AIの用語は、意味を知らないことよりも取り違えて使うことのほうが実務を止めます。「学習させます」という一言が、ファインチューニングを指すのかRAGへの文書投入を指すのかで、必要な作業と費用・納期の見積もりが変わるからです。この用語集では、ビジネスの会議と開発の現場で実際に飛び交う語を6つの系統に分けて定義し、取り違えの多い用語ペアの見分け方も添えました。定義は法令条文と原論文にあたって確認し、詳しく知りたい語には個別の解説記事へのリンクを付けています。
まとめ|AI用語を6系統で押さえる要点
AI用語は次の6系統で覚えると混乱しません。AIそのものの定義と略語、機械学習とディープラーニング、生成AIとLLM、モデルを自社業務に合わせる技術、リスクとガバナンス、そして開発工程の用語です。系統をまたいだ語を並列に並べるから分からなくなります。
実務では、学習と推論、RAGとファインチューニングなどの混同が、要件や見積もりの食い違いにつながります。とくにLoRAを「モデルの軽量化技術」と説明する資料がありますが、軽くなるのは学習側であって、配備時に読み込むモデル本体は元の大きさのままです。社内で「これはAIか」を線引きする場面では、通称AI法の第2条にある法令上の定義が出発点になります。生成AIを業務に入れるときは、ハルシネーション・著作権・個人情報の3語を社内ルールの言葉として先に揃えてください。
AIの定義と略語|AI・AGI・ASIの線引きと法令上の定義
AI・AGI・ASIの正式名称と、指す範囲の違い
AIはArtificial Intelligenceの略で、日本語では人工知能と訳します。読みは「エーアイ」です。学術的に唯一の定義があるわけではなく、研究者によって「人間のように考えるシステム」から「合理的に行動するエージェント」まで幅があります。実務では、略語が指す到達度の段階を押さえておけば足ります。
| 略語 | 正式名称 | 日本語 | 見分けの目安 |
|---|---|---|---|
| AI | Artificial Intelligence | 人工知能 | 総称。技術名ではない |
| ANI | Artificial Narrow Intelligence | 特化型人工知能 | 特定の課題・領域に特化 |
| AGI | Artificial General Intelligence | 汎用人工知能 | 研究上の目標。未達 |
| ASI | Artificial Superintelligence | 人工超知能 | AGIのさらに先の想定 |
| ML | Machine Learning | 機械学習 | データから規則を獲得 |
| DL | Deep Learning | 深層学習 | 中間層が多層のML |
| LLM | Large Language Model | 大規模言語モデル | 数十億以上のパラメータ |
| SLM | Small Language Model | 小規模言語モデル | 端末・オンプレ実行向け |
| GPT | Generative Pre-trained Transformer | 生成事前学習トランスフォーマー | Transformer系の生成モデル |
| RAG | Retrieval-Augmented Generation | 検索拡張生成 | 検索結果を添えて回答 |
| MCP | Model Context Protocol | (定訳なし) | AIと外部ツールの接続規格 |
ANIは特定の課題に特化したAI、AGIは幅広い課題に対応する汎用的なAIを指します。ただしAGIの定義や到達基準は研究によって異なるため、製品の評価では名称よりも対応タスクと検証結果を確認してください。この3語の区別は、ベンダーの説明を評価するときの出発点になります。
AIの日本語での言い換えと、AI法第2条が定める範囲
AIの言い換えとしては人工知能が唯一の定訳ですが、社内文書では言い換えないほうがよい場面があります。「AIで判定します」ではなく「勾配ブースティングによる二値分類で判定します」と書けば、レビューできる粒度になります。稟議書や要件定義書では、総称のAIで止めずに技術名まで下ろしてください。
契約や規程でAIの範囲を定義する必要があるときは、法令の定義文が使えます。人工知能関連技術の研究開発及び活用の推進に関する法律(令和7年法律第53号)の第2条は「人工知能関連技術」を、「人工的な方法により人間の認知、推論及び判断に係る知的な能力を代替する機能を実現するために必要な技術並びに入力された情報を当該技術を利用して処理し、その結果を出力する機能を実現するための情報処理システムに関する技術」と定めています。同法は2025年6月4日に公布され、附則第一条により第2条を含む総則は公布の日から施行されました。2025年9月1日施行と紹介されることが多いのは、後ろ倒しになった第三章(人工知能基本計画)と第四章(人工知能戦略本部)です。条文の読み方とEUのAI法との違いはAI法とは?日本のAI推進法とEU AI法の違いで整理しています。
この定義が実務で効くのは、「情報処理システムに関する技術」まで含んでいる点です。機械学習を使っていないルールベースの判定システムでも、人の判断を代替している以上は対象に含まれうる読み方になります。機械学習を使わないことだけで対象外と決めず、社内規程が採用した定義と対象システムの機能を照合してください。
あわせて押さえる政策文書が2つあります。人工知能基本計画は同法第十八条に基づく法定計画で、2025年12月23日に初回、2026年7月14日に改定版が閣議決定されました。もう1つが総務省と経済産業省のAI事業者ガイドラインで、最新は2026年3月31日公表の第1.2版です。検索すると第1.1版のPDFが上位に出てくるので、参照時は版番号を確認してください(中身はAI事業者ガイドライン(第1.2版)とは?で解説しています)。
機械学習とディープラーニングの用語|学習の枠組みからアルゴリズムまで
教師あり学習・特徴量・過学習|データと学習を指す用語
機械学習(Machine Learning)は、人がルールを書く代わりに、データから規則性を獲得させる手法の総称です。獲得のさせ方で分かれます。教師あり学習は入力と正解のペアを与える方式で、分類や回帰に使われます。教師なし学習は正解を与えずクラスタリングや異常検知を行います。強化学習は行動に報酬を与えて試行錯誤させる方式で、制御や対戦系に向きます(強化学習の仕組みとQ学習・方策勾配)。LLMの事前学習で多用される自己教師あり学習は、文章の一部を隠して当てさせるなど、データ自身から擬似的な正解を作る方式です。学習済みモデルを別タスクに流用する方法は転移学習と呼びます。
特徴量はモデルへの入力にする変数、アノテーションは生データに正解ラベルを付ける作業を指します。特徴量やラベルの品質は教師あり学習の評価結果に影響するため、ラベル付けの基準と品質確認の手順を決めておきます(アノテーションの種類・やり方・品質管理)。データは通常、訓練データ・検証データ・テストデータに分けます。
パラメータは学習によって自動的に決まる重み、ハイパーパラメータは学習率やバッチサイズのように人が事前に指定する設定値です。両者を混同すると「パラメータを調整してください」という依頼の意味が通じません。過学習は訓練データに合わせ込みすぎて未知データで精度が落ちる状態を指します。クロスバリデーションはデータの分割を変えながら評価を繰り返す手法で、主目的は汎化性能の推定とモデル選択です。
ニューラルネットワークとTransformer|モデル構造の用語
ニューラルネットワークは、入力層・中間層・出力層をつないで信号を伝播させる計算モデルです。中間層を多層にしたものがディープラーニング(深層学習)で、画像や音声のように人が特徴量を設計しづらいデータで威力を発揮します。画像にはCNN(畳み込みニューラルネットワーク)、時系列や文章にはRNN(再帰型ニューラルネットワーク)とその改良版のLSTMが使われてきました。AI・機械学習・深層学習の包含関係はAI・ML・DLの違いで図解しています。
現在の生成AIの土台はTransformerです。2017年の論文「Attention Is All You Need」(arXiv:1706.03762)で提案された構造で、系列を順番に処理せず、アテンション機構によって文中の離れた語どうしの関係を一度に捉えます。並列計算しやすいため大規模化に耐え、これがスケーリング則と組み合わさって現在のLLMにつながりました(Transformerとは?自己注意の仕組みとBERT・GPTの違い)。
ディープラーニング以外も現役です。決定木は条件分岐でデータを分割する手法で、判断根拠を図で説明できます。決定木を束ねる手法は2系統あり、ランダムフォレストは独立な木を並列に育てて予測を平均し、勾配ブースティングは直前までの予測の誤差(損失関数の負の勾配)を次の木に学習させて逐次足していきます。45データセットで比較した「Why do tree-based models still outperform deep learning on tabular data?」(arXiv:2207.08815)は、中規模の表形式データでは木ベースが深層学習より依然として強いと報告しており、業務系の予測案件では第一候補にしてかまいません。
ルールベースAIの守備範囲と、ルール爆発という限界
ルールベースAIは、人が書いた条件分岐で判断するシステムです。エキスパートシステムやビジネスルールエンジンがこれにあたります。学習データが不要で、判断根拠が条文のように追え、ルールを1行直せば挙動が即座に変わる。監査や説明責任が求められる領域では、この透明性が強みになります。限界はルール数が増えたときに条件どうしが干渉して追えなくなるルール爆発で、自然文の意図解釈や画像の判別では書き切ること自体ができません。
判断基準はシンプルです。判定条件を明文化でき、例外処理やルール更新を管理できるなら、まずルールベースで要件を満たせるか検証してください。現場が「経験で分かるとしか言えない」と答える判断こそ、機械学習の出番になります。
生成AIとLLMの用語|モデル・トークン・推論モデル
LLM・SLM・基盤モデル|生成AIの土台を指す用語
生成AI(Generative AI)は、学習した分布に従って新しいデータを出力するAIの総称です。対になるのが識別系AI(non-generative AI)で、分類や検知のように既存の選択肢から答えを選びます。不良品検知は識別、報告書の下書き作成は生成。案件の性質を最初にこの2択で切り分けると、技術選定がぶれません。
言語モデル(LM)は語やトークンの並びに確率を与えるモデルで、次のトークンの予測や隠されたトークンの推定などに使われます。その大規模版がLLM(大規模言語モデル)です。比較的小規模な言語モデルをSLM(小規模言語モデル)と呼びます。幅広いタスクの土台になるモデルは基盤モデル(Foundation Model)で、Stanford大学のCRFMが2021年の報告書「On the Opportunities and Risks of Foundation Models」で提唱した呼称です。
大量のテキストで汎用的な能力を作るのが事前学習、その後に対話形式や安全性を仕込むのが事後学習です。代表例のRLHF(人間のフィードバックによる強化学習)は、どちらの出力を好むかという人の選好データから報酬モデルを学習し、それを報酬に強化学習を回します。出力を人間の意図や社会規範に沿わせる調整全般をアライメントと言います。
公開モデルを検討するときはオープンソースとオープンウェイトを区別してください。オープンウェイトは学習済みの重みが公開されていることを指しますが、学習コードやデータ情報の公開範囲はモデルごとに異なり、商用利用や再配布に条件が付くライセンスも珍しくありません。OSIのOpen Source AI Definition 1.0は、パラメータに加えて学習と実行の完全なソースコード、そして学習に使ったデータについて十分詳細な情報の公開を求めます。訓練データそのものの公開までは求めていない点が誤解されやすいところで、「オープンソースAI一覧」に載っているという名称だけでは、この基準を満たすか判断できません。
拡散モデル・GAN・VAE|画像を生成するモデルの用語
画像生成AIの中身として名前が出る方式は3つあります。GAN(敵対的生成ネットワーク)は、画像を作る生成器と本物か偽物かを見分ける識別器を競わせて学習させる方式で、2014年の論文「Generative Adversarial Networks」(arXiv:1406.2661)で提案されました。VAE(変分オートエンコーダ)は、データを確率分布として圧縮した潜在空間から新しいデータを復元する方式で、原論文は2013年の「Auto-Encoding Variational Bayes」(arXiv:1312.6114)です(VAEの仕組みとGAN・拡散モデルとの違い)。
現在の画像・動画生成で主流なのは拡散モデル(Diffusion Model)です。画像に少しずつノイズを加えていく過程を逆にたどり、ノイズから画像を復元するよう学習させます。2020年のDDPM(arXiv:2006.11239)で高品質な画像生成ができることが示され、その後の画像生成サービスの多くがこの系統です。テキスト・画像・音声など複数の種類のデータをまとめて扱えるモデルはマルチモーダルと呼びます。
発注側が覚えるべき区別は方式名より用途です。画像を新しく作るのが生成、画像から不良や文字を見つけるのが識別で、後者に拡散モデルは要りません。画像生成を業務で使うときの権利の扱いは、後述のリスクの章で扱います。
トークンとコンテキストウィンドウ|料金と入力上限を決める単位
トークンはモデルがテキストを扱う単位で、単語全体、単語の一部、文字など、分割の粒度はトークナイザによって異なります。API料金はこの単位で決まり、日本語は英語より1文字あたりのトークン消費が多くなる傾向があります。倍率はモデルのトークナイザごとに違うので、想定文書を対象モデルのトークナイザにかけて実測してください。一度に扱えるトークン数の上限がコンテキストウィンドウで、モデルによって数千から100万規模まで開きがあり更新も速いため、選定時は提供元の仕様ページで確認します。
埋め込み(Embedding)は語や文を数値ベクトルに変換したもので、意味の近さを距離として計算できます。これを大量に保存して近いものを高速に探すのがベクトルデータベースで、RAGの検索部分を支えます。温度(temperature)は出力のばらつきを制御する設定値で、下げるほど決定的に、上げるほど多様になります(temperatureとtop_pの決め方)。
スケーリング則と推論モデル|精度を上げる打ち手の変化
スケーリング則は、2020年の論文「Scaling Laws for Neural Language Models」(arXiv:2001.08361)が示した経験則です。損失がモデルサイズ・データセットサイズ・計算量に対してべき乗則で減り、一部の傾向は7桁以上にわたって成立する一方、ネットワークの幅や深さの違いは広い範囲で影響が小さいとしています。精度が頭打ちになったとき、層を1枚増やすような構造いじりより規模のほうが効く、というのが実務への含意です。
同論文は計算予算が固定なら大きなモデルを控えめなデータで学習させるのが効率的だと結論づけましたが、この配分は2022年に修正されました。DeepMindのChinchilla論文(arXiv:2203.15556)は、400以上のモデルを学習させた結果から、モデルサイズと学習トークン数を等しくスケールさせるべきだと示し、Chinchilla(70B)が同じ計算予算のGopher(280B)を上回りました。スケーリング則を引くときは、どちらの配分を指しているかまで確認してください。
2024年以降は、学習時ではなく回答時に計算を積む方向が加わりました。Chain-of-Thought(CoT、思考の連鎖)は、途中の推論過程を書かせてから答えさせるプロンプト手法で、Weiらの2022年の論文(arXiv:2201.11903)が算術や常識推論で正答率が上がることを示しました。これをモデル側に組み込んだのが推論モデル(reasoning model)で、OpenAIが2024年9月12日に発表したo1は、回答前に長い思考の連鎖を内部で生成すると説明されています(Chain of Thoughtの書き方と推論モデルでの扱い)。応答時間と課金トークンが増えるかわりに難問の正答率が上がるので、待たせてよい処理か即答が要る処理かで選び分けます。
モデルを自社業務に合わせる技術の用語|RAG・ファインチューニング・LoRA
プロンプトエンジニアリングとRAG|モデルの外に知識を置く方法
既存モデルを自社の仕事に合わせる方法は、手間の軽い順に並びます。プロンプトの設計だけで挙動を調整するのがプロンプトエンジニアリングで、システム全体に効かせる固定の指示文をシステムプロンプト、回答例をいくつか見せる手法をFew-shotと呼びます。まずここから試すのが定石です。
RAG(Retrieval-Augmented Generation、検索拡張生成)は、社内文書などを検索して見つかった内容をプロンプトに添えてから回答させる仕組みです。知識をモデルの外に置くため、文書を差し替えるだけで回答が更新され、出典も提示できます。回答品質は検索結果だけでなく生成側の処理にも左右されます。検索結果の順位付けを改善する選択肢として、複数の検索結果を統合するRRF(Reciprocal Rank Fusion)のようなランキング手法があります。
AIエージェントとMCP|外部ツールを使って作業を進める仕組み
AIエージェントは、目的を与えると検索・ツール実行・結果の確認を自分で繰り返し、多段の作業を進める仕組みです。1つの入力に1つの出力を返すチャット利用との違いは、作業を自分で分割してやり直す点にあります。エージェントに外部のツールやデータをつなぐ規格がMCP(Model Context Protocol)で、Anthropicが2024年11月25日に公開しました。2025年12月9日にはLinux Foundation傘下のAgentic AI Foundation(AAIF)へ寄贈すると発表しており、特定企業の独自仕様ではなくなっています。ツール連携の実装を指して「MCPサーバーを立てる」という言い方をします。
自律的に動く分だけ、権限設計とログの取得が重みを増します。エージェントに与える権限は、業務上必要な最小限に絞ってください。
ファインチューニングとLoRA|モデルの中を書き換える方法
ファインチューニングは、事前学習済みモデルを自社データで追加学習し、重みそのものを更新する方法です。出力の形式や文体を固定したいとき、専門領域の言い回しを覚えさせたいときに効きます。ただし知識をモデル内部に焼き込むため、情報が変わるたびに学習をやり直すことになります。
LoRA(Low-Rank Adaptation)は、そのファインチューニングを軽く行う手法です。原論文(arXiv:2106.09685)によれば、事前学習済みの重みを凍結したうえで、Transformerの各層に学習可能な低ランク分解行列を挿入します。GPT-3 175BにAdamでフルファインチューニングする場合と比べ、学習対象パラメータは1万分の1、GPUメモリ要求は3分の1に減り、LoRAの行列を元の重みに足し込んでから配備すれば推論時の追加レイテンシは生じないと報告されています。
LoRAで軽くなるのは学習側|推論を軽くする量子化・蒸留との違い
LoRAを「モデルの軽量化技術」「リソースが限られた端末向けの技術」と説明する解説が見られますが、後半は誤りです。軽くなる主語が違います。
LoRAが減らすのは、学習時に更新するパラメータ数、学習時のGPUメモリ、タスクごとに保存する差分の容量です。原論文はGPT-3 175Bで、保存するチェックポイントが350GBから35MBへ約1万分の1になったと報告する一方、脚注で「配備時には依然として350GBのモデルが必要である。ただし100個の適応モデルを保存する場合、100×350GB≈35TBではなく350GB+35MB×100≈354GBで済む」と明記しています。推論時に読み込むモデル本体は元の大きさのままです。
推論そのものを軽くしたいなら、重みの数値精度を落とす量子化か、大きなモデルの振る舞いを小さなモデルに移す知識蒸留を選びます。端末での推論負荷を下げる手段としてLoRAだけを提案された場合は、量子化や小規模モデルの採用も含めて構成を確認してください。使い分けとしては、まずプロンプトで要件を満たせるか確認し、外部知識の参照が必要ならRAG、出力形式や振る舞いの調整が必要ならファインチューニング・LoRAを検討します。
生成AIのリスクとガバナンスの用語|ハルシネーションから著作権まで
ハルシネーション・プロンプトインジェクション・ディープフェイク|出力と攻撃のリスク
ハルシネーションは、事実に反する内容をもっともらしく生成する現象です。言語モデルの学習目標や評価方法は、出力内容の真実性を保証するものではありません。検索や検証を組み合わせても誤りが残り得るため、用途に応じた確認が必要です。数値・固有名詞・法令の条文は一次情報で裏を取る工程を、業務フローに組み込んでおく必要があります。
プロンプトインジェクションは、入力文や参照させた外部文書に紛れ込ませた指示でモデルを乗っ取り、システムプロンプトの無視や機密の開示を狙う攻撃です。RAGやAIエージェントのように外部の文書やサイトを読ませる構成では、攻撃文が本文に混ざって届きます。語を覚えるだけでは防げず、出力先の権限を絞る、外部から取り込んだ文章を指示として扱わない設計にするといった実装側の対策が要ります。
ディープフェイクは、生成AIで作られた実在人物の偽の映像・音声です。企業にとっての実害は、役員の声や顔を使った送金指示の詐欺として現れます(ディープフェイク詐欺の手口と検知・防御)。AIバイアスは、データ、モデルの設計、利用者の判断や社会制度などに由来する偏りを指し、採用や与信では特定の集団に不利益を生む場合があります。
AIガバナンス・著作権・個人情報|社内ルールで扱う用語
AIガバナンスは、AIの開発・利用に伴うリスクを組織として管理する仕組みの総称です。日本では前述のAI事業者ガイドラインが、AI開発者・AI提供者・AI利用者という立場ごとに求められる取り組みを整理しており、社内規程を作るときの下敷きになります。
著作権で押さえる条文は著作権法第30条の4です。著作物に表現された思想又は感情の享受を目的としない利用、たとえば「情報解析」の用に供する場合は、必要と認められる限度で著作物を利用できると定めています。ただし同条には「著作権者の利益を不当に害することとなる場合は、この限りでない」というただし書があります。AIの学習段階と、生成物を利用する段階は分けて考えるのが、文化審議会著作権分科会法制度小委員会が2024年3月15日に取りまとめた「AIと著作権に関する考え方について」の整理で、生成物の利用段階では、既存の著作物との類似性と依拠性に加え、利用許諾や権利制限規定の適用を確認して侵害の有無を判断します(画像生成の商用利用は画像生成AIの商用利用はどこまで可能かで扱っています)。
個人情報については、個人情報保護委員会が2023年6月2日に生成AIサービスの利用に関する注意喚起等を公表しています。事業者が個人情報を含むプロンプトを入力するなら、利用目的の範囲内かを確認すること、本人の同意なく入力した個人データが応答結果の出力以外の目的で扱われると個人情報保護法違反となる可能性があるため、提供事業者がそのデータを機械学習に使わないことを確認すること、の2点が要点です。入力内容が学習に使われるかは、無料版と法人向けプランで扱いが分かれるサービスが多いため、利用規約で確認してください。
AI開発プロジェクトの工程で使う用語|PoCから運用監視まで
PoC(概念実証)は、本開発の前に技術的な実現性を小規模に確かめる工程です。合格基準を数値で決めずに始めると、いつまでも終わらないPoCになります。続くデータ前処理では、欠損値の補完、外れ値の除去、スケールをそろえる正規化を行います。実装はPythonが一般的で、表形式データならscikit-learn、ディープラーニングならPyTorch、学習済みモデルの入手にはHugging Faceが事実上の標準です。
評価指標は複数を併用します。正解率(Accuracy)だけを見るのは危険で、不良品が全体の1%しかない検査工程では、すべて良品と答えるモデルでも正解率99%になります。使うのは、陽性と判定したもののうち本当に陽性だった割合の適合率(Precision)、本当に陽性のもののうち検出できた割合の再現率(Recall)、その調和平均のF1スコアです。見逃しが致命的な検査なら再現率、誤検知のコストが高い業務なら適合率を優先します。
学習済みモデルで実際に予測させる処理が推論です。GPUは行列演算を大量に並行処理でき、大規模な深層学習の学習・推論を高速化します。ただし、決定木や小規模なモデルなど、学習も推論もCPUで実行できる場合があります。学習と推論を分けて見積もらないとインフラ費用を読み違えます。
運用開始後に効いてくるのがMLOpsとドリフトです。MLOpsは、データ収集から学習・デプロイ・監視・再学習までを継続的に回す運用の仕組みを指します。ドリフトには、入力データの分布がずれるデータドリフトと、入力と出力の関係そのものが変わるコンセプトドリフトがあり、後者は入力の見た目が変わらないまま精度だけが落ちるため気づきにくい。監視設計を欠いた案件では、稼働後しばらくして「最近当たらない」という報告が現場から上がり始めます(モデルモニタリングとドリフト検知のしきい値設計)。
混同されやすい用語ペアの区別|取り違えが招く実害
意味を覚えても、似た語の使い分けができていないと会話は噛み合いません。現場で取り違えの多い組み合わせを、区別の軸とあわせて整理します。
| 混同しやすい組 | 区別の軸 | 実務での結論 |
|---|---|---|
| AI/機械学習/ディープラーニング | 包含関係 | DLはMLの一部、MLはAIの一部 |
| パラメータ/ハイパーパラメータ | 誰が決めるか | 学習が決める/人が決める |
| 学習/推論 | 処理の目的 | データからモデルを調整/学習済みモデルで予測 |
| RAG/ファインチューニング | 知識の置き場所 | モデルの外/モデルの中 |
| LoRA/量子化・蒸留 | 何が軽くなるか | 学習コスト/推論コスト |
| オープンソース/オープンウェイト | 公開範囲と利用条件 | OSI定義の公開要件と自由/重み公開・条件は個別 |
| AIエージェント/チャット利用 | 作業を自分で繰り返すか | 多段で自律実行/1問1答 |
| データドリフト/コンセプトドリフト | 何がずれるか | 入力の分布/入力と出力の関係 |
| 生成AI/AGI | 出力形式か知能水準か | 実在する技術/研究上の目標 |
| 正解率/適合率・再現率 | 評価する対象 | 全体の正答/陽性予測の的中・陽性の捕捉 |
実害が大きいのはRAGとファインチューニングの取り違えです。「社内マニュアルを学習させてチャットボットを作る」という要望をそのままファインチューニングとして見積もると、学習環境の構築と、マニュアル更新のたびの再学習まで積み上がります。求められているのが最新版のマニュアルを参照した回答なら、RAGのほうが安く、更新にも強く、出典も出せます。社内向けのAIチャットボット開発を相談する際も、検索で知識を補うのか、追加学習でモデルの振る舞いを調整するのかを最初に確認してください。
用語を正しく使っても失敗する場面|合意すべきは語ではなく対象
用語の統一が目的化した会議は、たいてい成果物を生みません。「学習データ」と全員が正しく言えていても、それが基幹システムのどのテーブルの、いつからいつまでのレコードを指すのかが決まっていなければ、要件定義は進みません。
ベンダーの提案を評価するときは、用語の定義ではなく対象を尋ねてください。「独自のAIで最適化します」という説明には、入力は何か、出力は何か、正解データは誰がどう作るのか、精度をどの指標で測るのかを聞きます。これらが明示されない提案は、実現性や費用の妥当性を評価できません。採否を決める前に、仕様と評価方法の提示を求めてください。
よくある質問
AI用語はどこまで覚えればよいですか?
役割で決めてください。発注や社内推進の立場なら、まず混同ペアの表にある10組から確認すると、要件や見積もりの前提を共有しやすくなります。見積もりの妥当性を判断するのに必要な語がそこに集まっているためです。実装を担うなら、これに加えて評価指標(適合率・再現率・F1スコア)と、扱うデータに応じたモデル構造の知識が要ります。網羅的に暗記するより、自社の案件で実際に飛び交う20語程度に絞り、自社のシステム名と紐づけて覚えるほうが定着します。
ビジネスの会議でよく出るAI用語はどれですか?
導入検討の会議で頻出するのは、生成AI、LLM、プロンプト、RAG、ファインチューニング、AIエージェント、ハルシネーション、PoCの8語です。このうちRAGとファインチューニングの区別、PoCの合格基準の決め方、ハルシネーションを前提にした確認工程の3点が、費用と納期に直接効きます。法務や情報システム部門と話すなら、著作権法第30条の4と個人情報保護委員会の注意喚起、AI事業者ガイドラインの3つを共通の参照先にすると議論が早く進みます。
AIにはどのような種類がありますか?
分け方は3通りあります。対応できる課題の広さでは、特定の課題に特化するANIと、幅広い課題への対応を目指すAGIを区別します。ただし、AGIの到達基準は研究によって異なります。出力で分けると、新しいデータを作る生成AIと、既存の選択肢から選ぶ識別系AI。作り方で分けると、人がルールを書くルールベースと、データから学ぶ機械学習です。案件を説明するときは「識別系の機械学習」「生成AIをRAGで使う」のように2つの軸を組み合わせると、誤解が減ります。
AIに用語集そのものを作らせてもよいですか?
下書きには使えますが、そのまま公開するのは避けてください。生成AIはハルシネーションを起こすため、定義文や略語の展開に誤りが混じります。LoRAを「軽量化技術」とする説明も、原論文にあたると主語を取り違えていました。用語集は誤りが読者にそのまま伝わる形式なので、列挙とドラフトはAIに任せ、定義の正確性は原論文・法令条文・公式ドキュメントで人が検証する分担が現実的です。
オープンソースAIとして公開されているモデルは商用利用できますか?
モデルごとにライセンス本文と公開物を確認してください。名称だけで判断せず、重み・コード・データ情報の公開範囲と、商用利用・改変・再配布の条件を照合します。月間利用者数による制限や、出力を他モデルの学習に使うことの禁止といった条件も、ライセンスごとに違います。