。このような状況の中、近年注目を集めているのが「二重降下現象」です。この現象は、学習手法の複雑さが増すと、その性能が単純に上がり続けるのではなく、一度下がった後、再び上がるという、一見不思議な現象です。まるで、坂道を下った後にまた別の坂を上るような動きをすることから、この名前が付けられています。具体的に説明すると、まず学習に使う手法が比較的単純な段階では、データの量を増やすほど性能は向上します。これは直感的に理解しやすいでしょう。しかし、手法をさらに複雑にしていくと、ある時点で性能が頭打ちになり、場合によっては低下し始めることがあります。これは、複雑すぎる手法が、学習データの特徴だけでなく、本来関係のない細かい違いまで捉えてしまうためだと考えられています。まるで、木を見て森を見ず、という状態です。さらに手法を複雑にしていくと、不思議なことに性能は再び向上し始めます。これは、手法が複雑になることで、データの背後にある本質的な構造を捉える能力が向上するためだと考えられています。つまり、森全体を俯瞰的に見れるようになるのです。この、一度性能が下がってから再び上がるという動きが、「二重降下現象」と呼ばれる所以です。この現象は、深い層を持つ学習手法の開発において非常に重要な意味を持ちます。なぜなら、この現象を理解することで、より性能の高い手法を開発するための指針を得ることができるからです。現在、多くの研究者がこの現象のメカニズムを解明しようと取り組んでおり、今後の研究の進展が期待されます。

ROC曲線とAUCによるモデル評価

二値分類とは、対象を二つの種類に区分けする作業のことです。例えば、健康診断の結果から、病気に罹患しているかいないかを判断する場合や、メールが迷惑メールかそうでないかを判別する場合などが挙げられます。このような二値分類の精度を測る方法の一つに受信者動作特性曲線、略してROC曲線と呼ばれるものがあります。 ROC曲線は、縦軸に真陽性率、横軸に偽陽性率をとって描かれるグラフです。真陽性率とは、実際に陽性であるものの中から、正しく陽性と予測できた割合のことです。病気の診断で例えるなら、実際に病気に罹患している人の中で、検査によって正しく病気と診断できた人の割合です。これは、感度や再現率とも呼ばれます。一方で、偽陽性率とは、実際は陰性であるものの中から、誤って陽性と予測した割合のことです。病気の診断の例では、実際には健康な人の中で、検査によって誤って病気と診断されてしまった人の割合に当たります。 ROC曲線を描くためには、様々な閾値を用います。閾値とは、陽性と陰性を区別する境界線の値のことです。この閾値を変化させることで、真陽性率と偽陽性率の値が変化し、ROC曲線が描かれます。理想的な分類モデルは、真陽性率が高く、偽陽性率が低い、つまり、病気の人を正しく病気と診断し、健康な人を誤って病気と診断することが少ないモデルです。ROC曲線上で、左上に近いほど理想的なモデルと言えます。 ROC曲線を見ることで、様々な閾値におけるモデルの性能を一度に評価できるため、特定の閾値だけに頼った評価よりも、より多角的で詳細な分析が可能になります。これは、目的に合わせて最適な閾値を選択する際に役立ちます。例えば、病気の早期発見を重視する場合には、多少偽陽性率が高くなっても、真陽性率の高い閾値を選ぶ方が良いでしょう。このように、ROC曲線は二値分類モデルの性能評価において重要な役割を果たします。

最適なモデル選び：情報量規準入門

機械学習では、与えられた情報から様々な計算の仕組みを作ることができます。しかし、どの仕組みが一番いいのかを決めるのはとても難しい問題です。単純に計算の正確さだけで判断すると、思わぬ落とし穴にはまることがあります。複雑な仕組みほど、学習に使った情報にはぴったり合うように作られます。しかし、複雑すぎる仕組みは、新しい情報に対する予測の正確さが落ちてしまうことがあるのです。これは、いわば「詰め込み学習」のようなもので、既に知っている問題への答えは完璧に覚えているけれども、少し違う問題が出されると対応できない状態に似ています。本当に良い仕組みとは、学習に使った情報だけでなく、まだ見ていない新しい情報に対しても高い予測能力を持つものです。そのためには、仕組みの複雑さと予測能力のバランスを考える必要があります。複雑すぎると、学習に使った情報に過剰に適応してしまい、新しい情報への対応力が低下します。逆に、単純すぎると、学習に使った情報の特徴を十分に捉えきれず、予測能力が不足します。このバランスをうまくとるために、「情報量規準」と呼ばれる尺度が用いられます。情報量規準は、仕組みの複雑さと予測能力の両方を考慮して、仕組みの良さを数値で表すものです。具体的には、ＡＩＣやＢＩＣといった情報量規準がよく使われます。これらの規準を用いることで、様々な仕組みの中から、最もバランスの取れた、良い仕組みを選ぶことができます。情報量規準は、新しい情報への対応能力も考慮に入れているため、過剰に複雑な仕組みを選んでしまうことを防ぎ、より実用的な仕組みの選択に役立ちます。

最適なモデルを選ぶ：情報量規準

機械学習を行う上で、数多くの手法から最適なものを選ぶことは極めて重要です。まるで料理人が豊富な食材から最適な組み合わせを選び出すように、扱うデータの特性や様々な手法の特徴を理解し、目的に合った最適な手法を選択しなければなりません。この作業は、数多くの選択肢の中から最適な道筋を見つけるようなもので、容易ではありません。例えば、目の前の材料に合うように複雑で手の込んだ料理を作れたとしても、それが必ずしも良い料理とは言えないのと同じです。味付けが濃すぎたり、特定の食材に偏りすぎたりすると、他の食材との相性が悪くなり、万人受けする美味しい料理とは言えなくなります。機械学習でも同様に、手持ちのデータに完全に一致する複雑なモデルを作れたとしても、必ずしも良いモデルとは言えません。新しいデータに適用した際に、予測が外れてしまう可能性があるからです。これは、まるで特定の客の好みに合わせすぎた料理が、他の客には受け入れられないようなものです。このような現象を過学習と呼びます。過学習は、モデルが学習データの表面的な特徴に囚われ、データの背後にある本質的な構造を捉えられていない時に起こります。特定の食材の風味にこだわりすぎて、料理全体のバランスを崩してしまうようなものです。つまり、モデルを選ぶ際には、データへの適合度だけでなく、モデルの汎化性能も考慮する必要があります。これは、初めて出会う食材を使ったとしても、美味しい料理を作れる能力のことです。未知のデータに対してもどれだけ正確に予測できるかという能力のことです。最適なモデル選択は、データへの適合度と汎化性能という、いわば両天秤のバランスを見極める繊細な作業と言えます。丁度良い味付けを見つけ、食材の持ち味を生かし、誰からも好まれる美味しい料理を作るように、データの本質を捉え、未知のデータにも対応できる、バランスの取れたモデルを選択することが重要です。

混同行列：分類モデルの評価指標

機械学習を使って分類を行う際、作った模型の良し悪しを測る物差しはいくつかあります。その中でも、混同行列は模型の働きぶりを詳しく知るための大切な道具です。分類とは、例えば迷惑な電子手紙を見分けるように、情報がどの種類に当てはまるかを予想することです。この予想と実際の答えとの組み合わせは、大きく分けて四つの形に分けられます。混同行列は、この四つの形を表形式で分かりやすく示したものです。具体的には、真陽性(TP)は実際に陽性で、予測も陽性だった数を表します。例えば、本当に迷惑な電子手紙を、模型も迷惑電子手紙だと正しく判断した数です。真陰性(TN)は実際に陰性で、予測も陰性だった数を表します。普通の電子手紙を、模型も普通の電子手紙だと正しく判断した数です。偽陽性(FP)は実際には陰性なのに、陽性だと予測してしまった数を表します。普通の電子手紙を、模型が誤って迷惑電子手紙だと判断した数で、第一種の過誤と呼ばれます。偽陰性(FN)は実際には陽性なのに、陰性だと予測してしまった数を表します。迷惑な電子手紙を、模型が見逃して普通の電子手紙だと判断した数で、第二種の過誤と呼ばれます。混同行列はこれらの四つの数を表にまとめることで、模型の正確さだけでなく、誤りの種類も明らかにします。例えば偽陽性が多いと、大事な電子手紙を迷惑メールとして処理してしまう可能性が高く、偽陰性が多いと、迷惑な電子手紙が受信箱に届いてしまう可能性が高くなります。このように、混同行列を見ることで、模型の弱点や改善点を把握し、より精度の高い分類を実現するための手がかりを得ることができるのです。どの種類の誤りをより減らすべきかは、扱う問題によって異なります。迷惑電子手紙の例では、偽陰性を減らすことのほうが重要かもしれません。そのため、混同行列は単に模型の正確さを示すだけでなく、目的に合わせて模型を調整する際に役立つ情報も提供してくれるのです。

平均絶対偏差：データのばらつきを測る

情報を詳しく調べたり整理したりする作業の中で、データがどれくらい散らばっているかを理解することはとても大切です。平均値だけではデータの全体像を捉えきれない場合がよくあります。例えば、ある地域の平均年収が500万円だったとしましょう。一見すると、そこそこ豊かな地域のように思えますが、実は少数の高所得者によって平均値が押し上げられているかもしれません。大部分の住民は年収300万円で、ごく一部の人が1000万円以上の年収を得ている可能性も考えられます。このような状況では、平均年収という一つの数字だけで判断すると、実態を見誤ってしまう危険性があります。そこで、データの散らばり具合を測る尺度として、平均絶対偏差が役に立ちます。平均絶対偏差とは、それぞれのデータが平均値からどれくらい離れているかを平均した値です。具体的な計算方法は、まず各データと平均値の差を計算します。次に、その差の絶対値を求めます。絶対値とは、マイナスの符号を取り除いた値のことです。最後に、これらの絶対値をすべて足し合わせ、データの個数で割ります。こうして求められた平均絶対偏差は、データの散らばり具合を直感的に理解するのに役立ちます。平均絶対偏差が大きいほど、データは平均値から遠く離れた値が多く、散らばりが大きいことを示しています。逆に、平均絶対偏差が小さい場合は、データは平均値の近くに集まっており、散らばりが小さいことを意味します。平均絶対偏差を理解することで、データの分布や特徴をより深く把握することができます。平均値だけでなく、平均絶対偏差も合わせて見ることで、データの背後にある真の姿が見えてきます。例えば、二つの地域の平均年収が同じでも、平均絶対偏差が大きく異なる場合があります。これは、収入の分布に大きな違いがあることを示唆しています。平均絶対偏差を用いることで、このような違いを明確に捉えることができるのです。

アルゴリズム

深層学習の謎：二重降下現象

近年の技術革新によって、コンピュータが自ら学習する深層学習という手法が大きく進歩しました。この技術は、まるで人が目や耳で情報を得て判断するように、画像を見分けたり、言葉を理解したり、音を聞き取ったりする作業を驚くほど正確に行えるようになりました。これまでは人間が一つ一つルールを設定してコンピュータに作業をさせていましたが、深層学習では膨大なデータからコンピュータ自身がルールを見つけ出すため、従来の方法では難しかった複雑な処理も可能になりました。例えば、写真に写っている物体を特定したり、外国語を翻訳したり、人の声を文字に変換したりといった作業が、高い精度で実現できるようになっています。深層学習は、医療診断や自動運転、工場の自動化など、様々な分野で革新的な変化をもたらしており、私たちの生活をより豊かに、便利にする可能性を秘めています。しかし、この革新的な技術には、まだ解明されていない謎も残されています。深層学習の仕組みは非常に複雑で、まるで巨大な迷路のような構造をしているため、コンピュータがどのように学習し、判断しているのかを完全に理解することは難しいのです。学習を進めるほど性能が向上するはずなのに、ある時点を過ぎると逆に性能が低下してしまうといった不思議な現象も観測されています。これはまるで、勉強すればするほど成績が下がるようなもので、専門家の間でも大きな課題となっています。このような不可解な現象の一つに、「二重降下現象」と呼ばれるものがあります。この現象は、深層学習モデルの学習過程で性能が一度低下し、その後再び向上するという特徴的な挙動を示します。まるで山を登って下り、また別の山を登るような様子から、二重降下現象と名付けられました。この現象のメカニズムを解明することは、深層学習モデルの性能向上や信頼性向上に不可欠であり、世界中の研究者がその解明に挑んでいます。この「二重降下現象」について、これから詳しく解説していきます。

適合率：予測精度を測る指標

機械学習の分野では、予測モデルの良し悪しを測る物差しがいくつかあります。その中で、『適合率』という尺度は、モデルの正確さを測る重要な指標の一つです。具体的に言うと、ある事柄を『そうだ』と予測した中で、実際に『そうだ』であったものの割合を示すのが適合率です。例として、迷惑メールのフィルターを考えてみましょう。日々届くメールの山の中から、迷惑メールを自動で見分けてくれる便利な機能です。このフィルターが、迷惑メールだと判断したメールの中に、本当に迷惑メールが含まれている割合が、まさに適合率に当たります。迷惑メールではない普通のメールを、間違って迷惑メールだと判断してしまう、いわゆる『誤り』が少ないほど、適合率は高くなります。別の例として、病気の診断を考えてみましょう。ある病気の検査で「陽性」と判定された人のうち、実際にその病気を患っている人の割合が適合率です。つまり、本当に病気の人を正しく診断できた割合を示しています。検査で「陰性」と判定されたにも関わらず、実際には病気を患っている「偽陰性」は、適合率には影響しません。適合率はあくまでも「陽性」と判定された人のみに焦点を当てています。適合率は、０から１の間の値で表されます。１に近いほど正確な予測であることを示し、逆に０に近いと予測の精度は低いと言えます。例えば、適合率が０．９の場合、予測が当たっている割合は９割です。０．５の場合は、半分の予測しか当たっていないことになります。このように、適合率はモデルの性能を評価する上で、非常に重要な役割を果たしています。

精度の正体：機械学習での役割

機械学習という技術において、その良し悪しを見極めるための物差しはたくさんありますが、中でも「精度」は特に大切です。この精度は、ずばり、予測がどれくらい正確かを表す尺度です。作った模型が、どれくらいきちんと目的を達成できているかを判断するのに役立ちます。例えば、写真を見てそれが何なのかを当てる模型を考えてみましょう。この模型が、写真に写っているものを正しく言い当てられた割合が、まさに精度です。迷惑メールを見分ける模型であれば、きちんと迷惑メールだと見抜けた割合が精度になります。もう少し具体的に説明すると、この精度は、模型が「これは猫の写真です」と判断した写真のうち、実際に猫が写っている写真の割合です。犬の写真を見て「猫」と判断したり、猫の写真を見て「犬」と判断したりすると、精度は下がります。逆に、猫の写真をきちんと「猫」と判断できれば、精度は高くなります。精度は、模型の出来栄えを評価する上で基本となる物差しです。そして、模型の改善点を明らかにするためにも欠かせない情報です。精度は分かりやすい指標ですが、状況によっては、他の物差しも合わせて考える必要があります。例えば、病気の診断のように、病気でない人を病気と判断する（偽陽性）よりも、病気の人を病気でないと判断する（偽陰性）方が深刻な場合もあります。このような場合は、単に精度だけで判断するのではなく、他の指標も合わせて考える必要があります。本記事では、この精度について、その意味や計算の仕方、使う上での注意点などを、より詳しく説明していきます。精度を正しく理解し、活用することで、より良い機械学習模型を作ることができるようになります。

網羅されたデータの重要性

人工知能の模型を鍛えるには、質の高い学習資料が欠かせません。模型は、与えられた資料から模様や決まり事を学び、それを基に予測や判断を行います。そのため、学習資料の質が模型の出来栄えを大きく左右します。良い資料とは、一体どのようなものでしょうか？まず大切なのは、資料の網羅性です。網羅性が高い資料とは、調べたい事柄や出来事を広く、漏れなく捉えた資料のことです。例えば、犬の種類を見分ける模型を鍛える場合を考えてみましょう。このためには、様々な犬種、年齢、毛色、大きさの犬の絵姿資料が必要です。特定の犬種や条件に偏った資料で鍛えると、模型はそれ以外の犬種や条件に対して正しく見分けられない場合があります。例えば、チワワの絵姿ばかりで模型を鍛えた場合、大きな犬種であるセントバーナードを犬として認識できないかもしれません。また、子犬の絵姿ばかりで鍛えた場合、成犬を認識できないかもしれません。このように、網羅性を欠いた資料で鍛えられた模型は、特定の状況でしか能力を発揮できません。網羅性の高い資料を用意することで、模型はより多くの状況に対応できるようになります。様々な犬種、年齢、毛色、大きさの犬の絵姿資料を網羅的に集めることで、模型は初めて見る犬でも「犬」であると認識し、さらには犬種まで正確に判断できるようになります。つまり、網羅性の高い資料は、模型がより広く使える、正確な予測を行うために欠かせないのです。さらに、資料の正確さも重要です。例えば、犬の絵姿に「猫」というラベルが誤って付けられていると、模型は犬を猫と認識するように学習してしまいます。このような誤った情報は、模型の性能を低下させる大きな原因となります。他にも、資料の内容が最新であるか、偏りがないかなども重要な要素です。時代遅れの情報や特定の立場に偏った情報で模型を鍛えると、現実世界とは乖離した、役に立たない結果を生み出す可能性があります。質の高い学習資料を集めるには、多くの時間と手間がかかります。しかし、模型の性能を最大限に引き出すためには、質の高い学習資料が不可欠です。地道な努力を惜しまず、質の高い資料を集め、整備していくことが、人工知能技術の発展に大きく貢献すると言えるでしょう。

ボイスボットと集音環境：精度の鍵

人間が言葉を話す時と同じように、機械も音を理解するためにいくつかの段階を踏みます。ボイスボットの音声認識もこれと同じで、音声を文字に変換するために、音響モデル、言語モデル、発音辞書という三つの重要な仕組みを組み合わせています。まず、音響モデルは、マイクなどを通して集められた音声データを分析し、人間の耳では聞き分けにくい小さな音の単位、つまり「音素」に分解します。「あいうえお」や「かきくけこ」といった一つ一つの音がこれに当たります。音響モデルは、集められた音声がどの音素であるかを確率的に判断することで、音の並びを特定します。この音響モデルのおかげで、様々な声の高さや話す速さ、周囲の雑音にも対応した音声認識が可能になります。次に、言語モデルは、単語の並び方の規則性を学習したものです。例えば、「こんにちは」の後に続く言葉は、「ございます」や「世界」など、ある程度絞られます。言語モデルは、膨大な量の文章データを学習することで、どの単語の次にどの単語が現れやすいかという統計的な情報を蓄積しています。これにより、音響モデルで特定された音素の並びが、実際にどのような単語の列を表しているのかを推定し、より自然で正確な文章を作り上げます。最後に、発音辞書は、単語と音素の対応関係を示した辞書です。例えば、「こんにちは」という単語は、「k o n n i ch i w a」という音素の並びに対応します。発音辞書は、音響モデルと言語モデルを繋ぐ橋渡し役を果たし、音声を正確な文字に変換するために必要不可欠です。これらの三つの仕組みが複雑に連携することで、ボイスボットは音声をテキストデータに変換し、私たちと会話することができるのです。

再現率：機械学習モデルの真価

機械学習の分野では、作り上げた予測モデルの良し悪しを評価することがとても大切です。その評価指標の一つに「再現率」というものがあります。これは、実際に起きた事象の中で、モデルが正しく予測できた割合を表しています。例として、健康診断で病気を発見するシステムを考えてみましょう。多くの人が健康診断を受け、その中には実際に病気を抱えている人もいます。このシステムの目的は、病気の人を正確に見つけることです。再現率は、実際に病気の人の中で、システムが正しく「病気」と判断できた人の割合を示します。つまり、病気を見逃すことなく、どれだけ多く発見できたかを測る指標と言えるでしょう。この再現率は、０から１までの数値で表されます。１に近いほど、病気の人を見逃すことなく発見できていることを示し、良いシステムと言えます。逆に０に近いと、多くの病気の人を見逃していることになり、システムの改善が必要です。特に、病気の診断のように、見逃しが命に関わるような場面では、この再現率は非常に重要な指標となります。早期発見が治療の鍵となる病気の場合、見逃しは取り返しのつかない結果を招く可能性があります。そのため、高い再現率を持つ診断システムの開発は、医療現場にとって非常に重要です。また、犯罪捜査や防災など、見逃しが大きな損失につながる分野でも、再現率は重要な役割を果たします。

混同行列：分類モデルの評価指標

機械学習を用いて、ものごとをいくつかの種類に分類する問題に取り組む際には、作った予測モデルの良し悪しを確かめる様々な方法があります。その中でも、混同行列は予測結果と実際のデータの関係を詳しく把握できる便利な道具です。例えば迷惑メールを判別するシステムを考えてみましょう。このシステムは、受け取ったメールが迷惑メールかそうでないかを予測します。この予測の正確さを評価するために、混同行列は真陽性、真陰性、偽陽性、偽陰性の４つの要素を使います。これらの要素は、システムの予測と実際のメールの種類の組み合わせから決まります。実際に迷惑メールで、システムも迷惑メールと正しく予測した場合は真陽性です。迷惑メールではないメールを、システムも迷惑メールではないと正しく予測した場合は真陰性です。逆に、迷惑メールではないメールを、システムが間違えて迷惑メールと予測した場合は偽陽性です。これは、安全なメールを誤って迷惑メールフォルダに振り分けてしまうことを意味します。また、実際に迷惑メールであるにもかかわらず、システムが間違えて迷惑メールではないと予測した場合は偽陰性です。これは、迷惑メールが受信箱に届いてしまうことを意味し、見逃すと大変危険です。混同行列はこれらの４つの要素を２行２列の表にまとめたものです。この表を見ることで、モデルの全体的な正確さだけでなく、どのような種類の誤りを犯しやすいのかなど、より詳しい分析ができます。例えば、偽陽性が多ければ、安全なメールを誤って迷惑メールと判断する傾向が強いことが分かります。反対に偽陰性が多ければ、迷惑メールを見逃す危険性が高いことが分かります。このように、混同行列はモデルの性能を多角的に評価することを可能にするのです。

教師データ：ＡＩ学習の鍵

機械学習を行うには、まずコンピュータにたくさんの情報を覚えさせ、様々な法則を見つけ出す訓練をさせる必要があります。この訓練で使う教材のような役割を果たすのが、教師データです。人間が子供に文字を教える時、何度も繰り返し書き方を教え、その文字が何であるかを伝えるのと同じように、コンピュータにも正解が分かるデータを大量に与えて学習させるのです。教師データは、入力データとその答えである正解データの組み合わせでできています。例えば、果物の写真を見てそれが何の果物かを当てる人工知能を作ることを考えてみましょう。この場合、果物の写真が入力データ、その写真に写っている果物が何であるかを示す名前が正解データになります。りんごの写真には「りんご」という名前、みかんの写真には「みかん」という名前がセットで用意されているわけです。人工知能は、大量のこのような組を学習することで、写真の特徴と果物の名前の対応関係を自ら見つけ出します。例えば、赤い色で丸い形をしていれば「りんご」、オレンジ色で皮がデコボコしていれば「みかん」といった具合です。そして、この学習を通して人工知能は、新しい果物の写真を見せられたときにも、それが何の果物かを予測できるようになるのです。教師データの質と量は、人工知能の性能に大きな影響を与えます。まるで人間の学習と同じく、質の高い教材でしっかりと教えれば、人工知能も賢く育ちます。逆に、間違った情報が含まれていたり、データの数が少なすぎたりすると、人工知能は正しい判断を下すのが難しくなります。そのため、人工知能を作る際には、目的に合った適切な教師データを選ぶことが非常に重要です。質の高い教師データこそ、人工知能を賢く育てるための、なくてはならない教科書と言えるでしょう。