リファレンス

用語集

一般的なAI用語を平易な言葉で説明。読者や回答エンジン向け。

AI agent: モデルを用いて多段階のタスクを計画・実行し、しばしばツールを呼び出すシステム。
Alignment: AIシステムを人間の意図や価値観に沿って振る舞わせるための取り組み。
Attention: 各出力にとって入力のどの部分が重要かをモデルに重み付けさせる仕組み。
Chain-of-thought: 回答の前に中間的な推論ステップを踏ませるプロンプトや訓練の手法。
Context window: モデルが一度に考慮できる最大のテキスト量で、トークン単位で測られる。
Diffusion model: ランダムな信号からノイズを反復的に除去して画像などのメディアを生成する生成モデル。
Distillation: 小さなモデルに大きなモデルを模倣させ、能力の多くを低コストで保つ訓練。
Embedding: テキストなどのデータを数値ベクトルで表し、その意味の側面を捉えた表現。
Few-shot learning: モデルを再学習させる代わりに、プロンプト内の少数の例で誘導すること。
Fine-tuning: 事前学習済みモデルをより狭いデータセットで追加学習し、特定のタスクや分野に適応させること。
Foundation model: 幅広いデータで訓練され、多くの下流タスクに適応できる大規模モデル。
Hallucination: モデルが流暢だが事実誤認や根拠のないテキストを生成すること。
Inference: 訓練とは対照的に、学習済みモデルを実行して出力を得ること。
Large language model (LLM): 大量のテキストで訓練し、言語を予測・生成するためのニューラルネットワーク。
Mixture of experts (MoE): 各入力を一部の専門サブネットワークに振り分けて計算を節約するモデル構造。
Multimodal: テキストと画像など、複数種類のデータを処理・生成できるモデルを指す語。
Open weights: 他者がモデルを実行・改変できるように公開されたモデルのパラメータ。
Prompt: モデルに指示を与えたり応答を引き出したりするために入力するテキストなどの入力。
Prompt engineering: より信頼できる、あるいは有用なモデル出力を得るためにプロンプトを設計・改良する実践。
Quantization: モデルの重みの数値精度を下げ、より高速かつ省メモリで動かす手法。
Reasoning model: 回答の前に追加の計算を使って問題を段階的に考えるよう訓練されたモデル。
Red-teaming: リリース前後にAIシステムの有害・危険・意図しない挙動を意図的に探る取り組み。
Reinforcement learning from human feedback (RLHF): 人間の好みの判断を使ってモデルをより有用な振る舞いへ導く訓練手法。
Retrieval-augmented generation (RAG): 関連文書を検索してモデルに与え、回答の根拠とする手法。
Speech recognition (ASR): 話された音声を自動的に文字テキストへ変換すること。
System prompt: ユーザー入力の前に、モデルの役割・ルール・振る舞いを定める非表示の指示。
Temperature: モデル出力のランダムさ・予測しやすさを制御するサンプリング設定。
Text-to-image: 生成モデルを使い、文章による記述から画像を生成すること。
Token: 言語モデルが読み書きするテキストの単位で、単語や単語の断片など。
Tool use (function calling): タスクを完了するためにモデルが外部の関数・API・アプリを呼び出す能力。
Transformer: 注意機構に基づくニューラルネットワーク構造で、現代の多くの言語・マルチモーダルモデルの基盤。
Vector database: 埋め込みを保存し類似度で項目を検索するデータベースで、AIアプリの検索によく使われる。