AIにおける「写像」とは? データと答えを結ぶ絶対法則

—— AIのための数学「第３回」

「写像(Mapping)」と聞いて、何を思い浮かべますか?

数学の教科書を開くと、「集合Aの要素を集合Bの要素に対応させる規則」と小難しく定義されていますが、これだけではAI開発との関係性がいまいちピンとこないかもしれません。

しかし、実は AIモデル(ニューラルネットワーク)そのものが、「巨大な写像装置」 なのです。

「機械学習とは結局、『理想的な写像(関数)』をデータから自動で見つけ出す作業に他ならない」

今回は、AIエンジニアにとって最も基本的かつ重要な「写像」のルールを、実務でのデータトラブルと結びつけながら直感的に解説します。

1. 写像の絶対ルール:「浮気」と「無視」は許されない

写像と呼ばれるためには、絶対に破ってはならない「2つの掟」があります。これをデータ処理の現場(例:生徒の入力データからテストの点数を出力する)に置き換えてみましょう。

🏹 🎯 🚫 【写像の鉄則】

① 無視禁止(全定義) ❌ 「この生徒の点数は未定です(対応先がない)」 ⭕ すべての入力に対し、必ず何らかの出力が決まっていなければならない。

② 浮気禁止(一意性) ❌ 「この生徒の点数は80点でもあり、60点でもある(答えが複数ある)」 ⭕ 1つの入力に対して、出力は必ず「唯一つ」に確定していなければならない。

逆に言えば、「複数の異なる生徒が、同じ80点を取る(衝突)」のは全く問題ありません。絶対に守るべきなのは、**「入力が決まれば、出力が1つに確定する(Deterministicである)」**ということです。

2. 機械学習における「写像の崩壊」

なぜこの厳格な数学的ルールが、泥臭いAI開発の現場で重要なのでしょうか?

それは、「このルールが破綻しているデータセットでは、AIは絶対に学習できない」 からです。AIの学習がうまくいかない時の原因の多くは、実はこの「写像の崩壊」にあります。

ケース①:入力に対して答えが定まらない(一意性の崩壊 = 浮気)

例えば、「画像A」に写っているのが猫であるにもかかわらず、あるアノテーターは「猫」というラベルを付け、別の適当なアノテーターは同じ画像に「犬」というラベルを付けたとします。

これは完全に写像の「一意性(②のルール)」を違反しています。このデータを与えられたAIは、「同じ画像なのに、正解が猫だったり犬だったりする!どっちが正解なんだ!」と混乱し、Loss(損失)がいつまでも下がらず、永遠に学習が収束しなくなります。データのノイズは、写像を破壊するのです。

ケース②:入力に対応する値がない(全定義の崩壊 = 無視)

データセットに欠損値(NULLやNaN)が含まれている状態です。

写像は「すべての入力に対して定義されている(①のルール)」必要がありますが、データに穴が空いていると計算(写像)が実行できません。私たちがデータの前処理で行う「欠損値を平均値で埋める」「欠損行を削除する」といった作業は、数学的に言えば**「壊れた写像を無理やり再定義して、穴を塞ぐ」**という極めて重要なプロセスなのです。

⚠️ SQLも「写像」である

ちなみに、データベース操作のSQL言語も、純粋な「写像の合成」です。JOIN して WHERE で絞り込み SELECT する行為は、あるテーブルのレコード(集合の要素)を、全く別の形(別の集合)に対応させる、巨大な写像そのものです。

3. ディープラーニングは「空間を歪める写像」のミルフィーユ

AIモデル、特にディープラーニング(深層学習)は、入力データ(画像やテキスト)を計算しやすい形に変換し続ける「写像の連鎖」です。

入力層 → 中間層: 特徴を抽出する写像(例:ピクセルの集まりから「猫の耳」のパターンを見つける)
中間層 → 出力層: 計算結果を確率に変換する写像(例:見つけた特徴から「猫である確率80%」と判定する)

これらの単純な写像を何万層にも重ね合わせる(合成関数の作成)ことで、空間をグニャグニャに歪め、人間には到底不可能な複雑な境界線を引く(判別する)ことを可能にしているのです。

4. まとめ:世界を「対応関係」で見る

「入力が決まれば、出力が決まる」。

この単純極まりないルールの集積(写像)が、AIという巨大な知性の基盤になっています。次に欠損値の穴埋めをするときや、ラベルの揺れに悩まされたときは、ぜひ「写像のルール」を思い出してみてください。あなたが直面しているエラーは、数学の根本的な掟から外れているサインかもしれないのですから。