AIエンジンは、学習済みモデルや判断ルールを使って入力を処理し、予測・判断・生成などの結果を返す中核のソフトウェア部品です。自動車のエンジンと同じで、単体では製品になりません。しかも「AIエンジン」という言葉は、ChatGPTやGeminiのような生成AIサービスを指すこともあれば、クラウドの推論APIや半導体の演算回路を指すこともあり、話し手によって範囲がずれます。ここでは用語の境界を先に固めたうえで、主要な生成AIの一覧、種類・提供形態・選定基準・費用の発生ポイントまでを、AI開発を発注する側と作る側の双方が判断に使える形で整理しました。
まとめ:AIエンジン選びで先に決める3つの論点
AIエンジンの比較を始める前に、処理方式・提供形態・費用の発生点を整理します。
- 処理方式:ルールが明文化できる業務ならルールベース、判断基準を言語化できないならば機械学習・深層学習、自然言語の生成が要るなら大規模言語モデル。
- 提供形態:ライブラリを自前で運用するか、推論APIを呼ぶか、マネージドの機械学習プラットフォームに載せるか。データの機密性と、社内に保守・監視の担当者を置けるかで決まります。
- 費用の発生点:APIのトークン課金などの利用料と、自前運用の計算資源・設備・保守人件費を比較します。自前運用が有利になるかは、運用期間だけでなく処理量と設備の稼働率にも左右されます。
日常会話で「AIエンジン」と呼ばれるChatGPT・Gemini・Claudeは、推論APIの提供元が出している自社アプリで、中身のモデルは数か月単位で入れ替わります。主要クラウドのAIプラットフォームも2024年から2026年にかけて軒並み名前が変わりました。
AIエンジンの定義と、アルゴリズム・モデル・フレームワークとの境界
AIエンジンが指す範囲と、推論を返す実行環境としての定義
画像を渡せば「これは不良品である確率が0.93」と返し、文章を渡せば要約を返す。この入出力を担う実行体がAIエンジンにあたります。
この定義は業界共通の規格ではなく、ベンダーが自社製品に合わせて使っているものです。たとえばシスコのWebex公式ヘルプは「AIエンジンは、AIエージェントを動かすために不可欠なコンポーネントです。ユーザー入力(テキストと音声)を処理し、ユーザーの意図を理解し、適切な応答を生成します」と説明しています。同じページは、自律型AIエージェント向けのAIエンジンについて、音声認識・音声合成、大規模言語モデル、ガードレール、システムプロンプトを1つの選択肢にまとめたものだとも書いています。
ここから読み取れるのは、エンジンはモデルそのものではなく、モデルを中心に入出力の処理や安全策を束ねた実行単位だということです。共通するのは「入力を受けて判断結果を返す中核部分」という位置づけで、周辺のデータ収集や画面は含みません。
混同しやすい6語の役割分担
提案書や要件定義では、相手がどのレイヤーの話をしているかを次の6語でそろえておかないと、見積もりの前提がずれます。
| 用語 | 実体 | 具体例 |
|---|---|---|
| アルゴリズム | 計算手順そのもの | 勾配ブースティング、Transformer |
| モデル | 推論の構造と学習済みパラメータなど | ResNet-50、GPT系モデル |
| フレームワーク | モデルを記述・学習させる開発基盤 | PyTorch、TensorFlow |
| ライブラリ | 特定処理を提供する部品群 | scikit-learn、Transformers |
| AIエンジン | 学習済みモデルを載せた推論の実行体 | 推論API、組み込み推論ランタイム |
| プラットフォーム | 学習から運用までを包含する基盤 | Amazon SageMaker、Microsoft Foundry |
整理すると、アルゴリズムとモデルが「中身」、フレームワークとライブラリが「作る道具」、AIエンジンとプラットフォームが「動かす場所」です。発注側の「AIエンジンを作ってほしい」は、動かす場所と中身の両方を含むことが多いので、範囲を最初に切り分けてください。
「AI Engine」という名称が指す4つの別物
「AIエンジン」「ai engine」で検索すると、層の違う製品が並びます。社内で情報を共有する前に、どれの話かを確認してください。
ひとつめはクラウドの推論APIサービスです。さくらインターネットの「さくらのAI Engine」は公式サイトで「『さくらのAI Engine』は、基盤モデルを搭載したGPUサーバーで推論を実行し、結果を返すAPIサービスです」と定義され、通常モデルのチャット補完に月3,000リクエストの無償枠があります。料金と提供モデルはさくらのAI Engineとは?料金・無料枠・提供モデルとAPIの使い方【2026年10月】で扱っています。
ふたつめは製品内部のコンポーネント名で、前述のWebexのAIエンジンがこれにあたります。単体で買える製品ではなく、AIエージェント機能の一部です。
みっつめは半導体のハードウェアです。AMDのVersal適応型SoCに搭載されるAI Engineは、公式ドキュメント(AM009)が「Each AI Engine tile integrates a very-long instruction word (VLIW) processor, integrated memory, and interconnects for streaming, configuration, and debug.」と記す通り、VLIWプロセッサのタイルを二次元配列に並べた回路です。同じハードウェア側の話には、AppleのNeural Engine(ANE)とは?16コアの意味・Neural Acceleratorとの違い・M6世代の変化やGoogleのTPUとは?GPU・CPUとの違い、世代別の性能と料金、TorchTPUでのPyTorch対応があります。
よっつめは同名のソフトウェア製品です。WordPress.orgで配布されている「AI Engine」プラグイン(作者Jordy Meow、2026年10月21日時点でv3.8.6・有効インストール数90,000以上)は、WordPressサイトから各社のAIモデルを呼び出す連携プラグインです。
AIエンジンの仕組み:学習フェーズと推論フェーズの役割分担
学習フェーズと推論フェーズで異なる計算資源と時間軸
機械学習を使うAIシステムの開発・運用は、モデルを作る学習フェーズと、そのモデルを使う推論フェーズに分けて考えます。学習フェーズは、データからモデルの規則やパラメータを求める工程です。scikit-learnのロジスティック回帰のような教師あり学習では正解ラベルを使いますが、教師なし学習では正解ラベルを必要としません。大規模な深層学習ではGPUを長時間使い、データ量とモデル規模に応じて時間と費用が増えます。教師あり学習の精度を左右するのは前段の正解ラベル付けで、詳細はアノテーションとは?AI・機械学習の教師データ作成の種類・やり方・品質管理を解説で扱っています。
推論フェーズは、学習で固定した重みに新しい入力を通して答えを出す工程です。1回あたりの計算量は学習より桁違いに小さい一方、本番では毎秒何度も呼ばれるため、応答時間と同時実行数が要件になります。AIエンジンという言葉が単体で使われるときは、たいていこの推論側を指します。
この分離があるため、学習はクラウドのGPUで回し、推論は軽量化したモデルを手元のサーバーや端末で動かす構成が成立します。推論側を軽くする代表的な手法が知識蒸留(Model Distillation)とは?仕組み・実装手順とLLM軽量化の判断基準です。
モデルとエンジンを別のソフトで動かす最小例(scikit-learn と ONNX Runtime)
「モデル」と「エンジン」が別物であることは、コードにすると一目で分かります。次の例は、学習側でscikit-learnのロジスティック回帰を学習させてONNX形式のファイルに書き出し、推論側ではscikit-learnを読み込まずにONNX Runtimeだけで同じモデルを実行します。Python 3.12.15、scikit-learn 1.9.1、skl2onnx 1.20.0、onnxruntime 1.31.0のDockerコンテナ(python:3.12-slim)で実行しました。
# train_export.py(学習側:モデルを作ってファイルに書き出す)
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from skl2onnx import to_onnx
import os
X, y = load_iris(return_X_y=True)
X = X.astype("float32")
clf = LogisticRegression(max_iter=1000).fit(X, y)
onx = to_onnx(clf, X[:1], options={id(clf): {"zipmap": False}})
with open("iris.onnx", "wb") as f:
f.write(onx.SerializeToString())
print("model file:", os.path.getsize("iris.onnx"), "bytes")
print("sklearn predict:", clf.predict(X[[0, 50, 100]]).tolist())
# serve.py(推論側:scikit-learnを使わずONNX Runtimeで実行する)
import sys
import numpy as np
import onnxruntime as ort
sess = ort.InferenceSession("iris.onnx", providers=["CPUExecutionProvider"])
print("sklearn loaded:", "sklearn" in sys.modules)
print("inputs:", [(i.name, i.shape) for i in sess.get_inputs()])
x = np.array([[5.1, 3.5, 1.4, 0.2], [7.0, 3.2, 4.7, 1.4], [6.3, 3.3, 6.0, 2.5]], dtype=np.float32)
label, proba = sess.run(None, {sess.get_inputs()[0].name: x})
print("onnxruntime", ort.__version__, "predict:", label.tolist())
print("proba[0]:", [round(float(v), 3) for v in proba[0]])
前述のPython環境にscikit-learn、skl2onnx、onnxruntimeとその依存パッケージを導入し、2つのコードをtrain_export.pyとserve.pyとして同じディレクトリに保存します。python train_export.py、python serve.pyの順に、それぞれ別プロセスで実行した出力です。
model file: 518 bytes
sklearn predict: [0, 1, 2]
sklearn loaded: False
inputs: [('X', [None, 4])]
onnxruntime 1.31.0 predict: [0, 1, 2]
proba[0]: [0.982, 0.018, 0.0]
学習済みモデルの実体は518バイトのファイルで、推論側のプロセスにはscikit-learnが一度も読み込まれていません(sklearn loaded: False)。それでも予測ラベルは学習側と一致しました。モデルは「持ち運べる中身」、エンジンは「それを読み込んで入力を通す実行環境」です。この例では、入力・出力の仕様とONNX Runtimeの対応演算を維持すれば、モデルファイルを差し替えて同じ推論コードを使えます。学習用ライブラリを本番サーバーにも入れる構成にすると、学習側の版を上げるたびに本番の依存関係まで動きます。
AIエンジンの種類:処理方式別と用途別の整理
処理方式による4つの整理
選定の便宜上、ルールベース、従来型の機械学習、深層学習、LLMに分けて整理します。ただし深層学習は機械学習に含まれ、LLMも主に深層学習を使うため、独立した4分類ではありません。新しい方式が優れているわけではなく、扱う課題によって適する方式が変わります。
| 方式 | 判断ロジックの作り方 | 適する場面 | 弱点 |
|---|---|---|---|
| ルールベース | 人が条件分岐を記述 | 法令・社内規程の判定 | 例外が増えると保守不能 |
| 機械学習 | 表形式データから統計的に学習 | 需要予測、与信、離脱予測 | 特徴量の設計が必要 |
| 深層学習 | ニューラルネットが特徴を自動抽出 | 画像・音声・時系列 | モデル規模に応じた計算資源が必要 |
| 生成AI(LLM) | 事前学習済みモデルを指示で制御 | 文章生成、要約、対話 | 出力の正しさを保証できない |
ルールベースを古い方式として切り捨てないでください。判定根拠を条文単位で説明する義務がある領域では、なぜその結論になったかを示せること自体が要件です。深層学習は寄与度を可視化できても、条文単位の根拠提示にはなりません。逆に、熟練者が「見れば分かる」としか説明できない判断は、ルール化できないので機械学習側の出番になります。
用途別に見たAIエンジン一覧と既製サービスの守備範囲
実際の製品選定は、処理方式ではなく用途から入ります。用途別の一覧と、そこに既製サービスがあるかどうかは次の通りです。
| 用途 | 入力と出力 | 代表的な既製サービス |
|---|---|---|
| 画像認識 | 画像から分類・検出 | Amazon Rekognition、Cloud Vision API |
| 音声認識 | 音声から文字列 | Amazon Transcribe、Speech-to-Text |
| 自然言語処理 | 文章から分類・要約・生成 | 各社のLLM API |
| レコメンド | 行動履歴から推薦順位 | Amazon Personalize(自社データ投入が前提) |
| 異常検知 | センサー値から正常・異常 | BigQuery ML(時系列異常検知) |
| 需要予測 | 実績と外部要因から予測値 | BigQuery ML(時系列予測) |
異常検知と需要予測にも既製サービスがありますが、適用には自社データと業務条件の確認が必要です。精度が不足した場合は、正常の定義や業務上の制約に加え、入力データの品質、外部要因の扱い、選択したモデルの適合性を切り分けて調べます。用途別の詳細は画像認識AIとは?仕組み・できること・開発の進め方をわかりやすく解説とレコメンドエンジンとは?仕組み・種類と導入判断(SaaS/受託開発の選び分け)を分かりやすく解説で個別に扱っています。
ChatGPT・Gemini・Claudeなど主要な生成AIの一覧と中身のモデル名
日常会話で「AIエンジン」と言うとき、多くはChatGPTやGeminiのような生成AIサービスを指しています。ただし前の章の定義に当てはめると、ChatGPTはアプリの名前で、その中で動いているのはGPT-6 Astraのようなモデル、それを動かす提供元の推論基盤がエンジンです。
主要な生成AIサービスとAPIで選べる現行モデル(2026年10月21日時点)
各社公式のAPIモデル一覧に載っている現行の主力モデルを、呼び出し名(モデルID)で並べました。モデル名は数か月単位で入れ替わります。この表の中でも、Claude Sonnet 5.5の公開は2026年9月28日、Gemini 4 Argonの一般提供開始は10月13日です。使う前に各社の一覧で確認してください。
| 日常の呼び名 | 開発元 | APIで選べる主なモデルID |
|---|---|---|
| ChatGPT | OpenAI | gpt-6-astra、gpt-6.1-sol、gpt-6-luna |
| Gemini | gemini-4-argon、gemini-3.8-flash | |
| Claude | Anthropic | claude-fable-5-1、claude-opus-5-5、claude-sonnet-5-5 |
| Grok | xAI | grok-4.7、grok-4.6、grok-4.3 |
| Meta AI | Meta | muse-wonder-1.0、muse-spark-1.3 |
| DeepSeek | DeepSeek | deepseek-flash、deepseek-v4-pro |
出典はOpenAI、Google、Anthropic、xAI、Meta、DeepSeekの各公式ドキュメントです。OpenAIはGPT-6 Astraを最高性能、GPT-6.1 Solを速度・費用・性能の均衡型、GPT-6 Lunaを最速・最安と位置づけています。Anthropicも、迷ったらClaude Opus 5.5から始め、難度の高い推論や長時間のエージェント作業にはClaude Fable 5.1を使うよう案内しています。
自社のサーバーで動かせる重みを公開しているモデルもあります。Metaの「Muse Spark Open」は総パラメータ8,160億(推論時に動くのは420億)の混合エキスパート型で、自前運用では重みをダウンロードしてSGLangやvLLMなどの推論ランタイムで動かし(ホスティング事業者のAPI経由でも使えます)、モデル(重み)とエンジン(推論ランタイム)を別々に選ぶ形です。
サービス名・モデルIDと実モデルの更新リスク
同じ名前で呼び出していても、中で動くモデルは提供元の判断で差し替わります。DeepSeekのAPIドキュメントは、モデル名にdeepseek-flashを指定するよう案内したうえで、その中身が現在はDeepSeek-V4.1-Flash-1017であり、呼び出し方は変わらないと書いています。旧名のdeepseek-v4-flashも受け付けられますが、対応するモデルは提供を終えており、リクエストはV4.1-Flash-1017が処理してFlashの料金で課金されます。コードを変えていなくても、回答するモデルは別物です。前述のWebexでも、AIエンジンの選択肢のうちWebex AI Pro 1.0には「間もなく廃止予定」と注記が付いています。
業務システムに組み込むなら、呼び出しに使ったモデルIDと日付をログに残し、精度の評価をモデルの切り替えごとにやり直す運用を最初から組み込んでください。「ChatGPTを使っている」という記録では、半年後に精度が落ちたとき原因を追えません。どのサービスが自社の用途に合うか、料金や無料プランの違いまで含めた比較はChatGPT・Gemini・Claude・Copilotを徹底比較|対話型AIの違い・料金・選び方【2026年版】で扱っています。
AIエンジンの提供形態3つ|ライブラリ・推論API・マネージド
同じ機能でも、どの形態で調達するかで必要な体制と費用構造が変わります。「AI開発ツール」「機械学習プラットフォーム」と呼ばれる製品も、この3形態のどれかに収まります。
形態ごとのデータの置き場所・社内体制・費用の性質
| 形態 | データの置き場所 | 必要な社内体制 | 費用の性質 |
|---|---|---|---|
| ライブラリ自前運用 | 自社環境 | 保守・監視の担当者 | 設備費・計算資源費・人件費 |
| 推論API利用 | 提供元のクラウド | アプリ開発・評価・運用の担当者 | トークン数・回数などの従量課金 |
| マネージドの機械学習基盤 | 自社のクラウド区画 | データ担当+運用担当 | 構成次第で常時費用または従量 |
選定を分けるのは、扱うデータを社外に出せるかと、社内に運用する人がいるかの2点です。運用担当を確保できないまま自前運用を選ぶと、モデルの精度が落ちても誰も気付かない状態になります。
形態別の代表的なAI開発ツールと機械学習プラットフォーム
製品名で探し始めると、性格の違うものを同じ土俵で比べてしまいます。先に形態を決め、その中で候補を並べてください。
| 形態 | 代表的な製品 | 調達の単位 |
|---|---|---|
| ライブラリ自前運用 | PyTorch、TensorFlow、scikit-learn、ONNX Runtime | OSS(無償)+自前のサーバー |
| 推論API利用 | OpenAI API、Gemini API、Claude API、さくらのAI Engine | トークン数・リクエスト数 |
| マネージドの機械学習基盤 | SageMaker AI、Foundry、Gemini Enterprise Agent Platform | 計算資源の時間+従量 |
マネージド基盤の3製品は、いずれも2024年以降に名前が変わっています(次の章で整理します)。
自前運用で使うフレームワークと推論ランタイムの現行版
PyPIで公開されている最新版は次の通りでした(2026年10月21日時点の実測値。導入時は各公式で確認してください)。
| 名称 | 区分 | 役割 | 最新版 | 公開日 |
|---|---|---|---|---|
| PyTorch | フレームワーク | 研究・実装で主流 | 2.14.1 | 2026-09-30 |
| TensorFlow | フレームワーク | 運用周辺のツールが厚い | 2.21.0 | 2026-03-06 |
| scikit-learn | ライブラリ | 表形式データの機械学習 | 1.9.1 | 2026-09-10 |
| Transformers | ライブラリ | 学習済みモデルの取得と実行 | 5.20.2 | 2026-10-19 |
| ONNX Runtime | 推論ランタイム | フレームワーク非依存の推論 | 1.31.0 | 2026-10-09 |
これらは競合ではなく分担関係にあります。PyTorchやscikit-learnで学習させ、ONNX形式に書き出してONNX Runtimeで推論すれば、前の章の最小例のように学習環境と本番環境を別々に選べます。同じフレームワークでも、対応するCPUやGPUへ移行できます。ただし、移行先の対応演算、依存ライブラリ、性能は再確認が必要です。PyTorchとTensorFlowの違いはPyTorchとは?読み方・できること・TensorFlowとの違いと入れ方【2.14対応】で比較しています。
2024〜2026年に起きた三大クラウドの改称と現行名
三大クラウドのAI基盤は、この3年で軒並み呼称が変わりました。
| ベンダー | 旧名称 | 現行名称 | 発表時期 |
|---|---|---|---|
| AWS | Amazon SageMaker | Amazon SageMaker AI | 2024-12-03 |
| Microsoft | Azure AI Studio / Azure AI Foundry | Microsoft Foundry | 2025-11(Ignite 2025) |
| Google Cloud | Vertex AI | Gemini Enterprise Agent Platform | 2026-04(Cloud Next ’26) |
AWSの公式ドキュメントは「On December 03, 2024, Amazon SageMaker was renamed to Amazon SageMaker AI. This name change does not apply to any of the existing Amazon SageMaker features.」と記し、SageMaker AIを、データ分析とAIを束ねる新しい統合プラットフォーム「Amazon SageMaker」の一機能として位置づけ直しました。APIネームスペース、CLIコマンド、サービスエンドポイント、CloudFormationの接頭辞は後方互換のため維持されています。
Microsoftは2025年11月18日のIgnite 2025で、Azure AI FoundryをMicrosoft Foundryへ改称しました。Azure AI Studioは、その前段階の名称です。Azure OpenAIという名称は消えておらず、モデル提供の正式表記は「Azure OpenAI in Foundry Models」です。Azure側の機能と料金はAzure Machine Learningとは?料金・できること・SageMakerとの違いと導入判断【2026年9月時点】で扱っています。Google Cloudは公式製品ページが「Gemini Enterprise Agent Platform (formerly Vertex AI)」と表記しており、Vertex AI配下の各サービスが同プラットフォームへ統合されました。
過去の比較表や稟議書の製品名は現行名と一致しないので、比較検討は公式ドキュメントの現行名で行ってください。
AIエンジンの選定基準|4つの制約と確認順序
データ外部送信可否・応答時間・推論回数・運用体制の4制約
どの形態を選ぶかは、次の4つを順に確認すれば決まります。上から順に、後戻りしにくい制約です。
- データの外部送信可否:個人情報や設計データを社外に送れない規程があるなら、外部の推論APIは選択肢から外れ、社内環境での処理が前提になります。禁止対象が国外送信に限られる場合は、国内の外部サービスも規程に照らして検討できます。
- 応答時間の要件:製造ラインの検査では、通信・推論・前後処理を含めた遅延が許容時間に収まるかを測定し、ネットワーク経由で満たせない場合はエッジ推論を選びます。
- 推論回数の見込み:API費用は、回数に加えて入出力トークン数などの課金単位で見積もります。利用量が安定している場合も、自前運用の設備費・稼働率・保守人件費を含めて比較し、予算超過時の停止方法を決めてください。
- 運用担当の有無:モデルは配置して終わりではなく、入力データの傾向が変われば精度が落ちます。監視と再学習の担当者を確保できない場合は、運用委託も含めて体制を決めてください。Azure Machine Learningなどのマネージド基盤でも、監視項目・しきい値の設定と検知後の対応は利用側に残ります。
費用が発生する4カ所と、見積もりで抜けやすい2つ
費用は、学習時の計算資源、推論の利用量(トークン数やリクエスト数)、データの保管量、そして人件費の4カ所で発生します。見積もりで抜けやすいのは最後の2つでしょう。とくに学習データの整備とラベル付けの工数は、モデルの実装そのものより大きくなることがあります。
自前学習を選ぶべきでない場面をはっきり書いておきます。学習・評価に必要な代表性のあるデータを確保できない場合、機械学習の運用経験者が社内にいない場合、そして解きたい課題が汎用的な文章生成や画像分類にとどまる場合の3つです。この条件下では、既存の学習済みモデルをAPIで呼び、プロンプトや検索連携で自社の情報を渡す構成から比較を始め、精度と総費用を実測して採否を判断します。自前学習は業務固有の判断に加え、既存モデルを自社の分類対象に適応させる転移学習でも候補になります。具体的な要件でどの形態が適するかは、AIエンジン開発のページで対応範囲を紹介しています。
AIエンジン導入が失敗する典型パターン
導入前には、技術選定と併せて、評価基準・入力条件・運用体制を確認してください。
精度評価における合格ラインの未設定
たとえば、「AIで不良品を見つけたい」という要件のまま着手すると、検出率95%を達成しても現場から「見逃しが出るなら使えない」と言われて終わります。見逃しと過検出のどちらをどこまで許容するかを、着手前に業務側と数値で合意してください。
PoCと本番環境の入力条件の不一致
整理済みの綺麗なデータで高い精度が出ても、本番の入力には欠損や撮影条件のばらつきが混ざります。本番適用の判断には、本番の取得条件を反映した評価データが必要です。scikit-learnのtrain_test_splitなどで学習用と評価用を分離し、時系列や設備単位の偏りがある場合は、その構造を保った分割方法を選びます。
モデル配置後の監視体制の欠如
市場や設備の状態が変われば入力データの分布が変わり、モデルの精度は静かに劣化します。予測値と実績値の比較に加え、入力分布や欠損率も監視対象にし、しきい値を超えたときに調べる担当者まで決めておきます。
説明責任とモデルの説明可能性の不一致
与信や人事評価のように判断根拠の提示が求められる領域では、精度が高くても根拠を示せなければ運用に乗りません。この場合は、ルールベースやscikit-learnのDecisionTreeClassifierのように分岐を確認できる手法を候補にします。木の深さや規模も確認し、業務側が判断経路を説明できるか評価してください。
よくある質問
AIエンジンとAIモデルは何が違いますか?
AIモデルは学習で得られたパラメータの集合、つまり判断の中身で、ファイルとして持ち運べます。AIエンジンはそれを読み込んで推論を実行する実行環境です。違いは差し替えの単位に出ます。ONNXモデルのように、入出力仕様と対応演算を維持すればファイル交換で更新できる場合があります。エンジンの変更時は、API互換性や実行環境の差に応じて修正範囲が変わります。
AIエンジンにはどのような種類がありますか?
処理方式の整理例にはルールベース、従来型の機械学習、深層学習、生成AIがあり、後ろ3つには包含・重複関係があります。一方、用途では画像認識、音声認識、自然言語処理、レコメンド、異常検知、需要予測が代表的です。判断根拠の説明義務がある業務では、分岐を確認できる手法かどうかが選定を左右します。
「AI Engine」で検索すると別の製品が出てくるのはなぜですか?
推論APIサービス、製品内部の部品、半導体の回路、WordPressプラグインという層の違う対象が、同じ名前を使っているためです。資料を共有する前に、どの文脈のものかを確認してください。
無料で使えるAIエンジンはありますか?
アプリとしてなら、主要な生成AIの多くに無料プランがあります。Geminiの料金ページは無料プラン(月0円)でFlash-Liteモデルが使えると案内し、有料のGoogle AI Plus(月725円)ではFlashモデルになります。ChatGPTとClaudeも無料プランを用意しています。ただし同じサービスでもプランによって中のモデルが違うため、無料版で試した結果を有料版やAPIの精度と同じとみなさないでください。
AIエンジンの費用を最初に見積もる方法はありますか?
推論回数の見込みから逆算するのが最短ですが、推論APIの課金単位はサービスによって異なります。トークン課金なら、想定回数に1回あたりの入力・出力トークン数と各単価を掛けて概算し、利用上限は別途設定します。無償枠から試せるサービスもあり、たとえばさくらのAI Engineは通常モデルのチャット補完で月3,000リクエストまで無償です。まず小さく回して回数とトークン数の実測値を取り、そこから自前運用との分岐点を判断してください。