AIとは？関連資格や仕事・職種や年収についても解説！

AI（人工知能）とは？

AI（人工知能）の明確な定義はない

AI（人工知能）の明確な定義はなく、単語の意味としては広辞苑に下記のような記載があります。

電子計算機に、高度の判断機能を持ったプログラムを記憶させ、大量の知識をデータベースとして備えて、推論・学習など人間の知能の働きに近い能力を持たせようとするもの。

AI（人工知能）の定義は人によって定義づけの仕方が変わっているので参考までにそれぞれの定義を記載しておきます。

研究者	所属	定義
西田豊明	京都大学大学院情報学研究科教授	「知能を持つメカ」ないしは「心を持つメカ」である
溝口理一郎	北陸先端科学技術大学院大学教授	人工的につくった知的な振る舞いをするもの（システム）である
中島秀之	公立はこだて未来大学学長	人工的につくられた、知能を持つ実体。あるいはそれをつくろうとすることによって知能自体を研究する分野である
長尾真	京都大学名誉教授/前国立国会図書館長	人間の頭脳活動を極限までシミュレートするシステムである

AI（人工知能）通学講座を比較

AI（人工知能）の歴史

AIの歴史 AIブームと衰退の推移

AI（人工知能）の誕生(1956年～1960年）

「AI（人工知能）」という言葉は1956年に開催されたダートマス会議で誕生しました。
アメリカのニューハンプシャー州にあるダートマス大学で数学の教授だったジョン・マッカーシーが「人間のように考える機械」を「AI（人工知能）」と名付けました。

第1次AIブーム（1960年～1974年）

第1次AIブームでは「推論」と「探索」の研究が進みました。
パズルや簡単な遊び、数学の定理証明など明確なルールが存在する問題に対して対応できるようになったことで盛り上がりを見せました。

AIの冬の時代パート1（1974年～1980年）

第1次AIブームで期待された「推論」と「探索」でしたが、簡単なゲームや数学の定理証明のような問題（トイ・プロブレム）には対応できても複雑な問題となると対応ができなくなりAIへの注目度は下がり、開発や研究が停滞しました。

第2次AIブーム（1980年～1987年）

第2次AIブームのきっかけは「エキスパートシステム」の実現です。
エキスパートシステムとはAI（人工知能）に特定分野の「知識」をルールとして教え込み複雑な問題にも対応できるようにさせる技術のことです。
例えばABCという条件が揃ったらDEFという回答を出すといった具合です。
このエキスパートシステムは現代でも使用されており、ECサイトのレコメンド機能はエキスパートシステムを使用しています。

AI冬の時代パート2（1987年～1993年）

1987年～1993年の6年間が2回目の停滞期です。
理由としては大きく2つあります。

①手動で膨大な量の「知識」をコンピュータに記述しなければならなかったため
当時のコンピュータは自分で必要な情報を収集する能力がないので膨大な人的コストと時間が必要でした。

②例外処理や矛盾した規則に対応ができなかったため
特化した知識や情報の中には矛盾してしまうものや定式化できないもの多々あったためそういったかなり複雑な問題に対して対応ができませんでした。

第3次AIブーム（1993年～2020年）

第3次AIブームでは「ビッグデータ」と呼ばれる大量のデータを用いることでAI（人工知能）が自ら知識を獲得する「機械学習」が実用化されました。
さらに「ディープラーニング（深層学習）」と呼ばれる人的タスクをコンピュータに記憶させ、画像認識や音声認識、文章認識など私たちの日常生活でも触れられるほど性能が向上しました。

AI（人工知能）の種類

AI種類

汎用型AI（強いAI）

汎用型AIが強いAIと表現されることがあります。
汎用型の文字通り、特定の役割や問題に囚われず、柔軟に対応できます。
自身が置かれている状況や立場に応じておこなうべきことを考えられます。
現実世界に存在はしませんが、「ドラえもん」は汎用型AIに該当します。

特化型AI（弱いAI）

特化型AIは特定の領域内のタスクに特化して高い能力を発揮します。
例えば囲碁・将棋や画像認識、過去のデータから未来の需要予測などができます。
現在私たちの身近にあるAIはこの特化型AIです。

AI（人工知能）通学講座を比較

AI（人工知能）で実現可能なこと

画像認識

AI 画像認識

AI画像認識とは

AI画像認識とはAI（人工知能）を使用し、画像内の人物の顔や文字などを判別する技術のことです。
Googleが1000万枚の画像をAIに学習させ、画像内の対象物が何者かを判別できるようになりました。
Googleはこの技術を用いて2012年にAI自身が猫を判別できるようにまで開発を進めました。

AI画像認識の仕組み

AIに画像を認識させるためにはまず学習させなければいけません。
識別機といわれる画像認識ができるコンピュータプログラムへ学習しやすいように画像処理や抽出などをおこないます。
この工程は具体的には下記のとおりです。

明るさや色の補正
画像ノイズ・歪みの除去
輪郭の強調
背景と対象物の区別
ピクセル単位で抽出

上記の工程が完了すると今度は特定の対象物を認識する「特定物体認識」を実施します。
例えば、かごの中にたくさんのリンゴやバナナ、オレンジ、パイン、キウイなどの果物の中からオレンジだけを認識するような技術のことです。

AI画像認識技術の活用事例

機能	具体事例
顔認識	AIが人間の顔を識別する技術です。カメラの顔認証機能やデーターベースに登録された顔写真から照合するセキュリティ技術などに用いられています。
文字認識	紙に書かれた文字をスキャンすることで、テキストデータに変換する機能として使われています。この技術を用いて手書きの伝票等の自動入力に成功し、手作業で行っていた業務の大幅削減に成功した事例もあります。
不良品検品	製造過程で不良品を検出するためにAI画像認識技術が使われています。「良品」のデータを学習させることで、「良品」以外の製品を不良品として検出しています。
自動採寸	AI画像認識を人体の採寸に用いることで、測り違いによるサイズ間違いが減り、返品コストの削減やサービス向上に役立ちました。
無人コンビニエンスストア	ハウステンボスにある無人コンビニエンスストア「スマートコンビニ」では、商品を精算用の台に並べることでAI画像認識で商品を読み取って支払額を算出する仕組みが導入されています。また、店の入出店も顔認識で管理されています。
接触事故の防止	AI画像認識を利用しドライブレコーダーなどに記録されたデータを分析することで接触事故となりかねない危険な瞬間を自動検出できるようになりました。精度は85％ほどですが、今後の自動運転技術に大きく貢献する機能です。

画像認識技術の活用メリット

画像認識技術を活用するメリットとしてまず挙げられるのが、作業効率の改善です。
例えば物流の分野では「パッケージやタグで荷物を判別し、伝票の内容をあとからパソコンへ入力する」ことを手作業で行っていました。しかし、画像認識技術は発達したことによって荷物の識別や、伝票を読み取ってシステムに入力する作業を自動化できるようになりました。そのおかげで人員の余裕ができ、配送に回すなど人手不足にも一役買っています。
同じく人手不足の解消でいうと、コンビニなどでも画像認識技術のおかげで無人レジや無人店舗なども登場し、深夜の人員不足を補う働きをしています。

音声認識

AI 音声認識

AI音声認識とは

AI音声認識とはAI（人工知能）を使用し、人の音声をデータ化・テキスト化する技術のことです。
今まで、決まった形のない「人の音声」を分析するのは困難でした。しかし、近年のインターネットの発展により多くの音声サンプルを調達できるようになったことや、AI技術が進歩したことによって人の音声を正確に認識できるようになりました

AI音声認識の仕組み

AIに音声認識をさせるためにはまず、音声をデジタル化しなければいけません。
その際、認識の邪魔になるようなノイズを取り除くなどの処理も施し、なるべく正確な音声認識が行えるよう下準備をします。
AIは音声データから母音、子音、撥音の3つの音素を抜き出します。
さらにその音素を事前に音声サンプルから学習した「音声認識辞書」と照らし合わせ、単語を特定し文章化していきます。

AI音声認識技術の活用事例

機能	具体事例
音声アシスタント	iPhoneの「Siri」などに代表される、スマート機器のアシスタントサービスです。ハンズフリーで機器を操作できたり、難しい操作がわからない方へのサポートが期待できます。
スマートスピーカー	住宅内の電子機器などと連動させることであらゆる操作を音声認識で行えるようにする機器です。 Amazonの「アレクサ」などが代表的です。
文字起こし	手作業で行っていたテープからの文字起こしも音声認識があればリアルタイムでおこなうことができます。最近ではスマートフォンでも利用可能となっており、ICレコーダーの用意もいらずメモを取りにくい場面でも音声をテキスト化できるようになってきています。
コールセンター	コールセンターでは顧客との会話をAIがテキスト化し、保管することであとから資料として活用したりトラブルがあった際の参考データとして活用する取り組みが進んでいます。また、顧客との会話中にオペレーターの音声を認識して必要な資料を表示したり質問の答えとなるリンクを表示したりする機能も導入されており、顧客満足度向上や応対品質向上に非常に役立っています。
医療現場	電子カルテへの移行が進められている医療現場で、電子機器に慣れていない医師でも簡単に電子カルテを作成できるとして注目されています。
字幕作成	テレビなどで見かける聴覚障害者向け字幕も、いままでは人の手によって入力されておりました。しかし音声認識の発展のおかげで、現在は自動化されつつあります。

自然言語処理

AI 自然言語処理

自然言語処理とは

自然言語とは人間が長年の文化的生活のなかで生み出してきた言語のことで、具体的には英語や日本語などが該当します。
しかし、自然言語によるコミュニケーションには前後の文脈から意味を推測したり「それ」などの指示語が何を意味するかなどを理解する必要があり、非常に曖昧な部分が含まれています。

自然言語処理とは、そういった曖昧な自然言語から意味ある情報を抽出し処理する技術です。
自然言語処理の技術を用いることで人間が読解するよりも早く、正確に、大量の情報を処理できます。

自然言語処理の仕組み4つ

1.形態素解析

自然言語処理ではまず、文章を「形態素」に分解します。
「形態素」とは文章を構成する要素を、意味を持つ最小の単位に分けたものをいいます。
例えば「青い服を着た人」を形態素に分けると「青い」「服」「を」「着」「た」「人」に分解されます。

2.構文解析

構文解析では、形態素解析で得られた単語同士の関係性を決定し、文章の構造を解析します。
例えばさきほどの「青い/服/を/着/た/人」という文章を構文解析すると「青い→服/を」「服/を→着/た」「着/た→人」となります。
このように構文解析をすることで、それぞれの単語がどの単語に作用し修飾しているのかがわかるようになります。
ここで注意したいのは常識的にあり得ない文章でも文法が間違っていなければ解析結果として上がってきてしまう点です。
そのため、1つの文章で複数の結果が得られる場合もあります。常識的にあり得ない文章は次の「意味解析」で検知されます。

3.意味解析

意味解析は構文解析の結果をもとに文章の表す意味を解析するものです。
具体的には「格解析」「多義性解消」などがあげられますが、特定の決められた処理があるわけではなく文章に応じて多様な解析が行われます。
常識的にありえない文章などはここで検知されます。

4.文脈解析

文脈解析とは複数の文章にまたがって「それ」などの指示語が何を指しているかを明確にしたり、省略されている主語を特定したりする解析のことです。
難易度は非常に高く、まだ実用的に導入は困難だとされています。

自然言語処理の活用事例

機能	具体事例
変換予測	テキストを入力した際に自動で変換してくれたり、そのあとに続くテキストを予測してリストアップしてくれるソフトです。以前から存在していましたが、自然言語処理の発展により精度が高くなりました。
音声アシスタント	iPhoneの「Siri」やAmazonの「アレクサ」などの音声アシスタントは、自然言語処理を用いてユーザーの意図を理解しています。
翻訳サービス	翻訳サービスのアプリやデバイスでは入力された音声やテキストを自然言語処理を用いて解析し、多言語に変換しています。近年のAIによる翻訳は、既存の翻訳ツールよりも精度が高いと話題になっています。
感情分析	人間の書いたテキストや音声から感情を分析する技術です。 ECサイトのレビューやSNSの投稿から感情を読み取って分析したり、対話型のロボットや音声アシスタントの応対に活用されています。

自然言語処理技術の活用メリット

前述したように自然言語処理技術を利用すれば人間よりも速いスピードで大量の文章を処理し、そこから有益な情報を抽出が可能です。
また近年では、抽出した情報を要約としてまとめたり、レポートとしてテキスト化も可能になりました。
そのため、そういった仕事に費やしていた時間と人員を削減できます。
また、ユーザーからの質問にAIが答える「チャットボット」などのサービスにも自然言語処理技術が使われています。

AI（人工知能）に関する資格一覧

AI 資格

G検定

G（ジェネラリスト）検定はディープラーニングを事業に活用できる人材を育てること目的とした検定です。
ディープラーニングに関する基礎知識のほか、歴史や法律など幅広い知識が問われます。

受験資格: 誰でも受験可能
試験実施日: 年3回
例年3月・7月・11月
受験料: ・一般：13,200円
・学生：5,500円
試験概要: ・選択問題：226問
・試験時間：120分
・場所：自宅受験
合格率: 約60～70％
主催: 一般社団法人日本ディープラーニング協会

E資格

E（エンジニア）資格は、エンジニアとしてディープラーニングの理論を理解し実装できる能力を持った人を認定する資格です。
2年以内に、主催であるJDLA（一般社団法人日本ディープラーニング協会）の認定プログラムを修了していることが受験条件になります。

受験資格: 2年以内にJDLA（一般社団法人日本ディープラーニング協会）の認定プログラムを修了していること
試験実施日: 年2回
例年2月・8月
受験料: ・一般：36,300円
・学生：24,200円
・会員：30,250円
試験概要: ・選択問題：108問
・試験時間：120分
・場所：各試験会場
合格率: 約60～70％
主催: 一般社団法人日本ディープラーニング協会

Pythonエンジニア認定データ分析

Pythonエンジニア認定データ分析試験は、AI開発では必須のプログラミング言語「Python」に特化した試験です。
既存の「Python3 エンジニア認定基礎試験」に加えて新設された試験で、Pythonによるデータ分析の基礎や方法の知識が問われます。

受験資格: なし。誰でも受験可能。
試験実施日: 通年
受験料: ・一般：11,000円
・学生：5,500円
試験概要: ・選択問題：40問
・合格率基準：70%以上
・場所：全国のCBTテストセンター
主催: 一般社団法人Pythonエンジニア育成推進協会

画像処理エンジニア検定

画像処理エンジニア検定は、画像処理に関する知識に特化した検定です。
検定には基礎的な知識を問う「ベーシック」と、より専門的な知識が求められる「エキスパート」の2種類があります。

受験資格: なし。誰でも受験可能。
試験実施日: 年2回
例年7月・11月
受験料: ・ベーシック：5,600円
・エキスパート：6,700円
試験概要: ・ベーシック：選択問題10問（60分）
・エキスパート：選択問題10問（80分）
・合格率基準：70%以上場所
・場所：全国の試験会場
合格率: ・ベーシック：約60％
・エキスパート：約30％
主催: 公益財団法人画像情報教育振興協会

統計検定

統計検定は統計データを扱うスキルを測る検定です。
AI開発の分野で統計の知識は非常に重要となるでしょう。
5段階（4級、3級、2級、準1級、1級）の試験があり、自分のレベルに合わせて試験を受けることができます。

受験資格: なし。誰でも受験可能。
試験実施日: 年1～2回
例年6月・11月
受験料: ・4級：3,000円
・3級：4,000円
・2級：5,000円
・準1級：8,000円
・1級：10,000円
試験概要: ・4、3級：選択問題30問程度（60分）
・2級：選択問題35問（90分）
・準1級：選択問題20～30問
部分記述5～10問
論述問題3問中1問選択（120分）
・1級：論述問題「統計数理」5問中3問選択
「統計応用」申し込み時に分野を選択
当日5問中3問選択（各90分）
・正答率70％で合格（難易度によって調整あり）
・場所：試験会場にて受験、またはCBT方式試験
合格率: ・4、3級：約70％
・2級：約30％
・準1級：20％
・1級：20％
主催: 一般財団法人統計質保証推進協会

AI実装検定

AI実装検定では、主にAIに関するプログラミングや数学の知識問題が出題されます。
難易度としてはJDLAのG検定・E資格試験よりもやや優しいので、JDLAの試験の練習としてもおすすめです。
試験には、AIを事業に活用する人向けのB級、AIを実装するエンジニア向けのA級、そしてさらに応用的な知識が問われるS級の3つがあります。

受験資格: なし。誰でも受験可能。
試験実施日: ・B級、A級：年3回
S級：年1回
受験料: ・S級：一般：33,000円、学割：なし
・A級：一般：14,850円、学割：8,250円
・B級：一般：9,900円、学割：5,500円
試験概要: ・S級：選択式50問（60分）
・A級：選択式60問（ディープラーニング20問、プログラミング20問、数学20問）（60分）
・B級：選択式30問（40分）
合格率: 非公開
主催: AI実装検定実行委員会(AIEO)

データスペシャリスト試験（高度情報技術者試験）

データベーススペシャリスト試験は経済産業省が認定する国家資格でITスキル標準（ITSS）の最高難易度であるスキルレベル4に位置します。
試験はいくつかの分野に分かれていますが、「データベーススペシャリスト試験」では、膨大なデータを分析・処理する知識を問われます。

受験資格: なし。誰でも受験可能。
試験実施日: 年1回
例年10月
受験料: 5,700円
試験概要: 多岐選択式55問（90分）、記述式3問（210分）
合格率: 約10～15％
主催: 情報処理推進機構（IPA）

AWS専門知識認定資格

AWS認定資格とは、AmazonのクラウドコンピューティングサービスであるAWSの知識を証明するAmazon公式の資格です。
試験はいくつかの分野に分かれていますが、「専門知識」の分野では機械学習やデータアナリティクスの知識が問われます。

受験資格: なし。誰でも受験可能。
試験実施日: 随時
受験料: 33,000円
試験概要: 複数選択・複数応答など65～75問（170～180分）
合格率: 非公開
主催: Amazon

GCP Professional Data Engineer

GCP Professional Data EngineerはGCP （グーグルクラウドプラットフォーム）に関する設計、実装、管理に必要な高度な知識を評価する試験です。
Google Cloud認定資格のなかでも上位に位置し、受験には業界経験3年以上が推奨されています。

受験資格: なし。
※推奨は業界経験3年以上
試験実施日: 随時
受験料: 200ドル
試験概要: 選択式（120分）
筆記試験
テストセンターまたはオンライン試験
合格率: 非公開
主催: Google

AI（人工知能）通学講座を比較

AI関連の資格を取得するメリット

AI メリット

効率良くAIを学ぶことができる

資格取得というゴールができ、合格に必要な知識＝業界内でも重要な知識なのでやみくもに勉強するよりもゴールに向かって勉強することで効率が上がります。

客観的にAI知識の習熟度がわかる

第三者から合格判定をもらえることで自らの知識の習熟度がわかります。
また、他人に対しても自らの知識のレベルを客観的に示すことができるので信頼を得やすいです。

IT業界の就転職に有利

一言でAIといってもAIのなかでも領域が細分化されているので、面接担当にAIのなかでもどの領域の勉強をしているのかわかりやすくなり、アピールにもなります。
特に未経験での就・転職の場合は資格があるとやる気や予備知識があることが証明できます。

AIを通じてやりたいことを明確にしよう

AIを使う目的を明確にしよう

資格取得が無駄にならないように

先ほども申し上げましたが、「AI」といっても領域や職種がさまざまあります。
なので、AI資格の取得はあくまでも手段であって目的ではないことをお忘れにならないように気をつけてください。
まずはAIのなかでもご自身が興味があったり、極めたい領域はどこなのかを明確にしていく必要があります。
まだ明確に決められないという方はAIをオールマイティに学べる講座もありますのでそういった講座の資料を取り寄せて情報収集してみるのもおすすめです。

AI（人工知能）通学講座を比較

AIに関する仕事・職種・年収

AIエンジニア

仕事内容

AIエンジニアの仕事はAI（人工知能）の開発や実装をしたり蓄積データを解析することです。
主にAIの開発・実装をおこなうプログラミングと、AIが学習したデータを分析してAIを改善していくアナリティクスに分けられます。

平均年収

AIエンジニアの平均年収はおよそ587万円です。これは日本の平均年収と比べて高いです。
しかし、全体的にみると約350～1000万円と開きがあるので、勤務先や個人のスキル、経験年数などによって変わってくるようです。

AIプランナー

仕事内容

AIプランナーとはビジネスの場面でAIを有効活用できるようマネジメントする仕事です。
AIを利用した企画立案からエンジニアとのコミュニケーション、プロジェクトの管理などをおこないます。

平均年収

AIプランナーの平均年収は作業をすべて一人でこなせるスキルを擁する方で889万円。それ以下のスキルでも平均で554万円ほどです。
日本の平均に比べて高い傾向にあります。
スキルが向上すればさらに年収が上がるというデータもあり、技術の向上に希望が持てる職種です。

データサイエンティスト・データアナリスト

仕事内容

データサイエンティスト・データアナリストとは膨大なデータを収集・解析し、得られたデータを用いて企業の業務改善やコンサルティングを行ったり、課題解決のためのシステムを構築をする人のことを言います。
データアナリストには主にデータをコンサルティングに活用する「コンサル型」とシステム構築等に活用する「エンジニア型」の2種類がいます。データサイエンティストはそのどちらもこなすことができる人を指します。

平均年収

データサイエンティスト・データアナリストの平均年収はおよそ672万円で、日本の平均年収と比べると高いです。
しかし、全体的にみると約400～1100万円と開きがあるので、勤務先や個人のスキル、経験年数などによって変わってくるようです。

AI営業・コンサルタント

仕事内容

AI営業・コンサルタントとは、AIの知識を用いてクライアントの課題解決につながる提案をする仕事です。
具体的には企業のAI導入のサポートから経営戦略・販売戦略の策定、AI製品・AIサービスの提案などの仕事があり、幅広いAIの知識が必要になります。

平均年収

AI営業・コンサルタントの平均年収はおよそ700万円以上とされています。
年収1000万円を超える求人も多く、日本の平均年収と比べてもかなり高い水準です。

まとめ目的別おすすめ資格表

資格名	概要	おすすめする人
G検定	ディープラーニングに関する知識・理解を測る	ディープラーニングに関する基礎知識を身に着け、AI業界で働きたい人
E資格	エンジニア向けにディープラーニングの実装など、G検定より実践的な能力を測る	ディープラーニングの実践的な技術を身に着けたい人 AIエンジニアやデータサイエンティストに知識を活かしやすいです
Pythonエンジニア認定データ分析	Pythonによるデータ分析の基礎や方法の知識を問う	Pythonによるデータ分析の技術を身に着けたい人
画像処理エンジニア検定	画像処理に関する知識を測る	画像処理分野で仕事をしたい人
AI実装検定	ディープラーニングに関する知識や、プログラミングに関する知識を問う	G検定、E資格に挑む前に自分の実力を測りたい方
データスペシャリスト試験（高度情報技術者試験）	データ分析・処理に関する高度な知識・理解を問う	データベースの管理・設計など、データベースに関するスペシャリストを目指す人
AWS専門知識認定資格	AWSに関する機械学習やデータアナリティクスの知識を測る	AWSに関する機械学習やデータアナリティクスの知識を身に着けたい人
GCP Professional Data Engineer	GCP （グーグルクラウドプラットフォーム）に関する設計、実装、管理に必要な高度な知識を評価する	GCP 関する知識・技術を習得したい人