キャラクタライゼーションの機械学習応用は、マテリアルズ・インフォマティクス（MI）およびラボオートメーション（LA）において材料やサンプルの性状を迅速かつ高精度に評価するための鍵となります。本稿では、GC‐MSおよびLC‐MSによる質量分析において、従来手法が直面していたデータ量の膨大さ、ピーク形状の変動、保持時間のシフト、ピーク重なりといった課題に対し、機械学習や深層学習を活用したデータ駆動型解析アプローチを紹介します。前処理の自動化・高速化や再現性の向上、未知成分の同定が可能となり、解析の効率化と正確性の大幅な改善が期待されます。