Uスマートフォンの歩数計が「IoT」で、その歩数データが「ビッグデータ」になり、「AIが生活習慣のアドバイスをする」という流れが、実はこの3つのつながりをそのまま表しているのだと気づきました。テキストで単独に学ぶより、IoT→ビッグデータ→AIという一本の流れで捉えると試験の選択肢にも対処しやすくなります。
IoT・ビッグデータ・AIは、それぞれ独立した技術ではなく「データを収集・蓄積・活用する」という一本の流れでつながっています。試験では個々の定義だけでなく、3V（4V）・機械学習の種類・エッジコンピューティングといった周辺概念も問われます。関連技術（RPA・デジタルツイン・XR）とあわせて体系的に整理していきます。
目次
デジタル技術の全体像
IoT・ビッグデータ・AIは「データの収集→蓄積→活用」という流れで連携しています。歩数計の例で言えば、センサーが歩数を計測（IoT）→クラウドに大量のデータが蓄積（ビッグデータ）→生活習慣を分析してアドバイス（AI）、という構図です。
COLLECT
IoT
センサーで現実世界のデータを収集
STORE
ビッグデータ
大量データを蓄積・管理・処理
ANALYZE
AI
パターンを学習して予測・判断
IoT（モノのインターネット）
定義
あらゆるモノがネットにつながる
IoT（Internet of Things）とは、家電・工場機械・乗り物・医療機器など、従来はネットに接続していなかったモノがインターネットに接続され、データを収集・送受信する仕組みです。
構成要素
センサー・通信・クラウド
IoTシステムは「センサー（データ収集）」「通信ネットワーク（データ転送）」「クラウド/データストレージ（データ蓄積・処理）」「アプリケーション（分析・制御）」の4層で構成されます。
エッジコンピューティング
データをデバイス近くで処理する
すべてのデータをクラウドに送らず、センサー・デバイスの近くで処理する技術です。遅延の低減・通信コストの削減・プライバシー保護の観点から重要で、工場の自動制御や自動運転に活用されます。
| 活用分野 | 具体例 | IoTの役割 |
|---|---|---|
| 製造業（工場） | 設備の稼働状況・振動・温度の常時監視 | 予知保全・生産効率の最適化 |
| 物流 | GPSによる荷物・車両のリアルタイム追跡 | 配送効率化・誤配送防止 |
| 農業（スマート農業） | 土壌センサー・気象センサーによる自動灌漑 | 収量増加・省人化 |
| 医療・ヘルスケア | ウェアラブル端末による心拍・血糖の継続計測 | 遠隔モニタリング・早期異常発見 |
| 小売（スマートストア） | 棚センサー・カメラによる在庫・購買行動分析 | 欠品防止・POSデータ拡充 |
ビッグデータの3V（4V）
ビッグデータとは、従来のデータベースツールでは処理が困難なほど大量・多様・高速なデータの総称です。当初は3Vで定義されていましたが、その後4つ目のVが加わることがあります。
V
Volume（量）
膨大なデータ量
テラバイト・ペタバイト単位に及ぶ膨大なデータ量。SNSの投稿・センサーデータ・ECの購買ログなどが蓄積される
V
Velocity（速度）
高速なデータ生成・処理
リアルタイムまたはそれに近い速度でデータが生成・更新される。株価・SNSストリーム・センサー値などが代表例
V
Variety（多様性）
多様なデータ形式
構造化データ（表形式）だけでなく、テキスト・画像・音声・動画・センサーログなどの非構造化データも含む
V
Veracity（正確性）
データの信頼性・正確さ
4つ目として追加される場合がある。ノイズやエラーが含まれるデータの品質をいかに確保するかという観点
U のメモ
試験では「3Vはどれか」という問い方が多いので、Volume・Velocity・Varietyの3つをしっかり覚えておくことが先決です。Veracityは「加えることがある4つ目」として出題されることもありますが、3Vが基本の定義です。
AIの種類と機械学習
教師あり学習
ラベル付きデータから学ぶ（Supervised Learning）
「入力データ」と「正解ラベル」のペアを大量に与え、入力から正解を予測するモデルを学習します。分類（スパムメール判定・病気の診断）や回帰（価格予測・需要予測）が代表的な用途です。
例：過去の受験データから合格/不合格を予測するモデル
教師なし学習
正解なしで構造を見つける（Unsupervised Learning）
正解ラベルのないデータから、データの構造・パターン・グループを自律的に発見します。クラスタリング（顧客のグループ分け）や次元削減（データの圧縮・可視化）が代表的な手法です。
例：購買データから似た傾向を持つ顧客グループを自動分類
強化学習
試行錯誤で最適行動を学ぶ（Reinforcement Learning）
環境の中でエージェントが「行動→報酬/ペナルティ」を繰り返し、累積報酬を最大化する行動方針を学習します。ゲームAI・自動運転・ロボット制御への応用が進んでいます。
例：将棋・囲碁AIが対局を繰り返して最善手を学習
ディープラーニング
人間の神経回路を模した多層構造
ニューラルネットワークを深く（多層に）積み重ねた機械学習の手法です。画像認識・音声認識・自然言語処理（ChatGPT等）で飛躍的な性能向上をもたらしました。大量のデータとコンピューター資源が必要です。
ニューラルネットワーク
入力層・中間層・出力層の構造
人間の神経細胞（ニューロン）を模した処理ユニット（ノード）を層状に並べた構造です。中間層（隠れ層）が増えるほど「深い」ネットワークになり、ディープラーニングと呼ばれます。
RPA・デジタルツイン・XR
RPA（ロボティック・プロセス・オートメーション）
定型的なデスクワーク（データ入力・コピー・照合・レポート作成）をソフトウェアロボットが自動化する技術。人間が行う「操作の手順」を記録・再生する形で動作するため、プログラム知識がなくても導入しやすい点が特徴です。AIとの組み合わせで非定型業務にも対応できるようになっています。
デジタルツイン
現実の物体・設備・都市などをデジタル空間上に仮想的に再現したモデル。IoTセンサーからのリアルタイムデータで常に同期させることで、現実を仮想空間でシミュレーションできます。工場での設備シミュレーション・都市計画・新製品の設計検証に活用されます。
XR（クロスリアリティ）
VR（仮想現実）・AR（拡張現実）・MR（複合現実）の総称。VRは完全な仮想空間、ARは現実にデジタル情報を重ねる（スマホのカメラで見るナビ等）、MRは現実と仮想を融合させた空間です。製造業の作業支援・医療トレーニング・教育への応用が進んでいます。
クラウドコンピューティング
インターネット経由でコンピューター資源（サーバー・ストレージ・ソフトウェア）を利用するサービス形態。IaaS（インフラ）・PaaS（プラットフォーム）・SaaS（ソフトウェア）の3層に分類されます。IoT・ビッグデータ・AIの基盤として不可欠なインフラです。
U「デジタルツイン」という言葉は少し難しく感じていたのですが、「現実の工場のコピーをデジタル空間に作っておき、実際に動かす前にシミュレーションできる」と理解したら、一気にイメージがつかめました。IoTで集めたデータがリアルタイムでデジタルツインを更新し続けるという構図が、試験でも問われるポイントだと思います。
過去問で確認する
経営情報システム — ビッグデータの特徴
平成30年度（H30） 第6問
ビッグデータの特徴を示す3Vに関する組み合わせとして、最も適切なものはどれか。
- ア Volume（量）・Velocity（速度）・Validity（妥当性）
- イ Volume（量）・Velocity（速度）・Variety（多様性）
- ウ Value（価値）・Velocity（速度）・Variety（多様性）
- エ Volume（量）・Value（価値）・Variety（多様性）
正解：イ ／ 解説
ビッグデータの3Vは「Volume（量）」「Velocity（速度）」「Variety（多様性）」の3つです。「Validity（妥当性）」や「Value（価値）」は3Vには含まれません。4つ目のVとして「Veracity（真実性・正確性）」が加わる場合がありますが、基本は3Vを押さえることが重要です。
経営情報システム — 機械学習
令和2年度（R2） 第7問
機械学習の種類に関する記述として、最も適切なものはどれか。
- ア 教師あり学習とは、正解ラベルのないデータからデータの構造やパターンを自動的に学習する手法である。
- イ 教師なし学習とは、入力データと正解ラベルのペアを用いて予測モデルを構築する手法である。
- ウ 強化学習とは、環境からの報酬を手がかりにして試行錯誤を繰り返しながら最適な行動方針を学習する手法である。
- エ ディープラーニングとは、正解ラベルのないデータのみを使用する特殊な教師なし学習の一種である。
正解：ウ ／ 解説
ア：正解ラベルのないデータから学ぶ手法は「教師なし学習」です。ア・イは説明が入れ替わっています。イ：入力データと正解ラベルのペアで学ぶ手法は「教師あり学習」です。ウ：強化学習の正確な説明です。環境との相互作用（行動→報酬）を通じて最適行動を学習します。エ：ディープラーニングは多層のニューラルネットワークを用いた機械学習の手法であり、教師あり学習・教師なし学習・強化学習のいずれにも適用できます。教師なし学習の一種ではありません。
経営情報システム — IoT・エッジコンピューティング
令和5年度（R5） 第5問
IoTおよびエッジコンピューティングに関する記述として、最も適切なものはどれか。
- ア エッジコンピューティングとは、すべてのデータをクラウドに集中させて一括処理する方式であり、クラウドコンピューティングの別称である。
- イ IoTデバイスから収集したデータは、必ずリアルタイムでクラウドに送信して処理しなければならない。
- ウ エッジコンピューティングは、センサーやデバイスの近くでデータを処理することで、クラウドへの通信遅延を減らし、リアルタイム処理を実現しやすくする。
- エ IoTシステムの導入により、設備の予知保全は不可能になる。設備保全は定期保全（TBM）のみで対応する必要がある。
正解：ウ ／ 解説
ア：エッジコンピューティングはクラウドの反対概念です。クラウドに集中させるのではなく、現場（エッジ）でデータを処理します。イ：IoTデータはエッジコンピューティングでデバイス近くで処理したり、ローカルに保持したりすることも可能です。必ずクラウドに送信する必要はありません。ウ：エッジコンピューティングの正確な説明です。遅延低減・通信コスト削減・プライバシー保護の観点から重要な技術です。エ：IoTセンサーを活用することで設備の状態をリアルタイムで監視でき、状態基準保全（CBM）による予知保全が可能になります。
この記事のまとめ
- IoT→ビッグデータ→AIは「収集・蓄積・活用」という一本の流れでつながっている
- ビッグデータの3VはVolume・Velocity・Variety（4つ目はVeracity）
- 機械学習は教師あり・教師なし・強化学習の3種類。ディープラーニングはいずれにも適用できる
- エッジコンピューティングはデバイス近くで処理することで遅延を減らす技術（クラウドの対概念）
- RPA（定型業務の自動化）・デジタルツイン（現実のデジタルコピー）・XR（VR/AR/MRの総称）も頻出
