AI Agent
目標に沿って手順を計画し、ツールを呼び出し、データを読み書きして結果を返すAIシステムです。企業利用では権限、ログ、失敗時の処理、人による確認が必要です。
目標に沿って手順を計画し、ツールを呼び出し、データを読み書きして結果を返すAIシステムです。企業利用では権限、ログ、失敗時の処理、人による確認が必要です。
AIの利用範囲、データ、リスク、権限、承認、責任分担を管理する仕組みです。
チームがAIの能力、限界、リスク、安全な使い方を理解している度合いです。AI導入前の重要な基礎になります。
業務フロー、データ、システム、権限、人材、管理制度がAIプロジェクトを支えられるか確認する準備度です。
誤回答、情報漏えい、バイアス、コンプライアンス、コスト、運用不安定などのリスクを見つけて管理することです。
Webサイトの内容と技術構造を整え、検索エンジンやAI回答システムに理解、要約、引用されやすくする取り組みです。
問題を解くための手順です。AIモデルは複数のアルゴリズム、データ、パラメータ、基盤で成り立ちます。
システム同士がデータを交換したり機能を呼び出したりするためのインターフェースです。LLM連携でも権限、ログ、業務設計が必要です。
多くのタスクで人間並み以上に汎化できるAIを指す理論的な概念です。現時点の企業導入は特定用途のAIが中心です。
Transformerが入力同士の関係を判断する仕組みで、現代のLLMを支える中核技術の一つです。
Answer Engine Optimizationの略です。回答型検索やAI要約に内容を理解、引用されやすくする最適化です。
AI Engine OptimizationやAI検索最適化を指して使われることがありますが、AEOほど定義は安定していません。AEOやSEOと合わせて説明するのが実務的です。
データ、モデル、業務プロセスの偏りによって出力が不公平または不正確になることです。
会話画面で利用者に回答するシステムです。現在はLLM、知識庫、客服システム、業務フローと連携できます。
RAGで文書を検索しやすい小さな単位に分割する処理です。小さすぎると文脈を失い、大きすぎると精度が落ちます。
データを指定された分類に振り分けるモデルタスクです。案件種別、問い合わせ種類、文書テーマなどに使われます。
画像や映像を理解するAIです。検査、認識、監視分析、医療画像支援などに使われます。
LLMが一度に読んで処理できる文字量です。大きいほど常に正確になるわけではなく、データ整理とプロンプト設計が重要です。
データソース、品質、権限、バージョン、保管期間、責任者を管理することです。信頼できるAIの基盤です。
学習、評価、改善のためにデータへ正解や分類を付ける作業です。
データを取得、整理、変換、保存し、分析やAI利用へ届ける流れです。
個人情報や機密情報が無断で使われないように守ることです。AI導入時の設計条件になります。
学習、テスト、評価、検索に使うデータのまとまりです。品質がAIの品質に直結します。
多層ニューラルネットワークで大量データから特徴を学ぶ手法です。言語、画像、音声モデルでよく使われます。
画像、映像、音声生成でよく使われるモデルで、ノイズを段階的に取り除いて新しい内容を作ります。
文字、画像、データを数値ベクトルに変換したものです。意味検索、類似度比較、RAG検索に使われます。
AI出力の正確性、安定性、安全性、コストを確認する評価プロセスです。企業では固定テストと合格基準が必要です。
AIの出力や判断理由を人が理解しやすくする考え方です。監査や高リスク業務で重要です。
既存モデルに追加学習を行い、特定タスク、分類、文体、形式に合わせる方法です。
広いデータで事前学習され、文字、画像、音声、コード、多モーダル用途へ展開できる基礎モデルです。
文章、画像、コード、要約、音声、動画などを生成するAIです。企業利用ではデータ、権限、確認フローが必要です。
並列計算に強いハードウェアで、大型AIモデルの学習や推論によく使われます。
AIの入力、出力、ツール呼び出し、データ利用範囲を制限し、安全でない動作や誤りを減らす仕組みです。
AIが根拠のない内容を自信ありげに出力することです。RAG、出典表示、人による確認でリスクを下げられます。
重要な判断、承認、修正、例外処理に人が入る設計です。
モデルが入力を受け取り出力を生成する処理です。速度、コスト、安定性、データ保護を考える必要があります。
文書、FAQ、規程、事例、社内知識をまとめて管理する場所です。RAGで出典付き回答を支えます。
大規模に学習された言語モデルで、要約、問答、分類、作成、翻訳、業務支援に使われます。
利用者の要求からシステム応答までの時間です。AI機能では能力、速度、コストのバランスが重要です。
手作業のルールだけでなく、データからパターンを学ぶ分野です。
データの出所、日時、作者、分類、権限、状態などを説明する情報です。検索、RAG、ガバナンスに重要です。
モデルのデプロイ、監視、バージョン、データ、テスト、ロールバックを管理する運用領域です。
データや環境が変化してモデル性能が落ちることです。監視と再評価が必要です。
モデルの精度、エラー、遅延、コスト、出力品質、異常動作を追跡することです。
タスク、コスト、速度、品質、リスクに応じて使うモデルを選ぶ仕組みです。
文字、画像、音声、動画、表など複数のデータ形式を扱うAIです。
人間の言語を理解、分析、生成するための技術領域です。
データ内の特徴や関係を学ぶ層状の計算構造で、多くの深層学習モデルの中核です。
複数のモデル、ツール、データソース、業務ステップを正しい順序で動かす設計です。
モデルが学習した内部の数値です。数が多いほど能力やコストに影響しますが、品質の唯一の指標ではありません。
氏名、電話、ID、病歴、住所など個人を識別できる情報です。AIシステムでは慎重な保護が必要です。
モデルへ渡す指示と文脈です。目的、データ、出力形式、制約を明確にすることが重要です。
プロンプト、例、制約、出力形式を設計し、モデルに安定して作業させる技術です。
悪意ある入力でモデルに元のルールを無視させたり情報を出させたりする攻撃です。
Retrieval-Augmented Generationの略です。先に関連資料を検索し、その結果をもとにLLMが回答します。
関連性、重要度、スコアで結果を並べる処理です。検索、推薦、審査、検索結果に使われます。
行動、内容、類似度に基づいて商品、記事、サービス、次の行動を提案する仕組みです。
報酬とフィードバックにより行動方針を学ぶ方法です。制御、ゲーム、ロボット、モデル整合で使われます。
公平性、透明性、安全性、プライバシー、説明可能性、説明責任を重視したAI活用原則です。
データベース、検索エンジン、知識庫から関連内容を探すことです。RAGの重要な前段階です。
完全一致のキーワードではなく、意味と文脈で情報を探す検索です。embeddingとベクトルDBをよく使います。
文章のポジティブ、ネガティブ、中立などの感情を判定する技術です。客服、レビュー、SNS、アンケートに使えます。
小型の言語モデルです。低コストで高速なため、エッジ端末や特定用途に向いています。
音声を文字に変換する技術です。会議記録、客服、字幕、音声操作に使われます。
固定された項目と形式を持つデータです。フォーム、DB表、JSON-LD、レポート項目などが該当します。
正解付きデータでモデルを学習する方法です。分類、予測、認識によく使われます。
システムが生成したデータです。テスト、学習、プライバシー保護に使えますが品質確認が必要です。
モデル出力のランダム性を調整する値です。低いほど安定し、高いほど創造的ですが一貫性は下がります。
モデルが処理する文字の基本単位です。token数はコスト、速度、文脈容量に影響します。
LLMが必要に応じてAPI、DB、検索、計算、企業システム機能を呼び出す仕組みです。
モデルを作る、または調整するためのデータです。品質、権利、代表性が性能とリスクに影響します。
注意機構を中心としたモデル構造で、現代のLLMと多くの生成AIの基盤です。
固定項目を持たないデータです。PDF、Email、画像、音声、動画、自由記述などが含まれます。
ラベルのないデータからパターン、クラスタ、特徴を見つける学習方法です。
embeddingを保存し類似検索できるデータベースです。RAGや意味検索でよく使われます。
画像と言語を同時に理解するモデルです。画像問答、文書理解、画面分析、多モーダル業務に使えます。
繰り返し作業、通知、審査、データ同期、レポート作成を自動化することです。AIは判断や要約の節点になります。
専用の例や学習データがない状態で、タスク説明だけをもとに作業することです。