## 機械学習とディープラーニングの違い

今や誰もが知るAIは、機械学習・ディープラーニングと切っても切れない関係にあります。つまり、AIエンジニアを目指すなら機械学習とディープラーニングは必須知識であり、ITエンジニアの常識として押えておきたい用語でもあります。

この記事では、**AIの基本とも言うべき機械学習とディープラーニングの違いを中心に入門者の視点で解説していきます。**まず初めに、AI・機械学習・ディープラーニング（深層学習）の関係と、それぞれの概要を抑えておきましょう。

機械学習とディープラーニングを理解するには、これらのAIとの関係性を知る必要があります。AI、すなわち人工知能を構成する要素として機械学習があり、機械学習の1つの手法としてディープラーニングがあります。それらは

**『AI＞機械学習＞ディープラーニング』の関係にあり、AIの三大分類と言われています。**

AIに関しては明確な定義が定まっているわけではありませんが、AIは「Artificial Intelligence」の略で、人工知能と訳されています。つまり人の知覚や知性を人工的に再現するのがAIです。

AIという言葉を1956年に用いた科学者のジョン・マッカーシー教授の言葉から、一般社団法人「 人工知能学会」では、**AIを「知的な機械、特に知的なコンピュータプログラムを作る科学と技術である」と紹介しています。**iPhoneに搭載されている音声アシスタントのSiriなどもAIの1つと言えます。

*【参考】：[一般社団法人「 人工知能学会」](https://www.ai-gakkai.or.jp/)*

AIプログラマーとは？その年収や市場性について解説！

機械学習とは、学習する機械のことです。英語ではMachine Learningと呼ばれ、**与えられたデータから反復学習をして、その学習結果をモデル化（法則化）していきます。**これは単純に丸暗記ではなく、ある事象の特徴をつかむという点がポイントです。

特徴というのは、「クセ」や「傾向」のことで、その特徴から法則を見出していくのです。この法則を用いて、予測や判断に利用します。

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！

### ディープラーニング（深層学習） 

ディープラーニングの和名は深層学習ですが、これは機械学習の1手法です。機械学習では、データを学習して、その中から特徴を見つけ、そこから法則を見つけ出します。**ディープラーニングは多くの層が重なったディープ（深い）ニューラルネットワークを用いた機械学習技術を指します。**

例えば、画像認識や画像解析では、形や色以外に明暗や色相など画像を構成する要素が多数あります。その多くの特徴を「特徴量」として数値化し、読み込んだ画像と出力した画像が限りなく一致するための規則性を見出すための学習を行います。顔認証システムなどはまさにこのディープラーニング技術を用いて作られます。

### 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**人の脳をモデルにした、パターン認識を行うための一連のアルゴリズムのことです。**他に画像認識に適したCNN（Convolutional Neural Network：畳み込みニューラルネットワーク）や音声・動画認識、自然言語処理に適したRNN（Recurrent Neural Network：再帰型ニューラルネットワーク）などのアルゴリズムがあります。

### 機械学習とディープラーニングとの大きな違い 

機械学習はデータの特徴を示してくれますが、その特徴を判断するのは人間です。一方、ディープラーニングはコンピューターがデータの特徴を判断します。**特徴を判断するのが人間なのか、機械（コンピューター）なのかが機械学習とディープラーニングの大きな違いと言えます。**

## 機械学習によってできること

機械学習はコンピューターの低価格化と性能向上により、より大量のデータを高速に処理することが可能となりました。その結果、**機械学習はビッグデータ解析やIoT分野も含め、さまざまな分野でその技術が活用されるようになっています。**ここでは機械学習の概要、併せて機械学習でできることなどを解説していきます。

機械学習について、今一度整理しておきましょう。**機械学習とは端的にいうと、人間の学習と同様の機能をコンピュータで実現するための技術です。**

▪与えられた大量のデータから、指定したアルゴリズムに従って機械（コンピューター）にデータの特徴を発見させるためのモデル

▪見出した特徴（クセや傾向など）からコンピューターが推論や判断を行う仕組み

学習する際に用いる**機械学習の学習方法は、以下の3種類があります**。

*1.教師あり学習*
　正解があらかじめ決まっている場合の学習法で、学習精度が高く、主に予測と判定に利用されます。

*2.教師なし学習*
　正解を与えずに学習をさせる方法で、正解を絞りづらい問題や正解データの作成が難しい問題などで活用します。

*3.強化学習*
　学習データそのものに正解は無く、試行錯誤から最適な行動を見つける学習法です。ゲームの学習や自動運転時の状況判断学習などに用いられます。

機械学習は大規模データの処理や分析によって、データの特徴を発見することができます。また、人的な作業や分析では発見できないような法則を見つけることも可能です。ここでは、**機械学習ができることや、活用事例などを紹介します**。

*▪過去データから未来を予測*
将来予測に関して、従来は人が経験や過去の事例などから行っていた予測を、過去の詳細かつ大量のデータから見出せる傾向や特徴から、精度の高い予測を行うことができます。

顧客の購買データ、行動パターン、天候などから販売予測をしたり、需要予測によって商品開発に生かすといったことができます。

*▪自動化する*
機械学習が得意なものとして、作業などの自動化です。パターン化された事務作業の自動化も得意分野です。また、チャットボットによるコールセンターサービス、無人レジなど様々な分野で無人化を実現できます。

他に、大量の画像データを学習させ、個人認証や顧客の特定化、画像診断などに利用できます。

また、自動車の自動運転なども一部実用化されています。

## ディープラーニングによってできること

ディープラーニング（深層学習）にはディープラーニングならではの得意分野があります。ここでは、**ディープラーニングによってできることを紹介していきます**。

ディープラーニング、すなわち**深層学習とは機械学習の1つで、さまざまなアルゴリズムを用いて学習を行うことです。**ディープラーニングでよく用いるDNN（Deep Larning、 Deep Neural Network）は、パターン認識のアルゴリズムを多層化したもので、人間の脳神経回路をモデルとしています。

### ディープラーニングでできること

ディープラーニングが得意とするのは、大きく分けると**「画像認識」「音声認識」「自然言語処理」「ロボットによる異常検知」の4つの分野に分かれます**。それぞれ簡単に紹介していきましょう。

*1.画像認識*
画像認識では、画像の特徴を見極め、その写っている物体や生物などを正しく認識できます。ディープラーニングによる画像認識技術は飛躍的に高まっており、人間よりも優れた能力を発揮するケースもあります。​

そのためディープラーニングによる画像認識の実用が進んでおり、空港における顔認証、入館時のセキュリティチェック、あるいは犯罪者の発見などでも活用されています。

*2.音声認識*
音声認識は、音声を識別してテキストデータに変換したり、文字起こしをしたりする技術です。ディープラーニングによる音声認識では、人の声にコンピューターが応答し、音声から本人を特定することも可能です。対話型のAIアシスタント機能を有するスマートスピーカーにもこの音声認識技術が利用されています。

また、会議の議事録を自動で作成するようなシステムもできています。​

*3.自然言語処理*
自然言語処理は人が日常でやり取りする言葉、自然言語を処理して分析する技術です。人が発する言葉を自動的に文字に変換し、要約をすることができます。他、外国語会話を日本語に自動翻訳することが可能となっています。

*4.異常検知*
ディープラーニングは異常検知にも利用されています。問題やトラブルのデータを解析し、僅かな異常を検知して、今後発生しそうな問題やトラブルに関するアラームを発することが可能です。マーケティング分野では、消費者の嗜好を分析するレコメンデーションがあります。また、自動車の自動運転技術として採用されています。

ここまで読んで、AIや機械学習に興味を持たれた方には、書籍でさらに体系的に学ばれることをおすすめします。ここでは、**AIや機械学習に関する入門書を紹介します**。

AI（人工知能）を1から学べる入門書です。**機械学習やディープラーニング、AIの歴史までを網羅しており、AIの概要を1冊で知ることができる定番書籍です。**

*【参考】：[人工知能は人間を超えるか](https://www.kadokawa.co.jp/product/321410000316/)*

▪著者：松尾　豊
▪価格：1,540円（税込）
▪出版：KADOKAWA
▪発売：2015/03/09
▪頁数：263ページ

### 試して学ぶ　機械学習入門 

簡単な機械学習モデルの構築やアプリ活用まで、**機械学習を試しながら「使える」スキルを身につけるのに適した入門書です。**プログラミング言語としてPythonを用いて機械学習を学ぶのに適しています。

*【参考】：[試して学ぶ　機械学習入門 ](https://book.mynavi.jp/ec/products/detail/id=103399)*

▪著者：竹野 峻輔、高橋 寛治
▪価格：3,289円円（税込）
▪出版：マイナビ出版
▪発売：2019年04月23日
▪頁数：280ページ

## 機械学習で使われるプログラミング言語

機械学習のプログラミングの利用されているプログラミング言語は複数ありますが、**一般的によく使われている言語といえば「Python」、統計解析用に開発された「R言語」も機械学習ではよく利用されています**。

Pythonは機械学習でよく用いられるプログラミング言語ですが、C言語と比較して非常にシンプルな言語で、**覚えやすく扱いやすい言語としても人気があります。**

また、Pythonはライブラリやフレームワークが非常に豊富であり、それらを利用して、効率的にプログラミングを行えること、機械言語に関わらずWebアプリの開発やゲームの開発などにも利用され、汎用性の高さも人気の理由です。

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

R言語は**統計解析やデータ分析、グラフィックを得意分野とするプログラミング言語です。**Pythonと同様にオープンソース言語で、無料で利用ができます。機械学習で用いられることがあり、特に統計解析用のパッケージが豊富なのが特徴です。統計解析の専門知識を持つ人は統計解析パッケージが豊富なR言語を利用すると良いでしょう。

R言語とは？特徴や何ができるのか、Pythonとの違いを解説

ここまで、機械学習とディープラーニングの違いをテーマに、AIについて解説してきました。AIは今やあらゆる分野で活用されており、**業務の効率化や自動化、セキュリティ分野、リスク回避、需要予測、災害予測などで私たちの生活を支えています。**

今後AIは一層多くの分野に浸透し、AIに対する需要は高まる一方と考えられます。AIに興味を感じた方はぜひ機械学習、ディープラーニングのスキルを身に付けてください。また、AI分野以外のエンジニアを目指す皆さんは、プログラミング言語としてPythonの修得に努めることをおすすめします。

AIと言えば機械学習とディープラーニング（深層学習）の知識は欠かせませんが、その違いについて理解している人は多くはありません。ここでは機械学習とディープラーニング（深層学習）の違いを中心に解説します。エンジニアを目指す方には必須知識ですので、ぜひ最後までお読みください。

AIの三大分類はAI＞機械学習＞ディープラーニングの関係にある

機械学習では与えられたデータを反復学習をし、その学習結果をモデル化（法則化）して予測や判定に利用する

ディープラーニングは多くの層が重なったニューラルネットワークを用いた機械学習の技術

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？

*機械学習とは、多くのデータからパターンを認識する人工知能の学習手法のことです。*機械学習でもっとも有名なのは教師あり学習と呼ばれる分野です。何が正解かをあらかじめ人工知能に教え、入力データに対して正解となる出力ができるようにします。ほかにも、教師なし学習や強化学習といった分野があります。

機械学習は将棋AIや顔認識システム、ECサイトのレコメンド機能などで既に使われています。人工知能の学習手法の中でも実用性が高いと言えるでしょう。

この記事では機械学習入門者から上級者までおすすめの書籍をピックアップして紹介します。

## 機械学習を学ぶ人がまず読みたい本 3選

機械学習をこれから学ぶ人におすすめの本を3冊紹介します。機械学習にかぎらずAIやデータサイエンス全般について詳しく解説されており、基礎知識を得られる本をまとめました。

### ビジネスの現場で使えるAI&データサイエンスの全知識

*本書はビジネス現場でAIがどのように役立つのか解説しています。*身近なことに置き換えてわかりやすく機械学習を学びたい方におすすめの本です。難しい話にはあえて触れずに解説しているので、初心者にもおすすめできます。

▪出版社：インプレスブックス

【参考】：[ビジネスの現場で使えるAI&データサイエンスの全知識](https://book.impress.co.jp/books/1121101015)

### 一般教養としての人工知能入門

本書はAIや機械学習に関して文系でも理解しやすいようにまとめてあります。**AIの基礎から応用まで数式なしで解説しているため、数学知識がない方でも読み進めることが可能です。**また、AIと社会のつながりやAIの限界などについても触れています。

【参考】：[一般教養としての人工知能入門](https://www.kindaikagaku.co.jp/book_list/detail/9784764906389/)

### 図解まるわかり AIのしくみ 

*機械学習やディープラーニングについて図解で解説している1冊です。*図が多く挿入されているため、文章を読むのが苦手な方でも読み進められます。また、機械学習に関連するキーワードの説明も解説されており、入門書として最適と言えるでしょう。

【参考】：[図解まるわかり AIのしくみ](https://www.shoeisha.co.jp/book/detail/9784798170138)

## Pythonでの機械学習を学ぶのにおすすめの本　4選

Pythonで機械学習を学ぶのにおすすめの本を4冊まとめました。Pythonは機械学習で多く使われている言語ですので、機械学習と合わせてPythonも学ぶことをおすすめします。

### Python3年生 機械学習のしくみ 体験してわかる! 会話でまなべる!

本書はPythonでの機械学習に関して入門者向けに分かりやすく解説しています。**機械学習の基本的な仕組みについてサンプルコードを提示しながら解説しているため、実際に手を動かして学ぶことが可能です。**Pythonの文法をマスターしたら次に読みたい1冊です。

【参考】：[Python3年生 機械学習のしくみ 体験してわかる! 会話でまなべる!](https://www.shoeisha.co.jp/book/detail/9784798170305)

### RとPythonで学ぶ[実践的]データサイエンス&機械学習【増補改訂版】

*本書はPythonやRでの実践的な機械学習について学ぶことが可能です。*Pythonを利用してデータからモデルを作成して結果を得るための手順を学ぶことができます。本格的に機械学習について学びたい方におすすめの1冊です。

▪著者：有賀 友紀、大橋 俊介

【参考】：[RとPythonで学ぶ[実践的]データサイエンス&機械学習【増補改訂版】](https://gihyo.jp/book/2021/978-4-297-12022-1)

### スッキリわかるPythonによる機械学習入門 (スッキリわかる入門シリーズ) 

本書はPythonでの機械学習に関して手順を追ってしっかり学ぶことができる1冊です。はじめは機械学習とはなにかという点から解説し、後半では機械学習の応用について解説されています。本書を読むことで、機械学習初心者から中級者まで上達することができるでしょう。また、**Pythonでよくあるエラーの解決方法についても解説されています。**

【参考】：[スッキリわかるPythonによる機械学習入門 (スッキリわかる入門シリーズ)](https://book.impress.co.jp/books/1120101028)

### そろそろ常識？ マンガでわかる「Python機械学習」

*本書は漫画でPythonでの機械学習について解説されています。*漫画でありながら機械学習の各手法について詳しく解説されており、実践的な内容と言えます。漫画なので文字を読むのが苦手な方も楽しく読み進めることができるでしょう。

▪著者：田中 賢一郎、澤田 千代子

▪出版社：シーアンドアール研究所

【参考】：[そろそろ常識？ マンガでわかる「Python機械学習」](https://www.c-r.com/book/detail/1420)

## 機械学習に必要な数学を学ぶのにおすすめの本 3選

機械学習を行う場合、線形代数や微分積分といった数学知識が必要になることが多いです。そこで、機械学習で使われる数学を学ぶのにおすすめの本を3冊まとめました。

### 問題解決のための「アルゴリズム×数学」が基礎からしっかり身につく本

*本書はアルゴリズムと数学の知識を基礎から身につけることが可能です。*有名なアルゴリズムと数学的考察について丁寧に解説されています。また、数学の問題が200問も掲載されており、習熟度を確かめながら勉強を進めることが可能です。

【参考】：[問題解決のための「アルゴリズム×数学」が基礎からしっかり身につく本](https://direct.gihyo.jp/view/item/000000002544)

### 高校レベルからはじめる! やさしくわかる線形代数 

本書は機械学習で頻繁に使われている線形代数について解説しています。**線形代数は、高校で学んだものの忘れている方が多い分野なので、本書で復習すると良いでしょう。**線形代数の活用例も挙げているため、線形代数がどのように機械学習で使われているかもイメージできるようになります。

【参考】：[高校レベルからはじめる! やさしくわかる線形代数](https://www.natsume.co.jp/books/15947)

### 文系学部のための線形代数と微分積分

*本書は高校レベルの線形代数と微分積分の基礎をおさえられる1冊です。*線形代数と微分積分は、機械学習では多く使われる数学分野です。「積分とは何か」「線形代数とは何か」という点から詳しく解説しているため、数学に苦手意識を持つ方でも読み進めることができます。

機械学習を学びたいと思っても、なにから始めるべきか分からないという方は多いのではないでしょうか？機械学習を学ぶならまずは本を読んで、基礎知識を幅広く身につけるのがおすすめです。当記事では、機械学習を学べる本について解説します。

機械学習とは、多くのデータからパターンを認識する人工知能の学習手法のこと

機械学習を学ぶならまずは本を読んで基礎知識を身につけるのがおすすめ

機械学習の本には概要を学べるものから、Pythonのライブラリを学べるものまでさまざまな種類がある

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！

DX推進ガイドラインとはデジタルトランスフォーメーションを推進するためのガイドラインのことで、2018年12月に経済産業省が発表した経済界に対する提言文書です。ここでは、経産省がDX推進ガイドラインを策定した目的とDX推進ガイドラインの内容について説明します。

【参考】[METI DX：経済産業省のデジタルトランスフォーメーション特設Webサイト](https://www.meti.go.jp/policy/digital_transformation/index.html)

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！

### 経済産業省が「DX推進ガイドライン」を発表した背景

経済産業省は2018年5月にDXに向けた研究会を設置し、その4ヶ月後には「DXレポート ～ITシステム「2025年の崖」克服とDXの本格的な展開～」を公開しました。さらに、その3ヶ月後のに発表されたのが「DX推進ガイドライン」です。

このような経産省の動きの背景には、**DXレポートの副題にある「2025年の崖（がけ）」が迫っているという危機意識があります。**「2025年の崖」とは、日本の企業がDXを実現しないまま*既存のIТシステムに依存していると「2025年から年間で現在の約3倍、約12兆円もの経済損失が発生する」という予測のことです。*

DX推進ガイドラインでは、まず経営のあり方を見直してから基盤となるITシステムを構築することを推奨しています。企業がDXを実現するためには、まず基礎となる経営のあり方を見直す必要があります。経営のあり方が決まったら、次はIТシステムをどのように使って経営方針を構築するかを検討します。

DX推進ガイドラインのユニークな特徴は、提言の各所に**失敗ケースと先行事例が例示されていることです。**「失敗するとしたらこんなケースが多いのでは」という予測が立てられており、残念ながら現在の多くの企業において予測どおりの失敗が発生しています。以下で、具体的な「失敗ケース」と「先行事例」も含めて解説します。

## DXの推進にはまず経営の見直しを

DX推進に必要な経営のあり方や仕組みとして、ガイドラインが挙げているのは下記の5つです。


1.経営戦略・ビジョンの提示
2.経営トップのコミットメント
3.推進をサポートする体制の整備、人材育成
4.投資の意思決定
5.スピーディーな対応力

DXの取組事例に学ぶDX成功のポイントとITエンジニアへの期待

### DXの実現には経営戦略が必要

ガイドラインはまず、DX実現のためには「経営戦略・ビジョンの提示」が必要だと提言しています。急速なデジタル技術、AI技術の進展によって、AmazonやAppleが書籍や音楽の流通で起こしたような**ディスラプション（破壊的イノベーション）がいつどこで生じても不思議ではない状況です。**このような状況に対応するには「デジタルによる企業の変容」を経営戦略の中に位置付けることが必要です。

ガイドラインでは、下記のような失敗ケースを示しています。

・戦略をもたずに、技術起点のPoC（概念実証）の会議を繰り返して疲弊する
・経営者に明確なビジョンがないのに「AIを使って何かやれ」などと部下に丸投げする

### 経営トップのコミットが不可欠

DXは企業の情報システム部門のみの改革ではなく、**組織・人事の仕組みや企業文化・風土そのものの変革が必要なテーマです。**経営トップの積極的なコミットなしではDX推進はできません。必要な変革に対して既存システムにこだわる部門の圧力が大きい場合は、トップが率先してシステムの入れ替えを進めることも大切です。

### 社員のマインドセットと必要な人材の調達・育成

DXの推進には、「我が社もやればできる」という社員のマインドセットも必要です。ガイドラインでは、**仮説検証を繰り返し課題を達成するプロセスを確立することで、社員のマインドセットを醸成することを提言しています。**

また、DX推進部門の設置などのサポート体制、人材の育成・確保に向けた取り組みの必要性も指摘しています。

*<失敗ケース>* 仮説を立てずに実行すること、失敗を恐れて何もしないこと。

### コストの大きさで足踏みをしない

DXの推進には当然、多くの資金が必要です。ガイドラインでは「コストがかかるというマイナス面だけでなくビジネスに与えるプラスのインパクトを勘案して判断しているか」**「リターンやその確実性を求めすぎて挑戦を阻害していないか」と提言しています。**

また、投資をためらうことでデジタル化するマーケットから排除されるリスクも忘れるべきではないとしています。

### スピーディーな対応を心がける

ガイドラインは「2025年の崖」を意識して、上記の4つを含めてビジネスモデルの変革・経営方針の転換・グローバル展開などにスピーディーに対応することが大切だとしています。2025年まであと数年しかないことを考えると、上記で説明した経営トップの判断の遅さやコストの大きさによる足踏みは、早急に対策すべき事案です。

## 経営戦略に基づくITシステムの構築

経営戦略に基づくIТシステムの構築については、「*体制作り*」と「*実行プロセス*」に分けて次のような提言がなされています。


【体制づくり】
1.全社的なITシステムを構築するための体制（組織や役割分担）を整える
2.全社最適を目指すガバナンスを確立する
3.ベンダー企業に丸投げしないオーナーシップを持つ

【実行プロセス】
1.IT資産の分析・評価
2.IT資産の仕分けとプランニン
3.刷新後のITシステムの変化への追従力

### 全社的な推進体制と全体設計を描ける人材を確保する

各事業部門のデータやシステムを統合する全社的なITシステムを構築するための体制づくり（組織や役割分担）が重要です。経営変革に合わせたITシステム構築の体制に、**DX推進の全体設計を描ける人材を確保しているかどうかが重要なポイントになります。**

*<先行事例>* 経営トップと事業部門、情報システム部門からなる少人数のチームを組織して、トップダウンでDXに取り組む。

### 全社で最適なITシステムを構築する

**部門ごとに最適なITシステムを構築するという方法では真のDXは実現できません。**部門ごとにITシステムを変えると企業全体のITシステムが複雑化し、ブラックボックスを抱えることになります。部門ごとではなく、全社で最適なITシステムの構築を目指す必要性があります。

上記のガバナンスは、ベンダー企業に企画や要件定義を丸投げしていては確立されないことも指摘されています。

*<失敗ケース>* これまで付き合いのあるベンダー企業からの提案を鵜呑みにしてしまう。

### ベンダー企業に丸投げしない

**ITシステムの構築をベンダー企業に依頼する際、情報システム部とベンダー企業だけでやり取りするのは危険です。**上記で説明したように、企業全体で最適なITシステムの構築が目的であるため、各部門を巻き込んでITシステムの構築に取り組むことが大事です。

*<失敗ケース>*ベンダー企業が情報システム部門としか話ができず、事業部門と密接な連絡が取れない。

### IT 資産の現状を分析し、仕分けとプランニングを行う

実行プロセスではまず、PC・サーバー・ソフトウェアなどのIT資産の現状を分析・評価することが大切です。

次に、ビジネス環境の変化に対応してビジネスモデルを変革できるような、システム環境のプランニングを行います。その際には、「廃棄すべきものは廃棄してこれ以上コストをかけない」という仕訳も必要になります。

*<先行事例>* IT資産の現状を分析した結果、半分以上が業務上利用されていないITシステムであり、これらについては、廃棄する決断をした。

### システム刷新後もITの進化に適応する

ITシステムの刷新後も、ビジネスモデルの変化に伴う新たなデジタル技術の導入が必要と予想されます。新システムはこのような変化に迅速に対応できるものでなくてはなりません。

*<失敗ケース> * **スピーディーに機能追加できるようなIТシステムに刷新するという目的設定がなく、ITシステムの刷新自体が自己目的化すると、DXにつながらないITシステムができあがってしまう（再レガシー化）**

ここまで、DX推進のために企業が取り組むべき内容について詳しく説明しました。次に、DX実現のためのコツについて説明します。DX推進ガイドラインとの内容とDX実現のためのポイントを理解し、企業は何をすべきか、自分ができることは何かを具体的に考えてDXの計画を立ててください。

**DX推進指標とは、DXの実現度を企業が自己診断するためのチェックリストです。**2019年7に経済産業省が作成し、公開しました。DX推進指標の目的は、各企業の経営幹部、事業部門、DX部門、IT部門などがチェックリストについて議論・回答し、各部門で課題や成果を共有することです。

内容は主に2つあり、経営のあり方と仕組みについて、DXを実現するためのITシステムの構築についてで構成されています。チェック項目は35項目あり、現在の日本企業が抱えている課題と、課題を解決するための具体策について書かれています。

*各部門と共有することを前提として作成されているため、企業全体で取り組むことができるのがポイントです。*「DXを実現したいがやり方がわからない」「DXが進まないが何が悪いのかわからない」といった企業は、DX推進指標を参考にすると解決策が見えてくるでしょう。

【参考】[デジタル経営改革のための評価指標（「DX推進指標」）を取りまとめました](https://www.meti.go.jp/press/2019/07/20190731003/20190731003.html) 

### DXレポート2.1（DXレポート2追補版）を理解する

2021年8月に、経済産業省はDXレポート2（中間取りまとめ）を補完した「DXレポート2.1(DXレポート2追補版)」を公開しました。2020年12月に公開された「DXレポート2（中間取りまとめ）」では企業のDX推進のための施策が記載されています。**DXレポート2.1では、DXレポート2.で明らかにできなかった今後の産業の変化や、変化に対応する企業のあり方がまとめられました。**

内容は主に、デジタル産業の加速における各企業の経営の変化について記載されています。*企業が取り組むべき施策の方向性や施策に関するチェックリスト（仮）、DX成功パターンなども書かれており、DXを進める上では理解する必要があります。*

また、今後も随時新しいレポートや指標（チェックリスト）が公開されると思われます。最新情報は経済産業省のホームページに掲載されていますので、定期的にチェックしましょう。

【参考】[デジタル産業の創出に向けた研究会の報告書『DXレポート2.1（DXレポート2追補版）』を取りまとめました](https://www.meti.go.jp/press/2021/08/20210831005/20210831005.html) 

ガイドラインが公表されて数年が経った現在でも、DXを全く推進できていない企業や、DXを意識しているがまだ計画段階である企業が多いです。DXを実行している企業は少なく、古いITシステムのまま現状維持を保っているのが現状です。

**DXが進まない原因として、スキル・人材の不足や自社でDXのための教育をする時間がないことが挙げられます。**経産省の「DX推進ガイドライン」はこのような進捗状況を予測したかのように、*DX推進の「つまずきどころ」を的確に指摘して、それへの備えを提言しています。*特に、経営戦略の不在・人材不足・ベンダー企業への依存は、2025年の崖が迫る中でDX推進の大きな障壁になっています。

デジタルトランスフォーメーション（DX）とは？求められる人材を解説！

経済産業省は2018年のDXレポートに続いてDX推進ガイドラインを発表し、企業がDXを推進するために必要な考え方や体制作りについて提言しました。この記事では、DX推進ガイドラインの内容と企業がDX推進のために取り組むべきことについて分りやすく解説します。

DXの推進には、企業戦略と経営トップのコミットが欠かせない

ベンダー企業への依存から脱却して自社システムへのオーナーシップを確立すべきである

DXの全体設計を行う人材が必要である

DX推進ガイドラインとは？DX実現に向けた経済産業省の提言を徹底解説

1989年にWorld Wide Webで利用されるHTMLが考案されて以来、利用しない日はないと言ってよいほどWebは人々の生活に浸透しています。

当初Webの利用方法は情報を静的コンテンツとして表示するだけでしたが、現在では双方向のコミュニケーションがとれる場としても活用されています。また*最近ではWeb3.0という言葉が使用され始めています。*

Web3.0は正確な定義を決定付けられている言葉ではありません。ですがWeb開発当初の思想であるDecentralization(分散化・集中の排除)を語源としているとされており、**次世代のWebのあり方や概念を表す言葉**として使用されています。

Web3.0の前には「Web1.0」と「Web2.0」という言葉が使用されていました。ここではWeb1.0から順番にそれぞれのWebについて紹介していきましょう。

Web1.0とは、2000年以前のWeb利用形態を指します。

Webは1989年に欧州原子核研究機構 (CERN) のTimothy "Tim" John Berners-Leeによって考案された「World Wide Web」により実現化しました。1990年代にブラウザが開発され、以後一般利用が進んでいきます。

その目的はコンテンツ情報にハイパーテキストで記述したリンクを作成し、参照を容易にするというものです。つまり*一方向の情報発信*を主としており、出版印刷物の参照と同じ意味合いを持っていました。

*コンテンツは静的Webコンテンツでユーザは変更できない*ため、ホームページ参照用のものでした。また政府が初期のWebに出資し商業利用は禁止されていたため、単に情報を探すだけのものでもありました。

Web2.0とは、2000年以降のおよそ10年間のWeb利用形態を指します。

*Web2.0ではコンテンツ利用が双方向となり、SNSのように相互に発信可能なサービスが考案・提供されました。*商業利用の解禁により、広告事業への活用やコンテンツ発信の事業化が進んでいきます。

利用分類は多岐に渡り、Webの活用方法は増加しました。具体的には「調べる」・「教わる」・「知らせる」・「蓄積する」・「共有する」・「発信する」・「繋がる」などがあります。

これによりWeb1.0の「ドキュメントの参照」から、Web2.0では「データの作成・更新・利用・共有」に利用形態が拡大したと言えるでしょう。

Web3.0ではWebの形態がさらに変化していくとされています。*Web3.0の大きな特徴として単一の中央集権組織が存在しないことがあげられます。*

また*ネットワークやネットワーク上のデータの管理権を個々のユーザーが所有している分散型と呼ばれる構造をとる*ことも、Web3.0における大きな特徴です。

そのため個人情報の保護やプライバシーの保護が強化可能な技術やハッキング対策のためのセキュリティ技術などの実装が進むでしょう。加えて*ブロックチェーン技術の活用によりさまざまな変化が訪れる*と予想されます。

続いて人工知能の活用領域の拡大が期待できます。具体的には人工知能を活用した個々の希望に合わせたリコメンデーションの精度向上やパーソナライズへの適用が挙げられます。そのためビッグデータや機械学習の精度がさらに向上していくでしょう。

## Web3.0の特徴と最新テクノロジー

Web3.0の特徴を紹介していきます。Web3.0は従来のクライアント・サーバー接続を発展して、**ピア・ツー・ピア(P2P)のネットワーク接続を基本的な分散接続の方式としています。**

クライアント・サーバー方式では情報がサーバに蓄積されるため、サーバー攻撃や個人情報管理等のリスクが増大します。一方*P2Pでは仲介するサーバがないため、政府や企業による想定外の情報蓄積や閲覧リスクが軽減*します。

加えてIoT市場拡大により情報量が爆発的に増えることが想定されます。そのため、人工知能(AI)や機械学習を活用しデータ検索の効率化・ブラウジング効率を高めたカスタマイズサービスが増加するでしょう。

それによって広告・マーケティングの質の改善やカスタマーサポートの品質改善・効率向上がもたらされると考えられます。加えて双方向の情報開示が進んでいくことで、民間ジャーナリスト等の活躍の場が増えていくことが予想されます。

ここからはWeb3.0に関係してくる最新テクノロジーや特徴的な技術について紹介していきます。

技術の記事（13ページ目）