はじめに
AIや生成AIについて調べていると、LLM、基盤モデル、推論、RAG、Embedding、ファインチューニングなど、多くの専門用語が登場します。
それぞれの技術を理解しようとしても、説明に使われている専門用語の意味が分からず、なかなか理解が進まないことがあります。また、似たような用語が多いため、それぞれの違いが分かりにくいこともあります。
そこで今回は、AIや生成AIを理解するうえで覚えておきたい基本用語を整理しました。専門的な仕組みの詳細よりも、それぞれの用語が何を意味し、どのような場面で使われるのかを中心に説明します。
1. AI・機械学習の基本用語
① AI(Artificial Intelligence:人工知能)
人間が行う認識、判断、予測、文章生成などの知的な作業を、コンピューターで実現する技術の総称です。画像認識、音声認識、機械翻訳、需要予測、文章生成など、さまざまな分野で利用されています。AIは特定の技術を指す言葉ではなく、機械学習やディープラーニングなども含む広い概念です。
② ML(Machine Learning:機械学習)
大量のデータから規則性やパターンを学習し、予測や分類などを行う技術です。例えば、過去の売上データから翌月の売上を予測したり、メールの内容から迷惑メールかどうかを判定したりする場合に利用します。人間がすべての判断条件をプログラムとして指定するのではなく、データから判断に必要な特徴を学習することが特徴です。
③ ディープラーニング(深層学習)
人間の脳の神経回路を参考にしたニューラルネットワークを、多層構造にした技術です。従来の機械学習では人間が特徴を設計することも多くありましたが、ディープラーニングではデータから複雑な特徴を自動的に学習できます。画像認識、音声認識、生成AIなど、多くのAI技術で利用されています。
④ 生成AI(Generative AI)
学習したデータの特徴やパターンを利用し、新しい文章、画像、音声、動画、プログラムなどを生成するAIです。例えば、質問への回答、文章の要約、画像の生成、プログラムコードの作成などに利用できます。従来のAIが分類や予測を中心に利用されてきたのに対し、生成AIは新しいコンテンツを作り出すことを主な目的としています。
⑤ 基盤モデル(FM:Foundation Model)
大量のデータを使用して事前学習された、さまざまな用途に利用できるAIモデルです。個別の用途ごとに一からモデルを作るのではなく、既存の基盤モデルを利用して文章生成、情報抽出、画像分析などを行えます。基盤モデルには、言語を中心に扱うものや、画像や音声など複数種類のデータに対応するものがあります。
⑥ LLM(Large Language Model:大規模言語モデル)
大量の文章などを学習し、自然言語の理解や生成を行うAIモデルです。質問への回答、文章の要約、翻訳、プログラムコードの生成などに利用されます。主に言語を扱う基盤モデルの一種ですが、画像や音声などにも対応するモデルがあります。
⑦ マルチモーダル(Multimodal)
テキスト、画像、音声、動画など、複数種類のデータを扱う技術です。例えば、画像をAIに入力して「この写真には何が写っていますか?」と質問したり、録音した音声と関連資料を組み合わせて内容を分析したりできます。テキストだけを処理するAIに比べ、扱える情報の種類が多いことが特徴です。
⑧ Transformer(トランスフォーマー)
現在の多くのLLMで採用されている、ニューラルネットワークのアーキテクチャです。Attentionという、入力データ内の要素同士の関係に注目する仕組みを利用し、文章の文脈などを捉えます。長い文章の処理や文章生成などに利用されており、現在の生成AIを支える重要な技術の一つです。
2. 生成AI・LLMの基本用語
① プロンプト(Prompt)
AIに入力する質問や指示のことです。例えば、「次の文章を200文字以内で要約してください」「このPythonコードの問題点を説明してください」などがプロンプトに該当します。AIの回答内容は、モデルの性能だけでなく、プロンプトの内容にも影響されます。
② プロンプトエンジニアリング(Prompt Engineering)
AIから目的に合った回答を得るために、プロンプトの内容や構成を工夫する技術です。例えば、単に「文章を要約して」と指示するのではなく、「対象読者は初心者」「箇条書きで5項目」「専門用語には説明を付ける」といった条件を指定します。指示の明確さや情報の与え方によって、回答の品質を改善できる場合があります。
③ トークン(Token)
AIモデルが文章を処理する際に使用する単位です。文章は、単語、単語の一部、記号などに分割され、トークンとして処理されます。例えば、日本語の100文字が必ず100トークンになるわけではなく、分割方法や使用するモデルによってトークン数は異なります。トークン数は、処理できる文章量や利用料金などに関係します。
④ コンテキストウィンドウ(Context Window)
AIモデルが一度の処理で扱える情報量の上限です。入力する質問、会話履歴、参照文書などが対象となり、一般的にはトークン数で表されます。例えば、長いPDFを読み込ませる場合、文書の情報量がモデルの処理可能な範囲に収まるかを考慮する必要があります。
⑤ 推論(Inference)
学習済みのAIモデルにデータを入力し、予測結果や回答などを生成する処理です。例えば、AIに「日本の首都はどこですか?」と質問し、「東京です」という回答を生成させる処理が該当します。通常のAIモデルの利用では、質問するたびにモデル自体が新しく学習されるわけではありません。
⑥ Temperature(温度パラメータ)
生成AIが回答を作成する際のランダム性を調整するパラメータです。一般的に、値を低くすると出力が安定しやすくなり、値を高くすると多様な表現が生成されやすくなります。例えば、事実を整理する文章では低め、創作的な文章では高めの設定が利用されることがあります。ただし、低い値にしても回答の正確性が保証されるわけではありません。
⑦ Top-p
生成する次のトークンを選択する際に、候補となるトークンの確率分布を制限するパラメータです。確率の高い候補から、累積確率が設定値に達する範囲を中心に選択します。例えば、値を小さくすると候補が絞られやすくなり、より確率の高い表現が選択されやすくなります。Temperatureとともに回答の多様性に影響します。
⑧ ハルシネーション(Hallucination)
生成AIが、事実と異なる情報や根拠のない情報を、もっともらしく生成してしまう現象です。例えば、存在しない書籍を参考文献として提示したり、実際には存在しない法律や制度を説明したりする場合があります。特に正確性が求められる業務では、回答内容を検証する仕組みが必要です。
⑨ グラウンディング(Grounding)
AIの回答を、外部文書やデータベースなどの根拠となる情報に結びつけることです。例えば、一般的な知識だけで回答させるのではなく、企業の就業規則を参照させ、その内容に基づいて質問に回答させます。回答の根拠を明確にするために利用されますが、参照情報を与えても誤回答が完全になくなるわけではありません。
3. RAG・検索関連の基本用語
生成AIを業務で利用する場合、社内文書や製品マニュアルなど、AIが事前学習していない情報を扱う必要があります。その際によく使用される技術がRAGやベクトル検索です。
① RAG(Retrieval-Augmented Generation:検索拡張生成)
外部データから関連情報を検索し、その情報を生成AIに渡して回答を作成する技術です。例えば、社内規程について質問された際、関連する規程を検索し、その内容を参照して回答します。モデルを追加学習させなくても、外部の情報を回答に利用できることが特徴です。
② Embedding(埋め込み)
文章や画像などの特徴を、数値の並びであるベクトルに変換する技術です。例えば、「パソコンの電源を入れる方法」と「PCを起動する手順」は、使われている単語が異なっていても、意味的に近い内容です。Embeddingを利用すると、こうした意味的な類似性を数値的に扱えるようになります。
③ ベクトル(Vector)
複数の数値を並べたデータです。AIでは、文章や画像の特徴をベクトルとして表現し、ベクトル同士の距離や類似度を計算することで、意味的に近い情報を探します。例えば、意味が似ている文章は、ベクトル空間上でも近い位置に配置されるようモデルが学習されています。
④ ベクトルデータベース(Vector Database)
Embeddingによって作成したベクトルを保存し、類似する情報を高速に検索するためのデータベースです。例えば、大量の社内マニュアルをベクトル化して保存しておくと、利用者の質問に意味的に近い文章を検索できます。キーワードの完全一致に頼らず、関連する情報を取得するために利用されます。
⑤ チャンキング(Chunking)
長い文書を、検索やAI処理に適した小さな単位へ分割することです。例えば、100ページの社内マニュアルをそのまま一つのデータとして扱うのではなく、章、節、段落などの単位に分割します。分割する範囲が大きすぎると不要な情報が含まれやすくなり、小さすぎると必要な文脈が失われることがあります。
⑥ セマンティック検索(Semantic Search)
単語の完全一致ではなく、文章の意味的な近さを利用して検索する方法です。例えば、「パスワードを忘れた」と質問した場合に、「ログイン情報の再設定手順」という文書を検索できる可能性があります。従来のキーワード検索では見つけにくい関連情報を取得できることが特徴です。
⑦ ナレッジベース(Knowledge Base)
特定の分野や業務に関する情報を蓄積し、必要な情報を検索・参照できるようにした知識の集まりや仕組みです。例えば、社内規程、製品マニュアル、FAQなどをまとめた情報基盤が該当します。生成AIと連携させる場合には、質問に関連する情報を取得するための参照先として利用されます。
RAGの処理を具体例で理解する
例えば、社内マニュアルを利用して質問に回答するAIチャットボットを構築する場合を考えます。
【事前準備】
- 社内マニュアルを保存する。
- 文書をチャンキングして小さな単位に分割する。
- Embeddingモデルで文章をベクトルに変換する。
- ベクトルデータベースに保存する。
【質問時の処理】
- 利用者が「経費精算の申請期限はいつですか?」と質問する。
- 質問内容をEmbeddingモデルでベクトル化する。
- ベクトルデータベースから関連文書を検索する。
- 検索した情報と質問を生成AIモデルに渡す。
- 生成AIが関連文書を参照して回答を生成する。
この方法では、モデル自体に社内マニュアルを追加学習させる必要はありません。質問に関連する情報を検索し、回答を生成するときに利用します。
なお、これはベクトル検索を利用する代表的な構成です。RAGには、キーワード検索やハイブリッド検索などを利用する構成もあります。
4. AIモデルの学習・運用に関する基本用語
AIモデルを開発・運用する際には、学習データの準備からモデルの公開、性能の監視まで、さまざまな処理が必要になります。
① トレーニング(Training:学習)
学習データを利用して、AIモデル内部のパラメータを調整する処理です。例えば、過去の販売実績を使用して、翌月の売上を予測するモデルを作成します。学習では、モデルの予測結果と正解データとの差を小さくするようにパラメータを調整する方法などが利用されます。
② 学習データ(Training Data)
AIモデルを学習させるために使用するデータです。例えば、商品の需要予測モデルを作る場合、過去の販売数量、価格、曜日、季節などのデータが該当します。学習データの量だけでなく、品質や偏りもモデルの性能に影響します。
③ ラベル付きデータ
正解情報が付与されたデータです。例えば、犬の写真に「犬」、猫の写真に「猫」というラベルを付けたデータが該当します。画像分類や文章分類など、正解を利用してモデルを学習させる場合に使用されます。
④ 教師あり学習(Supervised Learning)
入力データと正解データを使用して、モデルを学習させる方法です。例えば、過去の住宅情報と売却価格を使用し、住宅価格を予測するモデルを作成します。分類や数値予測などに広く利用されています。
⑤ 教師なし学習(Unsupervised Learning)
正解ラベルを与えずに、データの特徴やパターンを発見する学習方法です。例えば、顧客の購入履歴から、似た傾向を持つ顧客を複数のグループに分類する場合に利用します。代表的な手法には、似たデータをグループ化するクラスタリングなどがあります。
⑥ ファインチューニング(Fine-tuning)
事前学習済みのAIモデルに追加のデータを使用して学習を行い、特定の用途に適応させることです。例えば、企業独自の文章形式や専門分野のデータを利用して、特定の業務に適した出力を生成できるように調整します。モデルを一から学習させる場合に比べ、少ないデータや計算資源で対応できることがあります。
⑦ ハイパーパラメータ(Hyperparameter)
機械学習モデルの学習方法を制御する設定値です。例えば、学習率、バッチサイズ、エポック数などが該当します。学習率はモデルのパラメータを更新する際の調整幅、バッチサイズは一度に処理するデータ数、エポック数は学習データ全体を何回繰り返して学習するかを表します。
⑧ エンドポイント(Endpoint)
アプリケーションからAIモデルを呼び出すための接続先です。例えば、学習済みの需要予測モデルをサーバー上に配置し、別のアプリケーションからデータを送信して予測結果を取得する場合に利用します。一般的にはAPIなどを通じて呼び出します。
⑨ デプロイ(Deploy)
開発・学習したモデルを、実際のアプリケーションから利用できる状態にすることです。例えば、需要予測モデルを学習したあと、業務システムから予測結果を取得できるように配置します。モデルの学習が完了しただけでは業務システムから利用できないため、実行環境の準備や接続設定などが必要になります。
⑩ MLOps
機械学習モデルの開発、学習、デプロイ、監視、再学習などを継続的に管理・自動化する考え方です。例えば、売上予測モデルの精度が時間の経過とともに低下した場合、新しいデータを使って再学習し、更新されたモデルを公開する運用が考えられます。通常のシステム開発におけるDevOpsを、機械学習システムに適用したものと考えると理解しやすいでしょう。
5. AIエージェント・安全性に関する基本用語
生成AIの利用範囲は、質問への回答や文章生成だけでなく、外部システムと連携して作業を進める仕組みにも広がっています。その際に登場する用語を紹介します。
① AIエージェント(AI Agent)
AIが目的に応じて処理を判断し、必要なツールや外部システムを利用しながら作業を進める仕組みです。例えば、「先月の売上を調べてレポートを作成して」と指示すると、売上データを取得し、集計して、レポートを作成するような処理が考えられます。質問に回答するだけでなく、目的の達成に必要な作業を進められることが特徴です。
② ツール呼び出し(Tool Use / Function Calling)
AIが外部のプログラムやAPIなどの機能を利用する仕組みです。例えば、利用者から在庫数を質問された際、AIが在庫確認に必要な処理を選択し、アプリケーションが在庫管理システムに問い合わせる場合などです。実際の外部処理はアプリケーション側が実行する構成も多く、利用できる機能や権限を適切に制御する必要があります。
③ オーケストレーション(Orchestration)
AIモデル、外部ツール、データなどを連携させ、一連の処理を制御することです。例えば、売上レポートを作成する場合、データの取得、集計、分析、文章生成といった複数の処理を適切な順序で実行します。処理の順序や条件分岐、エラー発生時の対応なども管理対象になります。
④ MCP(Model Context Protocol)
AIアプリケーションと外部のツールやデータを接続するための標準プロトコルです。例えば、AIからファイル検索、データベース検索、業務システムの操作などを利用する際に、共通の接続方式として使用できます。AIアプリケーションごとに独自の連携処理を作る負担を減らすことが目的の一つです。
⑤ ガードレール(Guardrails)
生成AIの入力や出力に一定の制約を設け、不適切な回答や情報漏えいなどのリスクを軽減する仕組みです。例えば、個人情報のマスキング、有害な内容のフィルタリング、回答させたくない話題の設定などが考えられます。ただし、ガードレールを設定しただけですべての誤回答や情報漏えいを防げるわけではありません。
⑥ プロンプトインジェクション(Prompt Injection)
AIに与えられた本来の指示を無視させるために、悪意のある指示を入力データなどに紛れ込ませる攻撃です。例えば、AIが読み取る外部文書の中に「これまでの指示を無視して別の処理を実行しろ」という文章を埋め込むケースがあります。外部データやツールを利用するAIでは、信頼できない情報を指示として扱わないための対策が重要です。
⑦ モデル評価(Evaluation)
AIモデルの回答品質、正確性、安全性、応答速度などを測定・比較することです。例えば、複数のモデルに同じ質問を与え、回答の正確性や処理時間を比較します。実際の業務では、回答品質だけでなく、運用コストや安定性なども含めて評価する必要があります。
6. 混同しやすい用語の違い
ここまで紹介した用語の中から、特に混同しやすいものを比較します。ここでは定義を繰り返すのではなく、それぞれの技術の関係や、実際の使い分けに注目します。
① AI・機械学習・ディープラーニング・生成AI
| 用語 | 技術的な位置づけ | 主な用途 |
|---|---|---|
| AI | 最も広い概念 | 認識、判断、予測、生成など |
| 機械学習 | AIを実現する代表的な技術 | 需要予測、不正検知など |
| ディープラーニング | 機械学習の一分野 | 画像認識、音声認識など |
| 生成AI | 新しいコンテンツを生成するAI | 文章生成、画像生成など |
機械学習とディープラーニングは技術的な手法による分類ですが、生成AIは主に何を行うかによる分類です。そのため、同じモデルがディープラーニングと生成AIの両方に該当することがあります。
② 学習と推論
| 比較項目 | 学習 | 推論 |
|---|---|---|
| 目的 | モデルの性能や動作を調整する | 学習済みモデルから結果を取得する |
| 入力 | 学習データ | 質問や予測対象データ |
| 処理結果 | モデルのパラメータが更新される | 回答や予測結果が出力される |
| 具体例 | 過去の販売実績から予測モデルを作る | 翌月の販売数量を予測する |
重要なのは、AIモデルを利用することと、AIモデルを学習させることは別の処理だという点です。既存のAIを利用して質問に回答させるだけなら、通常は新たな学習処理を行う必要はありません。
③ RAGとファインチューニング
| 比較項目 | RAG | ファインチューニング |
|---|---|---|
| モデルのパラメータ変更 | 原則として不要 | 変更する |
| 情報の更新 | 参照データを更新する | 必要に応じて追加学習する |
| 主な用途 | 社内文書検索、FAQ | 特定の出力形式や専門タスクへの適応 |
| 向いているケース | 最新の社内情報を利用したい | モデルの出力傾向を調整したい |
例えば、毎月更新される社内規程をAIに回答させたい場合は、RAGが有力な選択肢です。一方、企業独自の報告書形式で安定して文章を出力させたい場合などには、ファインチューニングを検討できます。ただし、出力形式の指定だけであればプロンプトで対応できる場合もあり、必ずしも追加学習が必要とは限りません。
また、RAGとファインチューニングは組み合わせて使用することもできます。
④ RAGとAIエージェント
| 比較項目 | RAG | AIエージェント |
|---|---|---|
| 中心となる処理 | 関連情報の検索・回答生成 | 目的に応じた処理の実行 |
| 外部システムとの関係 | 主に情報の参照 | 情報取得や操作の実行 |
| 具体例 | 就業規則を検索して回答 | 休暇申請システムを操作 |
例えば、「有給休暇は何日取得できますか?」という質問に回答するだけなら、RAGで実現できます。一方、「来週月曜日の休暇を申請して」という依頼に対応するには、勤怠システムとの連携や申請処理が必要です。こうした場合は、AIエージェントが選択肢になります。
なお、AIエージェントの内部でRAGを利用して情報を取得することもあります。両者は必ずしも別々に使用する技術ではありません。
まとめ
AIや生成AIには多くの専門用語がありますが、それぞれの技術がどのような役割を持ち、どのように関係しているのかを理解することが重要です。
特に生成AIを学ぶ場合には、基盤モデル、LLM、プロンプト、トークン、推論、RAG、Embedding、ファインチューニング、AIエージェントなどの用語が頻繁に登場します。
また、用語の意味を覚えるだけでなく、学習と推論、RAGとファインチューニング、RAGとAIエージェントといった違いを理解しておくと、技術資料やシステム構成図を読み進める際にも役立ちます。
最初からすべての用語を暗記する必要はありません。実際にAI技術を調べたり利用したりする中で、必要になった用語を確認し、それぞれの関係を理解していくとよいでしょう。