人工知能と聞くと難しいイメージがありますが、今や小学生など子供向けに人工知能（AI） 教育を導入する時代となりました。エンジニアの皆さんの中にもAIに興味を持つ方は少なくないでしょう。

機械学習は分かるけれど、そもそもAIとは何かについては漠然として分からないという方もいるかもしれませんね。実は皆さんの多くは既にAIを利用しています。たとえば、iPhoneの「Siri」や、Androidスマホに搭載の「Googleアシスタント」もAIの1種です。

日々利用している天気予報でもAIが用いられています。このように、私たちの生活にAIは欠かせない存在になっています。これから、**エンジニアとして最低限押さえておきたい人工知能（AI）に関する基本知識について解説をしていきます。**

*【参考】：[AIエンジニアとは？仕事内容と求められるスキル・知識について｜マイナビAGENT](https://mynavi-agent.jp/knowledge/maker/656.html?utm_medium=content-text&utm_campaign=acv02)*

*「人工知能（AI : Artificial Intelligence）」という言葉が生まれたのは、1956年のことです。*アメリカ・ダートマス大学で行われたダートマス会議にて、計算機科学者で認知科学者のジョン・マッカーシーによって提唱されました。

初期のAI研究では、ゲームや数学問題など特定のルールのもとにある問題に対する解答を導き出せるようになりました。現実社会で起こり得る複雑な問題には対応できなかったものの、後のディープラーニングに用いられる*ニューラルネットワークの元となる「パーセプトロン」が考案されています。*

1980年代になると、*「エキスパートシステム」が誕生します。*エキスパートシステムは自己学習はできませんが、特定分野の専門知識をルール化して取り込み、問題に対する対処方法や判断を導き出すことができます。

そして、2000年代初頭から現在にかけてAIは目覚ましい発展を遂げています。ビッグデータを用いた「機械学習」の研究や人間の脳をモデルにしたニューラルネットワークによる「ディープラーニング」が盛んになり、**AIの性能はますます向上し、あらゆる分野に活用されるようになっています。**

ディープラーニングとは？機械学習との違いもわかりやすく解説

ニューラルネットワークとは？仕組みや機械学習との違いについて

### 機械学習とディープラーニングの違い

「機械学習」も「ディープラーニング」もよく聞く言葉ですが、*「機械学習」は人工知能（AI）の学習のこと、「ディープラーニング」はその内の1つの手法を指します。*

機械学習には「教師あり学習」「教師なし学習」「強化学習」の3つの種類があります。いずれでもコンピュータがデータに基づいて学習し、より正確な予測や問題の検知ができるようになります。

機械学習では各データの特徴を抽出する必要がありますが、この特徴を人間が教えるのではなく、**AI自身が抽出できるようにしたものが「ディープラーニング（深層学習）」です。**

ディープラーニングに用いられる「ニューラルネットワーク」は多層構造になっており、それぞれの層が連携することで教わっていない部分に関しても判断や推理ができるようになります。

エンジニアなら知っておくべき！機械学習とディープラーニングの違いとは？

人工知能は私たちの身近な存在になりつつありますが、意外に人工知能については正しく理解されていません。まず人工知能そのものの定義は定まっておらず、人工知能というよりは、多くの人にはAIという言葉で認識されています。

**そもそもAIとは「Artificial Intelligence」の略称であり、「人の持つ知覚や知性などを人工的に再現するもの」として一般的に理解されています。**AIはテクノロジーですが、学術分野としてはコンピューターサイエンス・認知科学・医学・哲学・心理学などさまざまな分野にまたがっており、いまだに議論や論争が続いています。

また、AIを全知全能と見る人もいますが、人間を超えるような汎用的AIはまだ存在していません。とはいえ、特定の領域では人の能力を遥かに超えるAIが登場し、それらが人の仕事を代わりに行うようになりつつあります。例えば、医療診断や金融取引などのさまざまな分野で活躍を始めています。

いずれにしても、AIが我々エンジニアにとっては避けて通れない分野であることは間違いありませんので、まずはAIに対する正しい認識と理解に努めておく必要があります。

AIは進化を続けながら徐々に人間に近づきつつあり、**2045年にはAIが人類を超えるシンギュラリティ「技術的特異点」がやってくるという2045年問題が話題を集めています。**

シンギュラリティが起きると、大きな変化が訪れると見られています。例えば、仕事の概念が変わり、人の仕事がAIに置き換わると言われています。今でもその動きはありますが、スーパーマーケットや銀行は無人化され、レストランもAIが調理しロボットが配膳するようになるでしょう。

タクシー運転手や警備員の仕事もAIに置き換わります。またAIが暴走をする危険性も指摘されています。ただし、この2045年問題については賛否両論があり、シンギュラリティを否定的に受け止める専門家はAIの危険性やデメリットを懸念材料としています。

*【参考】：[人工知能の世界的権威が語る、テクノロジーがもたらす人類の未来 | マイナビニュース](https://news.mynavi.jp/techplus/article/20161006-ai/)*

## 人工知能（AI）とアルゴリズム

エンジニアの皆さんは日々アルゴリズムと関わっていると思いますが、特に**AI分野でアルゴリズムは必須です。**分かったようで分からないアルゴリズム、ここではAIとの関係について易しく解説していきます。

アルゴリズムとは、簡単にいえば手順や計算方法のことです。コンピューターが瞬時に計算やデータ処理をしてくれるのは、アルゴリズムがあるからです。

このアルゴリズムを組み込んだものがプログラムです。プログラマーは最適なアルゴリズムを編み出し、プログラミングという形でこれを具現化します。つまり、**アルゴリズムはプログラミングを行う上での基礎なのです。**

### 人工知能（AI）開発でアルゴリズムが重要な理由

AIは自ら学習を行いながら賢くなれるコンピューターを指します。この**AIが行う学習が「機械学習」です。**

「機械学習」ではコンピューターは膨大なデータを処理、分析する中でパターンや特徴を見つけます。そして見つけたパターンや特徴から答えを推測するのです。パターンや特徴などを表現するためのモデルを構築するのに必要なのがアルゴリズムです。

すなわち、AIが学習する過程においてアルゴリズムは非常に重要な役割を担う技術となっています。

機械学習エンジニアの仕事内容とは？スキルや将来性についても解説

### アルゴリズムが処理できるもの

皆さんが普段利用しているスマホのSiriなどの音声アシストは、皆さんの声を認識して反応しています。それは音声認識アルゴリズムがあるからです。**アルゴリズムが処理できるものとしては、数値以外に自然言語や音声、画像などがあります。**

AIのアルゴリズムでは構造化データを扱うため、数値化されていない音声や画像データは一旦数値に置き換えられます。続いてAIによってその特徴が抽出され、パターンを発見し、モデル構築を行ってから自動的に認識処理を行います。

## 人工知能（AI）開発におけるアルゴリズムの種類

アルゴリズムにはさまざまな種類がありますが、*AI開発において、アルゴリズムは大きくは3種類に分類できます。*以下、3種類のアルゴリズムについて解説します。

教師あり学習（与える情報と正しい判断をセットにし、コンピュータにパターンを学習させる手法）の一部で、**与えられたデータを種類や特徴によって分類をします。**

犬の画像と猫の画像を学習させ、犬の画像を読み込んだ時にAIが犬だと認識して分類できるようにするアルゴリズムなどがその例です。皆さんの身近なところでは、スパムメールフィルターなどが分類アルゴリズムの典型的な例です。

こちらも教師あり学習です。これは**過去に学習したデータから、特定の結果を予測させるアルゴリズムです。**例えば、天気予報では過去の気温から明日の気温を予測したり、企業においては過去の売り上げから未来の売上予測を行ったりするのが回帰に当てはまります。

### クラスタリングアルゴリズム

教師なし学習アルゴリズムです。**データから類似性を発見し、グルーピングを行います。**例えば、ネットショッピングのレコメンド機能にクラスタリングアルゴリズムが活用されています。クラスタ分析とも呼ばれ、マーケティング分野ではよく利用されています。

今や中学生が人工知能（AI）を利用したり、AIを開発したりする時代です。では、人工知能（AI）とはどのようにして作るのでしょうか？人工知能（AI）を作る際の大まかな流れを紹介しますので、イメージをつかんでください。

*【参考】：[AIを使ったプログラミングに挑戦！オンラインイベント【中学生限定】 | マイナビニュース](https://news.mynavi.jp/lp/2021/digital/pc/programming_2021/)*

### 何をするのか、目的を決める

人工知能（AI）の開発に際しては、まずは目的を明確にすることです。**何をしたいのか、AIによって何を解決したいのかが決まれば、AI開発に必要なアルゴリズム・データ・学習方法などが決まるからです。**

### 機械学習に必要なデータを集める

人工知能（AI）開発では「機械学習」が欠かせませんが、**機械学習を行うためには膨大なデータが必要です。**今、さまざまな企業がビッグデータを集めているのも、AIに機械学習をさせてビジネスに必要な情報を得るためです。

### AIに必要な「学習済みモデル」を作る

「学習済みモデル」とは、AIが画像認識や音声認識のパターンをすでに学習して覚えているモデルです。これを利用できれば、モデルを1から作らなくとも済みます。

学習済みモデルとして有名なのは、Googleの機械学習のソフトウェアライブラリ「TensorFlow」です。**「TensorFlow」は学習済みモデルとして最も利用されているフレームワークで、Python・Java・C言語・C++・Juliaでの利用が可能です。**

TensorFlowとは？特徴やできることをわかりやすく解説！

### プログラミングによりAIを組み込む

機械学習を行うことで解析されたデータを活用し、**ユーザーにAIサービスとして提供するためには、プログラミングを行う必要があります。**

AIサービスの提供方法としては、Webアプリ・スマホアプリ・LINEのチャットボットなどを利用します。ここまでが、AIの作り方の大まかな流れです。

今はクラウドサービスとしてこれらを簡単に行える環境も整っていますので、クラウドサービスについてもぜひ研究してみてください。

クラウドサービスとは？種類やメリット・デメリットをわかりやすく解説

## 人工知能（AI）開発に用いる言語

AIのサービスを開発するために用いるプログラミング言語について見ていきましょう。実際にAI分野で用いられている言語は数多くありますが、ここでは*AI開発でよく利用されている言語として4種類紹介します。*AIエンジニアを目指す方はぜひ参考にしてください。

AI（人工知能）のプログラミングで最もよく使われているプログラミング言語です。**Pythonは文法構造がシンプルで理解しやすく、機械学習向けのライブラリが充実している点が評価をされています。**他、PythonはWebアプリやゲーム開発などでも利用されるなど汎用性の高さも人気の理由です。

Pythonとは？人気のPythonを学ぶ際に知っておきたいこと

R言語もAI（人工知能）開発に適したプログラミング言語です。**R言語はもともとは統計学やデータ解析などで使用され、特に学術分野では多く使われてきました。**データサイエンティストを目指す方を中心に、民間企業などでもR言語が注目されています。

R言語とは？特徴やできること、Pythonとの違いを解説！

プログラミング言語の元祖と言われるC言語にオブジェクト指向が追加され、プログラミングの効率が高いのが特徴の言語です。**C++はAI開発でもよく使われ、C言語とも互換性が高く、同時に使うことが可能です。**AI開発以外に、Webアプリやスマホアプリの開発にも利用されています。

**AI開発用の言語として最近注目が集まっている言語です。**Juliaはスクリプト言語でありながら高速処理が可能であり、かつ文法構造もシンプルで覚えやすく、扱いやすいという特徴を兼ね備えています。

しかも、PythonやR言語のライブラリもJuliaから扱えるため、今後はAIプログラミングの主流になる可能性を秘めています。

## AIエンジニアは将来性が高い

ここまで人工知能（AI）に関して、エンジニアとして最低限知っておきたい知識を中心に解説してきました。AIビジネスはDXブームと相まって、急速に成長しており、一方でAIエンジニアの不足が指摘されるなど、将来性の高い分野としても期待が高まっています。

**就職や転職において、AI開発に関するスキルを有する方は優遇される可能性が高いと見られます。**この記事で人工知能（AI）に少しでも興味が湧いた方は是非、AI開発に適したプログラミング言語の勉強を始めてみてはいかがでしょう。

DXとは？その意味と日本の現状、DX推進の障壁となる要因を分かりやすく解説！

DXにAIは必要な要素であるが、AI導入はDX推進とイコールではない

人工知能（AI）は既に社会に浸透し、エンジニアとしても必須の領域です。しかし、機械学習は分かっても、人工知能（AI）に関してはエンジニアの間でも正しく理解されていません。ここでは、エンジニアとして最低限押さえておきたい人工知能（AI）の基礎について解説します。

AIが機械学習をする過程において、アルゴリズムは非常に重要な役割を担う技術となっている

AI開発でよく利用されている言語としてはPython、R言語、C++、Juliaなどがある

AI開発分野は急速に発展する一方で人材不足が深刻化しており、将来性の高い分野である

今さら聞けない人工知能（AI）の基礎知識｜AI開発の基本を解説！

## ニューラルネットワークとは？

ニューラルネットワークとは何かについてまずは解説します。ニューラルネットワークがどのような原理で動いているのかについても説明します。

### ニューラルネットワークは人間の脳を模した仕組み

*ニューラルネットワークは、人間の脳細胞の仕組みをモデルにした人工知能アルゴリズムのことです。*入力されたデータのパターンを認識し、ラベリングしたりクラスタリングしたりといった分類分けを行うことが可能です。

人間の脳には神経細胞と呼ばれるものがたくさんあり、それらが電気信号を伝達することで、脳内で情報処理を行っています。この電気信号の仕組みを参考にしたのがニューラルネットワークです。

ニューラルネットワークは、テキストや画像、音声など、コンピュータに読み込ませられるさまざまなデータの解析を行うことが可能です。すでに私達の生活のいたるところでニューラルネットワークは活用されています。

### ニューラルネットワークの原理

ニューラルネットワークは3つの層によって構成されています。**「入力層」「中間層」「出力層」がそれぞれ協力してデータに対する計算結果を出力しています。**

入力層ではデータを収集する役割を担っています。ニューラルネットワークにスムーズにデータを読み込ませるにはデータの加工が必要な場合もあります。

中間層ではパターン認識に必要な計算をすべて行います。中間層は何層にも分かれていることもあり、それによって複雑な計算も可能にしています。出力層では中間層で行った計算の結果を出力します。

ニューラルネットワークの入力層、中間層、出力層の間には各層を繋ぐ「シナプス」があります。このシナプスの結合の強さを「重み（W：Weight）」と言います。重みとはわかりやすく言うと重要性のことです。重みの値が大きいほど、その情報の重要度が増します。

また、入力される値とは別にニューラルネットワーク自身が持っている値をバイアスと言います。バイアスは、ニューラルネットワークを構成する1つ1つのニューロン（人間の脳における神経細胞）の値を調整します。

**ニューラルネットワークの学習は、出力層において正しい値を導き出せるように適切な重みやバイアスに調整していく作業です。**

## ニューラルネットワークに関連する用語

ニューラルネットワークに関連する用語を解説します。人工知能関連の用語は意味を混同している方も多いです。これらの用語の意味を正しく理解することで、機械学習関連の参考書なども読みやすくなるでしょう。

*人工知能（AI）は人間の知的能力をコンピュータで再現する技術の総称を指します。*人工知能が発展することで、コンピュータに人間がやるべき仕事や作業を担当させることが可能になります。IT技術の中でも人工知能は流行している技術分野です。

AIプログラマーとは？その年収や市場性について解説！

機械学習はコンピュータに大量のデータを読み込ませて学習させる、人工知能の1分野です。データを読み込ませることで、コンピュータはそれらからパターンを認識できるようになります。ニューラルネットワークは、機械学習を機能させるための技術の1つです。

機械学習を行うには読み込ませるためのデータが必要です。**最近ではインターネットの発達でデータの入手が容易になったため、機械学習は人工知能の中でも活用例が多くあります。**たとえば、画像認識や自然言語処理、データ分析などに応用されています。

機械学習エンジニアとは？仕事の内容や将来性について解説！

### 教師あり学習・教師なし学習

*教師あり学習・教師なし学習は、ニューラルネットワークで使われる学習手法のことです。*教師あり学習では、何が正解なのかコンピュータに教えた状態でデータを読み込ませます。

教師なし学習では、正解・不正解の情報をまったく与えずにコンピュータにデータを読み込ませます。どちらの手法が優れているなどはなく、分析したいデータの種類などによって使い分けるのが肝心です。

**ニューラルネットワークを多層に結合させ、学習能力を高めたものをディープラーニングと呼びます。**ディープラーニングは現在もっとも多く導入されている手法であり、ニューラルネットワークは知らないがディープラーニングは知っているという方も多いです。しかし、厳密にはディープラーニングはニューラルネットワークの分野の1つです。

まとめると、ディープラーニングはニューラルネットワークの1部、ニューラルネットワークは機械学習の1部、機械学習は人工知能（AI）の一部ということになります。

## ニューラルネットワークの種類

一口にニューラルネットワークといってもさまざまな種類があります。代表的なニューラルネットワークを3種類紹介します。

### ディープニューラルネットワーク

ディープニューラルネットワークはもっとも使われているモデルであり、ニューラルネットワークを多層に積み重ねたものを指します。*コンピュータの計算処理能力向上によって、より複雑に積み重ねることができるようになり、画像処理やデータ分析などで実用化されています。*

### 畳み込みニューラルネットワーク

**畳み込みニューラルネットワークは、画像認識処理や自然言語処理で多く使われるモデルです。**従来のニューラルネットワークに畳み込み層を導入し、精度の向上を実現しています。人間の視覚神経を参考にしたアルゴリズムを応用して作られています。

### 再帰型ニューラルネットワーク

再帰型ニューラルネットワークは、時系列データを扱うことが得意なモデルです。翻訳や音声認識などに多く使われています。*文章を読み込み、直前の言葉から次の言葉の出現確率を予想することなどができます。*

## ニューラルネットワークの歴史

ニューラルネットワークの歴史について解説します。ニューラルネットワークは最近誕生したものではなく、実は50年以上もの歴史がある技術です。

### 1957年にニューラルネットワークが誕生する

*1957年にパーセプトロンというニューラルネットワークが誕生しました。*パーセプトロンは一定の人気を集めていました。しかし、線形分離不可能なデータを解析できないなどの問題がありました。

### ニューラルネットワークが徐々に進化していく

**1985年ごろになると、パーセプトロンを進化させたマルチレイヤーパーセプトロンが誕生しました。**マルチレイヤーパーセプトロンは従来はできなかった複雑な学習を可能とします。

しかしインターネットがまだない時代のため、機械学習のためのデータが収集できないうえに実用性にも乏しいため、ブームにはなりませんでした。

### 2000年代にディープラーニングが登場する

*2000年代に入るとディープラーニングが登場しました。*さらに、2010年代ではスマホやSNSが普及し、インターネット上に多くの情報が蓄積されるようになったため、機械学習で活用できるデータが増えました。現代になり、ようやくニューラルネットワークは実用化されてきています。

## ニューラルネットワークの活用事例

最後に、ニューラルネットワークの活用事例を解説します。すでに私達の身の回りでニューラルネットワークは多く活用されています。

動画配信サイトやSNSのコメントの解析にニューラルネットワークが活用されています。SNSは不特定多数の人が書き込めるため、不適切なコメントも多くあります。それらのコメントを人間が1つずつ確認して削除すると時間がかかってしまいます。

*そこでコンピュータに不適切なコメントのパターンを学習させ、自動的にコメントを削除できるようにしています。*このように、業務効率化に大きく貢献するのが人工知能のメリットです。ただし、人工知能はまだ発展途上のため、不適切ではないコメントが削除されてしまうなどの問題もあります。

Google翻訳などではニューラルネットワークが導入されています。従来の機械学習では翻訳の精度が悪く実用化が難しかったのですが、ニューラルネットワークの導入により精度が大きく向上しています。

*さきほども解説した畳み込みニューラルネットワークを活用し、文章のパーツごとではなく全体を把握することで、より正確な翻訳を実現しています。*日本語は文章が単語で区切られていないなどの理由でまだ翻訳の精度は低いですが、英語はすでに多数の自動翻訳サービスが登場しています。

【参考】：[Google翻訳](https://translate.google.co.jp/?hl=ja)

自動運転は現在注目されている分野の1つです。自動運転を実現するには、コンピュータが周囲の状況を瞬時に認識する必要があります。**そこでニューラルネットワークを多数組み合わせることで、画像認識の精度を向上させる取り組みが行われています。**

農業分野は今高齢化が問題となっているためロボットの導入が検討されています。ロボットを導入すれば農薬を撒く作業や農作物の収穫が自動化されます。農業ロボットにはニューラルネットワークの導入が進められています。

*ニューラルネットワークを導入することで、害虫がいる箇所のみに農薬を撒くなど、人間では難しい対応を行うことも可能と言われています。*今後さらに人工知能が発展することで、農作物の質が向上したり農薬の使用が減ったりする可能性があります。

## 機械学習におすすめの参考書

機械学習に関する書籍はたくさんありますが、今回は機械学習やニューラルネットワークについて基礎知識を身に付けるのに役立つ参考書を紹介します。

### 図解即戦力 機械学習・ディープラーニングのしくみと技術がこれ1冊でしっかりわかる教科書

これから機械学習を始める初心者におすすめの1冊です。*機械学習とはどのようなものか、その概要から用いられる技術まで丁寧に解説されています。*図解なので文章のみを読むよりも直感的にわかりやすく、初心者でも読みやすい一冊です。

▪著者：株式会社アイデミー　山口達輝，松田洋之
▪ページ数：240ページ
▪出版社：技術評論社
▪発売日：2019年9月2日

【参考】：https://gihyo.jp/book/2019/978-4-297-10640-9

### ゼロから作るディープラーニング

入門書の位置づけではありますが、基礎的な大枠にとどまらず、より本質的な部分を実践を通して学ぶことができます。*タイトルに「ゼロから」とあるように、ライブラリやフレームワークなどのツールを使用せずに構築する方法を解説しています。*

2016年の出版なので最新の情報は載っていませんが、図解も多く基礎から丁寧に解説されているため、演習をしながらしっかり学んでいけば確実に技術を身に付けることができます。初心者だけでなく、中級者以上の学び直しにもおすすめです。

▪著者：斎藤 康毅
▪ページ数：320ページ
▪出版社：オライリージャパン
▪発売日：2016年9月

【参考】：https://www.oreilly.co.jp/books/9784873117584/

機械学習が学べるおすすめの本12選！初心者から上級者まで厳選してご紹介！

## ニューラルネットワークは私達の生活を変える可能性を秘めている

本記事ではニューラルネットワークについて解説しました。ニューラルネットワークの仕組みや種類、活用事例などがお分かりいただけたかと思います。*ニューラルネットワークは今後さらに進化を遂げることが予想されます。*ニューラルネットワークは私達の生活を変える可能性を秘めている技術分野と言えるでしょう。

ニューラルネットワークに興味があるなら、まずは機械学習の勉強を行ってみましょう。機械学習関連の参考書は数多く出版されているため、それらで基礎知識を得ると良いです。本記事がニューラルネットワークに興味ある方にとって有意義なものとなれば幸いです。

Pythonと機械学習を学んでAI時代に対応できるエンジニアに

AWSは機械学習でも注目度が上昇中！活用例と学習方法を解説

ニューラルネットワークという言葉を聞いたことはあるが、意味を正確に知っている方は少ないです。当記事では、ニューラルネットワークとは何かについて解説します。ニューラルネットワークの仕組みや機械学習との違いについてまとめました。

ニューラルネットワークは人間の脳をモデルにした仕組みのこと

ニューラルネットワークは自動運転など幅広い分野で既に使われている

ニューラルネットワークはディープニューラルネットワークなどいくつかの種類がある

ニューラルネットワークとは？仕組みや関連用語をわかりやすく解説

AWSは"Amazon Web Service"のことで、”GAFA”の1社である**Amazon提供のクラウドサービスです。**ユーザーはインターネットを経由し、AWSが提供するサーバー・ストレージ・データベースなどを利用して、さまざまなシステムを自由に構築できます。

AWSは、クラウドサービスでは*世界の45%のシェア（米国調査会社2019年調べ）を占め、2位のAzure（Microsoft社提供）の18%に大きく差をつけています。*日本政府が行政サービスDX化を目的にAWSを共通プラットフォームとして採用したように、*日本国内でも注目を集めています。　*

【参考】：[アマゾン ウェブ サービス（AWS クラウド）](https://aws.amazon.com/jp/)

AWSとは？メリットや何がすごいのか、初心者にもわかりやすく解説

DXでの活用が進むAWSの特徴は？AWSのクラウド事例を解説！

このような、*インターネット経由で誰もが利用できるクラウド環境のことを「パブリッククラウド」と言います。*

一方、*特定の企業向けに用意されたクラウド環境のことを「プライベートクラウド」と呼びます。*AWSは「パブリッククラウド」を中心に展開しており、AWSの「プライベートクラウド」を利用するにあたって必要となる**AWSアカウントは、インターネット環境とメールアドレスがあれば誰でも作成可能です。**

【参考】：[AWS アカウント｜AWS](https://www.google.com/url?q=https://aws.amazon.com/jp/account/&sa=D&source=docs&ust=1673579748038288&usg=AOvVaw0bqKsaYUx-TV1krbQzCYPK)

ITエンジニアが知っておくべきAWSアカウントのセキュリティ管理

AWSは世界を代表するパブリッククラウドですが、AWS以外にもAWSに追随する*マイクロソフト社の Azureや、グーグル社のGCP（Google Cloud Platform）なども存在します。*

【参考】：[Microsoft Azure](https://azure.microsoft.com/ja-jp)
【参考】：[Google Cloud Platform](https://console.cloud.google.com/getting-started?hl=ja&pli=1)

クラウドエンジニアを目指す方必見！Azureを分かりやすく紹介！

AzureとAWSの違いは？概要からサービスまで比較解説！

GoogleのGCPについて知り、エンジニアのスキルに生かそう

ここでは、AWSの特徴を見ていきましょう。以下はAWS以外のパブリッククラウドとも共通する部分がありますので、改めてパブリッククラウドの確認も行いましょう。

AWSはハードウェアなどのプラットフォームの管理を行いますが、**AWSには「責任共有モデル」というモデルがあり、利用者とAWSの責任範囲を分けています。**

ハードウェアやデータセンターなどの*プラットフォームはAWSの責任範囲で、運用や管理を行うのはAWSです。*利用者は自前のソフトウエアなどの運用や管理だけを意識すれば良いため、システムに関わる負荷の軽減ができますが、その*責任範囲はサービスによって異なります。*

自社の運用や管理レベルに自信がある企業などは、自社の責任範囲を広く持つことでAWSの利用コストを低減できます。一方、アウトソーシングを基本とする企業はAWSの責任範囲が広いサービスの利用によって、運用・管理の負荷を減らすという選択も可能です。

【参考】：[責任共有モデル｜AWS](https://www.google.com/url?q=https://aws.amazon.com/jp/compliance/shared-responsibility-model/&sa=D&source=docs&ust=1673579748038940&usg=AOvVaw3GM6jxi0f3rInM7wM6GwvF)

**AWSが管理・運営するデータセンターは世界中に存在し、各地域ごとに「リージョン」という単位で設置されています。**日本で利用する場合は「東京リージョン」を選択します。

各リージョンでは、*AZ（アベイラビリティーゾーン）が複数存在します。*AZは1つ以上のデータセンターで構成されています。リージョン内のAZはそれぞれ独立した場所に設けられ、大規模障害で1つのAZが機能停止となっても、別のAZでサービスを提供することができます。また、リージョン間で*DR（ディザスタリカバリ：災害復旧対策）を構築することも可能です。*

【参考】：[リージョンとゾーン - Amazon Elastic Compute Cloud](https://www.google.com/url?q=https://docs.aws.amazon.com/ja_jp/AWSEC2/latest/UserGuide/using-regions-availability-zones.html&sa=D&source=docs&ust=1673579748039636&usg=AOvVaw1tXU25wmp25vWLhBK5MloN)

AWSのリージョンとは？リージョン一覧と日本のリージョンを解説！

**AWSの利用料金制度は、利用した分だけ料金が掛かる従量課金制です。**Amazonの主要サービス であるEC2は、*コンピューターが起動している時間によって料金が発生します。*

また、*料金はサーバー・スペック（CPUやメモリ）によって時間当たりの単価が異なります。*この従量課金制度はAWSを初めとするパブリッククラウドの共通ポイントです。

【参考】：[Amazon EC2 の料金｜AWS 公式](https://www.google.com/url?q=https://aws.amazon.com/jp/ec2/pricing/&sa=D&source=docs&ust=1673579748039995&usg=AOvVaw0698fVu-wNw7uZOjb-B3L9)

AWSの料金計算法を覚えて頼られるITエンジニアになるために

**「AWS認定資格」はクラウドサービスに関する知識やスキルを問う、AWSが主催する資格認定制度です。**

AWSが主催する資格認定だけあって、*世界的にも信頼度が高い認定資格です。*現在11種類の認定試験があり、年々その認知度が上がっており、AWS認定資格を取得することでスキルをアピールできます。

AWS認定試験を11種類解説！AWS認定資格に挑戦するメリット

【参考】：[AWS 認定 – AWS クラウドコンピューティング認定プログラム](https://aws.amazon.com/jp/certification/)

<center>[エンジニア転職を成功させるため<br/>ぜひ*『マイナビIT エージェント』*をご活用ください！](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)</center>

AWSに関する高いスキルや知識を持ち、AWSを用いて開発環境の設計・構築や保守・運用などを行うエンジニアをAWSエンジニアと呼びます。その仕事内容や年収を見ていきましょう。

AWSエンジニアの仕事は、AWSのサービスを活用してAWS環境を整えることです。仮想サーバやシステムの設計と構築、その後の運用・保守までを行います。

多くのサービスの中からその企業やプロジェクトに合ったものを選び、どのように運用していくかなどについて提案・実行していきます。AWSを利用する企業は多く、AWSエンジニアの需要も高いと言えます。

AWSエンジニアの平均年収は正確に割り出すことはできませんが、AWSエンジニアを含むインフラエンジニアの年収を参考にすることができます。

インフラエンジニアのうちサーバーエンジニアは、「マイナビエージェント職業別年収ランキング/職種図鑑」での平均年収は429万円、また、ネットワークエンジニアの平均年収は380万円、経済産業省2017年発表の「IT関連産業の給与等に関する実態調査結果」から近い職種の「SE・プログラマ（顧客向けシステムの開発・実装）」を参考にすると、平均年収593万円と分かりました。

国税庁2020年発表の民間給与実態統計調査における民間企業平均年収は433万円なので、マイナビ調査での平均年収は一般平均年収よりもやや低め、経済産業省の調査結果ではやや高めであることが分かります。

スキルや経験によって年収も変わってくるため、実務経験を積み、より幅広く深い知識や技術を身に付ければ、年収アップも期待できるでしょう。

【参考】：[マイナビエージェント職業別年収ランキング/職種図鑑](https://mynavi-agent.jp/it/jobindex/06.html?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)
※【平均年収 調査対象者】2020年1月～2020年12月末までの間にマイナビエージェントサービスにご登録頂いた方
【参考】：[マイナビエージェント職業別年収ランキング/職種図鑑](https://mynavi-agent.jp/it/jobindex/07.html?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv12_2)
※【平均年収 調査対象者】2020年1月～2020年12月末までの間にマイナビエージェントサービスにご登録頂いた方
【参考】：[IT関連産業における給与水準の実態① ~ 職種別（P7）](https://warp.da.ndl.go.jp/info:ndljp/pid/11623215/www.meti.go.jp/press/2017/08/20170821001/20170821001-1.pdf)
【参考】：[民間給与実態統計調査-国税庁](https://www.nta.go.jp/publication/statistics/kokuzeicho/minkan2020/pdf/002.pdf)

ここでは、従来の**オンプレミス（自社内）環境のシステムと比較したAWSのメリットを見ていきます。**

クラウドサービスのため、自社でサーバー機器などのハードウェアを調達・設置する必要がありません。そのため、**システム稼働に必要な環境を直ちに整えることができます。**システム構築後の*ハードスペックの変更や拡張が即座に可能であり、ビジネス環境の変化に即応した柔軟な対応が可能です。*

AWSで何ができるのか？AWSの概要や強みについても解説

オンプレミスのケースでは必ず初期コストや時間を要しますが、**クラウドサービスでは基本的に特別な初期コストは発生せず、またシステム稼働環境が用意されているため単期間でのスタートが可能です。**

とはいえ、クラウドサービスで提供されるサービスの多くはIaaS（Infrastructure as a Service）です。提供されるインフラは仮想サーバーやネットワークなどの物理インフラであり、*OSやミドルウェアなどのライセンス料が別途発生します。*この点は留意しておきましょう。

IaaSとPaaSの違いを知り、クラウドに強いエンジニアになろう！

オンプレミス環境では、サーバー停止による営業損失・ハッキングなどによる情報漏洩の責任は全て自社にあります。それを回避するためには、*万全の災害対策やセキュリティ対策が求められます。*

AWSを利用すればこれらの自社責任の多くがAWS側に移転し、**AWS側が責任を持って補償してくれるため、企業はリスクヘッジができます。**AWS側責任範囲に関しては、AWSが補償リスクを負うため万全の対策を講じていますので、それだけユーザーは安心して利用できるのです。

オンプレミスの場合は、事業拡大などに伴うデータ量やアクセスの増加への対応を自前で行う必要があります。それに伴い、**サーバーの増強やリプレイスなどの対応を迫られますが、AWSでは企業側にその対応は必要ありません。**

ただし、AWSは*従量課金制の料金体系であり、データ量の増加などに伴ってランニングコストは増加します。*この点もあらかじめ留意し、シミュレーションをしておきましょう。

サービス・ツール・技術の記事（49ページ目）