BuzzTrans · 60

AI 用語を、身近な言葉で

公開準備中の日本語用語集から、60語を紹介します。用語を選ぶと、その説明を直接共有できるページが開きます。

RAG: 質問に関係する資料をその都度調べてから答える仕組みで、AIが事前に学んでいない情報も回答に使える。
RAGとファインチューニング: RAGは質問のたびに参考資料を渡す方法で、ファインチューニングは例を使ってAIの答え方そのものを学び直させる方法。
蒸留: 高性能なAIの回答や予測を手本に小さなAIを育て、役立つ能力をなるべく残しながら動かす費用を減らす方法。
トークン: AIが文章を読み書きするときの小さな単位で、単語の一部になることもあり、扱える量や利用料金を数える基準になる。
コンテキストウィンドウ: 指示、参考資料、回答を含めてAIが一度に扱える情報量の上限で、過去の会話をずっと覚えておく能力とは別のもの。
ハルシネーション: AIが作り話や誤った情報を本当のことのように答える現象で、自信のある言い方や明確な指示だけでは防げない。
AI: 音声の聞き取りや文章の作成など、人の知的な作業を行うためのソフトウェアで、できる作業が多くても判断が常に正しいとは限らない。
モデル: 入力から予測や回答を作るために学習したAIの中核部分で、ボタンやファイル操作などは周囲のアプリが受け持つ。
大規模言語モデル: 大量の文章から言葉の扱い方を学んだAIで、文章や回答を作れても内容の正しさまで保証されるわけではない。
生成AI: 既存の情報を探したり分類したりするだけでなく、新しい文章、画像、音声などを作るAI。
プロンプト: AIに渡す依頼や参考情報のことで、質問だけでなく、条件や答え方の例も含まれる。
システムプロンプト: アプリ側がAIの振る舞いを決めるために置く指示で、通常のユーザーの依頼より優先されるが、必ず守られるとは限らない。
プロンプトエンジニアリング: AIに渡す指示や例、資料を工夫して試し、AI本体を学び直させずに回答を改善する作業。
Few-shotプロンプティング: 求める答えの例をいくつか依頼文に添えて、AI本体を学び直させずに答え方の型を伝える方法。
Zero-shotプロンプティング: 答えの見本を依頼文に添えず、指示だけでAIに作業を頼む方法。
思考の連鎖: 答えに至るまでの途中の考えを段階的に進めることで、問題を解く助けにはなるが、結論が正しい証拠にはならない。
推論モデル: 答えを出す前に問題を考えるための処理を多く使うよう作られたAIで、難しい課題に強い一方、待ち時間が長くなることがある。
ファインチューニング: すでに学習したAIに選んだ例を追加で教え、特定の仕事に合う答え方へ調整することで、一度だけ参考資料を渡すのとは異なる。
事前学習: AIを特定の用途に合わせる前に、多くの例から幅広い基本的な能力を身につけさせる最初の学習。
推論: 学習済みのAIを使って予測や回答を出すことで、内部の設定値を書き換えて教える作業とは区別される。
学習: 例や結果への評価をもとにAIの内部設定を調整し、次の予測や回答を改善していく作業。
パラメータ: AIが学習によって調整する内部の数値で、数が多いだけで使いやすさや正確さが決まるわけではない。
重み: AIが学習で得た設定の数値で、入力からどんな答えを作るかに影響するものであり、検索できる事実の一覧ではない。
埋め込み: 文章や画像の意味・特徴を数値の並びに置き換え、同じ言葉がなくても似た内容を比べられるようにすること。
ベクトルデータベース: 文章や画像を表す数値の並びを保存し、意味や特徴が近いものをすばやく探すためのデータベース。
意味検索: 入力した言葉がそのまま含まれていなくても、質問の意味に近い資料を見つける検索。
チャンク分割: 長い文書を小さなまとまりに分け、毎回全文を渡さずに必要な部分を探して使えるようにすること。
グラウンディング: AIの回答を具体的な資料や証拠に結びつけて確かめやすくすることで、元の資料が誤っていれば回答も誤ることがある。
コンテキスト: AIが今の回答を作るために渡されている会話、指示、参考資料の全体で、世の中のあらゆる情報を指すわけではない。
メモリ: 後の会話でも使えるようにアプリが保存しておく情報で、今の質問にだけ添えられた資料とは異なる。
エージェント: 与えられた権限と制限の範囲で、目標に向けて手順を選び、道具を使って作業を進めるAI。
チャットボット: メッセージのやり取りで使うソフトウェアで、返事をするだけのものもあり、会話の外で作業するとは限らない。
ツール呼び出し: AIが予定の確認などの機能をアプリに実行してもらい、その結果を回答に使う仕組み。
MCP: AIアプリと外部の道具やデータを共通の形でつなぐ決まりで、アプリとサービスの組み合わせごとに接続方法を作る手間を減らす。
API: ソフトウェア同士がデータや処理を頼むための決められた窓口で、人が画面のボタンを押さなくても利用できる。
APIキー: サービスを使うソフトウェアのアカウントを示す秘密の文字列で、利用権限や料金の請求先に結びつくことがある。
SDK: 特定のサービスや環境に対応したソフトウェアを作るための、部品となるコードや資料をまとめた開発用の道具箱。
オープンウェイト: AIが学習した設定の数値をダウンロードできる状態で、学習に使った資料や作成手順、あらゆる用途への許可まで公開されるとは限らない。
オープンソース: 単に無料で使えたりコードが見えたりするだけでなく、コードを調べ、変更し、再配布する権利がライセンスで認められたソフトウェア。
オンデバイスAI: 処理を遠くのサーバーに送らず、自分のスマートフォンやパソコンで動くAIで、アプリの別の機能は通信する場合もある。
マルチモーダル: 文章と画像など複数の種類の情報を扱えることで、すべての種類の入力や出力に対応しているとは限らない。
視覚モデル: 画像や動画に何が写っているかを認識・説明するAIで、画像を作る能力も備えているとは限らない。
画像生成: 指示や参考資料から新しい画像を作ることで、既存の画像を探したり説明したりすることとは異なる。
音声合成: 書かれた文章を読み上げ音声に変えることで、それだけで文章の意味を理解する機能が加わるわけではない。
音声認識: 話された音声を文字に起こすことで、別の言語への翻訳まで行うとは限らない。
温度: AIが次の言葉を選ぶときのばらつきを調整する値で、高くすると表現は変わりやすくなるが、事実の正しさが増すわけではない。
Top-p: AIが次に出す文字列の候補を、選ばれる確率の高い順に合計が指定値に届くまで残す設定で、低い値ほど候補が絞られる。
レイテンシ: リクエストを送ってから応答が届くまでの待ち時間で、最初の文字が出るまでと回答が完成するまでは分けて測ることがある。
ストリーミング: 回答ができあがるそばから少しずつ表示し、全文の完成を待たずに読み始められるようにすること。
レート制限: 一定時間に送れるリクエスト数やデータ量の上限で、アカウントに残高があっても制限に達する場合がある。
ベンチマーク: 同じ条件の課題でシステムを比べるための共通テストで、高い点数が自分の仕事での使いやすさをそのまま示すとは限らない。
評価: AIに何をしてほしいかを明確にし、成功する例だけでなく間違いやすい例でも結果を確かめること。
過学習: AIが教えられた例に合わせすぎて、その例にはうまく答えられるのに、新しい例ではうまくいかなくなること。
RLHF: 人がAIの回答を比べたり評価したりした結果を使い、人に好まれる答え方をAIに学ばせる方法。
アラインメント: AIの振る舞いを目指す目的や人の好み、ルールに近づける取り組みで、それだけで安全性や正しさが保証されるわけではない。
ガードレール: 望ましくない入力、回答、操作を防ぐためにAIの周囲に設ける確認や制限で、見逃しがないか試す必要がある。
プロンプトインジェクション: AIが読む資料の中に指示を紛れ込ませ、本来の仕事を無視して別の人の命令に従わせようとすること。
量子化: AIが学習した数値を粗い精度で保存して必要なメモリや計算量を減らす方法で、回答の質が下がる場合もある。
LoRA: 元のAIの設定を固定したまま少数の追加設定だけを学習させる方法で、全体を学び直すより少ないメモリで用途に合わせやすい。
GPU: 似た計算を一度に大量に処理できるチップで、画像の表示だけでなくAIを学習させたり動かしたりする仕事にも向いている。