グラフ
AI分野におけるグラフとは、エンティティを表すノードとそれらの関係性を示すエッジから構成されるデータ構造です。SNSの人間関係や分子構造など、複雑なつながりを持つデータを効率的に表現・処理するために用いられ、近年はグラフニューラルネットワークの発展により多様な応用が進んでいます。
AI用語一覧
3,525件AI用語一覧を3,525件掲載しています。気になるAI用語の意味や使い方を確認できます。
全結合層
全結合層は、ニューラルネットワークにおいて前の層のすべてのニューロンと次の層のすべてのニューロンが結合している基本構造です。データの最終的な分類や回帰を行う重要な役割を持ち、多くの深層学習モデルの出力段で広く使われています。
特徴量空間
特徴量空間とは、AIや機械学習においてデータのもつ複数の特徴量を軸として構成される多次元の数学的な空間です。各データ点がこの空間上の座標として配置されることで、機械学習モデルがデータのパターンや類似性を数値的に認識し、分類や回帰などの処理を行うための基盤となります。
再学習
再学習とは、すでに構築・学習済みの機械学習モデルに対し、新しいデータを追加して再度トレーニングを行い、モデルの性能を維持・向上させるプロセスです。データや環境の変化に適応させるためにAIシステムの運用において不可欠な手法となっています。
異常検知
異常検知とは、通常のパターンから外れたデータや振る舞いを自動的に検出するAIの技術です。製造業の不良品検査やサイバーセキュリティなど、多様な分野で活用されています。
正解ラベル
正解ラベルとは、機械学習の教師あり学習において、AIモデルに学習させたり予測精度を評価したりするための正解データのことです。人間が手動やツールを使ってデータ付与することが多く、モデルの性能を左右する極めて重要な役割を持ちます。
方策ネットワーク
方策ネットワークとは、強化学習においてエージェントが特定の状態に置かれた際に、次に取るべき行動の確率分布を出力するニューラルネットワークです。深層強化学習の中核技術であり、囲碁AI「AlphaGo」やロボット制御などの高度な意思決定タスクに広く応用されています。
重み行列
重み行列とは、ニューラルネットワークにおいて入力データに対するパラメータ（重み）を2次元の格子状（行列）にまとめた数値データです。層と層の接続強度を数値として保持し、入力値と行列の積を計算することで、特徴量の抽出やデータの変換を行います。学習の過程で最適化され、モデルの予測精度を決定づける重要な要素です。
大規模言語モデル
大規模言語モデル（LLM）とは、膨大なテキストデータを学習し、人間のような自然な文章の理解や生成を行うAIモデルです。自然言語処理技術やトランスフォーマー構造を基盤としており、文章要約、対話、翻訳、プログラミング支援など幅広い用途で活用されています。現代の生成AIブームを牽引する中核的な技術です。
逐次処理
逐次処理とは、複数のデータや命令を決められた順番に沿って1つずつ順番に実行する処理方式です。直前の処理結果を次の処理で利用する場合に不可欠な方式であり、従来のコンピュータプログラムや時系列データを順に扱うモデルの基礎となっています。AIの分野では並列処理との対比や、推論時の生成ステップなどで重要な概念です。
エージェント
エージェント（AIエージェント）とは、与えられた目標を達成するために自ら状況を認識し、判断を行い、行動を実行する自律的なAIシステムのことです。従来のAIが単一の問い合わせに対して回答を出力するにとどまっていたのに対し、エージェントはLLM（大規模言語モデル）を活用して複雑なタスクを複数の工程に分解し、外部ツールと連携しながら一連の作業を自動完結させます。
汎用性
AIにおける汎用性とは、特定の訓練データや限定された環境だけでなく、未知のデータや多様な状況に対しても適切に対応できる能力を指します。機械学習モデルが過学習を起こさず、実世界の様々なタスクに応用できるかを示す重要な指標です。
生成AI
生成AIは、学習したデータをもとに文章、画像、音声、プログラムコードなどの新しいコンテンツを自動で創出する人工知能技術です。ディープラーニングの発展により精度が飛躍的に向上し、文章作成や画像生成など多種多様な分野で活用が進んでいます。従来のデータ分類・予測にとどまらない表現力を持ち、ビジネスやクリエイティブ活動の効率化に貢献しています。
プロンプト
プロンプトとは、生成AIや大規模言語モデルに対して指示や質問、要求を伝えるためのテキストやデータのことです。ユーザーが適切なプロンプトを入力することで、AIは文章の要約や翻訳、プログラミングコードの生成、画像作成などの多様なタスクを精度高く実行します。指示の工夫によりAIの出力品質を高める手法はプロンプトエンジニアリングと呼ばれます。
局所的極小解
局所的極小解とは、ニューラルネットワークなどの機械学習の学習過程において、ある狭い領域の中で最も誤差が小さくなる点のことを指します。全体の最適解である大域的極小解とは異なり、モデルの性能向上を妨げる要因の一つとして最適化問題で議論されます。
物体検出
画像や動画の中から特定のオブジェクト（物体）の位置と種類を自動的に特定するAI技術。バウンディングボックスと呼ばれる矩形領域で位置を指定し、その中身が何であるかを分類する。自動運転や防犯カメラ、工場の検品など幅広い分野で活用されており、深層学習の発展によってリアルタイムでの高精度な検出が実現している。
特徴量
特徴量とは、機械学習モデルがデータを理解・学習・予測するために、入力データから抽出・数値化された特徴や属性のことです。画像の色や形、テキストの単語出現頻度、顧客の年齢や購入履歴などが該当します。AIの予測精度向上には、適切な特徴量の選定や特徴量エンジニアリングが不可欠です。
閾値
閾値（いきち／しきいち）とは、ある状態や判定を切り替える境目となる基準値のことです。AIや機械学習では、モデルが出力した確率値をもとに二値分類の判定を下す際や、ニューロンの発火を制御する活性化関数などで重要な役割を果たします。
ディープラーニング
ディープラーニング（深層学習）とは、人間の脳の神経回路網を模したニューラルネットワークを多層に重ねることで、大量のデータから自動的に複雑な特徴やパターンを学習する機械学習の手法です。画像認識や自然言語処理などの分野で飛躍的な精度向上をもたらし、近年の人工知能技術の急速な発展を支える中核的な技術となっています。
マスク
マスクとは、AIや機械学習においてデータの一部を意図的に隠したり、計算から除外したりする処理のことです。自然言語処理のTransformerやBERTにおける事前学習で特定単語を隠して予測させるマスク言語モデルや、画像認識の画像セグメンテーションで特定領域を抽出する処理、ニューラルネットワークの計算で未来の情報を参照させないために用いられます。
ディープフェイク
ディープフェイクとは、ディープラーニング（深層学習）技術を用いて、実在する人物の顔や声を合成・改変して作られた偽の画像、動画、音声コンテンツのことです。映画の特殊効果やエンターテインメント領域で活用される一方で、なりすまし犯罪や誤情報の拡散など社会的なリスクが懸念されており、検知技術の向上や法的な対策が進められています。
損失関数
損失関数とは、AIの予測値と正解データのズレを数値化する数学的な関数のことです。この値が小さいほどAIの予測精度が高いと判断され、モデルのパラメータ調整や最適化を行うための基準として機械学習の学習プロセスにおいて不可欠な役割を果たします。
報酬関数
報酬関数とは、強化学習においてAIのエージェントが取るべき行動の良し悪しを数値化して評価する関数のことです。エージェントはこの報酬関数が与える数値の総和を最大化するように試行錯誤を繰り返し、最適な方策を自律的に学習します。
クエリ
クエリとは、コンピュータシステムやデータベース、AIモデルに対して情報を要求したり検索を行ったりするための命令や質問のことです。大規模言語モデルにおいては、ユーザーが入力するプロンプトや検索クエリが目的の出力を得るために重要な役割を果たします。