━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

その課題、生成AIで解いていませんか

── 2つのAIを仕分ける全体地図

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

✓ 需要予測のような数値の問題にまで生成AIを当てて、精度が出ず止まっている

✓ 生成AIが本当に強い文章・検索・要約の領域が手つかずのままになっている

✓ 自社の課題を生成AIと従来の機械学習のどちらで解くべきか判断軸がない

✓ データ活用の「見立て」を、自分の言葉で説明できるようになりたい

もし一つでも当てはまるなら、

足りないのは技術力ではなく「使い分けの地図」です。

生成AI（大規模言語モデル）と従来の機械学習を

2つに分け、それぞれが何に向くのかを整理します。

この45分で、自社の課題リストを見て

「これは機械学習、これは生成AI」と仕分けできる地図を持ち帰れます。

■ こんな方におすすめです

────────────────────────────────

✓ 自社の課題を生成AIと従来の機械学習のどちらで解くべきか切り分けたい方

✓ 経営・DX推進で、AI活用の判断軸を体系立てて持ちたい方

✓ データ活用担当で、PoC止まりや精度不足の原因を整理したい方

✓ 「何でも生成AI」で失敗した経験があり、正しい仕分け方を知りたい方

■ セッション説明

────────────────────────────────

「自社の課題は、生成AIで解くべきなのか、それとも従来の機械学習なのか」 ー AI活用の現場で、この切り分けに迷う声をよく聞きます。ChatGPTの登場以降、何でも生成AIで解こうとして、需要予測のような数値の問題にまで生成AIを当て、精度が出ず止まってしまう例が増えています。一方で、生成AIが本当に強い文章・検索・要約の領域は手つかずのまま、という会社も多くあります。

本セッションは、AIを「生成AI（大規模言語モデル）」と「従来の機械学習（予測・分類・最適化・異常検知など）」の2つに分け、それぞれが何に向くのかという全体地図を、非エンジニアの担当者向けに描きます。前半で2つのAIの違いと、それぞれが得意な業務を具体例で示します。後半は、自社の課題をデータの型と目的で切り分ける判断軸（課題タイプ別マトリクス）を渡し、判断を誤った失敗例と、2つを組み合わせるハイブリッドの考え方まで扱います。

難しい数式は使いません。今日のゴールは、自社の課題リストを見て「これは機械学習、これは生成AI、これは組み合わせ」と仕分けできる地図を持ち帰ることです。

■ 今回話す内容

────────────────────────────────

1. なぜ「使い分け」が要るのか ー 2つのAIの違いと、判断を誤ると起きること
2. 地図の両側 ー 従来の機械学習と生成AI、それぞれが得意な領域
3. 自社の課題はどっちか ー 判断軸（データの型・目的・制約）と失敗例、ハイブリッドの考え方

■ 登壇者

────────────────────────────────

三好大悟（株式会社リベルクラフト 代表）

データサイエンティスト出身。製造業・大手ITを中心に、AI・データ活用のコンサルティングと社内研修を手がける。「技術を現場で動く施策に翻訳する」をミッションに、導入判断から構築・運用展開まで一気通貫でサポートしている。Python・SQLによる実装経験と、経営層へのプレゼン・合意形成の両方を持つ実務家。

X: 三好大悟, リベルクラフト