識別AIは、データをもとに予測する・グループに分ける・よりよい行動を選ぶことで、業務の判断を支えるAIです。
識別AIとは ── 予測と判断の材料を出すAI
新しいシラバス案は、業務でのAIの使い方のうち、識別AIと生成AIを別々の項目として扱っています。 ただし、シラバス案に「識別AI」の定義は書かれておらず、この言葉を定義した公的な文書も見当たりません。ここでは、シラバス案が挙げている例から捉えます。 生成AIが文章や画像を新しく作り出すのに対し、識別AIは、入力されたデータが何にあたるか、これからどうなりそうかを答えたり、よりよい行動を選んだりして、判断の材料を出すAIです。 AI事業者ガイドライン（総務省・経済産業省）も、「識別AI」という言葉は使っていませんが、2000年代以降に活用が広がったAIを「特定の分野に特化し、予測、提案又は決定を行うことができるシステム」と説明し、そのあとに普及した、文章や画像を生成する生成AIと書き分けています。
たとえば工場で、完成品の画像から外観の不具合を見分けて不良品の疑いがあるものを選び出す検品や、内視鏡の画像でがんの可能性が高い部分を光らせて医師に示す仕組みが、識別AIの使い方です。 後者では、AIが印を付けた画像を見て、がんかどうかを判断するのは医師です。 識別AIの出力は、人が次の行動を決めるための材料になります。
業務での使い方は、AIの学び方によって3つに分かれます。学び方の仕組みは18-1 機械学習にまとめています。
学び方の違いで、予測する・グループに分ける・判断を支援する、の3つの使い方に分かれます。
識別AIの3つの使い方
教師あり学習による予測 … 過去の実績から、これからの数値や結果を予測する。計画を立てるのに使う。例：売上予測、成約予測、離反予測
教師なし学習によるグルーピング … 似たものどうしをまとめ、データの中にあるまとまりに気づく。例：顧客セグメンテーション、店舗クラスタリング
強化学習による支援 … 試行錯誤から、よりよい行動の選び方を学び、人の判断を助ける。例：配車ルートの最適化
現行のシラバスも、AIを使う目的として、仮説検証、知識発見、原因究明、計画策定、判断支援、活動代替などを挙げています。上の「計画を立てる」「気づく」「判断を助ける」は、このうちの計画策定・知識発見・判断支援にあたります。
教師あり学習による予測 ── 売上・成約・離反
予測に使うのは、結果がわかっている過去の記録です。過去の実績が、教師あり学習の「正解」になります。 何を予測するかによって、集める記録と、予測を使う場面が変わります。
3つの予測
売上予測 … 来週や来月の売上を数値で予測する。過去の売上と、曜日・天気・セールの有無などの記録から学ぶ。仕入れの量や、店に立つ人数を決めるのに使う
成約予測 … 見込み客や商談が、契約に至りそうかを予測する。過去の商談の記録と、成約した・しなかったという結果から学ぶ。営業が当たる順番を決めるのに使う
離反予測 … いまの顧客が、サービスをやめて離れていきそうかを予測する。やめた顧客と続けている顧客の利用の記録から学ぶ。やめそうな顧客に先に手を打つのに使う
予測は、その結果で何を変えるかまで決めておいて、はじめて業務の役に立ちます。
どの予測も、それだけでは何も変わりません。売上予測が当たっても、仕入れの量を予測に合わせて変えなければ、売れ残りも品切れも減りません。 予測は、その結果を見て何を変えるかまで決めておいて、はじめて業務の役に立ちます。
もう1つ大事なのは、予測は外れることがあるという前提です。離反予測で「やめそう」と出た顧客も、やめると決まったわけではありません。 AI事業者ガイドラインは、AIを使う側に、出力の精度とリスクの程度を理解したうえで使うことを求めています。 外れても困らない使い方、たとえば案内を送る順番や、声をかける相手の優先順位を決めるのに使うのが基本です。
スポーツクラブが離反予測のAIを導入し、「来月やめそうな会員」のリストが出てきました。このリストの使い方として、最も適切なものはどれですか。
× 予測は外れることがあります。やめると決まったわけではない会員を、やめたものとして扱ってしまっています。
× リストに載らなかった会員の中にも、やめる人はいます。予測を「やめない」という保証として使ってしまっています。
○ 正解 リストの会員から順に、面談やプランの見直しを案内するです。
予測を、声をかける相手の優先順位を決めるのに使っています。予測が外れて、やめるつもりのない会員に案内が届いても困りません。
× 外れることがあっても、優先順位を決める材料には使えます。予測を捨ててしまうと、導入した意味がなくなります。
教師なし学習によるグルーピング ── 顧客と店舗を分ける
グルーピングでは、正解を与えずに、データが似ているものどうしをAIにまとめさせます。業務での代表的な使い方は2つです。
2つのグルーピング
顧客セグメンテーション … 購買の記録や来店の回数が似た顧客どうしをまとめる。グループごとに、送る案内やクーポンを変える
店舗クラスタリング … 売れる商品の割合や、時間帯ごとの客数などが似た店舗どうしをまとめる。グループごとに品ぞろえや販促をそろえ、うまくいった店のやり方を同じグループの店に広げる
AIが見つけるのはまとまりまで。グループの意味を読み取り、打つ手を決めるのは人です。
AIが見つけるのは、まとまりまでです。「値引きに反応しやすい」「新商品をよく買う」といったグループの意味は、結果を見た人が読み取ります。 正解が無いので、分け方の良し悪しは、グループごとに打つ手を変えられるかで判断します。 グルーピングは、グループごとに打つ手を変えるために使います。
年代や住んでいる地域のように、人が決めた基準で区切るのは、AIによるグルーピングではありません。 教師なし学習は、購買の記録全体の似かたから、人があらかじめ決めていないまとまりを見つけます。 また、グルーピングは「この先どうなるか」を答えません。来月の売上やだれがやめるかを知りたいなら、予測を使います。
強化学習による支援 ── 配車ルートの最適化
配送や送迎では、どの車がどの行き先を、どの順で回るかで、走る距離も時間も大きく変わります。 車と行き先が増えると回り方の組合せは急に増え、人がすべてを比べることはできません。
強化学習のAIは、主にシミュレーションの中で、車の割り当てや回る順番を試しては、「早く届いた」「走る距離が短かった」といった結果を報酬として受け取り、報酬が多くなる選び方を身につけます（仕組みは18-1）。 ここで注意したいのは、何を報酬にするかは人が決めるという点です。走る距離だけを報酬にすると、お客さまの時間指定を守らないルートでも「良いルート」になってしまいます。 強化学習のAIは、人が決めた報酬を多くする方向に学ぶので、何を報酬にするかで出てくる答えが変わります。
AIは報酬が多くなるルートの案を出し、配車担当者が確かめて決めます。
新しいシラバス案は、この使い方を「強化学習による支援」と書いています（現行のシラバスは「強化学習による制御」として、自動車の自動走行の制御などを例に挙げています）。 なお、配車ルートの最適化は、強化学習だけでなく、数理最適化などほかの手法でも行われています。シラバス案は、強化学習を業務に使う例としてこれを挙げています。 AIが出したルートの案を配車担当者が確かめ、道路工事や急な依頼のように、AIが知らない事情を足して最終的に決めます。 AI事業者ガイドラインも、AIを使う側について、人間の判断を介在させることで予期せぬ事故を防ぐことも可能になる、としています。
業務に組み込んで使い続ける
識別AIは、導入すれば終わりではありません。使い始めるまでと、使い始めてからの流れは次のとおりです。
使い始めたあとも予測と実績のずれを見張り、状況が変わったら新しいデータで学び直させます。
識別AIを使う流れ
目的と使い道を決める … 何を予測するか、結果で何を変えるかを決める。何のためにAIを使うかを決めるのは人（人間中心のAI社会原則）
データを集める … 予測なら、正解にあたる実績の記録が要る。誤りや抜けを直して整える（9-2 データ分析）
学習させて評価する … 学習に使っていないデータで、どれくらい当たるかを確かめる（18-1）
業務で使い、精度を見張る … 予測と実際の結果を比べ続け、ずれが大きくなったら新しいデータを加えて学び直させる（再学習）
最後の段が欠かせないのは、識別AIが過去のデータから学んでいるからです。 AI事業者ガイドラインは、AIの予測の性能が、使い始めたあとに大きく変わることがあると注意しています。原因の例に挙げているのが、学習に使ったデータと、運用中に入ってくるデータの傾向が変わることです。 たとえば駅前の再開発で人の流れが変わったパン屋では、過去の売れ方から学んだ売上予測が、実際の売上とずれ始めます。 識別AIは過去のデータから学ぶので、状況が変わったら、予測と実績のずれを見て学び直させます。
出力を見る人の側にも注意があります。AIの答えを過度に信頼し、確かめずにそのまま受け入れてしまうこと（自動化バイアス）を避け、AIの出力を事業にどう使うかは、使う側が責任をもって判断します。 AIの判断の根拠を示す説明可能なAIや、人が判断に加わる仕組みは、27-2 AI 倫理・AI ガバナンスで扱っています。
駅前のパン屋が、売上予測のAIで毎朝の焼く量を決めています。駅ビルが新しく開業してから2か月、予測が実際の売上を毎日下回り、夕方前に品切れが続いています。最も適切な対応はどれですか。
○ 正解 開業後のデータを加えて学び直させるです。
駅ビルの開業で客足が変わり、AIが学んだ過去の売れ方と、いまの売れ方がずれています。新しい状況のデータで再学習させます。
× 過去のデータが多くても、状況が変わればずれます。ずれを見張らずに使い続けると、品切れが続くだけです。
× 開業後の売れ方は一時的な乱れではなく、これから続く新しい状況です。取り除くと、いまの売れ方をAIが学べなくなります。
× 過去3年間の平均は、ほとんどが開業前の売れ方にもとづく数字です。状況の変化を反映できない点は変わりません。
まとめ
この回で持ち帰ること
1. 識別AIは、入力されたデータが何にあたるか、どうなりそうかを答えたり、よりよい行動を選んだりするAI（シラバス案に定義は無く、例から捉えたもの）。その出力は、人が次の行動を決めるための材料になる
2. 教師あり学習による予測＝売上予測・成約予測・離反予測。過去の実績が正解になる。結果で何を変えるかまで決めて使い、外れても困らない使い方をする
3. 教師なし学習によるグルーピング＝顧客セグメンテーション・店舗クラスタリング。グループの意味は人が読み取り、グループごとに打つ手を変える
4. 強化学習による支援＝配車ルートの最適化。何を報酬にするかは人が決め、AIの案は人が確かめて決める
5. 使い始めたあとも予測と実績のずれを見張り、状況が変わったら新しいデータで再学習させる
教科書の一覧（現行の試験の順）教科書の一覧（新しい試験の順）過去問
Udemy の ITパスポート講座を、受講者数・★評価・口コミで比べたページです（広告を含みます）。
出典：IPA「ITパスポート試験 シラバス（案）Ver0.1」（2026年8月31日）、「ITパスポート試験 シラバス Ver6.5」、 総務省・経済産業省「AI事業者ガイドライン（第1.2版）」本編・別添（2026年3月31日）、 統合イノベーション戦略推進会議決定「人間中心のAI社会原則」（2019年3月29日）。 練習問題と例は当サイトが説明のために作ったものです。