【2026年10月最新】ニューラルネットワークとは？仕組み・種類・学習方法を経営者向けにやさしく解説
aikanri-admin
「ニューラルネットワーク」という言葉は、ChatGPTやClaudeをはじめとする生成AIのニュースの中で頻繁に登場します。しかし「結局何のことなのか」を説明できる経営者・管理職は、実はそれほど多くありません。
ニューラルネットワークとは、人間の脳の神経細胞（ニューロン）の仕組みを参考にした、AIの計算モデルです。画像認識、文章生成、音声認識など、現代のAI技術の大部分がこの仕組みの上に成り立っています。
この記事では、ニューラルネットワークの仕組み・学習方法・種類を非エンジニアの経営者・管理職でも理解できる言葉で解説します。さらに、弊社GENAIがClaude Codeを使ってAI活用を進める中で見えてきた「仕組みを知らなくてもAIを使いこなせる時代の中で、なぜ基礎を知る価値があるのか」という視点も合わせてお伝えします。
代表菅澤
AI鬼管理山崎
この記事を最後まで読むと、次の6つが明確になります。
01 DEFINITION ニューラルネットワークとは？結論から 脳の神経回路を参考にした「判断するための計算モデル」
結論から言うと、ニューラルネットワークとは、人間の脳にある神経細胞（ニューロン）同士のつながりを参考にして作られた、データから答えを導き出すための計算モデルです。大量の入力データから「このパターンにはこの答えが対応する」という関係性を学習し、新しいデータが来たときにその関係性を使って判断・予測を行います。
📚 用語解説
ニューラルネットワーク：人間の脳の神経細胞（ニューロン）のつながりを模した計算モデル。入力されたデータを複数の層で段階的に処理し、画像の分類や文章の生成といった判断・予測を行う。現代の生成AI・画像認識技術の大部分の基盤となっている。
1-1. なぜ「脳を参考にした」と言われるのか
人間の脳では、無数の神経細胞が電気信号を伝達し合うことで、思考や判断が行われています。ニューラルネットワークは、この「複数の処理単位が信号を受け取り、次の処理単位に伝える」という構造を数学的に再現したものです。実際の脳とは仕組みが異なる部分も多いですが、「単純な処理単位を多数つなげることで、複雑な判断ができるようになる」という発想自体は、脳の仕組みから着想を得ています。
1-2. 機械学習とニューラルネットワークの関係
ニューラルネットワークは、機械学習という大きな分野の中の一つの手法です。機械学習には他にも決定木やロジスティック回帰といった手法がありますが、ニューラルネットワークは特に複雑で大量のデータからパターンを見つけ出す能力が高いという特徴があります。画像や音声、自然言語のような「ルール化しにくい」データの処理で、特に強みを発揮します。
| 比較項目 | 従来型の機械学習 | ニューラルネットワーク |
|---|---|---|
| 得意なデータ | 構造化された表形式データ | 画像・音声・文章など非構造化データ |
| 精度を上げる要因 | 人間が特徴量を設計する | データ量とモデルの層数 |
| 計算コスト | 比較的低い | 高い（大量データ・GPUが必要な場合も） |
| 代表例 | ロジスティック回帰、決定木 | CNN、RNN、Transformer |
AI鬼管理山崎
1-3. なぜ今、改めて注目されているのか
ニューラルネットワークという考え方自体は古くから存在していましたが、長い間「理論上は可能だが、実用レベルの精度を出すのは難しい」という評価が続いていました。これが大きく変わった理由は、主に3つあります。
この3つの要因が重なり、2012年前後の画像認識分野を皮切りにディープラーニングの実用化が徐々に進み、2020年代にはChatGPTをはじめとする生成AIの形で爆発的に普及するに至りました。「技術自体は古いが、実用化できる環境が整ったのは2010年代以降、そして生成AIとして一般に広まったのはごく最近」という段階を踏んでいる点は、この分野を理解する上で意外と見落とされがちなポイントです。
02 HOW IT WORKS ニューラルネットワークの仕組み 入力層・隠れ層・出力層、組織の意思決定フローに例えると
ニューラルネットワークの基本構造は、「入力層」「隠れ層」「出力層」という3種類の層が連なった構造です。それぞれの層の役割を、会社の意思決定フローに例えて説明します。
| 層の名前 | 役割 | 組織での例え |
|---|---|---|
| 入力層 | データを受け取る窓口 | 現場から上がってくる生データ（売上数字、顧客情報など） |
| 隠れ層 | データを段階的に処理・判断する | 各部門長が行う一次判断・加工（複数階層あることも多い） |
| 出力層 | 最終的な答えを出す | 経営会議での最終決定（承認/否認、分類結果など） |
2-1. 「重み」と「バイアス」：情報の重要度を調整する仕組み
各層の間でデータが伝わる際、「重み」という数値が掛け合わされます。重みは、その情報がどれだけ重要かを表すパラメータで、学習が進むにつれて自動的に調整されていきます。これに加えて「バイアス」という微調整の値も加算され、最終的な判断の精度を高めます。
📚 用語解説
重み（ウェイト）：ニューラルネットワークの各層間の接続に設定される数値。入力された情報がどれだけ最終的な判断に影響するかを表す。学習の過程で、正解に近づくように自動的に調整されていく。会社で例えるなら「その情報をどれだけ重視して判断するか」の度合いにあたる。
これを組織の例えで言うと、「ベテラン社員が、過去の経験から『この指標は重要、この指標はあまり参考にならない』と重み付けして判断している」状態に近いです。ニューラルネットワークは、この重み付けの感覚を、大量のデータから自動的に学習していきます。
2-2. 「活性化関数」：判断を次の層に伝えるかどうかのフィルター
各層の処理単位（ニューロン）は、受け取った数値をそのまま次の層に流すわけではありません。「活性化関数」という関数を通して、「この情報は次に伝えるべきか、どの程度の強さで伝えるべきか」を判断します。
📚 用語解説
活性化関数：ニューラルネットワークの各処理単位（ニューロン）が、受け取った数値を次の層に伝える際に通すフィルターのような関数。単純な数値の合計だけでは複雑なパターンを学習できないため、非線形な判断を加えることで、より高度な認識・予測を可能にしている。
「重み」「活性化関数」という言葉は難しく聞こえますが、ビジネスでAIを使う立場であれば、「情報の重要度を自動調整する仕組み」「情報を次に伝えるかどうかのフィルター」という大枠のイメージだけで十分です。
03 TRAINING METHODS ニューラルネットワークの学習方法 どうやって「正しい判断」ができるようになるのか
ニューラルネットワークが判断の精度を上げていく過程を「学習」と呼びます。学習の方法は大きく3種類に分けられます。
| 学習方法 | 特徴 | 具体例 |
|---|---|---|
| 教師あり学習 | 正解データ付きで学習する | 「この画像は猫」という正解ラベルから画像分類を学習 |
| 教師なし学習 | 正解データなしでパターンを見つける | 顧客データから自然にグループ（クラスタ）を発見 |
| 強化学習 | 試行錯誤と報酬で学習する | ゲームAIが「勝つ」という報酬を最大化するよう学習 |
📚 用語解説
教師あり学習：正解（結果）が分かっているデータを使って、入力と正解の関係性を学習させる手法。ニューラルネットワークの学習方法として最も広く使われており、画像分類や文章生成の多くがこの方式をベースにしている。
3-1. 学習のプロセスを4ステップで理解する
教師あり学習を例に、ニューラルネットワークがどのように学習していくのかを4つのステップで整理します。
データを入力し
予測結果を出す
予測と正解との
誤差を計算する
誤差を減らすよう
重みを調整する
（誤差逆伝播法）
大量データで
繰り返し、精度を
高めていく
📚 用語解説
誤差逆伝播法（バックプロパゲーション）：出力結果と正解との誤差を、出力層から入力層へ逆方向に伝えながら、各層の重みを少しずつ調整していく学習アルゴリズム。ニューラルネットワークの学習を支える中心的な技術で、この仕組みにより大規模なモデルでも効率的に学習が進められる。
このプロセスを、数千〜数百万回単位で繰り返すことで、ニューラルネットワークは徐々に精度の高い判断ができるようになります。「一度で正解を出す」のではなく「試行と修正を莫大な回数繰り返して精度を上げていく」という学習スタイルは、人間の学習プロセスにも通じる部分があります。
代表菅澤
3-2. なぜ「大量データ」が必要なのか
ニューラルネットワークの学習には、しばしば数万〜数百万件という大量のデータが必要になります。理由は、重みの調整が「極端な例外」に引っ張られすぎないようにするためです。少量のデータだけで学習すると、たまたま含まれていた偏ったパターンを「正解」として過剰に学習してしまい、未知のデータに対してうまく機能しなくなります。
📚 用語解説
過学習（オーバーフィッティング）：学習データに対しては高精度に答えられるようになる一方、未知のデータに対してはうまく機能しなくなってしまう現象。学習データの量が少ない、またはモデルが複雑すぎる場合に起きやすい。十分な量・多様性のあるデータで学習することが対策の一つになる。
AI鬼管理山崎
04 TYPES ニューラルネットワークの種類 CNN・RNN・Transformerなど、用途別の代表的なモデル
ニューラルネットワークには、扱うデータの種類や目的に応じて複数の種類（アーキテクチャ）があります。代表的な5つを紹介します。
| 種類 | 得意なデータ | 主な用途 |
|---|---|---|
| CNN（畳み込みニューラルネットワーク） | 画像 | 画像分類、物体検出、顔認識 |
| RNN（再帰型ニューラルネットワーク） | 時系列・連続データ | 音声認識、時系列予測（現在はTransformer系に代替されつつある） |
| Transformer | 文章・長い系列データ | ChatGPT・Claudeなど生成AIの中核技術 |
| GAN（敵対的生成ネットワーク） | 画像・音声の生成 | 画像生成、データ拡張、画風変換 |
| オートエンコーダ | 特徴の圧縮・復元 | 異常検知、ノイズ除去、次元削減 |
4-1. CNN：画像認識の定番
CNN（Convolutional Neural Network）は、画像の中の「特定のパターン（エッジ、模様など）」を段階的に検出していく仕組みを持つモデルです。顔認証、医療画像診断、工場の外観検査AIなど、画像を扱うAIの多くがこのCNNを基盤にしています。
4-2. RNNとTransformer：文章・時系列データの扱い方
文章や時系列データのように「順番」が意味を持つデータを扱うために開発されたのがRNNです。ただし近年では、より長い文脈を効率的に処理できるTransformerというアーキテクチャが主流になっており、ChatGPTやClaudeをはじめとする生成AIのほとんどがこのTransformerをベースに作られています。
📚 用語解説
Transformer：文章のような連続データの中から、「どの単語がどの単語と強く関連しているか」を効率的に計算できるニューラルネットワークの構造。2017年に発表されて以降、ChatGPT・Claude・Geminiなど主要な生成AIの中核技術として使われている。
4-3. GANとオートエンコーダ：生成と異常検知
GANは「生成する側」と「見分ける側」の2つのネットワークを競わせることで、より本物らしい画像や音声を作り出す仕組みです。一方オートエンコーダは、データを一度圧縮してから復元する過程で「正常なパターン」を学習し、復元に失敗したデータを「異常」として検知する用途で使われます。
これらの名称を暗記する必要はありません。「画像ならCNN」「文章ならTransformer」「異常検知ならオートエンコーダ」という大まかな対応関係だけ知っておけば、AIツールの説明を読んだときに何をしているモデルなのか見当がつくようになります。
4-4. ツール選定で「種類」を意識する場面
業務でAIツールを選ぶ際、裏側の種類まで厳密に把握する必要はありませんが、「このツールは画像特化なのか、文章特化なのか、それとも汎用的なのか」を見極める意識を持つと、ツール選定の失敗を減らせます。例えば「画像生成に強いツール」と「文章生成に強いツール」は、裏側のアーキテクチャの最適化方向がそもそも異なるため、無理に一つのツールで全部こなそうとすると精度面で妥協が必要になることがあります。
弊社がお客様にAIツールを提案する際も、まず「扱いたいデータの種類（画像・文章・音声・数値）」を確認した上で、それに最適化されたツールを組み合わせることを基本方針にしています。１つの万能ツールを探すより、適材適所でツールを組み合わせる方が、結果的に高い精度と低いコストを両立できるケースが多いです。
05 USE CASES ニューラルネットワークの活用事例 画像認識から自然言語処理まで、実務での使われ方
ニューラルネットワークは、すでに私たちの身近な業務・サービスの多くに組み込まれています。代表的な5つの活用事例を紹介します。
| 活用分野 | 具体例 | 使われている種類 |
|---|---|---|
| 画像認識 | 工場の外観検査、顔認証、医療画像診断 | CNN |
| 自然言語処理 | チャットボット、文章生成、要約、翻訳 | Transformer |
| 音声認識 | 議事録の自動文字起こし、音声アシスタント | RNN / Transformer |
| 異常検知 | 設備の故障予兆検知、不正取引検知 | オートエンコーダ |
| レコメンド | ECサイトのおすすめ商品表示 | ニューラルネットワーク全般 |
5-1. 自然言語処理：ChatGPT・Claudeの基盤技術
普段使っているChatGPTやClaudeも、内部ではTransformerというニューラルネットワークの構造が動いています。入力した文章を解析し、次にどの単語が続くのが最も自然かを予測し続けることで、文章の生成や要約、翻訳を実現しています。
5-2. 画像認識：製造業・医療現場での活用
製造業では、カメラで撮影した製品画像からCNNを使って不良品を自動検知する「外観検査AI」が広がっています。医療現場でも、レントゲンやCT画像から病変を検出する診断支援AIにCNNが使われています。
AI鬼管理山崎
5-3. 音声認識・異常検知・レコメンドの現場活用
音声認識の分野では、会議の録音データをテキスト化する議事録作成ツールや、スマートスピーカーの音声アシスタントにニューラルネットワークが活用されています。以前は人力で行っていた文字起こし作業が、高精度な自動化によって大幅に削減されています。
異常検知では、工場設備のセンサーデータや金融機関の取引データから「通常とは異なるパターン」を検出する用途で使われます。人間が目視で確認するには限界がある大量のデータを、24時間体制で監視できるのがAIによる異常検知の強みです。
レコメンド機能は、ECサイトや動画配信サービスで「あなたへのおすすめ」を表示する仕組みとして、すでに多くの人が日常的に接しています。閲覧履歴・購買履歴といった行動データから、個人ごとに最適化された提案を行う裏側で、ニューラルネットワークが計算を行っています。
06 VS DEEP LEARNING ディープラーニングとの違い 「層の数」がニューラルネットワークとディープラーニングを分ける
「ニューラルネットワーク」と「ディープラーニング（深層学習）」は、しばしば同じ意味で使われますが、厳密には層の数による区別があります。
| 比較項目 | ニューラルネットワーク（狭義） | ディープラーニング |
|---|---|---|
| 隠れ層の数 | 1〜数層程度 | 多数の層（数十〜数百層） |
| 扱えるデータの複雑さ | シンプルなパターン | 非常に複雑なパターン（画像・自然言語など） |
| 必要な計算資源 | 比較的少ない | 大量（GPU・大規模データが前提） |
| 関係性 | より広い概念 | ニューラルネットワークの中の「層が深い」もの |
つまり、ディープラーニングはニューラルネットワークの一種であり、特に層の数が多い（＝深い）ものを指す言葉です。ChatGPTやClaudeのような高度な生成AIは、いずれも非常に層の深いディープラーニングモデルによって実現されています。
6-1. 「層が深い」ことで何が変わるのか
代表菅澤
層が浅いモデルは、比較的単純なパターン（直線的な関係性）しか学習できません。一方、層を深く重ねることで、「エッジを検出する層」「形を認識する層」「物体を識別する層」というように、より抽象度の高い特徴を段階的に組み合わせて学習できるようになります。この「段階的な抽象化」こそが、ディープラーニングが複雑な画像認識や自然言語処理で高い精度を発揮できる理由です。
ただし、層を深くするほど学習に必要なデータ量・計算資源も増加します。そのため、ディープラーニングの実用化には、前章で触れたGPUの普及とデータ量の増加が不可欠な前提条件でした。層の深さと必要なリソースはトレードオフの関係にあり、用途に応じた適切な深さの設計が重要になります。
📚 用語解説
ディープラーニング（深層学習）：隠れ層を多数（数十〜数百層）重ねたニューラルネットワークのこと。層が深くなるほど、より複雑で抽象的なパターンを学習できるようになる。現代の画像認識・自然言語処理のブレイクスルーの多くは、このディープラーニングの発展によって実現された。
07 GENAI PERSPECTIVE 【独自】仕組みを知らなくてもAIを使える時代に、なぜ基礎を学ぶ価値があるのか Claude Max 20xプラン契約会社が見るAI活用の本質
ここまでニューラルネットワークの仕組みを解説してきましたが、正直に言うと、Claude CodeやChatGPTを「使う」だけであれば、この仕組みを知らなくても業務で十分活用できます。では、なぜこの記事のような基礎知識に価値があるのでしょうか。弊社（株式会社GENAI）の実運用の視点からお伝えします。
7-1. 「ブラックボックスのまま使う」ことのリスク
AIの仕組みを一切知らずに使っていると、「なぜその答えが出たのか」「どこまで信用して良いのか」の判断基準を持てないという問題が生まれます。例えば、AIが時々誤った情報を生成する「ハルシネーション」という現象も、ニューラルネットワークが確率的に「最も自然な答え」を予測する仕組みに起因していることを知っていれば、結果を鵜呑みにせず検証する姿勢が自然と身につきます。
📚 用語解説
ハルシネーション：AIが事実と異なる情報を、まるで事実のように生成してしまう現象。ニューラルネットワークが「正解を保証する」のではなく「統計的に自然な答えを予測する」仕組みであることに起因する。重要な情報は必ず別の手段で検証することが推奨される。
| 項目 | 内容 |
|---|---|
| 契約プラン | Claude Max 20x（月$200 / 約30,000円） |
| 利用開始 | 2025年後半〜 |
| 利用部署 | 経営・営業・広告・開発・経理・秘書業務まで全社 |
| 基礎知識が活きた場面 | AIの出力を検証すべき場面の見極め、ツール選定の判断 |
7-2. 「仕組みを知る」から「使いこなす」への移行フロー
弊社では、新しく業務にAIを組み込む際、以下のような段階を踏むようにしています。
AIの大まかな
仕組みを理解する
（今回のような記事）
小さな業務で
試しに使ってみる
出力結果を検証し
信頼できる範囲を
見極める
信頼できる業務から
段階的に
本格運用する
この4ステップのうち、Step 1の「大まかな仕組みの理解」は数式を理解することではなく、「AIがどういう原理で動いているか」を知っておくことです。この理解があるかどうかで、Step 3の「検証すべき範囲の見極め」の精度が大きく変わってきます。
例えば、Claude Codeに経理データのチェックを任せる場合、「これは確率的に自然なパターンを予測しているだけで、100%の正解を保証するものではない」という前提を理解していれば、最終承認は必ず人間が行うという運用ルールを自然に設計できます。逆に仕組みを理解していないと、「AIが言ったから正しいはず」と過信してしまい、思わぬミスを見逃すリスクが高まります。
代表菅澤
7-3. Claude Codeは「Transformerの応用」をどう業務に落とし込んでいるか
Claude Codeのようなエージェント型AIも、根本的にはTransformerというニューラルネットワークの技術の上に成り立っています。ただし、単に文章を生成するだけでなく、「何をすべきか計画し、ファイル操作やコマンド実行まで自律的に行う」という応用が加えられている点が特徴です。弊社ではこの応用力を活かし、経理・営業・広告・記事制作など幅広い業務に組み込んでいます。
仕組みを理解したら、次はいきなり重要な意思決定にAIを使うのではなく、「間違っても大きな問題にならない業務」から試すのが安全です。弊社でも議事録作成や資料のドラフト作成など、人のレビューを前提にした業務から導入を広げていきました。
08 CONCLUSION まとめ ── 仕組みを知ることが、AIを使いこなす近道になる ニューラルネットワークの基礎は、AI活用の「判断基準」をつくる
この記事では、ニューラルネットワークの仕組み・学習方法・種類・活用事例・ディープラーニングとの違い、そして「仕組みを知ることの価値」までを整理しました。最後にポイントを振り返ります。
最も重要なメッセージをお伝えします。ニューラルネットワークの数式や実装を理解する必要はありませんが、「AIがどういう原理で判断しているか」の大枠を知っておくことは、AIを安全かつ効果的に使いこなすための土台になります。仕組みを知った上で使うAIは、ブラックボックスのまま使うAIよりも、確実に活用の幅が広がります。
弊社では、AIの基礎理解から実際の業務自動化の設計・実行支援までを一貫してサポートしています。「AIの仕組みはなんとなく分かったが、自社の業務にどう活かせばいいか分からない」という段階からでもお気軽にご相談ください。
AIは今後も進化を続け、裏側の技術もより複雑になっていくと予想されます。しかし、「入力を受け取り、段階的に処理し、答えを出す」という基本構造そのものは大きく変わらないと考えられます。この記事で紹介した基礎を押さえておけば、新しいAI技術が登場したときも、「結局これは何を入力に、何を出力するモデルなのか」という視点で冷静に理解できるようになるはずです。
代表菅澤
AIの「仕組み理解」から「業務での実装」まで、AI鬼管理が一緒に設計します
ニューラルネットワークの基礎を理解した上で、どの業務にどこまでAIを任せるべきか。
弊社の実運用ノウハウをベースに、個別に導入設計のご相談を承ります。
AI鬼管理山崎
ここから先の進め方は、大きく2つあります。
自社で回せるようになりたい方は、AI鬼管理でClaude Code／Codexの使い方から業務設計・社内定着まで伴走を受けながら、社内に仕組みを作る道があります。
覚えるより任せたい方は、AI社員AIKATAでこの記事のような定型業務を丸ごと預ける道があります。料金は月30万円の月額定額、追加費用は0円です。
どちらが合うかは、業務量と社内体制次第です。無料相談・無料適合診断で、貴社の場合はどちらが向くかからご相談いただけます。
NEXT STEP
この記事の内容を、あなたのビジネスで
実践してみませんか？
よくある質問
Q. ニューラルネットワークとAIは同じ意味ですか？
A. 異なります。AIは「人間の知的な作業を模倣する技術全般」を指す広い概念で、ニューラルネットワークはそのAIを実現するための手法の一つです。ルールベースのAIなど、ニューラルネットワークを使わないAI技術も存在します。
Q. ニューラルネットワークを学ぶのにプログラミングの知識は必要ですか？
A. 仕組みの大枠を理解するだけであれば、プログラミングの知識は不要です。ただし、実際にモデルを構築したり、既存のライブラリを使って実装したりする場合は、Pythonなどのプログラミング言語の知識が必要になります。
Q. ニューラルネットワークとディープラーニングは結局どちらを使えばいいですか？
A. 「どちらを使うか選ぶ」という概念ではなく、ディープラーニングはニューラルネットワークの一種（層が深いもの）です。現在主流の画像認識・自然言語処理のAIは、ほぼすべてディープラーニングをベースにしています。
Q. ChatGPTやClaudeも全部ニューラルネットワークでできているのですか？
A. はい。ChatGPTやClaudeは、Transformerというニューラルネットワークの構造を基盤にした大規模言語モデル（LLM）です。巨大な文章データを学習することで、自然な文章の生成や対話が可能になっています。
Q. ニューラルネットワークの精度はどうすれば上がりますか？
A. 一般的には、学習データの量と質を高めること、モデルの層数やパラメータ数を適切に設計すること、学習方法（学習率などの設定）を調整することが精度向上につながります。ただし用途によって最適なアプローチは異なるため、専門的な検証が必要な場合もあります。
Q. 非エンジニアがAIの仕組みを学ぶ意味はありますか？
A. あります。実装スキルは不要でも、「AIがどういう原理で答えを出しているか」を知っておくことで、AIの出力をどこまで信頼すべきか、どの業務に向いているかを判断する精度が上がります。これはAIをビジネスで安全に活用するための重要な土台になります。
Claude Codeで業務自動化を90日で叩き込む
経営者向けの伴走型パーソナルトレーニング
AI鬼管理／AI社員AIKATAへのお問い合わせ
この記事を読んで気になった方へ。
専門スタッフが、御社に最適な
業務自動化・業務代行プランを無料でご提案します。
- AI業務自動化サービス「AI鬼管理」を運営 — Claude Code を活用し、経営者の業務を「AIエージェントに任せる仕組み」へ転換するパーソナルトレーニングを 伴走構築 で提供。日報・採用・問い合わせ対応・経費精算・議事録・データ集計・営業リスト等の定型業務を、AIに代行させる体制を経営者と一緒に作り込む
- Claude Code 実装ノウハウを 経営者・法人クライアント に直接指導。生成AIを「便利ツール」ではなく 「業務を任せる存在」 として運用する手法を体系化
- 「やらせ切る管理」メソッドの開発者。シンゲキ株式会社（2021年設立・鬼管理専門塾運営）にて累計3,000名以上の学習者を志望校合格に導いた管理メソッドを、AI × 経営者支援 に転用
- 著書『3カ月で志望大学に合格できる鬼管理』(幻冬舎)、『親の過干渉こそ、最強の大学受験対策である。』(講談社)
- メディア出演: REAL VALUE / カンニング竹山のイチバン研究所 / ええじゃないかBiz 他
- 明治大学政治経済学部卒
