---
title: "アノテーションとは？AI学習データの品質を決める作業【DS検定】"
description: "アノテーションを、教師あり学習に必要な正解ラベルをデータへ付与する作業として整理します。画像・文章・音声の例に加え、ガイドライン、作業者間のばらつき、ラベルノイズ、レビュー方法をDS検定向けに確認します。"
last_modified_at: "2026-07-18"
canonical_url: "https://stemtazoo.github.io/ds/annotation/"
section: "ds"
---

## まず結論

**アノテーションとは、画像・文章・音声などのデータに、学習や評価で使う意味情報や正解ラベルを付ける作業**です。

DS検定では、単に「ラベルを付ける」と覚えるだけでなく、次の流れで理解します。

> アノテーション → 教師データ作成 → 教師あり学習

ただし、教師あり学習に正解ラベルは必要でも、すべてのデータを人が一からラベル付けするとは限りません。既存の業務記録や自動生成した仮ラベルを使う場合もあります。

## 直感的な説明

犬と猫を見分けるAIを作る場合、画像だけを集めても、AIにはどちらが犬か分かりません。

そこで、人が画像に

- 犬
- 猫

という正解を付けます。これがアノテーションです。

ただし、実務では「ラベルを付ければ終わり」ではありません。

- どこまでを犬として囲むか
- 一部だけ写った犬を犬とするか
- 複数の対象が重なった場合にどうするか

といった基準が曖昧だと、作業者ごとに結果が変わります。

つまり、アノテーションは**正解を付ける作業であると同時に、正解の基準をそろえる品質管理の作業**です。

## 定義・仕組み

代表的なアノテーションは次のとおりです。

| データ | 付ける情報 | 利用例 |
|---|---|---|
| 画像 | クラス名 | 画像分類 |
| 画像 | バウンディングボックス | 物体検出 |
| 画像 | 画素ごとの領域 | セグメンテーション |
| 文章 | ポジティブ・ネガティブ | 感情分析 |
| 文章 | 人名・組織名・地名 | 固有表現抽出 |
| 音声 | 正しい文字列 | 音声認識 |

### 品質をそろえるための仕組み

アノテーション品質を保つには、次のような仕組みが重要です。

- **アノテーションガイドライン**：判断基準と例外を文章化する
- **複数作業者による確認**：同じデータを複数人が判定する
- **レビュー**：別の担当者がラベルを確認する
- **ゴールドデータ**：正解が確定した見本データで作業品質を確認する
- **一致度の確認**：作業者間でどの程度判断が一致したかを見る

作業者間の判断が大きく異なる場合、個人の能力だけでなく、**ラベル定義そのものが曖昧**な可能性があります。

### ラベルノイズ

誤ったラベルや一貫しないラベルを**ラベルノイズ**といいます。

ラベルノイズが多いと、モデルは誤った対応関係まで学びます。そのため、データ量を増やすだけでなく、ラベル品質を確認する必要があります。

## どんな場面で使う？

### 教師あり学習

画像分類、物体検出、スパム判定、感情分析などでは、入力データと正解ラベルの組が必要です。

### 半教師あり学習

一部のデータだけにラベルを付け、残りの未ラベルデータも使います。アノテーションコストを減らしたい場合に使われます。

### 弱教師あり学習

完全に正確なラベルではなく、ルールや既存情報から作った弱いラベルを利用します。

### 自己教師あり学習

データ自身から学習用の正解を作ります。人手アノテーションを減らせますが、最終評価や用途に応じた追加学習でラベル付きデータが必要になることもあります。

## よくある誤解・混同

### アノテーション＝データ前処理

同じではありません。

| 用語 | 主な役割 |
|---|---|
| 前処理 | 欠損値処理、正規化、形式変換 |
| アノテーション | 意味情報・正解ラベルの付与 |
| 学習 | データからモデルのパラメータを更新 |

### アノテーション＝教師あり学習

アノテーションは教師データを作る前工程です。学習アルゴリズムそのものではありません。

### 教師あり学習では必ず人がラベルを付ける

誤りです。業務ログに結果が残っている場合や、ルール・別モデルから仮ラベルを作る場合もあります。

### 作業者の一致率が低い＝作業者が悪い

必ずしもそうではありません。正解が一意に決まりにくい問題や、ガイドラインが曖昧な可能性もあります。

### ラベル数が多いほどモデルは必ず良くなる

ラベルが誤っていれば、量を増やしても品質は上がりません。**量と品質の両方**が重要です。

## まとめ（試験直前用）

- アノテーションはデータに意味情報・正解ラベルを付ける作業
- 教師データを作る前工程
- 画像、文章、音声で付ける情報が異なる
- ガイドラインとレビューで品質をそろえる
- 誤ったラベルはラベルノイズになる
- 教師あり学習でも、常に人手ラベルが必要とは限らない

## 対応スキル項目（AI利活用スキルシート）

- AIで利用する学習データ・教師データを理解する
- データ収集とアノテーションの重要性を理解する
- 学習データの品質がモデル品質に影響することを理解する