AIモデルの正体は、本質的には「巨大で複雑な一つの関数」です。入力データにルールを適用して予測結果を返す「魔法の箱」として、AIが機能する仕組みの基本を解説します。
入力(x)を受け取り、決まったルール(f)で処理し、一つの出力(y)を返す仕組みです。AIモデルもこの基本構造を持ち、患者データなどの入力から予測結果という出力を返します。
AIは、単純な「一次関数」と、複雑なパターンを捉える「非線形関数」（シグモイド、ReLUなど）を組み合わせて作られます。特にReLUは現代のAI性能を支える重要な部品です。
AIの学習とは、大量のデータに基づき、無数の関数部品の組み合わせ（パラメータ）を調整する作業です。これにより、未知の入力にも正しい出力を返す最適な「ルール」が完成します。
AI、特に深層学習モデルの正体は何かと問われれば、極論すれば、それは「非常に複雑で巨大な一つの関数」であると言えます。「関数」と聞くと、学生時代の数学を思い出して少し身構えてしまうかもしれませんが、その本質は驚くほどシンプルです。
今回の講座では、AIを理解する上で避けては通れない「関数」の基本に立ち返ります。関数が、入力された情報に対して特定の「ルール」を適用し、結果を出力する「魔法の箱」のようなものであることを理解し、AIモデルが予測を行う仕組みの第一歩を掴むことを目指します。
1. 関数とは何か？ — 入力と出力をつなぐ「ルール」
関数とは、非常にシンプルに言うと「ある入力（値やデータ）を受け取ったら、決められたルールに基づいて処理を行い、ただ一つの出力（値やデータ）を返す仕組み」のことです。
この関係は、よく \(y = f(x)\) という式で表されます。
- \(x\) (入力 / Input): 「魔法の箱」に入れる材料です。独立変数とも呼ばれます。医療AIの世界では、患者さんの年齢、特定の検査値、あるいは医療画像データそのものなどがこれにあたります。
- \(f\) (関数 / Function): 「魔法の箱」の中身、すなわち処理のルールです。入力 \(x\) を出力 \(y\) に変換するための設計図やレシピと言えます。AIモデルの「学習」とは、この \(f\) の中身をデータに基づいて最適化していくプロセスです。
- \(y\) (出力 / Output): 「魔法の箱」から出てくる結果です。従属変数とも呼ばれます。AIによる診断結果（例：良性/悪性）、疾患の発症確率（例：85%）、あるいは特定の治療法に対する反応予測値などがこれに相当します。
身近な例として、「BMI計算機」を考えてみましょう。これは完璧な関数です。
- 入力 (\(x\)): 身長 (m) と 体重 (kg)
- 関数 (\(f\)):
体重 ÷ (身長の2乗)という計算ルール - 出力 (\(y\)): 計算されたBMI値
このように、入力と出力、そしてその間のルールが明確なものが関数です。AIモデルも、この基本構造の壮大な延長線上にあると捉えることができます。
2. AIで活躍する代表的な関数たち
AI、特にニューラルネットワークは、様々な関数を部品として組み合わせて作られています。ここでは、その中でも特に基本的で重要な関数をいくつか見ていきましょう。
a) 一次関数 (Linear Function)
最もシンプルな関数で、グラフに描くと直線になります。式は \(y = ax + b\) で表されます。
- \(a\) は「傾き」で、入力 \(x\) が1増えた時に出力 \(y\) がどれだけ増えるかを示します。
- \(b\) は「切片」で、グラフがy軸と交わる点です。
例えば、非常に単純化した薬剤の用量反応関係で、「投与量が2倍になれば効果も2倍になる」といった比例関係は、一次関数でモデル化できます。しかし、現実世界の現象、特に生命科学のデータは、このように単純な直線で表せることの方が稀です。そこで、より複雑な関係を表現できる非線形関数が必要になります。
b) 非線形関数 (Non-linear Function)
グラフが直線ではない関数全般を指します。AIが複雑なパターンを学習できるのは、この非線形関数を巧みに組み合わせているおかげです。
- シグモイド関数 (Sigmoid Function): 前回登場したネイピア数 \(e\) を使って \(f(x) = \frac{1}{1 + e^{-x}}\) と表されるS字カーブの関数です。どんなに大きな、あるいは小さな入力値も、必ず0から1の間の出力値に変換してくれます。この性質から、物事の発生確率を出力する際など、AIの最終的な出力層で頻繁に用いられます。
- ReLU関数 (Rectified Linear Unit): 現代の深層学習で最も広く使われている「活性化関数」の一つです。ルールは極めてシンプルで、「入力が0より大きければそのまま出力し、0以下なら0を出力する」というものです。数式では \(f(x) = \max(0, x)\) と書けます。単純なルールですが、この小さな「非線形性」（0でカクっと折れ曲がる点）を持つ部品を何百万と組み合わせることで、ニューラルネットワークは非常に複雑で柔軟な表現力を獲得するのです。
まとめ：関数はAIモデルの「設計図」
今回の内容をまとめます。
- 関数は、入力に対して決まったルールで処理を行い、一つの出力を返す「仕組み」である。(\(y = f(x)\))
- AI、特にニューラルネットワークは、一次関数や非線形関数（シグモイド、ReLUなど）を部品として組み合わせることで、複雑な現実世界の現象をモデル化する。
- AIの「学習」とは、入力データと正解の出力データに基づき、この巨大な合成関数の内部パラメータを最適に調整していくプロセスに他ならない。
関数は、AIというブラックボックスの内部構造を理解するための、最も基本的な「設計図」です。この設計図の読み解き方を学ぶことが、AIを深く理解し、応用していくための確かな一歩となります。
参考文献
- Goodfellow I, Bengio Y, Courville A. Deep Learning. Cambridge, MA: MIT Press; 2016. Chapter 3-4.
- Nielsen MA. Neural Networks and Deep Learning. Determination Press; 2015. Chapter 1.
- Deisenroth MP, Faisal AA, Ong CS. Mathematics for Machine Learning. Cambridge, UK: Cambridge University Press; 2020. Chapter 2.
- Sharma S, Sharma S, Athaiya A. Activation functions in neural networks. Towards Data Science. 2017;6(12):310-316.
- Downey AB. Think Python: How to Think Like a Computer Scientist. 2nd ed. O’Reilly Media; 2015. Chapter 3.
ご利用規約（免責事項）
当サイト（以下「本サイト」といいます）をご利用になる前に、本ご利用規約（以下「本規約」といいます）をよくお読みください。本サイトを利用された時点で、利用者は本規約の全ての条項に同意したものとみなします。
第1条（目的と情報の性質）
- 本サイトは、医療分野におけるAI技術に関する一般的な情報提供および技術的な学習機会の提供を唯一の目的とします。
- 本サイトで提供されるすべてのコンテンツ（文章、図表、コード、データセットの紹介等を含みますが、これらに限定されません）は、一般的な学習参考用であり、いかなる場合も医学的な助言、診断、治療、またはこれらに準ずる行為（以下「医行為等」といいます）を提供するものではありません。
- 本サイトのコンテンツは、特定の製品、技術、または治療法の有効性、安全性を保証、推奨、または広告・販売促進するものではありません。紹介する技術には研究開発段階のものが含まれており、その臨床応用には、さらなる研究と国内外の規制当局による正式な承認が別途必要です。
- 本サイトは、情報提供を目的としたものであり、特定の治療法を推奨するものではありません。健康に関するご懸念やご相談は、必ず専門の医療機関にご相談ください。
第2条（法令等の遵守）
利用者は、本サイトの利用にあたり、医師法、医薬品、医療機器等の品質、有効性及び安全性の確保等に関する法律（薬機法）、個人情報の保護に関する法律、医療法、医療広告ガイドライン、その他関連する国内外の全ての法令、条例、規則、および各省庁・学会等が定める最新のガイドライン等を、自らの責任において遵守するものとします。これらの適用判断についても、利用者が自ら関係各所に確認するものとし、本サイトは一切の責任を負いません。
第3条（医療行為における責任）
- 本サイトで紹介するAI技術・手法は、あくまで研究段階の技術的解説であり、実際の臨床現場での診断・治療を代替、補助、または推奨するものでは一切ありません。
- 医行為等に関する最終的な判断、決定、およびそれに伴う一切の責任は、必ず法律上その資格を認められた医療専門家（医師、歯科医師等）が負うものとします。AIによる出力を、資格を有する専門家による独立した検証および判断を経ずに利用することを固く禁じます。
- 本サイトの情報に基づくいかなる行為によって利用者または第三者に損害が生じた場合も、本サイト運営者は一切の責任を負いません。実際の臨床判断に際しては、必ず担当の医療専門家にご相談ください。本サイトの利用によって、利用者と本サイト運営者の間に、医師と患者の関係、またはその他いかなる専門的な関係も成立するものではありません。
第4条（情報の正確性・完全性・有用性）
- 本サイトは、掲載する情報（数値、事例、ソースコード、ライブラリのバージョン等）の正確性、完全性、網羅性、有用性、特定目的への適合性、その他一切の事項について、何ら保証するものではありません。
- 掲載情報は執筆時点のものであり、予告なく変更または削除されることがあります。また、技術の進展、ライブラリの更新等により、情報は古くなる可能性があります。利用者は、必ず自身で公式ドキュメント等の最新情報を確認し、自らの責任で情報を利用するものとします。
第5条（AI生成コンテンツに関する注意事項）
本サイトのコンテンツには、AIによる提案を基に作成された部分が含まれる場合がありますが、公開にあたっては人間による監修・編集を経ています。利用者が生成AI等を用いる際は、ハルシネーション（事実に基づかない情報の生成）やバイアスのリスクが内在することを十分に理解し、その出力を鵜呑みにすることなく、必ず専門家による検証を行うものとします。
第6条（知的財産権）
- 本サイトを構成するすべてのコンテンツに関する著作権、商標権、その他一切の知的財産権は、本サイト運営者または正当な権利を有する第三者に帰属します。
- 本サイトのコンテンツを引用、転載、複製、改変、その他の二次利用を行う場合は、著作権法その他関連法規を遵守し、必ず出典を明記するとともに、権利者の許諾を得るなど、適切な手続きを自らの責任で行うものとします。
第7条（プライバシー・倫理）
本サイトで紹介または言及されるデータセット等を利用する場合、利用者は当該データセットに付随するライセンス条件および研究倫理指針を厳格に遵守し、個人情報の匿名化や同意取得の確認など、適用される法規制に基づき必要とされるすべての措置を、自らの責任において講じるものとします。
第8条（利用環境）
本サイトで紹介するソースコードやライブラリは、執筆時点で特定のバージョンおよび実行環境（OS、ハードウェア、依存パッケージ等）を前提としています。利用者の環境における動作を保証するものではなく、互換性の問題等に起因するいかなる不利益・損害についても、本サイト運営者は責任を負いません。
第9条（免責事項）
- 本サイト運営者は、利用者が本サイトを利用したこと、または利用できなかったことによって生じる一切の損害（直接損害、間接損害、付随的損害、特別損害、懲罰的損害、逸失利益、データの消失、プログラムの毀損等を含みますが、これらに限定されません）について、その原因の如何を問わず、一切の法的責任を負わないものとします。
- 本サイトの利用は、学習および研究目的に限定されるものとし、それ以外の目的での利用はご遠慮ください。
- 本サイトの利用に関連して、利用者と第三者との間で紛争が生じた場合、利用者は自らの費用と責任においてこれを解決するものとし、本サイト運営者に一切の迷惑または損害を与えないものとします。
- 本サイト運営者は、いつでも予告なく本サイトの運営を中断、中止、または内容を変更できるものとし、これによって利用者に生じたいかなる損害についても責任を負いません。
第10条（規約の変更）
本サイト運営者は、必要と判断した場合、利用者の承諾を得ることなく、いつでも本規約を変更することができます。変更後の規約は、本サイト上に掲載された時点で効力を生じるものとし、利用者は変更後の規約に拘束されるものとします。
第11条（準拠法および合意管轄）
本規約の解釈にあたっては、日本法を準拠法とします。本サイトの利用および本規約に関連して生じる一切の紛争については、東京地方裁判所を第一審の専属的合意管轄裁判所とします。
For J³, may joy follow you.
