📂AI基礎⏱読了2分📊応用🔗関連 4

損失関数とは?

一行定義
モデルの予測が正解からどれだけ外れているかを測る「誤差の計測器」です。学習はこの値を減らしていく過程です。
このテーマを、社内研修で📚 関連研修💬 研修のお問い合わせ
⚡ 3行要約
  • 予測と正解の誤差を数値で
  • 学習はこの値を減らしていく過程
  • '採点基準'の役割

損失関数をどう定めるかによって、同じデータ・同じ構造のモデルでも全く別物になります。モデルは現場が何を求めているかを知らず、ひたすら損失が小さくなる方向にだけ動くからです。そのため損失関数の設計はコードの作業というより、事業目標を数字に翻訳する作業に近いものです。どの誤差を大きく数え、どの誤差を見逃すかが、そのままモデルが甘受する間違いと避ける間違いを分けます。

回帰では、誤差を二乗するMSEと絶対値を使うMAEが分かれ目になります。誤差10の外れ値1件がMSEでは100にふくれ上がるため、外れ値が多い需要データならMAEやHuberの方が安全です。分類ではクロスエントロピーが基本で、クラスが一方に偏れば重み付けやFocal Lossを加えます。ここで損失と評価指標を区別しなければなりません。損失は微分可能である必要があり、学習中にモデルが見る値です。一方、正確度・F1・再現率は人が成果を判断するときに見る値です。この2つが違う方向を指していると、学習は成功しても、プロジェクトは失敗します。

現場で最もよくある失敗は、損失のグラフはきれいに下がっているのに、現場の指標がびくともしないケースです。不良率1%のラインで、すべて正常と判定するだけでもクロスエントロピーは十分低く出ます。損失が減ったことは、検査性能が良くなったという意味ではありません。もう一つは、コストの非対称性を損失に入れていないことです。不良品を1つ見逃して顧客に流れた際の代償と、問題のない製品をもう一度確認するコストは桁が違いますが、基本の損失関数はこの2つを同じ1件として数えます。損失関数はそのままにして、しきい値だけをいじって持ちこたえようとすると、再学習のたびに同じ問題がそのまま戻ってきます。

この用語が登場する研修 · AI・DX
おすすめ研修 · おすすめ講師 · 簡易見積もり
🧮 ミニ見積もり・講師料の基準
約120万ウォン(約14万円)特別講義 2時間 · 20名以下 · 韓国語
この条件で正式な見積もりを依頼 →
💡 かんたんに言うと
学習の採点基準 — どれだけ間違えたかを点数で測り、その点数を減らす方向へ学びます。
実務でなぜ重要なのか
損失関数は学習の目標を定義します。'何を減らすか'が、そのままモデルが何を得意になるかを決めます。
由来と出典

統計学・最適化理論の誤差測定の概念に由来し、ニューラルネットワーク学習の目的関数として定着しました。

事例で理解する

仮想の事例で見てみましょう。役職員240名、年売上900億ウォン(約1,076,310万円)台の自動車部品会社A社は、外観検査工程にAIを導入しました。全体物量に対する不良率は1.2%で、3か月の学習の末に「正確度98.9%」という報告が経営会議に上がってきました。ところが同じ期間、お取引先からのクレームは月14件から減りませんでした。

  1. 品質保証チームのパク部長が検査ログを直接開いてみると、実際の不良86件のうち、モデルが弾いたのは11件だけでした。'正確度98.9%は、結局すべて正常と判定した点数ではないですか'という声が会議室から出ました。
  2. データチームは、不均衡データにクロスエントロピーをそのまま使ったことを原因と見て、不良クラスに重み20を与え、Focal Lossも加えて再学習を実施しました。
  3. 生産本部長が'不良を1つ見逃すとリコール対応に3000万ウォン(約359万円)、過検出1件は再検査の人件費4000ウォン(約480円)'と断言すると、チームは見逃しのペナルティを過検出の30倍に設定して損失に反映しました。
  4. 検証で正確度は98.9%から97.4%に下がりましたが、不良検出率は12.8%から79%に上がりました。パク部長は報告指標を正確度の代わりに、検出率と過検出率の2つに変えました。
  5. 3か月後、顧客企業への流出不良は月14件から2件に減り、過検出率は3.1%から7.6%に増えましたが、増えた再検査の人件費は月60万ウォン(約7.2万円)程度だったため、そのまま維持することに決めました。
関連用語
この用語に関連する研修
📚エージェントAI実務入門ナヌム経営コンサルティング 企業研修 · 対面/オンラインコースを見る →
このテーマで社内研修が必要でしょうか?
ご担当者さま向けの研修プログラム・お見積もりを、すぐにご覧いただけます。
研修のお問い合わせ
最終更新 2026-09-13 · 監修 金鍾赫

よくある質問

学習データでは完璧でも、過学習の可能性があります。新しいデータでの性能こそが本当に重要です。
課題によって異なります。回帰・分類・生成など目的に合った損失関数を選びます。
学習データでは完璧でも、過学習の可能性があります。新しいデータでの性能こそが本当に重要です。
課題によって異なります。回帰・分類・生成など目的に合った損失関数を選びます。