機械学習では、大きく「教師あり学習」「教師なし学習」「強化学習」の3種類の学習の手法があります。**「教師あり学習」が最も身近な学習方法で、さらに用途に応じて「分類」あるいは「回帰」によって学習が行われます。**

ここでは、機械学習の概要とともに、これら学習手法の違いを解説していきます。

*機械学習は、人工知能の実現方法の1種です。*機械やコンピュータに対象とするデータを読み込んで学習させ、ルールやパターンを導きます。この導いたルールやパターンを活用して、社会で必要な様々な分野の課題の解決に役立てることができます。

機械学習のように、人間の介在なしに機械的に実行することができれば人間の負担が減るとともに、高速で高性能かつ高精度に処理を行うことが可能です。これまでの経験則に任せていた領域も、科学的に最適な結果を導くことが可能になります。

機械学習の説明をする上で前提となるのが、人工知能です。人工知能は、人間が備えている記憶や知識などの知的な行為や蓄積を、コンピュータの手続き・アルゴリズムに基づき所定のデータを与えることで、機械的に実行することを研究する領域です。

機械学習は人工知能の1種で、学習方法を定義し機械的に学習させるために過去の蓄積データからパターンを認識したり、将来の予測を行ったりするための技法を指します。

*人工知能が機械学習を包含しており、さらに機械学習はニューラルネットワークやディープラーニング（深層学習）を内包しているという関係性があります。*

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！

*機械学習の学習技法やアルゴリズムは、数多くあります。*よく聞く用語では、ニューラルネットワークやディープラーニングがあります。これらの用語も機械学習の1つで、それぞれの学習技法があります。

ニューラルネットワークは、処理単位である数理モデルがネットワーク上に結合したものです。生物の神経系ネットワークに着想を得て発展を続ける技法です。接続するユニットの数や階層構造などによってさらに様々なモデルが提唱されています。

ディープラーニングは、ニューラルネットワークの階層構造を多層にしたモデルで、主に4層以上の深層のニューラルネットワークを狭義のディープラーニングと呼びます。この多層のニューラルネットワークは、音声や画像、そして自然言語に強みを発揮します。

そのため、その後登場した大規模言語モデルにおいても、ディープラーニングが実装基盤に用いられています。

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

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

## 機械学習のタスクの種類と学習方法

機械学習では、タスクという用語が使われます。タスクとは、コンピュータの処理すべき課題の単位として用いられ、プロジェクトで定義するタスクと同等の考え方です。

**機械学習の場合は、課題解決の進め方で分類されており、代表的なタスクは「教師あり学習」「教師なし学習」「強化学習」の3種類に分けられます。**

*教師あり学習は、入力と対応する出力を、機械学習のアルゴリズムに与えて学習を進める方法です。*あらかじめ正解がわかっているものを覚えこませることで効率的に学習を進めます。例えば、イヌやネコの写真を学習し、画像認識に活用するなどがあります。

また電子メールが迷惑メールかどうかなどを判断するセキュリティ対策にも用いられています。

教師あり学習についてはここでは概要までとし、後ほどもう少し詳細に解説していきます。

*教師なし学習は、「教師あり学習」と対となる学習方法で、学習データに正解を与えない状態でコンピュータに学習させる方法です。*データの類似度などに基づいてグルーピングしたり、データの特徴からあらたなデータを生成したりします。

この学習方法は、正解がない考え方を調査するのに用いることが多く、例えば市場調査の購買分析や行動分析などに用います。

主に統計的手法から成るアルゴリズムを、学習に用います。学習データを似ている者同士に分類するクラスタリングや、統計学上の目的変数を表す説明変数を圧縮する次元圧縮、データの中から一定の法則を見つけ出す主成分分析などの手法を用います。

教師なし学習は、正解が与えられていないので人間が妥当性を判断する必要があります。そのため、判断を担当する人は学習データに関する知識が求められます。

*強化学習は、入力から学ぶのではなく、その価値を最大化させることに力点をおく手法です。*ある行動を行うことで、その価値を入力としてデータを更新するQ学習などの手法があります。

教師あり学習や教師なし学習とは異なり、強化学習は事前に準備するデータセットに依存しません。実際の環境で動的に変化する状況でも、収集したデータを試行錯誤し学習を続けていきます。

以上の特徴から、人間の監視下にない状態でも学習を行うことができます。カメラのピント合わせやセンサーへの導入、ロボットや自動車の自動運転などに利用されています。

## 教師あり学習をさらに詳しく

*教師あり学習は、機械学習のタスクで最も用いられる手法です。*正解があらかじめ分かるものが対象ですので、データの示す特徴が、正解に近いかどうかで適合の可能性を予測することができます。

統計学では、ある現象や値を説明するものを説明変数、それを受けて生じた結果を目的変数と言います。用いるデータで表すと、顔やシルエットなどの画像や音声などが説明変数で、特定の人物かどうか判断することを目的変数とすることができます。

ここで用いるのが、分類問題と回帰問題です。使用するモデルによって手法が決まりますので、フローチャート化することも可能です。

プログラミングのフローチャートとは？概要から書き方までを紹介

*教師データとは、教師あり学習で使用するデータの集合体（データセット）を表す用語です。*教師データは、教師あり学習で用いる「正解」と「例題」のペアの集合体で、この教師データの例題を入力したときに、正解のデータが出力されるように、モデルの訓練を行います。

モデルの訓練が完了すると、例題を入力すると正解が出力されるようになり、未知のデータを入力したときに正解に近い結果を予測することができます。

*分類問題とは、どの分類クラスに属するかを目的変数とし、予測する方法を表します。*あらかじめ定義した分類クラスにデータを振り分け、予測することを、「分類」と言い、結果を導く仕組みを「分類モデル」と言います。

例えば、入力したデータが人物なのかそうでないのか、イヌなのかそうでないのか、ネコなのかどうでないのか、などを分類します。このように「そうなのか（YES）」「そうでないのか（NO）」の2つに分類することを二値分類と言います。

また画像の例では、目なのか、鼻なのか、口なのかなど、3つ以上の分類になる場合は、多値分類で表されます。

この分類づけは、数値的な重みづけはなく、どの分類に当てはまるかのみが予測されるため「ラベル」という場合もあります。分類のアルゴリズムは、ベイズの定理を用いた「ナイーブベイズ法」や、「K 近傍法」などが用いられます。

*回帰問題とは、数値的に目的変数を予測する方法を表します。*分類問題は数値的な重み付けがありませんが、回帰問題では数値に意味合いを持つ点に違いがあります。

連続するデータの傾向から、将来の値を予測することを、「回帰」と言い、結果を導く仕組みを「回帰モデル」と言います。加えて、結果となる数値と要因となる数値から、関係を明らかにする手法を回帰分析と言います。要因となる説明変数が1つの場合が「単回帰分析」、複数ある場合を「重回帰分析」と言います。

例えば、今後の気象予報から店舗の売り上げを予測したり、模擬試験の結果と傾向から志望校への合格確率を予測したりすることができます。マーケティングなどでも、広告宣伝費のかけ方と売り上げ効果を予測する際にも一般的に用いる手法です。

*教師あり学習では、正解を与える手法のため、予測結果が正解に近いかどうか評価することができます。*評価する場合は、教師データの正解に基づくデータと、予測した評価データとを比較します。この評価方法を交差検証法と言い、「k分割法」と「ホールドアウト法」の手法があります。

「k分割法」は、学習データを分割し、分割した回数分の検証を繰り返す手法です。訓練データ群に1つの評価データを入れてモデルの当てはまりを確認します。「ホールドアウト法」は、データセットを学習データと検証データに分割して検証する方法です。

学習データとテストデータから最終の予測モデルを構築します。

回帰分析の場合は、回帰式により求められた値と実際の値について相関関係を確認します。相関係数および相関係数の二乗値である決定係数を確認し、より1に近いほど回帰式による予測が実際の値に近いことが分かります。

*予測結果の評価において学習済みのモデルが正しい場合でも、未知のデータを用いる場合には結果が適合しない場合があります。*過学習とは、この状態を表します。あまりにも教師データに適合するように調整してしまうと、それ以外のデータが入力された場合にこのようなことが起きてしまいます。

例えば、模擬試験で合格水準の方でも勉強時間とテスト結果が比例しなかったり、得意な分野や不得意な分野に偏って出題されたりするとモデルの精度が落ちてしまいます。

意思決定で用いる「決定木」のアルゴリズムでは、特に過学習となりやすいため、「ランダムフォレスト」などのアルゴリズムを検討するのが良いでしょう。

## 機械学習の分類と回帰は分析や予測の基礎となります

ここでは、機械学習の「教師あり学習」を中心に学んできました。「教師あり学習」は多くの場面で活用されており、「分類」と「回帰」でアルゴリズムが表されます。**分類と回帰は、数値解析や統計解析などの基礎となりますので、ここで学んだ内容は多くの場面で活用することができるでしょう。**

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！

データサイエンスと統計学の違いとは？活かせる職業も紹介

機械学習の学習の手法は、大きく「教師あり学習」「教師なし学習」「強化学習」の3種類があります。よく用いられる「教師あり学習」は、さらに「分類」と「回帰」によって学習を行います。ここでは、機械学習の概要とともに、これらの学習手法の違いを解説していきます。

機械学習には、「教師あり学習」「教師なし学習」「強化学習」の3つの学習手法があります

分類と回帰は、「教師あり学習」で用いる問題解決の手法で、教師データを用いて学習を進めます

分類と回帰は、データの分析や予測など多くの場面で活用できる基礎のため、スキルとしても有効です

機械学習の分類と回帰とは？学習手法の概要から違いまで解説！

## ニューラルネットワークとディープラーニング

ディープラーニング（深層学習）が機械学習の1種であることは分かっていても、ディープラーニングとニューラルネットワークは何が違うのか、分かりづらいという方がいるかもしれません。

この記事では、*ニューラルネットワークとディープラーニングとの違いをテーマに、改めてAI（人工知能）に関する基本を確認していきます。*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、それぞれの概要を改めて確認しておきましょう。

今や一般用語となったAIですが、AIの明確な定義は定まっていません。AIは「Artificial Intelligence」（人工知能）の略語で、人工的に人間の知覚や知性を再現したものがAIです。

一般社団法人の「 人工知能学会」では、**「AIは知的な機械、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。**そして、今話題の生成AI、ChatGPTはまさしく典型的なAIの1つと言ってよいでしょう。

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

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！

最初にAI（人工知能）と機械学習、ディープラーニングの関係を確認しておきましょう。AIの構成要素として機械学習がありますが、その機械学習の1手法としてディプラーニングが存在しています。

それらの関係性を図式化すると、**『AI>機械学習>ディープラーニング』という関係になり、これらをまとめて「AIの三大分類」と言われています。**

AIを学習させる方法とは？機械学習やディープラーニングについて解説

機械学習とは、まさに機械（コンピュータ）自身が反復学習して、読み込んだデータから、データの背景にあるパターンやルールを見出す方法のことです。英語ではMachine Learningと呼びます。

ポイントは機械が単に丸暗記するのではなく、ある事象から特徴をつかむ点です。**機械学習では特徴から法則を見出し、見出した法則から予測や判断を行います。**機械学習には「教師あり学習」と「教師なし学習」、「強化学習」の3種類があります。

### ディープラーニング（深層学習） とは

ディープラーニングは深層学習とも呼ばれ、機械学習の1つの手法です。**ディープラーニングではデータからルールやパターンを学習する際に、多層的な構造で捉えてデータの複雑さに対応し、データの分析精度を向上させます。**

例えば、ディープラーニングが活用される画像認識では、画像を構成する要素、すなわち形や色以外に、明暗や色相といった要素から多くの特徴を数値化し、入力した画像の特徴を中間層として構造化し、画像が何の画像なのかを判断します。顔認証、音声認識、自然言語処理などはディープラーニング技術を用いています。

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

### ディープラーニングとニューラルネットワークの違い

ここまで、AIとその構成要素である機械学習、さらには機械学習の1つの手法であるディープラーニングについて、おさらいをしました。しかし、AIを語る上で忘れてはならない「ニューラルネットワーク」があります。

**ニューラルネットワークは機械学習において欠かせないアルゴリズムの1つであり、そのニューラルネットワークを応用したものがディープラーニングです。**

## ディープラーニングとニューラルネットワークの関係

機械学習について学び始めると、必ず登場するディープラーニング、そのディープラーニングを行う上で外せないのがニューラルネットワークです。

では、ディープラーニングとニューラルネットワークはどのような関係なのかを見ていきましょう。

### 機械学習とニューラルネットワーク

**機械学習のアルゴリズムとして用いられるニューラルネットワークは、人間の脳に似た働きをコンピュータ上で再現したものです。**人間の脳には大量の神経細胞（ニューロン）が存在し、ニューロンに電気信号を伝達をすることによって情報が処理されます。

この伝達を数理モデルにし、複数を組み合わせてニューラルネットワークが形成されます。ニューラルネットワークを例えるなら脳であり、神経細胞に当たるものを「パーセプトロン」と言います。

当初、パーセプトロンは入力をもとに出力するという単純なモデルで、線形分類しかできませんでした。

そこで、入力層と出力層の間に隠れ層（中間層）という関数を追加し、非線形分類を可能にした多層パーセプトロンが生まれ、現在のニューラルネットワークの基本モデルとなっています。

*■ DNNとは*
従来のニューラルネットワークの概念では、入力層・隠れ層（中間層）・出力層は各1層の3層で構成されていましたが、ディープラーニングに対応した4層以上に層を深くしたものをディープニューラルネットワーク：DNN（Deep Neural Network）と言い、より複雑な情報処理が行えるようになっています。

### 深層学習（ディープラーニング）

**ディープラーニングは、一言で表すと、ニューラルネットワークの隠れ層（中間層）を増やしたものだと言えます。**関数でもある隠れ層（中間層）を増やすと、より複雑な関数を表現することが可能になり、より複雑な処理ができるようになります。

このように層が多くなり、層が深くなるという意味で、深層学習・ディープラーニングと称されるのです。

ディープラーニングでは、ニューラルネットワークによって脳の動きに近づけることで、機械学習ではデータの特徴を人間が判断していたものを、ディープラーニングではコンピュータが判断するようになりました。

こうして、ディーブラーニングによる画像認識は、自動運転や防犯カメラなどに応用され、自然言語処理は翻訳やチャットボットに応用され、また音声認識は文字起こしに使われているのです。

*■ CNNとは*
CNN（convolutional neural network）はニューラルネットワークの種類の1つで、畳み込みニューラルネットワークとも呼ばれています。ディープラーニングのやり方の1つであり、いくつもの深い層を持ち、主に画像認識分野で成果を上げています。

*■ RNNとは*
RNN（Recurrent Neural Network）もニューラルネットワークの1種で、回帰型ニューラルネットワークとも呼ばれます。CNNとの違いは、RNNはテキストの自動生成が特徴で、CNNと組み合わせて、解析した画像に説明文を自動的に付加するような利用方法があります。

## ディープラーニングやニューラルネットワークを学ぶのにおすすめの書籍

ディープラーニングは機械学習の1つであり、さまざまなアルゴリズムを用いて学習を行う手法であることが分かりました。ここではディープラーニングやニューラルネットワークについて、もう少し掘り下げて、体系的に学びたいという方に、おすすめの書籍を紹介していきます。

### ディープラーニングを支える技術 ——「正解」を導くメカニズム[技術基礎] 

初学者の方を対象にした、ディープラーニングに関する技術解説書です。本書では、ディープラーニングの現在に焦点を当てて、**機械学習の基本からディープラーニングの仕組み、技術的基礎、数学的知識まで広範囲に解説しています。**

▪著者： 近藤 容司郎、藤川 千種、佐々木 歩惟 、松橋 龍貴
▪出版社：技術評論社
▪ページ数：304ページ
▪出版日： 2022年1月8日

【参考】：[ディープラーニングを支える技術 ——「正解」を導くメカニズム[技術基礎]](https://gihyo.jp/book/2022/978-4-297-12560-8)

AIを勉強するのに数学は必要？どこまでの範囲が必要か解説

### Pythonによるディープラーニング (Compass Booksシリーズ)

Pythonで書かれたディープラーニングのAPI、Kerasの開発者であるFrançois Cholletが書いた本がベースの書籍です。**数学などの専門的知識を必要とせず、ディープラーニングの手軽な実装が可能になります。**初学者から経験者まで幅広くカバーする優れた参考書としておすすめします。

▪著者： François Chollet、巣籠悠輔 (その他)、株式会社クイープ (翻訳)
▪出版社：マイナビ出版
▪ページ数：496ページ
▪出版日： 2022年3月23日

【参考】：[ Pythonによるディープラーニング (Compass Booksシリーズ)](https://book.mynavi.jp/ec/products/detail/id=128583)

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

### ニューラルネットワークとディープラーニング (データサイエンス大系)

ディープラーニングとニューラルネットワークを同時に学べる教科書の日本語翻訳版です。幅広い技術の設計思想や応用例が丁寧に解説され、**ディープラーニングとニューラルネットワークの全体像を掴むのに最適な書籍としておすすめします。**

▪著者： Charu C. Aggarwal、竹村 彰通 (監修)、今泉 允聡 (監修, 翻訳)、その他
▪出版社：学術図書出版社
▪ページ数：520ページ
▪出版日： 2022年3月30日

【参考】：[ニューラルネットワークとディープラーニング (データサイエンス大系)](https://www.gakujutsu.co.jp/product/978-4-7806-0714-7/)

データサイエンスとは？注目されている理由と基礎スキルについて解説！

## ディープラーニングに強いAIエンジニアを目指して

ここまで、ニューラルネットワークとディープラーニングとの違いをテーマに、AIと機械学習、ディープラーニングとの関係や、それらを学ぶのに適した書籍を紹介しました。ニューラルネットワークは人間の脳に相当し、神経細胞に相当するものがパーセプトロンであることも学びました。

*顔認証、音声認識、自然言語処理などAIに欠かせない技術はディープラーニングによって成り立っており、ディープラーニングはニューラルネットワークによって進化してきました。*

これからもAIは発展を続け、大きく私たちの生活や仕事を変えていくでしょう。この記事でニューラルネットワークとディープラーニングに興味が湧いたら、紹介した書籍を参考に知識を深めましょう。

AIができることとは？活用事例やできないことも併せて紹介

AIを活用した便利なツール10選！メリットや注意点も解説

AIについて学ぶと必ず登場するディープラーニングとニューラルネットワークですが、両者は何が違い、どのような関係なのでしょう。この記事では、ディープラーニングとニューラルネットワークの違いをテーマに、AIや機械学習との関係、おすすめの書籍などについて紹介します。

AIの三大分類と呼ばれるAI、機械学習、ディープラーニングの関係

ニューラルネットワークとディープラーニングとの違い

ディープラーニングやニューラルネットワークを学ぶためのおすすめの書籍

ディープラーニングとニューラルネットワークの違いが分からない？わかりやすく解説

## Adobe Fireflyの多言語対応版発表

Adobe社は2023年7月12日、「Adobe Firefly」の対応言語を拡張して、日本語でのプロンプト入力を可能にしたと発表しました。Adobe FireflyはAdobe社が提供している画像生成AIサービスです。Adobe Fireflyは、2023年3月からベータ版の提供が始まりました。

同サービスはAdobe社が独自に開発したAIモデルを採用しており、モデルの学習では同社のAdobe Stockを利用しているため、生成AIでは起こりがちな著作権、肖像権等の問題がクリアされている点が特徴です。

それは生成物には加工履歴を保証するAdobe社独自の「コンテンツクレデンシャルタグ」が自動的に付与されるため、作成された画像の全てに透明性が担保されるからです。*この記事では、Adobe Fireflyの概要、基本的な使い方、メリットや気を付けることなどについて解説をします。*

【参考】：[Adobe、Adobe Fireflyのプロンプト入力を日本語を含む100以上の言語に展開](https://www.adobe.com/jp/news-room/news/202307/20230712_adobe-firefly-prompts.html)
【参考】：[Adobeについて](https://www.adobe.com/jp/about-adobe.html)
【参考】：[Adobe、「Adobe Firefly エンタープライズ版」を発表](https://www.adobe.com/jp/news-room/news/202306/20230608_firely-and-express-to-enterprises.html)

Adobe Fireflyは、Adobe社が開発した生成AI製品で、今後はACC（Adobe Creative Cloud）などのAdobeクラウドサービスに組み込まれる計画です。2023年3月に発表されましたが、現時点ではベータ版での提供となっています。

Adobe Fireflyは個人向けとして登場しましたが、*2023年6月9日に企業向けの「Adobe Fireflyエンタープライズ版」が発表され、2023年下半期の提供開始が予定されています。*ここでは、Adobe Fireflyで何ができるのか、基本的な使い方を紹介していきます。

【参考】：[生成塗りつぶしで創造力をさらに広げよう](https://www.adobe.com/jp/sensei/generative-ai/firefly.html)
【参考】：[Fireflyエンタープライズ版  - アドビ](https://www.adobe.com/jp/sensei/generative-ai/firefly/enterprise.html)

Fireflyは100以上の言語に対応したテキスト入力によって、AIイラストなどの画像作成、テキストの変形、色合いの変更などができる画像生成AIです。*最大の特徴は、著作権の問題を気にせず安心して使えることと、Adobe CCとの連携に優れている点です。*

### 画像生成AIの著作権問題をクリア
画像生成AIではデータの元になる素材の著作権という問題があり、特に企業が使用する場合にはリスクがありました。

「Firefly」の画像生成では、ストックフォトとして最大手の「Adobe Stock」上で使用許諾した画像、オープンライセンス作品、著作権期限切れコンテンツのみを使用するため、著作権トラブルの問題をクリアしています。

さらに、コンテンツ履歴の保持機能を持つCAI（Content Authenticity Initiative）などの仕組みを活用し、**著作権を気にせず商用利用が行えます。**

【参考】：[コンテンツ信頼性イニシアチブ](https://contentauthenticity.org/)

ACCとはAdobe Creative Cloudを指します。ACCは、Adobeが開発するグラフィックデザイン、動画編集やウェブデザインなどのソフトウェアをサブスクリプション方式で利用ができるサービスと、それらを提供するクラウドサービスの総称です。

**FireflyはPhotoshopやIllustratorなどとシームレスに連携し、例えばPhotoshop内で画像の選択範囲にテキストから生成した画像を合成するといったことが可能になります。**

【参考】：[AI画像生成・生成塗りつぶし - Adobe Photoshop](https://www.adobe.com/jp/products/photoshop/generative-fill.html)

ここでは、Adobe Fireflyに関する素朴な疑問をまとめてみました。

*Q1.正式版はいつから提供されますか？*
　Adobe Fireflyエンタープライズ版は2023年下期から提供開始と公表していますが、個人向けのリリース時期は未公表です。

*Q2.Adobe Fireflyの料金は決まっていますか？*
　個人向けFireflyの単体利用は無料ですが、PhotoshopなどのAdobe製品と連携させて利用する場合は、各ツール（ソフト）の利用料金が掛かります。エンタープライズ版の料金は未定です。

【参考】：[Adobe Creative Cloudの詳細と製品情報 | アドビ公式](https://www.adobe.com/jp/creativecloud/plans.html)

*Q3.Adobe Fireflyで生成した画像の商用利用はOK？*
　正式版がリリースされれば生成画像の商用利用はできますが、ベータ版ではできません。ベータ版で作成した画像には「商用目的ではない」ことを示す透かしが入ります。

 Adobe Fireflyは実際に試すことで、その素晴らしさを実感できるでしょう。 Adobe Fireflyを試す方法としては、*公式ページ上で行う方法と、 Photoshop 2023のベータ版をダウンロードして使う方法の2種類があります。* Photoshopに慣れている方は、後者の方法をおすすめします。 

Adobe Fireflyのベータ版は、以下の「Firefly公式ページ」にアクセスし「ログイン」することで試用ができます。既に日本語対応されていますので、日本語を選択します。

**このサイトでは、「テキストから画像生成」、「ジェネレーティブフィルで画像生成」、「テキスト効果で画像生成」などの機能を試すことができます。**

【参考】：[Adobe Firefly (ベータ版)](https://firefly.adobe.com/)

### Adobe Photoshop 2023のベータ版で試す

Adobe Fireflyの機能は、Adobe Photoshop 2023に搭載される予定です。その結果、文言で指示するだけで画像に新たなコンテンツを追加したり、既存の画像を修正や削除したりすることができるようになります。

例えば、画像に映っている人物の横に別の人物を追加したり、景色を夏から冬に変更したりといったことが言葉で指示するだけで簡単に行えるのです。**このような「ジェネレーティブ塗りつぶし」機能はAdobe Photoshop 2023のベータ版で無料で試すことができます。**

以下の参考リンクにアクセス、最上段の［無料で始める］ボタンをクリックし、記事内の案内に従ってPhotoshop（Beta版）をインストールしてみましょう。

## Adobe Fireflyのメリットと注意点

Adobe Fireflyの概要や試す方法については理解できたと思います。実際に試した方は、生成AIの威力を実感されたことでしょう。ここでは、*Adobe Fireflyの特徴についておさらいをする意味で、メリットと利用に当たって気を付けることを確認してみましょう。*

まず初めに Adobe Fireflyの主なメリットについて、3つ紹介します。

*■ 著作権侵害の心配が要らない*
Adobe Fireflyは、ストックフォトとして知られた「Adobe Stock」から使用許諾された画像、オープン ライセンスの作品、著作権期限が切れたコンテンツを利用する仕組みのため、基本的に著作権を侵害する心配がありません。そのため企業やクリエイターは安心して商用利用ができます。

*■ Adobe製品と連携できる*
Adobe FireflyはPhotoshopやIllustratorなどのAdobe製ソフトと連携できますので、Adobeユーザは違和感なく直ぐに利用できます。また今後、サードパーティ製のソフトにも Fireflyが追加されていくことが想定され、実質的にFireflyが画像生成AIの標準となる可能性もあります。

*■ 生成画像が高品質でカスタマイズもしやすい*
Adobe Fireflyはまだ完成版はリリースされていませんが、ベータ版を試しただけでも品質の高さが実感できます。

例えば、「背景の季節を冬にして」といったテキストによる指示で、AIは意図を理解して指示通りの画像を生成してくれます。これまでこうした操作にはある程度の技術が必要でしたが、Adobe Fireflyを使えば素人でもプロ並みのコンテンツを作成できるようになります。

### Adobe Fireflyの利用で気を付けること

次にAdobe Fireflyの利用において、気を付けることを確認しておきましょう。

*■ 学習データは限られている*
著作権の問題が最大の理由ですが、 Adobe FireflyのAIが学習しているデータはAdobe Stockデータやオープンライセンスの画像などに限られ、自分の持っている画像などでトレーニングができません。ただし、Adobeでは今後対応策を検討していくとしています。

*■ 言語能力が求められる*
生成AIでは、AIに対していかに的確な指示を与えられるかがアウトプットの成否に大きく影響します。利用に当たっては、プロンプトエンジニアに要求されるような会話スキルや自然言語スキルを磨いておく必要があります。

プロンプトエンジニアとは？プロンプトの基礎や仕事内容、年収を紹介

プロンプトエンジニアリングの効果的な学習方法は？学ぶ意義も紹介

## Adobe Fireflyを実際に利用してみよう

ここまでAdobeの画像生成AI、Fireflyの特徴や機能、試し方、メリットとデメリット、FAQについて紹介してきました。*これまで画像処理は専門的なスキルが求められましたが、画像生成AIのFireflyでは複雑な画像処理をテキストで指示するだけで、簡単にやってくれます。*

しかも、商用利用では著作権という問題がつきまとい、頭を悩ませるケースが少なくありませんでしたが、Adobe Fireflyは著作権や倫理面の問題も解決しています。この素晴らしいサービスをぜひ1度試してみることをおすすめします。

Adobe社の画像生成AI「Adobe Firefly」ベータ版が、エンタープライズ版の発表に続き、日本語などに多言語対応し、Adobeソフトのベータ版に組み込まれました。ここではAdobe Fireflyの概要、試用方法、メリット、FAQなどを紹介します。

Adobe Fireflyはアドビ社が開発する画像生成AIで、ベータ版がリリースされている

Adobe Fireflyの特徴としては、著作権問題への対応と、同社ソフトやクラウドとの連携がある

Adobe Fireflyを試す方法としては公式サイト利用か、 Photoshop 2023のベータ版利用がある

Adobe Fireflyとは？アドビの画像生成AIがついに登場！

## DXビジネス検定とはどのような資格？

デジタルトランスフォーメーション（DX）はこれからの時代に強く求められている技術です。企業の多くがDX活動を進めている以上、それを身に付けたいと思っている方も多いはずです。そんなDX技術習得を証明するいくつかの資格の中に、「DXビジネス検定」というものがあることをご存知でしょうか。

本記事では、**DXビジネス検定について、その資格概要や難易度を説明しつつ、勉強方法も解説していきます。**

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！

## 非エンジニア向けのDX知識証明資格

まず結論から言えば、DXビジネス検定とは非エンジニア職種のためのDX技術認定資格です。

従来存在していたDX検定は、DX技術に関して実務に即した内容であり、設計や開発を行うエンジニア向けの側面が強い資格でした。一方、DXビジネス検定はDXの基礎知識からスタートし、DXをビジネスに活かすためのビジネスモデルや実際の事例に関する知識が出題の中心です。

このように、**企業の営業や人事などエンジニアではない職種をターゲットにした資格と言えるでしょう。**検定自体のハードルが下がった本検定はDXを学びたいと考える幅広い方におすすめできる資格と言えます。

<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>

話を戻し、DXビジネス検定の概要を改めて詳しく説明していきます。試験の日程や難易度、DX検定との違いを解説していく形です。

まずDXビジネス検定は、*「日本イノベーション融合学会」と「DX検定™委員会」が主催するDX技術を認定する民間資格です。*公式サイトに「これからのDX時代に生きる全ての企業人が「DXビジネス人財」を目指すための最新検定」とあるように、DX検定に続き2023年から始まった新しい資格試験です。

出題範囲は、公式サイトに「基礎的なテクニカル分野の問題からDXビジネスモデル、DXビジネス事例など」とあるように、エンジニアの実務よりも経営的な側面がほとんどです。したがって、非エンジニア職種を対象としていることがわかります。

試験日程は年2回ですが、Web開催であり、自宅からでも受験が可能です。受験料は一般で6,600円ですが、学生割引を適用することも可能なようです。問題の形式は選択式で60分間96問であり、記述式の問題はありません。

【参考】：[DXビジネス検定](https://www.nextet.net/kentei/dxbiz/)

本資格の難易度はどの程度なのでしょうか。難易度を解説する前に本資格の認定方式を説明する必要があります。本資格では獲得点数に応じた認定レベルを定めており、合否判定を行ってはいません。以下のような認定レベルが定められています。

■スコア800以上⇒「DXビジネスプロフェッショナル レベル」認定
■スコア700以上⇒「DXビジネスエキスパート レベル」認定
■スコア600以上⇒「DXビジネススタンダード レベル」認定

これを踏まえて直近の2023年度4月の結果を見ていきます。まず全体の平均スコアは583.7点であり、得点分布では600点〜700点未満と500点〜600点未満がそれぞれ約25%で半分を占めています。認定レベルでは、スタンダードは28%、エキスパートは15.8%、プロフェッショナルは4.2%という結果でした。

この結果から、*半分は認定レベルに到達できないまでも、それ以外の48%はスタンダード以上を獲得できているため、認定を得る難易度はあまり高くないと言えます。*ただ、一方でプロフェッショナルレベルはわずか4.2%であり、受験者の大半が非エンジニアと考えても難易度は高めであると言えます。

【参考】：[第4回DXビジネス検定の結果](https://www.nextet.net/kentei/dxbiz/images/202305_04DXbiz_result-report.pdf)

DXビジネス検定はDX検定に続く第2段の検定ですが、両者の違いは何なのでしょうか。大きな違いは対象者です。DX検定は「IT先端技術トレンドとビジネストレンドの両方を理解している人材」と記載しており、*出題範囲もソフトウェアの専門知識が必要などエンジニア本職の方をターゲットにしていることがわかります。*

したがって、非エンジニア職を対象としたDXビジネス検定に比べてDX検定は難易度が高いと言えます。もちろんエンジニア職でもDX技術やソフトウェア技術に関する知識に自信がなければ、本資格を受験することで、着実なステップを踏むこともおすすめです。

### DXビジネス検定を活かせる職種の年収

DXビジネス検定を活かせる職種の年収はどの程度なのでしょうか。本検定は幅広い職種に活かせるため職種は限定されませんが、DX技術の推進と考えると社内システム企画が代表例として挙げられるでしょう。

社内システム企画の年収は「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512万円（※2023年6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SE・プログラマ（ソフトウェア製品の開発・実装）を参考にすると、平均年収568万円と分かりました。

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、社内システム企画は一般平均年収よりも、やや高めであることが分かります。

今後、誰しもがDX技術について必要な時代になってくれば、本資格を取得することでキャリアアップに繋がることもあるでしょう。代表として挙げた社内システム企画だけでなく、*一見するとDXから離れている職種ほどその恩恵があると考えられます。*

【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/it03/?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)

DXビジネス検定の概要が分かり、取得を目指したいと思う方もいるでしょう。ではどのようにして試験対策をしていけばよいのでしょうか。代表的な方法を紹介します。

### 公式によるeラーニングの利用

DXビジネス検定は過去問や問題集がほとんど出回っておらず、対策に特化した勉強は難しい状況です。*そんな中でも公式が提供しているeラーニング「DX Study Biz™」が数少ない試験対策として役立つでしょう。*

出題範囲をカバーしつつ、実際の出題に合わせた問題形式をとっているため、時間配分の計算や試験形式に慣れるのに活用できます。全分野で20時間のボリュームがあり、スマートフォン上でも活用することができます。一方、3ヶ月の期間設定があるため、なるべく試験直前に合わせたいところです。

技術の記事（14ページ目）