過学習
過学習とは、AIモデルが訓練データに過剰に適合してしまい、新しい未知のデータに対する予測精度である汎化性能が低下する現象のことです。学習用データの特徴やノイズを過度に学習してルールを複雑化しすぎることで発生します。モデルが実用的な予測を行うための柔軟性を失った状態であり、機械学習における主要な課題の一つです。
AI用語一覧（2ページ目）
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。 現在は2ページ目です。
セントロイド
セントロイドとは、データ群の重心（幾何学的中心）を表す仮想的な代表点です。機械学習の教師なし学習において、k-means法をはじめとするクラスタリング手法で広く利用されます。多次元のベクトル空間における各データ点の平均値を計算して求められ、クラスタ全体の性質を要約・把握する基準として重要な役割を果たします。
早期終了
早期終了（Early Stopping）とは、機械学習や深層学習モデルの訓練において、過学習を防ぐために学習を最適なタイミングで途中終了させる手法です。訓練が進むにつれて検証データにおける損失関数の値が悪化し始めた段階で学習を自動的に停止させます。過剰な計算時間を削減しつつ、未知のデータに対する汎化性能を最大化できる重要な正則化技術の一つです。
マルチエージェント
マルチエージェントとは、自律性を持つ複数のAIエージェントが同一の環境内で相互に作用し、協力や競合を通じて複雑なタスクを解決するシステム概念です。単一システムでは困難な問題の分散処理や社会シミュレーションなどに活用されます。
モデル
AIにおける「モデル」とは、大量のデータセットを学習することでデータ内の規則性や特徴を捉え、新しいデータに対する予測や判断を行う計算処理の仕組みです。機械学習ではアルゴリズムを用いて訓練が行われ、調整されたパラメータによって推論を実行します。画像認識や文章生成など、多様なAI機能の基盤となる中心的な要素です。
偶然的不確実性
偶然的不確実性とは、データ自体に含まれる本質的な揺らぎや測定ノイズに起因する、モデルがどれだけ学習しても削減できない不確実性のことです。AIの予測精度向上やリスク管理において、モデルの限界を正しく評価するために重要な概念となっています。
イベントカメラ
イベントカメラとは、画素ごとの輝度変化（イベント）のみを非同期に検出して記録する次世代の視覚センサーです。従来のカメラのようにフレーム単位で画像を出力しないため、高速な動作の撮影や低消費電力・低遅延での処理が可能となり、コンピュータビジョンやエッジAIの分野で注目されています。
スクラッチ学習
スクラッチ学習とは、事前学習済みのモデルを使用せず、初期化された重みを持つニューラルネットワークなどに対して、独自のデータセットを用いてゼロから学習を行う手法です。特定用途への高い適性が期待できる反面、膨大な計算資源とデータ量が必要となります。
線形性
線形性とは、入力の変化に対して出力が常に一定の割合で変化する性質のことです。比例関係や重ね合わせの原理が成り立つ状態を指し、数学やデータサイエンスの基礎となる概念です。AIの分野では線形モデルの設計や理解に不可欠ですが、実際の複雑なデータパターンを捉えるには活性化関数などを用いた非線形性の導入が必要となります。
オールリデュース
オールリデュース（All-Reduce）は、分散学習において複数の計算ノードが持つデータを集計・処理し、その結果をすべてのノードに等しく再配布する通信アルゴリズムです。ディープラーニングの大規模モデルを高速に並列トレーニングする際、各ノードが計算した「勾配」を同期・集約するために不可欠な基盤技術となっています。
インペインティング
インペインティングとは、画像の一部を選択して消去・修正したり、テキスト指示に基づいて新しい要素を自然に合成・復元したりする画像編集技術です。深層学習や拡散モデルの発展により、背景の整合性を保ちながら欠損部分を補完することが可能になりました。写真の不要物除去や修復、クリエイティブな画像編集で広く活用されています。
次元削減
次元削減とは、データの重要な情報をできるだけ保持しながら、特徴量の数（次元）を減らすデータ前処理手法です。機械学習における計算負荷の軽減や過学習の防止、データの可視化を目的として用いられます。代表的な手法には主成分分析やt-SNEがあり、大量の変数を扱う現代のデータ分析において不可欠な技術です。
データレイク
データレイクとは、生のデータをそのままの形式で一元的に格納する巨大な貯蔵庫のことです。構造化データだけでなく、画像や音声などの非構造化データも未加工のまま保存できるため、ビッグデータの蓄積や機械学習の素材として欠かせないデータ基盤となっています。必要なときに必要な形でデータを取り出して活用できる柔軟性が特徴です。
訓練データ
訓練データとは、機械学習モデルがパターンや規則性を学習するために使用されるデータ群です。AIの精度や性能を左右する基礎となり、適切な品質と量の確保が不可欠です。
勾配
AIや機械学習において、モデルの予測誤差を最小化するための指針となる「坂道の傾き」を表す数学的な概念です。誤差関数を最小にする方向を見つけ出すために欠かせない極めて重要な要素です。
遅延評価
遅延評価とは、値が必要になるまで計算や評価を先送りするプログラミング手法です。無駄な計算を防ぎメモリ効率を高めるため、大規模なデータやストリーム処理を扱うAI開発の最適化において重要な役割を果たしています。
AIエージェント
AIエージェントとは、人間が与えた目標や指示に基づき、自律的に思考してタスクを計画・実行するAIシステムです。単なる質問応答にとどまらず、ツールやAPIを活用して複雑な作業を遂行できるため、次世代のAI技術として注目を集めています。
活性化関数
活性化関数とは、ニューラルネットワークにおいて入力信号の総和を出力信号に変換する関数です。人工ニューロンが次の層へ信号を伝える際、非線形な変化を加える役割を持ちます。これにより、複雑なパターンや非線形な関係をモデルが学習できるようになり、ディープラーニングの表現力を決定づける極めて重要な要素となっています。
教師
機械学習における「教師」とは、AIモデルに学習させるための正しい答え（正解ラベル）やそのデータを提供する役割・概念を指します。人間がデータに注釈をつけるアノテーション作業などを通じて準備され、AIが入力データと正解との誤差を計算して予測精度を向上させるための基準として機能します。
ハイパーパラメータ
ハイパーパラメータとは、機械学習モデルの訓練を開始する前に人間や外部アルゴリズムが事前に設定する調整用パラメータです。モデルの学習プロセスそのものや構造を制御する役割を持ち、学習率やバッチサイズ、エポック数などが代表例です。モデルがデータから自動的に獲得する通常のパラメータとは区別され、予測精度や学習速度を左右する極めて重要な要素です。
機械学習
機械学習とは、コンピュータが大量のデータからパターンや規則性を自動的に学び、未知のデータに対する予測や判断を行う技術です。明示的なプログラムを記述することなく、データに基づいて性能を向上させます。人工知能の主要な一分野であり、画像認識や自然言語処理など、現代の様々なAIサービスの基盤として活用されています。
有効受容野
有効受容野とは、ニューラルネットワークの出力層の特定のニューロンが、入力画像やデータのどの範囲から強く影響を受けているかを示す領域です。理論上の受容野よりも狭い範囲に影響が集中する特性があり、モデルの動作理解や性能向上に重要な役割を果たします。
外部ツール
外部ツールとは、人工知能やAIエージェントが自身の内部知識だけでは処理できない計算や最新情報の取得、データの操作などを行うために利用する外部のプログラムやAPIの総称です。
バイアス
バイアスとは、AIや機械学習において予測値と正解値の間に生じる系統的なずれ、またはデータの偏りによって生じる予測の不公平性のことです。統計学的にはモデルの表現力不足による誤差を指し、AI倫理では人間社会の偏見を反映した差別的な判定を指します。公平なAIを構築するには、学習データの選定から評価まで各段階でバイアスを監視・排除する対策が重要です。