AIが向く課題と向かない課題

AIF-C01は「AIをどこで使い、どこで使わないか」を判断できることを求めます。 AIは万能ではなく、向かない課題に当てると、費用ばかりかかって精度が出ない結果になります。

概要

AIやが力を発揮するのは、規則を人間が言葉で書き切れないけれども、判断の例なら大量に集められる課題です。逆に、規則が明確で例外もない処理は、通常のプログラムで書くほうが速く、安く、確実です。

機械学習の出力は確率的で、必ず誤りを含みます。そのため、「1件の誤りも許されない計算」には向かず、会計処理や税額計算のような領域は通常のロジックで実装します。

主要技術

①AIが向く課題 ⚠️ 頻出

課題の性質	例	理由
規則が言葉にしにくい	画像から不良品を見つける	見た目の特徴を条件式で書けません。
判断の量が多すぎる	数百万件の問い合わせ分類	人手では処理量に追いつきません。
個別化が必要	利用者ごとの商品	全員に同じ規則を当てても効果が出ません。
予測が価値になる	需要予測、故障予知	過去の実績から傾向を学べます。
生成が必要	要約、下書き作成、コード生成	出力そのものを作る必要があります。

⚠️ 頻出: 「大量の」「パターンが複雑」「個別化」「予測」というキーワードはAI向きの合図です。

AIが生む価値は、次の3つの形に整理できます。

価値の形	内容	例
人間の意思決定の支援	予測や判定の結果を示し、最終判断は人が行います。	与信担当者へ返済遅延の確率を示す、医師へ病変の疑いのある画像を示す
ソリューションの	人員を増やさずに処理量の増加へ対応できます。	問い合わせが繁忙期に10倍になっても同じ仕組みで分類する
自動化	人の作業そのものを置き換えます。	帳票の読み取りと入力、通話の文字起こし

②AIが向かない課題 ⚠️ 頻出

課題の性質	例	代わりに使うもの
規則が明確で例外がない	消費税の計算、給与計算	通常のプログラム
誤りが一切許されない	会計仕訳の確定、法定計算	決定的なロジックと検証
説明責任が厳しく根拠が必須	規制上の判断根拠の提示	規則ベースまたは説明可能なモデル
データがない、または少なすぎる	新規事業の初期	まずデータ収集の仕組み
費用対効果が合わない	年間数件の判断の自動化	人手での運用

⚠️ 頻出: 「決まった計算式を適用するだけ」「常に同じ結果でなければならない」という要件では、は不適切な選択肢になります。

③従来の機械学習と基盤モデルの使い分け ⚠️ 頻出

AIを使うと決めた後も、従来の (目的ごとに学習させた予測や分類のモデル) と、 () のどちらが合うかを判断します。

判断の観点	従来の機械学習が向く場合	基盤モデルが向く場合
規制上の懸念	判断の根拠を示す義務が厳しい (与信、保険の引き受けなど)	出力を人が確認してから使える
	の寄与で理由を説明したい	厳密な説明までは求められない
出力の種類	数値の予測、決まった分類	文章、要約、画像などの生成、自由な対話
データ	表形式の業務データがそろっている	文章や画像などのが中心
運用上の制約	低い遅延と低い単価で大量に判定したい、結果の再現性が必要	多少の遅延と費用を許容でき、柔軟さを重視する

⚠️ 頻出: 表形式のデータでの数値予測や分類、根拠の説明が必要な判定は、従来の機械学習が第一候補です。文章の生成や要約、自由な質問への応答は基盤モデルが向きます。

④費用と効果の見積もり

AIの導入判断では、精度だけでなく次の費用を合わせて見ます。

費用の種類	内容
データの費用	収集、、保管の費用です。
開発の費用	実験、学習、評価にかかる人件費と計算費用です。
の費用	本番で1件ごとに発生し、利用量に比例します。
運用の費用	監視、、モデル更新の費用です。

効果の側は、削減できた作業時間、増えた売上、下がった誤り率などの業務指標で測ります。モデルの精度が上がっても業務指標が動かないなら、その改善には価値がありません。

⑤AWSのマネージドAIサービスから検討する

自分でモデルを作る前に、既製のサービスで足りるかを確認します。 AIF-C01では、この「作らずに使う」判断が繰り返し問われます。

やりたいこと	使うサービス
文章の感情やエンティティを抽出する
音声を文字にする
文章を翻訳する
文章を読み上げる
画像や動画を解析する
帳票やPDFから項目を取り出す
会話型のボットを作る
機能を作る
画像の分類や表形式データの予測をコードなしで作る	Canvas
社内文書を根拠に質問へ答える (ナレッジベース)
複数のシステムをまたぐ手順を自律的に進める ()
不正検出のモデルを自社の取引データで作る	Amazon SageMaker AI
を使う
独自モデルを学習・運用する	Amazon SageMaker AI

⑥責任ある利用の前提

AIを使うと決めた後も、次の点を設計に含めます。

誤りが業務へ与える影響の大きさを見積もり、影響が大きい判断には人間の確認を挟みます。
や機密情報を入力してよいかを整理します。
出力をそのまま公開せず、確認の手順を決めます。

人間の確認を組み込む仕組みとして、AWSには (A2I) があります。ただし、A2Iは新規の利用者を受け付けていないため、試験では製品名よりも「確度の低い結果を人が確かめる」という考え方を押さえます。

Point

以前この表にあったAmazon Kendra (社内文書の検索) とAmazon Fraud Detector (オンライン不正の検知) は、どちらも新規の利用者を受け付けておらず、現在のAIF-C01の対象サービスの一覧にもありません。
社内文書の検索と回答はBedrock Knowledge Bases、不正検出は分類や異常検知のモデルをSageMaker AIで作る、と読み替えます。

試験対策

①判断マトリクス

問題文のキーワード	判断	理由
画像や音声から判定したい	AIが向きます。	規則を書けないです。
利用者ごとに違う提示をしたい	AIが向きます。	個別化はモデルの得意分野です。
決まった税率での金額計算	AIは不要です。	規則が明確で誤りも許されません。
毎回まったく同じ結果が必要	AIは不適切です。	出力は確率的で揺れます。
判定に使えるデータがまだない	AIの前にデータ収集です。	学習の材料がありません。
定番タスクを短期間で実現したい	マネージドAIサービスを選びます。	自作より速く安くなります。
独自データで専用モデルが必要	を選びます。	学習と運用を自分で制御できます。
与信判定の根拠を規制当局へ説明したい	従来のを選びます。	の寄与で説明できます。
問い合わせへの回答文を自動で作りたい	を選びます。	文章の生成は基盤モデルの得意分野です。

②よくある誤答

「AIを使う」という選択肢を常に正解と考えること。規則が明確な処理では誤答になります。
定番タスクに対してでの自作を選ぶこと。マネージドAIサービスのほうが運用負荷とコストが低くなります。
精度の改善だけを効果と考えること。業務指標が動くかどうかで判断します。