## 機械学習のデータセットとは

近年、自然言語処理、画像・音声認識、自動車の自動運転や医療診断など、AI技術は私たちの日常生活や産業に革新的な変化をもたらしています。

機械学習とデータセットは、そのAI技術を支える重要な役割を果たしています。特に、大規模なデータセットと高度な機械学習アルゴリズムの利用で、AIを活用した技術はますます高度化しています。

*また、品質の高いデータセットを用意することで、機械学習モデルの性能や精度を向上させることができます。*

自然言語処理とは？注目される理由やできることをわかりやすく解説

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？

## 機械学習のデータセットの役割や作り方を学ぼう

AIエンジニアを目指す方にとっては、データセットの構築や前処理のスキル、作り方などを身につけることで、機械学習の理解が深まり、実際に機械学習モデルを開発・運用する能力が向上します。

**データセットについて学ぶことは、AIエンジニアやデータサイエンティストとしてのキャリアアップに欠かせない要素でもあります。**データセットに関する知識を持つことで、より高度なプロジェクトに参加したり、問題解決の幅を広げたりすることができるでしょう。

この記事では、機械学習のデータセットとは何か知りたい方のために、データセットの基礎的な知識やデータセットの種類、作り方などについて解説していきます。

<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=acv07_2)</center>

## 機械学習で使われるデータセットの基礎知識

まず、データセットの持つ役割と重要性について解説し、関連の深いディープラーニングとの関係、データセットの知識を活用できる職種や、その年収についても説明します。

### データセットの役割と重要性

AI技術を支えるデータ分析の手法である機械学習には、適切なデータセットが欠かせません。*データセットは、機械学習モデルの学習に用いられるデータの集合体で、画像、動画、テキストなどさまざまな形式があります。*

データセットの質と量が高ければ高いほど、モデルの精度が向上しますが、データセットが適切でないと、機械学習に望ましくない結果をもたらす可能性もあるため、目的や背景に合ったデータセットを選び、慎重に構築することが必要です。

### データセットとディープラーニング

ディープラーニングは機械学習の1種であり、人間の脳神経細胞の働きをモデル化したディープニューラルネットワークを基盤としたものです。音声、画像、自然言語などを高い精度で分析できる技術で、顔認証システムや医療画像の解析、スマートスピーカーなどで実用化されています。

*ディープラーニングモデルでは、モデルが自らデータから特徴を抽出し、それを元に予測や分類を行うために、大量のデータを用いて学習します。*データがなければモデルは何も学習できないため、ディープラーニングにはデータセットが不可欠です。

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

### データセットの知識を活用できる職種の年収とは

機械学習のデータセットの知識を活用できるAIエンジニアに近いシステムエンジニア(制御・組み込み)の年収は、「マイナビエージェント職業別年収ランキング」での平均年収は455万円（※2023年8月執筆時点）、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IT技術スペシャリスト（特定技術(DB・NW・セキュリティ等））を参考にすると、平均年収758万円と分かりました。

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、AIエンジニアは一般平均年収よりも、やや高めから高めであることが分かります。

AIエンジニアには、機械学習の理解と、数学や統計の知識、主要なプログラミング言語であるPythonの習得が不可欠です。*さらに、大規模なデータセットを取り扱うための高度な知識、画像や動画データの解析に関するスキルなどを高めることで、より高収入となる傾向があります。*

【参考】：[マイナビエージェント職業別年収ランキング](https://mynavi-agent.jp/helpful/income2020/category/it05/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv07_2)
※【平均年収 調査対象者】2019年12月～2020年5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)

システムエンジニアになるには？資格やプログラミング経験は不要？

機械学習のデータセットの種類には、トレーニングセット、バリデーションセット、テストセットがあります。それぞれの役割について確認していきましょう。

*トレーニングセットは全体の半数以上を占める大規模なデータセットで、機械学習の初期段階で使用されます。*これにより、基本となる機械学習モデルが構築されるため、慎重に選定し、モデルの基盤を確立することが重要です。

トレーニングセットは、訓練用データや学習用データとも呼ばれます。

バリデーションセットは、トレーニングセットでの学習後、機械学習アルゴリズムの挙動を制御するハイパーパラメーターのチューニングに利用されます。ハイパーパラメーターは機械学習アルゴリズムの性能に大きく影響を及ぼすため、適切な調整が重要です。

*最もパフォーマンスの優れたハイパーパラメーターを採用することで、モデルの性能を最適化したり、過学習のためにこれ以上精度の向上が見込めない場合に学習を止めたりする判断を行うのに役立ちます。*

*テストセットは、機械学習モデルの精度を確認するため、モデル構築の最終段階で利用されるデータセットです。*トレーニングセットやバリデーションセットで未使用のデータを使って、モデルのパフォーマンスをテストします。

テストセットは機械学習モデルの完成度を客観的に測るために欠かせない要素で、未知のデータに対しても適切な予測ができることを確認するために重要です。

## データセットの入手方法と作り方

それでは、実際に自分で使用するデータセットを入手するにはどうしたらいいのでしょう。オープンデータセットを使用する、作成を外部発注する、自分でデータセットを作る、などの方法があります。

### オープンデータセットを使用する

データセットを入手する方法の1つが、オープンデータセットを利用することです。政府や研究機関などがインターネット上に公開しているデータがあり、動画、画像、テキストなどさまざまな種類のデータが提供されています。

*オープンデータセットでは整備されたデータを取得できる場合も多く、使いやすいデータを収集する手間を省くことができます。*

必要なオープンデータセットを探すには、Googleの「Dataset Search」などの検索ツールを使用したり、「Kaggle」などのデータサイエンティストや機械学習エンジニアのコミュニティを活用するのも良いでしょう。

【参考】：[Google Dataset Search](https://datasetsearch.research.google.com/)
【参考】：[Kaggle: Your Machine Learning and Data Science Community](https://www.kaggle.com/)

ただし、オープンデータセットには無料のものもありますが、費用がかかるものや、商用利用が制限されている場合もあり、利用には注意が必要です。利用する前に使用条件を十分確認するようにしましょう。

Kaggleとは？サービス概要からデータセットの活用まで解説！

### データセットの作成を外注する

データセットを入手するには、信頼性の高い専門会社にデータ提供を依頼してデータセットの作成を外注する方法もあります。*費用はかかりますが、外注を利用することで社内の手間を大幅に削減できます。*

ただし、外部にデータセットの作成を依頼する場合は、実際に構築したいAIモデルに適したデータを作成してくれる企業を選びましょう。外注により適切なデータセットを入手することができれば、高品質な機械学習モデルを構築することができるでしょう。

### データセットを自分で作成する

データセットは、自分で作成することも可能です。*手間はかかりますが、独自にアンケート調査などを活用して収集することで、有償の既存のデータセットを使ったり、外注したりする場合に比べて、コストを抑えられる利点があります。*

独自にデータを作成する場合には、CSVファイル形式で作成し、サンプルを縦に、特徴量を横に記載するなど、シンプルで使いやすいデータに整理することが重要です。

## データセットを作成する時の注意

ここでは、自分でデータセットを作成する場合に気を付ける点を解説します。参考にして、ぜひ実際にデータセットを作ってみてください。

### データセットの目的を明確にする

*利用目的に合ったデータセットを作成することで、機械学習の精度が良好になり、より高度な分析結果を得ることができます。*

そのため、データセットを作成する際には、構築する機械学習モデルの目的を明確にし、課題や解決したい問題を定めることが重要です。例えば、業務の効率化や、店舗の売り上げ予想など、具体的に目標を掲げると良いでしょう。

### 大量の質の良いデータを収集する

*データセットの品質と量は、機械学習の結果の優劣に大きな影響を与えます。*想定されるデータを網羅的に集められているか、十分な量のデータがあるかどうかを表す、データセットの「被覆性」が、データの品質の基準として重要な要素です。

また、データの量が足りない場合、トレーニングデータに対する予測精度は高いものの、未知のデータに対してうまく予測できないオーバーフィッティングが発生する可能性があります。これを避けるためには、より多くの量のトレーニングデータを使う必要があります。

さらに、偏りがより少ないデータを収集することも大切です。データセットに偏りがあると、モデルはその偏りを学習してしまい、入力と出力の関係性を正確に表せない学習不足の状態になります。

適切なデータセットを作成するには、実際にPythonで使ってみて調整していくことも重要です。まずはオープンデータセットを手に入れ、Pythonで処理して動かしてみることで、自分のプロジェクトに適したデータセットを作るための参考になるでしょう。

また、実際に現場で使用できるデータセットがあれば参考にするなど、実践の機会を通してデータセットについて学ぶとより理解が深まります。企業によっては、所属するエンジニア向けの研修がある場合もあるので、確認してみましょう。

*自らのAIエンジニアとしてのスキルアップを目指し、研修が手厚い企業を探すなら、エージェントを利用して研修が手厚い企業を探すのも良いでしょう。*

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

<center>[あなたに合った企業選びをサポート致します。<br/>エンジニア転職のご相談はぜひ<br/>*『マイナビIT エージェント』*へ！](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv07_2)</center>

## 機械学習のデータセットを習得してAIに強いエンジニアを目指そう

ここまで、機械学習のデータセットの役割や種類、作り方について解説してきました。データセットが機械学習にとっていかに重要なものであるか、自分で作る場合に何に気を付けるかなどのポイントが分かったのではないでしょうか。

適切なデータセットの収集や扱いは、AIエンジニアにとって必須のスキルと言えます。*AIエンジニアとして活躍したいと考えている方は、スキルアップのために、データセットについて現場で学べる企業や、研修が充実した企業に転職を考えるのも良いでしょう。*

しかし、1人で転職活動をする場合、なかなか希望の企業が見つからなかったり、職務経歴書や自己PR作成などの面談対策がなかなか進まなかったりするなど、大変なことも多くあります。

そこでぜひご活用いただきたいのが[マイナビIT エージェント](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv07_2)です。 

マイナビIT エージェントは、IT・Webエンジニア向けの無料の転職⽀援サービスです。

IT・Webエンジニアの転職事情に詳しいキャリアアドバイザーが、あなたのご経験やスキルをお伺いし、転職活動のプランをご提案致します。

アドバイザーは企業側の人事担当者と直接連携を取れますので、求人票に載っていない企業情報も確認することができます。残業時間や給与面など、働き方などをしっかり確認の上で応募企業を選んでいくのが良いでしょう。

・資格やプログラミングの勉強をしているけれど、企業が求めるレベルに達しているのかわからない
・スキルアップをして市場価値を上げていける企業の選び方を知りたい
・数多くあるITエンジニアの職種の中で、自分に向いている仕事は何か知りたい

こうした悩みを抱えていらっしゃる方は、まずは無料登録でキャリアカウンセリングをおすすめ致します。

データセットは、AI技術における機械学習モデルのトレーニングに使用するデータの集合体で、適切なデータセットを利用することで機械学習モデルの性能や精度が向上します。この記事では、データセットを活用したい方のために、その基本知識や種類、作り方を説明します。

機械学習とデータセットはAI技術に不可欠な要素で、品質の高いデータセットを用意することで、機械学習モデルの性能や精度が向上する

機械学習のデータセットには、トレーニングセット、バリデーションセット、テストセットの3つの種類がある

データセットを作成する際には、利用目的を明確にし、品質と量を確保することが重要である

機械学習のデータセットとは？その役割や作り方、注意点を解説

ChatGPTの登場によって、AI（人工知能）が私たちの身近な存在になってきましたが、AIの急速な普及に伴ってAI倫理がクローズアップされています。**AI倫理とは、AIの開発や利用において、人間の尊厳や人権、社会的正義などの倫理的な価値をどのように守るかに関する問題や原則のことです。**

AI倫理は、AIがもたらす様々な利益ばかりではなく、AIによるリスクや影響にも目を向ける必要があります。例えば、AIが偏見や差別を引き起こしたり、透明性や説明責任が欠けていたり、プライバシーやセキュリティを侵害する可能性を否定できません。

AI倫理は、国際的な協力や多様なステークホルダーの参加を必要とする、複雑かつ重要な課題です。そのため、世界各国や組織では、AI倫理に関するガイドラインや勧告を策定し、実践しようとしています。しかし、AI倫理は様々な議論があり、共通の基準や規制が確立されたわけではありません。

本記事では、AI倫理に関する定義とその背景、AI倫理の現状と取り組み状況、課題などについて紹介していきます。

【参考】：[国内外の議論及び国際的な議論の動向（AIに関する）｜総務省](https://www.soumu.go.jp/main_content/000630131.pdf)

ChatGPTとは？今話題のAIチャットボットの概要や仕組みを解説！

*AI倫理について論ずる際には、AI倫理に関する定義を明確にして共通認識を持ち、AI倫理を議論すべき理由や背景についても確認しておく必要があります。*シンギュラリティ「技術的特異点」が現実のものとなり、AIが人知を超える存在になると言われています。

シンギュラリティは2045年に訪れると言われていますが、レイ・カーツワイル博士はその訪れが早まるとして、2029年到来説を唱えており、時間的な猶予はありません。今からAIが人間に悪影響を及ぼすことがないよう、AI倫理について議論を深める必要があるのです。

【参考図書】：[シンギュラリティは近い　[エッセンス版] 人類が生命を超越するとき｜NHK出版](https://www.nhk-book.co.jp/detail/000000816972016.html)

**AI倫理は、人工知能（AI）が人類に悪影響を与えないようにするための規範を指す言葉であると定義できます。**AIは社会や経済に大きな影響を及ぼす可能性がありますが、その一方で、プライバシーや公平性、透明性や説明責任などの倫理的な問題を引き起こす恐れがあります。

そこで、AIの開発や利用において、どのような価値観や原則を守るべきか、どのような技術やガイドラインを用いるべきか、といったことを考える必要があります。

AI倫理が論じられる背景としては、以下のような事柄が挙げられます。背景を理解した上で、AI倫理について議論を深めていくことが求められます。

*■ AIの急速な発展と普及*
近年、ディープラーニングやビッグデータの技術革新により、AIは様々な分野で高度な能力を発揮するようになりました。また、スマートフォンやクラウドコンピューティングの普及により、AIは日常生活やビジネスにも広く浸透しています。

*■ AIの社会的影響とリスク*
AIは人間の仕事や学習や娯楽などを効率化したり豊かにしたりすることができますが、その一方で、人間の置き換えや差別化や操作化などのリスクも存在します。また、AIは自律的かつ複雑化することで、人間が予測や制御できない振る舞いをする可能性もあります。

*■ AIの倫理的課題と議論*
AIが社会的影響とリスクをもたらすことから、AIは単なる技術ではなく、「道徳的主体」として扱われるべきだという主張もあります。また、AIは人間の価値観や目的に沿って設計されるべきだという考え方もあります。

これらの主張は、「AIは倫理をどう見るか」「AIは何を目指すべきか」「AIは誰に責任を負うべきか」といった問いを提起します。

【参考】：[人工知能による判断の自動化と道徳的問題｜公益社団法人 日本心理学会](https://psych.or.jp/wp-content/uploads/2022/07/98-8-11.pdf)

## AI倫理に関する問題点と事例

AI倫理に関して、様々な問題が起きる可能性が指摘されています。ここでは、AI倫理に関する主な問題点と、AI倫理に関して実際に起きた事件や、取り組み事例を紹介します。

AI倫理に関する問題認識は既に形成されています。ここでは具体的にどのような点が問題とされているのかについて紹介します。総務省のAI倫理ガイドラインを参考に問題点を挙げていきましょう。

【参考】：[AI倫理ガイドライン｜総務省](https://www.soumu.go.jp/main_content/000811793.pdf)

*■ プライバシーの侵害*
AIは大量の個人情報や機密情報を収集・分析・利用することができますが、その過程でプライバシーの侵害やデータの流出や悪用などのリスクがあります。例えば、顔認識技術は犯罪防止やセキュリティ向上に役立ちますが、同時に個人の行動や属性を追跡・識別することでプライバシーを侵害する可能性もあります。

*■ 公平性の欠如*
AIは人間の偏見や差別を反映したり増幅したりすることがあります。例えば、採用や融資などの判断にAIを用いる場合、学歴や性別や人種などの特徴に基づいて不公平な結果を出すことがあります。

*■ 透明性と説明責任の不足*
AIはブラックボックス化することがあり、その内部ロジックや決定根拠が不明確であることがあります。また、AIは自己学習や自己改善を行うことで、人間が予測や制御できない振る舞いをする可能性もあります。これらの場合、AIは誰に対してどのような責任を負うべきか、という問題が生じます。

*■ 人間性の喪失*
AIは人間に代わって仕事や学習や娯楽などを行うことができますが、その過程で人間は自ら考えたり創造したり、感じる能力や機会を失う可能性があります。また、AIは人間に感情や道徳観などを持たせることもできますが、その場合、人間とAIの区別や関係性が曖昧になる可能性もあります。

*■ 責任の所在*
AI倫理における責任の所在に関する問題は、AIに関する事故が生じた際に、誰が責任を負うのかという点にあります。AIの利用者および開発者は、AIの利用目的や利用方法を明確にし、AIの利用によって生じるリスクを最小限に抑えることが求められます。

またAI自体にも責任があるとする見方もあり、AIには人間が設定したルールから逸脱した行動をしないことが求められます。

AI倫理に関して、実際に起きた事件とともに、AI倫理に関する問題に対して実際に対策やルールを定めた事例についても紹介します。

*■ GoogleがAI倫理学者を解雇した事例*
Googleは2020年12月に、AI倫理学者のティムニット・ゲブル博士を解雇しました。ゲブル博士は、GoogleのAIシステムが人種や性別などの偏見を生み出す可能性があるという論文を共同執筆していたことが原因とされています。

この事例は、AIの研究や開発における自由や多様性や透明性などの倫理的価値がどのように保障されるべきかという問題を浮き彫りにしました。

【参考】：[Google fires Margaret Mitchell, another top researcher on its AI ethics team | The Guardian](https://www.theguardian.com/technology/2021/feb/19/google-fires-margaret-mitchell-ai-ethics-team)

*■ 富士通がAI倫理影響評価を適用した事例*
富士通は、自社で開発した「AI倫理影響評価」を様々な事例に適用してみました。この評価は、AIシステムの利用で起こり得る倫理上のリスクを認識し適切に対処するためのチェックリストです。

例えば、医療診断支援システムや教育支援システムなどの事例では、プライバシー保護や説明可能性や安全性などの観点から、AIシステムが人間の尊厳や権利や自律性などを尊重するかどうかを評価しました。

【参考】：[AIシステムの倫理上の影響を評価する方式を開発｜ 富士通](https://pr.fujitsu.com/jp/news/2022/02/21.html)

*■ ソニーグループのAI倫理取り組み事例*
ソニーグループは、2018年にAI倫理ガイドラインを策定し、2019年12月にはソニーグループAI倫理委員会を設置しました。同委員会は、リスクが大きいAIの利活用事例について検討し、是正策を提言することで、AIの利活用における責任ある行動を推進しています。

また、ソニーはAIを活用することにより、平和で持続可能な社会の発展に貢献し、人々に感動を提供することを目指しています。

【参考】：[Sony Group AI Ethics Activity ｜総務省](https://www.soumu.go.jp/main_content/000762573.pdf)

## AI倫理に関する国際的な動向と取り組み

ここでは「AI倫理に関する国際的な動向と取り組み」について解説します。AI倫理に関する国際的取り組みや動向としては、以下のようなものがあります。

2021年11月、国連教育科学文化機関（ユネスコ）は、**世界で技術開発が進む人工知能（AI）の倫理に関する国際的な規範を策定し、加盟国への「勧告」として採択しました。**

この勧告は、人間中心のアプローチや多様性や包摂性や公平性や透明性などの原則に基づいて、AIの開発と使用における倫理的な責任やガバナンスや協力を促すものです。ユネスコは、この勧告が世界初のAI倫理規範として、加盟国や利害関係者に影響を与えることを期待しています。

【参考】：[人間中心のAI社会原則会議（令和3年度 第2回）｜総務省](https://www8.cao.go.jp/cstp/ai/ningen/r3_2kai/siryo1-3.pdf)

### AIガバナンスに係るガイドライン

近年、**多くの国や地域や組織が、AIガバナンスに係るガイドラインや規制を策定したり提案したりしています。**例えば、欧州委員会は2021年4月、「人間中心で信頼できるAI」を目指すための法的枠組み案を発表しました。

この枠組み案では、「高リスク」な分野で使用されるAIシステム（例えば医療や交通安全）に対しては厳格な要件（例えば品質管理やデータ管理）を設け、「禁止」されるべきAIシステム（例えば社会的価値観に反するもの）も明示しています。

【参考】：[AI倫理に関する国際対応について｜総務省](https://www8.cao.go.jp/cstp/ai/ningen/r4_1kai/siryo1.pdf)

2020年6月、「人間中心」の考えに基づく責任あるAIの開発と使用に取り組む国際的なイニシアティブである「AIに関するグローバルパートナーシップ（Global Partnership on AI、GPAI）」が設立されました。このイニシアティブは、カナダとフランスが主導し、日本も含めた15か国・地域が参加しています。

**GPAIは、政府・民間・学術・市民社会から成る専門家グループが活動し、「データ管理」「責任あるAI」「未来社会」「革新・商業化」という4つの分野で政策提言や技術協力を行うことを目指しています。**

## AIの普及と発展のためにAI倫理は重要な問題

今回は様々な事例をもとに、AIにまつわる倫理問題について解説しました。AI倫理は、AIの利活用によって生じるリスクを最小限に抑えることが求められます。AIは人間の判断力を補完することができますが、一方で、人間が抱える偏見や差別を反映することがあります。

そのため、AIの利活用にあたっては倫理的な観点から慎重な検討が必要です。

また、AIの利活用によって、社会に大きな変革がもたらされることが予想されますので、AIの利活用にあたって、私たちは社会的な影響を考慮した上で、責任ある行動が求められます。

**AIを開発する側、AIを利用する側、さらにはAIを利用した仕組みやシステムにおいてもAI倫理の尊重を意識するように心がけたいものです。**

ChatGPTの使い方とは？実際に使用するまでの流れを解説！

AIプログラマーとは？未経験でも努力次第で転職できる！

ChatGPTなどの登場により、AI（人工知能）が身近な存在になりましたが、一方で急速な普及に伴いAI倫理の問題がクローズアップされています。ここでは、AI倫理の背景や問題点、取り組み事例などを分かりやすくご紹介します。AI開発や利活用に関わる方はぜひ参考にしてください。

AI倫理とは、AIの開発や利活用において倫理的な価値を守るための指針や原則のこと

AI倫理の背景としてはAIの急速な発展と普及、社会的影響力の増大、AIの倫理的課題がある

AI倫理に関する国際的な取り組みが進められており、それらの尊重と遵守が求められる

「AI倫理」について分かりやすく解説！倫理的な問題点と取り組み事例も紹介

IoTは「Internet of Things」の略を指し、**全てのモノがインターネットに接続され、情報が相互に共有される仕組み**を指します。Internet of Thingsを和訳した「モノのインターネット」という言い方をすることもあります。

IoTにおいてはスマートフォンやウェアラブル端末が利用されているため、すでに身近で簡単に実現できる情報機器としても利用が急増しています。さらに情報共有される通信・設置環境が整備されており、従来は不可能であった機器にも搭載が進むことで我々の生活がより豊かになることが期待されています。

### さらにわかりやすいIoTの紹介

情報教育の一環で小学生を中心とした子供向けの学習でIoTが紹介されることもあります。そこではIoTの読み方を*「アイオーティー」や「モノのインターネット」と呼び*、「インターネットオブシングス」と言うこともあります。

教育の際には、「モノ同士がやり取りしたり、人間とお話しできるといいことがあるよね？」という投げかけから始まります。その中で普段使う家電品やリモコンあるいはペットのお世話を例に、理解を深めていく進め方です。そして、やり取りをする上で情報を間で受け渡しするのがインターネットとなります。

IoTはモノのインターネットなため、情報を共有するインターフェイスを持つことで多様な用途に対応します。その中でできることを共通化すると以下のように分類できます。

・*モノの状態を取込むこと*
言い換えると、「状態の可視化」ができることです。機器の状態や必要な情報を取り込み、後工程で利用可能とします。

・*モノの状態を記録すること*
状態を記録、つまり「情報の格納」が可能となることで、データとして保存ができます。これにより情報蓄積によって過去の状態の分析に活用できます。

・*モノの状態を通信すること*
通信機能を持つことで、「情報の共有」をタイムリーに行うことができます。

・*モノの稼働を操作すること*
「情報の共有」が可能となることで、機器の「制御と動作指示」に活用できます。また、一連処理を予め登録することで処理や動作の自動化が可能です。

・*モノの異常を検知すること*
「状態の可視化」が可能になることで、機器の「診断と検知」が可能です。自動的な危機の動作状況のモニターと自動復旧に活用できます。

上記はIoT単体で実装可能ですが、さらにIoTをシステムとして連結し、情報連携処理することが可能です。具体的には、IoTを束ねるサーバやクラウドの活用により実装します。このIoT連携では、さらに以下の応用が期待できます。

・*データの蓄積*
IoT機器のデータを機器単体で保存する容量の制限なく一定期間蓄積し、時系列データとして分析に活用します。さらにIoT機器の収集データを横断的に分析することができます。

・*データの分析*
機械学習により蓄積データから今後の予測を立てたり、新規事業の計画に役立てたりできます。実際の活用例としては、画像データ・信号データによる品質管理と傾向分析、人の流れや人口動態から新規出店や新規事業を予測、雨量や気圧・水位・位置情報等から今後の天候を予測し生産を調整、等に活用できます。

 IoTのメリットとして主に以下の点が挙げられます。
・*距離に関係なく情報共有が可能*
IoTではリモート操作が画像転送が可能なため、遠隔地の状況を監視したり機器の制御を容易に行ったりすることができます。

・*場所に関係なく情報共有が可能*
これも代表的なメリットです。例えば高所に機器を取り付けて気象データや観測データを取り込むことができます。橋梁やトンネルに設置すると劣化状況をモニターすることもできます。ドローンでさらに上空から監視したり、画像を取り込んだりすることも可能です。

・*自動化による効率向上*
IoT機器では定点観測等定期的なデータ収集や繰り返し処理を効率的に行うことができます。自動実行することで使い勝手を向上したり、作業効率を向上したりできます。

・*技術伝承不要で人的エラーを回避*
IoTを産業システムに活用することで、従来は経験が必要な領域についてもIoTが人の動作をトレースし、再現することで効率的に高品質な作業が可能です。人的エラーを回避することもできるため、中小企業等においても技術伝承の課題を解決することが期待されています。

デメリットの面としては概ね以下の点が挙げられます。
・*ITスキルが必要*
IoTは従来の機器を高度化したものですが、ベース技術はITを活用しています。そのため従来人や機械に任せた作業を自動化できる半面、その分IT知識が求められます。これを補うために利用者の利便性を高めたり、操作の簡素化をしたりする工夫がされています。

・*セキュリティ対策が必要*
IoTは情報共有をするため、ハッキング等のセキュリティ攻撃対策やアカウントIDやパスワード管理が不十分だと外部からの侵入や内部犯行により情報が漏洩したり乗っ取りされたりすることが想定されます。そのため正しいセキュリティ設定を行い適切に管理することが求められます。

・*障害対策が必要*
IoTは情報収集の他、機器によっては制御や稼働の操作が可能です。そのため不具合・誤作動による人的被害や、障害発生時の復旧手順をしっかり決めておく必要があります。

IoTエンジニアとは？その将来性を徹底解説！

IoTでは、対象となる装置や機器に電子制御可能なマイコンや小型PCを取付ます。対象となる装置や機器を「IoTデバイス」と言います。同様に、電子制御可能なマイコンや小型PCを「コントローラ」と呼ぶこともあります。

IoTではコントローラと通信モジュールを接続し、**デバイスのステータス確認や制御要求を通信回線を通じて送受信します**。また、IoTデバイスはコントローラが取扱い可能なデジタルデータに変換するために、アナログデータや旧来の運用技術（OT）をITで処理可能なデジタル形式に変換します。

IoTデバイスとはInternet of ThingsのThingsに相当する端末部分で、モノと言われている装置や機器自体を表します。IoTデバイスには用途に応じて**データを可視化するためのセンサーや、稼働させるためにアクチュエータが搭載されています**。

各デバイスは産業別用途に応じて開発されますが、モジュラー化したりボックス化したりすることで単体で販売されるケースも増えてきています。同様にスマートフォンやウェアラブル端末を利用することもあり、今後もヘルスケア等での利用が期待されています。

センサーとは、機器自体の状態を測定したり測定対象物の状況を確認するために、機械や人間が分かるデータに置き換えてくれる電子部品あるいはモジュールや装置です。IoTではそのデータをデジタルデータとして通信し、活用します。具体的なIoTで用いる主要センサーは以下の通りです。

・*温度センサー*
熱電対やサーミスタ等の素子を用います。用途は気温や物体の温度を図ることで、エアコンや室温計等に搭載されています。近年、温度センサーにおいてもサーモグラフィーを用いた非接触型が脚光を浴びており、無人ロボットでの環境データ測定等にも用いられます。

・*湿度センサー*
乾湿材料を電極で挟み、電気抵抗として測定するものです。加湿器・空気清浄機やエアコンに搭載されています。

・*圧力センサー*
隔膜が圧力を受けて変形することで、歪による電気抵抗の変化を検出します。空気・水・油の用途に応じて利用することができるため、家庭でもエアコンや給湯器・食洗器、洗濯機等に搭載されています。

・*振動センサー*
圧電素子を用い振動を測定します。主に機器が正常に動作しているか確認したり、診断したりする目的に利用します。

・*距離センサー*
光源からの照射光を受光素子でとらえ、距離に換算します。ミリ波や超音波を用いる場合もあります。実際の距離を測定する用途に加えて、車の安全システムやホームセキュリティにも採用されています。

・*速度センサー*
電磁式の場合コイルと磁石を用いて回転速度を測定します。光センサーを用いてスリットの通過時間で測定することもあります。モータの回転速度をモニターできますので、自動車やバイク・鉄道・航空機・船舶等に利用されています。

・*加速度センサー*
一般的にはバネと重り・圧電素子を用いて慣性運動量を測定します。カメラの手振れ防止機能や、スマートフォンやタブレットあるいは万歩計等に搭載されています。さらにゲーム機のコントローラにも内蔵されています。

・*ジャイロセンサー*
角速度センサーという慣性力を用いたセンサーの1種です。物体の回転や傾きを各速度として電気信号化します。加速度センサー同様にカメラやビデオの手振れ防止に使われるほか、自動車の横揺れ防止制御やカーナビゲーションの自走機能に採用されています。

産業向けや一般向けにドローンの活用が進んでいますが、ドローンの姿勢制御が優れているのはジャイロセンサーのお陰です。

・*GPSセンサー*
GPSセンサーはGPS（全地球測位システム）という衛星の測位システムを利用します。民生用に機能提供される24の衛星が発する電波のうち、4つの信号を受信することで送信時刻と受信時刻の差から受信機の位置情報を求めることができます。

GPSは元々軍事利用に開発され、その後民生用の航空機や船舶に利用拡大しました。現在では自動車のカーナビゲーションの他、スマートフォンやウェアラブル端末に搭載されたことでカメラの位置情報記録・活動量記録に用いられています。さらに、連続したトラッキング情報の記録ができることで多方面に活用されています。

・*フォトセンサー*
発光素子と受光素子を対にした光センサーで、素子間を物体が通過することで光が遮断され検知するものです。用途としてはチケット挿入機や自動販売機のコイン通過・ペットボトル通過の検知、プリンターの用紙検知等に用いられます。また、ゲートに設置することで人や資材の通過検知等にも利用されます。

・*イメージ・画像センサー*
撮像素子を用い光信号を電気信号に変換します。色の明暗のみをつたえるイメージセンサーや色調データを変換する画像センサー等があります。現在画像処理の入力センサーとして、デジカメやスマートフォンのみならず、ノートPCの内蔵カメラとして標準搭載されています。

さらに車載ドライブレコーダーやドローン撮影においても、イメージ・画像センサーを用いた録画撮影は欠かせない機能となっています。

・*音センサー*
マイクロフォンを使って電気信号に変換します。電気信号はそのままでも利用しますが、デジタル信号化することも増えています。具体的にはスマートフォンの通話に加えて自動音声認識に利用されます。AIスピーカも音声を音センサーで入力変換し、音声操作を行うものです。

### IoTで用いるアクチュエータとは？

アクチュエータとは、指定した入力信号にしたがい力学エネルギーとして駆動する機械をさします。具体的には以下のようなものが挙げられます。

・*電気式*
電気信号により駆動するもので電磁弁やモーターが該当します。電気式バルブの電磁弁は流量調整に用いられます。モーターは電気式駆動部品の代表で、家電品・医療・産業から自動車等多岐にわかり利用されています。また制御の精度を高めるためにステッピングモーターやDCモーターが用いられています。

・*シリンダ式*
水・油・空気等のをシリンダに充填し、ピストンの径の違いにより大きな力を発揮します。精密動作には電動シリンダが用いられます。用途としては生産装置から重機まで多岐に渡ります。

IoTでは用途に応じてセンサーとアクチュエータをコントロールしますので、アイデア次第でありとあらゆる機器に取り付けることができます。

### IoTデバイスの通信・接続方式

IoTデバイスは用途に応じて通信機能を実装しています。そのため、**通信距離や消費電力を考慮し通信周期や転送量から機能設計されています**。利用されている通信仕様もその用途に応じて各種の規格が存在しています。

具体的に見ていきますと、近距離ではパッシブ型のNFC・RFID、双方向のWiFiやBluetooth等が規格化されています。パッシブ型は在庫個数を数えたり、電車の改札システムに利用されています。この場合、他の端末やリーダーの求めに応じて情報を伝達するだけですので一定周期の通信には適していません。

能動的な通信を行う場合は、双方向通信規約を利用したWiFiやBluetoothを用います。WiFiは高速通信が可能ですが、エネルギー消費が大きいのが難点です。さらに通信距離のポイントを考えていきます。中長距離ではNB-IoTやLoRaWAN等のLPWA（Low Power Wide Area、低消費電力広域通信）の活用が始まっています。

一般的に5Gセルラー通信では超高速通信に対応しますが、エネルギー消費が大きくなります。LPWAでは低消費電力で実装されているため、転送速度は5Gセルラー通信に劣るものの低消費電力のため長時間の通信に適しています。以上のようにメリット・デメリットを比較しながら、ニーズに応じて必要とされる規格を選択し設計に反映させています。

低消費電力の通信規格は比較的短距離から中距離をカバーするため、一旦ゲートウェイで個々のIoTの通信を集約し、データセンターへ一括送信するする接続形式も利用されています。データを仲介し一括通信する通信中継サーバを「エッジサーバ」ということもあります。

ここではIoTの実例を、身近な例を中心に紹介していきます。以下が代表的なIoTの市場分類と活用例です。
・*自動車*
IoTの活用例として引き合いに出されるのが、自動車です。自動車の部品は多岐に渡り、多くの情報機器が搭載されています。IoTによりカーナビゲーション・渋滞予測に活用できます。さらにIoTを連携することで走行・メンテナンス・渋滞情報を総合的に通信するコネクテッドカーとして利便性を向上する試みがされています。

加えて、自動運転のレベルを高めてより安全な運転を提供することも取り組まれています。

・*宇宙航空*
宇宙航空でも多様な機器が用いられています。制御機器の監視・制御・モニターシステム・画像システムが地上局や移動体に実装されています。今後も成長が期待されています。

・*医療*
IoTは距離の影響を受けにくく監視や制御が可能なため、医療のリモート診断が高速通信5Gで実現されています。さらにロボット介護の機器や遠隔の見守り等へ活用されています。

・*産業*
産業向けにも活用が増加しています。従来はOT（オペレーショナルテクノロジー）が用いられていた産業システムや産業用機械ですが、情報通信を活用し高度な連携が可能となっています。そのため産業用システム・機器の監視と制御をIoTで実現するケースが増えています。

これにより品質管理を画像データを含めて高度化し、長期間の品質傾向も簡単に評価できるようになりました。

・*コンピュータ*
コンピュータの領域においてもさらに省スペースIT機器の組み込みや、プリンタ・コピー機への実装なと従来取り付けできないモノにも取り付けられ利用されています。

・*コンシューマ（家庭用）*
スマートホーム・スマートメータが代表例です。具体的には、エアコンや調理器具等の家電の操作に利用されています。また、AIスピーカや電気ポット等を用いたスマートフォン連動見守りサービス・遠隔監視・セキュリティサービス等で用いられています。

・*通信*
通信の領域では通信機器の管理の他、通信機能をベースとしたシステム全般が対象となっています。具体的には、バス運行管理・ロケーションシステムはバスの位置情報をベースにセンターに通信し、バス停での待ち時間表示等が実現されています。同様に、現在自販機の在庫自動発注をベンディングマシンの注文量で追加発注する際に利用されています。

この仕組みはリモートゲートウェイやローカル5Gが活用されることで、公共通信網に加えて各企業内でも実用されると予測されています。

IoTで利便性が向上しますが、セキュリティ面での対応が求められます。以下はIoTで想定される代表的なセキュリティリスクで、サイバー攻撃リスク面での考慮も必要となる項目です。

技術の記事（10ページ目）