今あなたが使っているスマホ、動画サービス、路線検索アプリ——これらすべてを動かしているのが情報工学です。「計算と通信を社会の道具にする」この分野では、ソフトウェアの作り方、データの整理法、ネットワークのしくみ、そしてAIの基礎を、互いのつながりを意識しながら学んでいきます。
ねらい — ソフトウェアを作ることは、何百人もの人が長年にわたって協力する「社会的な活動」です。
ソフトウェア工学は「大きなシステムをどう作るか」を体系的に考える分野です。1人で作る小さなプログラムと違い、数百人のチームが数年かけて作るシステムでは、「どんな機能が必要か（要求分析）」「どんな構造にするか（設計）」「実際に書く（実装）」「ちゃんと動くか確認する（テスト）」「長期間使えるよう保守する」という段階を管理する方法論が不可欠です。1968年のNATO会議でこの問題が初めて正式に議論されました。
昔のソフトウェア開発は「計画をすべて立ててから作り始める」水の流れのような一方向の方式（ウォーターフォール）でした。しかし要求が途中で変わることが多い現代では、2〜4週間の短い期間で少しずつ機能を追加しながら柔軟に作り進める「アジャイル開発」が主流です。スクラムやXPはその代表的な手法で、ゲーム会社やIT企業で広く使われています。
コードの質を高めるためにも様々な「作法」があります。よくある設計の問題に対する定番の解決策（デザインパターン）、変更しやすいコードを書くための5つの原則（SOLID原則）、コードを自動でテスト・ビルド・配信するしくみ（CI/CD）などがその例です。これらを知っておくと、チームで開発するときに「共通言語」として役立ちます。
ねらい — 現代社会ではデータは石油と同じくらい価値ある資源です。それを整理し活用するのがデータベースです。
リレーショナルデータベースは、Excelの表のようなもの（テーブル）を複数組み合わせてデータを管理する仕組みです。「ユーザーテーブル」と「注文テーブル」をつなぐことで、「誰が何を買ったか」が一目でわかります。SQL（エスキューエル）という専用の言語を使ってデータを検索・追加・更新します。1970年代にコッドという研究者が考案した理論に基づいています。
正規化とは、データベースの表の設計で「同じ情報をあちこちに重複して書かない」ようにする技術です。たとえば「商品名」を注文テーブルと在庫テーブルの両方に書いておくと、名前を変更するとき両方直さないといけなくて矛盾が生じます。正規化の3つのルール（第1〜第3正規形）に従うと、そうした問題を防げます。
Instagram の写真投稿や地図アプリのルートデータなど、表形式に合わないデータには「NoSQL（ノーエスキューエル）」と呼ばれる別種のデータベースが使われます。キーと値のペアで管理するKVS、JSONのような文書形式のドキュメントDB、人脈ネットワークを表すグラフDBなど、用途に合わせて選ぶことが大切です。
ねらい — あなたが「送信」ボタンを押した瞬間、データは世界中に張り巡らされたプロトコル（通信ルール）の上を旅します。
インターネットはTCP/IPというプロトコル（通信の約束ごと）で動いています。通信の役割を4つの階層（データをやり取りする物理層、宛先を決めるネットワーク層、確実に届ける輸送層、アプリが使うアプリ層）に分けることで、どんな機器でもつながれるようになっています。郵便に例えれば、「封筒に入れる→住所を書く→郵便局が運ぶ→受取人が開封する」という役割分担と同じです。
WebサイトのURL頭についている「https」のsは「Secure（安全）」の意味で、TLSというプロトコルが通信を暗号化しているから安全なのです。DNS（ドメインネームシステム）は「google.com」のような名前を実際のIPアドレス（数字の住所）に変換する電話帳のような仕組みです。これらを理解することが、現代のアプリ開発の前提知識になります。
セキュリティは「CIA」の3原則で整理されます。情報が漏れない「機密性（Confidentiality）」、情報が改ざんされない「完全性（Integrity）」、必要なときに使える「可用性（Availability）」の3つです。パスワードによる認証、暗号化、「誰も信頼しない」前提で常に確認するゼロトラストなどが、この3原則を守るための具体的な手段です。
ねらい — 人間がルールを教えるのではなく、コンピュータが大量のデータからルールを自分で学び取る——それが機械学習の革新です。
機械学習とは「明示的にプログラムしなくても、データからパターンを学ぶ」技術です。スパムメールの判定、映画のおすすめ、顔認証など、すでに身近なところで動いています。「答え付きのデータで学ぶ教師あり学習」「答えなしで分類する教師なし学習」「ゲームで試行錯誤しながら学ぶ強化学習」という3種類が基本です。
深層学習（ディープラーニング）は、人間の脳の神経回路を模倣した多層のニューラルネットワーク（数学的な関数の積み重ね）を使う手法です。2010年代から画像の認識（写真の中の猫を判別するなど）、翻訳、音声認識の精度が人間を超えるレベルに到達し、AIの実用化が一気に加速しました。
ChatGPTのような大規模言語モデル（LLM）は、インターネット上の膨大なテキストから「次に来る言葉を予測する」訓練を繰り返すことで、文章の生成・要約・翻訳などができるようになりました。非常に便利な反面、「なぜその答えを出したか説明できない」「偽情報を自信満々に生成することがある」「社会的偏見を学習してしまう」などの課題も残っており、AIの安全性と倫理が今まさに世界中で議論されています。