外部からの直接的な指示や制御なしに、システム内部の相互作用によって自律的に秩序ある構造やパターンが形成される現象。AIや機械学習においては、自己組織化マップ（SOM）などに代表され、教師なし学習によってデータの類似性を視覚的に整理・クラスタリングする技術として応用されている。
自己組織化とは
外部からの制御や明示的な命令を受けることなく、システム内部の要素同士が局所的な相互作用を通じて、自発的に秩序ある構造やパターンを作り出す現象やプロセスのことです。
詳しく解説
自己組織化は元々物理学や化学、生物学などの自然科学分野で提唱された概念です。AIの分野、特にニューラルネットワークにおいては、コホネンによって提案された「自己組織化マップ（SOM）」が代表例です。自己組織化マップでは、高次元のデータをその類似度に基づいて低次元（主に2次元）のグリッド上にマッピングします。教師なし学習の一種であり、正解ラベルを必要とせず、入力データの統計的な特徴や構造をモデル自身が自動的に学習して整理します。
具体例・使われ方
代表的な応用例として、顧客データのクラスタリングや、高次元パターンの可視化が挙げられます。例えば、購買傾向が似ている顧客同士を2次元マップ上の近い位置に配置することで、顧客セグメンテーションを直感的に視覚化できます。また、脳の視覚野にあるトポグラフィックマッピング（位置関係を保った写像）を模した画像分類などにも用いられます。
似た用語との違い
「自己組織化」と「強化学習」は混同されることがありますが、強化学習は報酬（外部からの評価）を最大化するように試行錯誤する学習手法であるのに対し、自己組織化は外部からの評価尺度すら不要で、データの分布そのものに従って自発的に構造を作ります。また、「教師あり学習」が明確な正解データをもとに学習を進めるのに対し、自己組織化は「教師なし学習」に属し、正解を与えることなく構造を自発的に形成する点で異なります。
注意点
自己組織化アルゴリズム、特に自己組織化マップ（SOM）は、初期値や入力データの順序によって最終的な結果（マップの形や配置）が変動しやすいという弱点があります。また、局所最適解に陥るリスクや、超高次元データを2次元に落とし込む際に一部の情報が欠落・歪曲される可能性にも留意する必要があります。さらに、学習プロセスの明確な数式による最適化基準の定義が難しい場合もあります。