アカウンタビリティ
あかうんたびりてぃ関係者へ説明できる体制や記録を整えます。技術的な仕組みを公開することだけでなく、責任の所在や問い合わせ対応も関わります。
覚える要点：説明を担う主体と対応体制を明確にする。
この用語の問題と解説へ →生成AIパスポート 単語帳
150の用語・学習ポイントを、五十音・ABC順で。意味を確認したら、単元の問題でも確かめてみましょう。
あ行
アジェンダ作成
あじぇんださくせい話し合う項目と時間配分を事前に整理します。共有するだけの議題と意思決定が必要な議題を分けると、会議の目的が明確になります。
覚える要点：何を決める会議かを先に示す。
この用語の問題と解説へ →アライメント
あらいめんと有用性や安全性などを目指して振る舞いを調整します。人の価値観は一様ではないため、誰にとって望ましいかも考える必要があります。
覚える要点：単なる正答率の向上より広い概念。
この用語の問題と解説へ →アンケート設計
あんけーとせっけい質問文と選択肢を設計します。回答の偏りを抑えるため、二つの質問を一つにまとめたり、望む答えへ誘導したりしていないか確認します。
覚える要点：一問一論点、誘導を避ける。
この用語の問題と解説へ →意匠権
いしょうけん視覚を通じた美感に関わるデザインを保護します。一定の建築物や画像なども対象になり、技術的な機能だけを保護する制度ではありません。
覚える要点：見た目のデザインに注目。
この用語の問題と解説へ →位置エンコーディング
いちえんこーでぃんぐAttentionだけでは明示されない順序の手がかりを補います。「犬が人を追う」と「人が犬を追う」の違いを扱ううえで位置情報が重要です。
覚える要点：何があるかに、どこにあるかを加える。
この用語の問題と解説へ →一次資料での最新確認
いちじしりょうでのさいしんかくにん公式発表などの原典で内容と日付を確かめます。検索機能がある場合でも、古いページや誤った解釈が混ざる可能性があります。
覚える要点：検索できることと最新情報の確認は別。
この用語の問題と解説へ →ヴィッシング
ヴぃっしんぐ音声通話を使って情報をだまし取る手法です。合成音声も使えるため、声や肩書きだけを信用せず、既知の番号へ掛け直します。
覚える要点：電話でも認証コードを渡さない。
この用語の問題と解説へ →埋め込み
うめこみテキストなどをベクトルとして表現します。暗号化ではないため、埋め込みに変換しただけで機密性が保証されるわけではありません。
覚える要点：ベクトル化は秘密化ではない。
この用語の問題と解説へ →営業秘密
えいぎょうひみつ秘密管理性・有用性・非公知性が要件です。重要と感じるだけでなく、アクセス制御や秘密表示などの管理が問われます。
覚える要点：三つの要件と実際の秘密管理。
この用語の問題と解説へ →AIエージェント
えーあいえーじぇんと対話の回答に加えて、外部の操作を含む処理を進めます。誤操作の影響を抑えるため、権限や人による承認を設計します。
覚える要点：文章生成に行動が加わると権限が重要。
この用語の問題と解説へ →AIガバナンス
えーあいがばなんすAIを適切に利用するための組織的な管理です。一度規則を作って終わりではなく、環境や影響の変化に応じて見直します。
覚える要点：運用しながら改善を続ける。
この用語の問題と解説へ →AI効果
えーあいこうかAIが達成した能力を知能ではないと再解釈する傾向です。モデルの精度が改善する現象や、広告効果の測定を指す言葉ではありません。
覚える要点：技術そのものより人の評価の変化。
この用語の問題と解説へ →AIの冬
えーあいのふゆAIの発展には期待の高まりと停滞がありました。研究が完全になくなることではなく、社会的な投資や関心の冷え込みを指します。
覚える要点：期待と実現能力の差が背景。
この用語の問題と解説へ →AI法
えーあいほう研究開発・活用の推進と適正性の確保を進める法律です。AI戦略本部や基本計画等を定めますが、既存の著作権法や個人情報保護法が不要になるわけではありません。
覚える要点：推進と適正性、既存法との関係を整理。
この用語の問題と解説へ →エキスパートシステム
えきすぱーとしすてむ専門家の判断を規則などで表現し利用します。知識を自動で無限に獲得するものではなく、登録内容の整備が必要です。
覚える要点：知識ベースと推論を組み合わせる。
この用語の問題と解説へ →エンコーダ
えんこーだデータを内部の表現に写す役割を担います。潜在表現からデータへ戻すデコーダとは向きが逆です。
覚える要点：入力から内部表現への向き。
この用語の問題と解説へ →重み
おもみ入力に掛ける係数などを指します。学習では損失が小さくなる方向に調整し、同じ入力でも重みが違えば出力が変わります。
覚える要点：学習で変わる値と、人が設定する値を分ける。
この用語の問題と解説へ →音楽生成
おんがくせいせい楽曲などを生成する用途です。商用利用の条件や既存曲との関係を確認し、生成したことだけで自由な利用を判断しません。
覚える要点：楽曲の利用条件も確認。
この用語の問題と解説へ →音声生成
おんせいせいせい文字などから話し声を合成します。実在人物の声を模倣する用途では、なりすましや本人の権利への配慮が必要です。
覚える要点：声を作れることと本人の許可は別。
この用語の問題と解説へ →か行
回帰
かいき入力と数値の関係をモデル化します。価格を「高・中・低」の区分にする場合は分類となり、出力の定義が区別の基準です。
覚える要点：数値そのものを予測する。
この用語の問題と解説へ →過学習
かがくしゅう訓練データ固有の細部や雑音に適合しすぎた状態です。汎化性能を確認するため、学習に使わないデータで評価します。
覚える要点：覚えたデータの成績だけで判断しない。
この用語の問題と解説へ →画像生成
がぞうせいせい条件に合う視覚コンテンツを生成します。文字や細部が意図どおりとは限らず、公開前には内容と権利関係を確認します。
覚える要点：見た目の品質と公開の可否は別。
この用語の問題と解説へ →活性化関数
かっせいかかんすう重み付き和などに変換を加える関数です。線形変換だけを重ねても一つの線形変換と等価なため、非線形性が表現力に重要です。
覚える要点：層数だけでなく非線形性が重要。
この用語の問題と解説へ →間接プロンプトインジェクション
かんせつぷろんぷといんじぇくしょん外部コンテンツに埋め込まれた指示で動作を誘導します。検索資料を命令として扱わないことや、外部送信権限の制限が対策になります。
覚える要点：外部資料は根拠であって命令ではない。
この用語の問題と解説へ →機械学習
きかいがくしゅうデータの規則性を学んで予測や判断に利用します。人がすべての条件を書き出す必要はありませんが、データの偏りや環境変化の影響を受けます。
覚える要点：データから得た規則も、継続した評価が必要。
この用語の問題と解説へ →QRコードの転送先確認
きゅーあーるこーどのてんそうさきかくにんQRコードの見た目では転送先を判断できません。開いたドメインや支払先を確認し、不自然なログインやインストール要求に従わないようにします。
覚える要点：QRコードもリンクとして扱う。
この用語の問題と解説へ →強化学習
きょうかがくしゅう環境との相互作用を通して、累積報酬を大きくする方策を学びます。各行動の正解を逐一教える方法とは異なります。
覚える要点：目先の報酬だけでなく将来の報酬も考える。
この用語の問題と解説へ →教師あり学習
きょうしありがくしゅう入力と正解の組を使って対応関係を学びます。画像の分類だけでなく、価格のような数値の予測にも使われます。
覚える要点：教師とは人の立ち会いではなく正解情報。
この用語の問題と解説へ →教師なし学習
きょうしなしがくしゅう正解ラベルなしでデータの構造を探します。クラスタリングが代表例で、得られた集団の業務上の意味は別途解釈する必要があります。
覚える要点：発見された集団と、既知の正解クラスを区別。
この用語の問題と解説へ →クラスタリング
くらすたりんぐ事前の正解区分に合わせるのではなく、データの構造から集団を作ります。尺度や距離の選び方で結果が変わる点にも注意します。
覚える要点：正解ラベルを使う分類とは違う。
この用語の問題と解説へ →計算ツールでの検算
けいさんつーるでのけんざん表計算や計算プログラムで式と数値を検証します。流暢な計算説明でも誤りはあり、単位や丸め方にも注意します。
覚える要点：答えだけでなく式・単位・入力も検証。
この用語の問題と解説へ →言語モデル（LM）
げんごもでる言語の系列の起こりやすさをモデル化します。大規模な深層学習モデルだけでなく、n-gramのような方法も含む広い概念です。
覚える要点：LMのすべてがLLMではない。
この用語の問題と解説へ →検索結果の再順位付け
けんさくけっかのさいじゅんいづけ候補をより適切な順に並べることで、生成に渡す根拠の質を改善します。元の検索で候補から漏れた資料を必ず救えるわけではありません。
覚える要点：候補の取得と順番の改善は別段階。
この用語の問題と解説へ →検索時のアクセス制御
けんさくじのあくせすせいぎょ元文書の閲覧権限を検索にも反映します。出力後の伏せ字だけに頼らず、権限のない内容を入力に渡さない設計が重要です。
覚える要点：検索段階から権限を守る。
この用語の問題と解説へ →校正
こうせい文章の誤りや不統一を整えます。修正前後の差分を求めると、意味や数値が意図せず変わっていないか確認しやすくなります。
覚える要点：修正内容を差分で確かめる。
この用語の問題と解説へ →公平性
こうへいせいデータや処理に由来する偏りに注意し、集団ごとの影響を検討します。全体の正解率が高いだけでは十分に評価できません。
覚える要点：全体平均に隠れた不利益を確認。
この用語の問題と解説へ →誤差逆伝播法
ごさぎゃくでんぱほう損失に対する各パラメータの影響を効率よく計算します。勾配を計算する手続きと、それを用いて重みを更新する最適化は区別します。
覚える要点：勾配を求める処理と更新する処理は別。
この用語の問題と解説へ →個人識別符号
こじんしきべつふごう一定の番号や、身体的特徴を本人識別用に変換した符号などが含まれます。任意の社内番号がすべてこの法的区分になるわけではありません。
覚える要点：法令で定められた符号かを確認。
この用語の問題と解説へ →個人情報
こじんじょうほう他の情報と容易に照合して個人を識別できるものも含みます。氏名だけを削ったデータでも、組み合わせから個人が分かる場合があります。
覚える要点：氏名を消しただけで対象外とは限らない。
この用語の問題と解説へ →根拠の照合
こんきょのしょうごうリンクの存在だけでなく、参照箇所が回答の主張を裏付けるか確認します。別の条件の記述を一般化していないかも確認します。
覚える要点：引用があることより、主張を支えること。
この用語の問題と解説へ →さ行
最小権限
さいしょうけんげん目的に必要な範囲に権限を絞ります。機能が利用できることを理由にすべて許可せず、誤操作時の影響範囲を小さくします。
覚える要点：必要な操作だけを許可。
この用語の問題と解説へ →自己回帰モデル
じこかいきもでる系列の過去の要素を使って次を生成します。文章では先行トークンに続くトークンを予測し、出力を段階的に伸ばします。
覚える要点：生成済みの系列を次の条件にする。
この用語の問題と解説へ →事前学習
じぜんがくしゅうプレトレーニングとも呼ばれ、汎用的なパターンを獲得します。その後に追加学習や指示によって用途へ適応させる場合があります。
覚える要点：基礎を学ぶ段階と用途への適応を区別。
この用語の問題と解説へ →自然言語処理
しぜんげんごしょりNLPとも呼ばれます。文章生成はこの分野の一部であり、すべての自然言語処理が新しい文章を生成するわけではありません。
覚える要点：言語の理解・変換・生成を含む広い分野。
この用語の問題と解説へ →自由記述の分類
じゆうきじゅつのぶんるい文章の内容を共通の基準で整理します。複数テーマの回答や少数意見の扱いを決め、分類結果の一部を原文と照合します。
覚える要点：分類基準と例外の扱いを決める。
この用語の問題と解説へ →肖像権
しょうぞうけん実在人物の画像利用では本人の利益への配慮が必要です。AIで加工・生成した画像でも、本人と分かる利用なら問題になり得ます。
覚える要点：生成画像だから人物の権利がなくなるわけではない。
この用語の問題と解説へ →商標権
しょうひょうけん商品・サービスと結び付いた標識を保護します。AIで作ったロゴでも、他社の登録商標などとの関係を確認する必要があります。
覚える要点：出所を区別する標識が対象。
この用語の問題と解説へ →シンギュラリティ
しんぎゅらりてぃ人工知能の進歩が大きな転換を引き起こすという議論です。特定の年に必ず起きると実証された事実ではありません。
覚える要点：予測や仮説と、確定した事実を区別。
この用語の問題と解説へ →深層学習
しんそうがくしゅう多層のネットワークで段階的な表現を獲得します。機械学習の一部であり、AIという広い分野のすべてを指す言葉ではありません。
覚える要点：AIの中に機械学習、その中に深層学習。
この用語の問題と解説へ →スピアフィッシング
すぴあふぃっしんぐ個人や組織を絞り込んだ標的型のフィッシングです。業務内容を知っているように見えても正当な相手とは限りません。
覚える要点：詳しい業務知識も本人の証拠にはならない。
この用語の問題と解説へ →スミッシング
すみっしんぐSMSを使うフィッシングです。短文でも本物とは限らず、配達状況は公式の確認手段から調べます。
覚える要点：SMSという経路が手がかり。
この用語の問題と解説へ →正規化
せいきか値のスケールを扱いやすく整える前処理です。画像を増やす処理や、画像の縦横の寸法を変える処理とは異なります。
覚える要点：数値の尺度を整える。
この用語の問題と解説へ →生成AI
せいせいえーあい学習したパターンに基づき文章や画像などを生成します。出力がもっともらしくても、事実や権利関係は別途確認する必要があります。
覚える要点：生成できることと正しいことは別。
この用語の問題と解説へ →正則化
せいそくか重みの大きさに罰則を加えるなどして過学習を抑えます。強すぎる制約は必要な特徴まで学べなくするため、検証データで調整します。
覚える要点：制約は強ければよいわけではない。
この用語の問題と解説へ →接続先の真正性確認
せつぞくさきのしんせいせいかくにん正式な接続先を店舗などで確認し、自動接続も見直します。SSIDの名前が似ているだけでは正規の設備であるとは判断できません。
覚える要点：表示名の一致だけで接続しない。
この用語の問題と解説へ →潜在ベクトル
せんざいべくとる観測データを圧縮した表現などとして利用します。各成分に「色」「形」といった明確な意味が必ず一対一対応するわけではありません。
覚える要点：内部表現の各軸が人の概念と一致するとは限らない。
この用語の問題と解説へ →早期終了
そうきしゅうりょう学習を続けることで過学習が進むのを防ぎます。訓練損失が下がっていても検証損失が悪化する場合が判断の手がかりになります。
覚える要点：止めどきは未知のデータへの性能で判断。
この用語の問題と解説へ →操作ログ
そうさろぐ調査や監査、障害原因の確認に役立ちます。記録自体に個人情報や秘密が含まれる場合もあるため、閲覧権限と保存期間を管理します。
覚える要点：追跡可能性と記録の保護を両立。
この用語の問題と解説へ →ソーシャルエンジニアリング
そーしゃるえんじにありんぐ技術的な脆弱性だけでなく、人の判断を狙います。緊急性を強調された場面ほど、確認手順を省かないことが大切です。
覚える要点：急がせる依頼ほど既定の確認を守る。
この用語の問題と解説へ →損失関数
そんしつかんすう予測がどれほど望ましい結果から外れているかを測ります。用途に応じて選び、損失が小さいことがそのまま業務上の安全性を保証するわけではありません。
覚える要点：学習の目標と、利用時の評価は分けて考える。
この用語の問題と解説へ →た行
第一次AIブーム
だいいちじえーあいぶーむ迷路やゲームなど、比較的明確に定義できる問題で成果がありました。現実世界の複雑な条件への対応には限界がありました。
覚える要点：初期は探索と推論に注目。
この用語の問題と解説へ →大規模言語モデル（LLM）
だいきぼげんごもでる幅広い言語タスクに使われる大規模なモデルです。文章の流暢さと、事実の正確性や状況の理解を同一視しないことが大切です。
覚える要点：流暢さは正確性の保証ではない。
この用語の問題と解説へ →第三次AIブーム
だいさんじえーあいぶーむデータの蓄積、計算資源、学習手法の進展が組み合わさりました。単独の発明だけでなく、複数の条件が発展を支えています。
覚える要点：データ・計算資源・手法を組み合わせて覚える。
この用語の問題と解説へ →対象読者の指定
たいしょうどくしゃのしてい誰に向けた文章かを指定します。平易な言い換えや例を促せますが、簡略化によって誤った説明になっていないかを確認します。
覚える要点：分かりやすさと正確さを両立。
この用語の問題と解説へ →第二次AIブーム
だいにじえーあいぶーむ知識表現やエキスパートシステムが発展しました。知識の収集と更新に大きな負担があり、例外処理も課題でした。
覚える要点：知識を人から取り込むコストが課題。
この用語の問題と解説へ →タスク抽出
たすくちゅうしゅつ行動が必要な内容を取り出します。担当や期限が原文にない場合は推測で埋めず、未定として確認する設計が大切です。
覚える要点：原文にない担当や期限を作らない。
この用語の問題と解説へ →たとえ話
たとえばなし既知のものと対応付けて理解を助けます。似ている部分と異なる部分を示すと、比喩をそのまま仕組みと誤認するのを防げます。
覚える要点：比喩が成り立たない点も確認。
この用語の問題と解説へ →段階的な聞き取り
だんかいてきなききとり対話を通して必要な情報を集めます。AIが前提を勝手に決めないよう、不明点を確認する指示と、判断の区切りを設けます。
覚える要点：不明点を埋める前に確認する。
この用語の問題と解説へ →チャンク
ちゃんくRAGでは文書を小さな単位に区切って検索対象にします。細かすぎると文脈が欠け、大きすぎると不要な情報が増えます。
覚える要点：分割の細かさと文脈の保持のバランス。
この用語の問題と解説へ →著作権
ちょさくけんアイデア一般ではなく創作的な表現が保護対象です。AIが生成したことだけで既存の著作物を自由に利用できるわけではありません。
覚える要点：アイデアと表現を区別。
この用語の問題と解説へ →ディープフェイク
でぃーぷふぇいく深層学習などで本物らしい偽の映像や音声を作る技術です。映像が自然であることだけを本人確認の根拠にしないようにします。
覚える要点：緊急の送金依頼は別経路で本人確認。
この用語の問題と解説へ →データ拡張
でーたかくちょう既存データを変換して学習データの多様性を増やします。数字の6と9など、変換で意味が変わる場合には適用を慎重に判断します。
覚える要点：変換後も正解が保たれるか確認。
この用語の問題と解説へ →データ分析用コード実行
でーたぶんせきようこーどじっこうCode Interpreterのような機能が例です。計算処理を外部実行できますが、入力データや作成された計算式の妥当性は確認が必要です。
覚える要点：実行結果があっても式や入力を確認。
この用語の問題と解説へ →テキスト生成
てきすとせいせい文章を入力条件に応じて生成します。原文にない事項を補う場合があるため、事実と提案を分けて確認することが大切です。
覚える要点：下書きの根拠を入力資料と照合。
この用語の問題と解説へ →デコーダ
でこーだ内部表現を出力データへ変換します。エンコーダと組み合わせて再構成を学び、潜在変数から生成にも使います。
覚える要点：内部表現から出力への向き。
この用語の問題と解説へ →転移学習
てんいがくしゅう学習済みの知識を別の課題に利用します。必要なデータや計算量を減らせる場合がありますが、元の課題との違いによって効果は変わります。
覚える要点：学んだ表現を別の課題へ持ち込む。
この用語の問題と解説へ →動画生成
どうがせいせい時間方向の変化を含むコンテンツを生成します。物体の一貫性や現実の物理との整合性は、完成した映像で確認します。
覚える要点：一枚の見た目だけでなく時間方向も確認。
この用語の問題と解説へ →匿名加工情報
とくめいかこうじょうほう単なる伏せ字とは異なる法的な区分です。加工基準や公表等のルールがあり、独自に名前を消しただけで該当すると判断できません。
覚える要点：匿名という呼び名だけで判断しない。
この用語の問題と解説へ →特化型AI
とっかがたえーあい特定の目的に向けて設計されたAIです。一つの課題で人を上回っても、あらゆる課題に対応する汎用的知能があるとはいえません。
覚える要点：特定課題の高性能は汎用性の証明ではない。
この用語の問題と解説へ →特許権
とっきょけん技術的思想の創作である発明を保護する制度です。文章の表現を保護する著作権や、ブランドの標識を保護する商標権とは対象が異なります。
覚える要点：技術的な発明が対象。
この用語の問題と解説へ →ドロップアウト
どろっぷあうと特定のユニットへの依存を抑える正則化手法です。単に不要な学習データを削除する処理ではありません。
覚える要点：無効化する対象はネットワークのユニット。
この用語の問題と解説へ →な行
偽情報
にせじょうほうディスインフォメーションとも呼ばれ、欺く意図がある点が特徴です。単純な誤記や、意図せず共有された誤情報とは区別します。
覚える要点：意図的に欺くかどうかに注目。
この用語の問題と解説へ →ニューラルネットワーク
にゅーらるねっとわーく神経細胞の働きを参考にした数理モデルです。脳そのものの完全な再現ではなく、重みなどのパラメータを調整して処理を学びます。
覚える要点：脳を参考にしていることと、脳と同じことは別。
この用語の問題と解説へ →入力先の利用条件確認
にゅうりょくさきのりようじょうけんかくにん利用目的とサービス側の取扱条件を確認し、入力する必要性も検討します。個人データの学習利用等では本人同意などの検討が必要な場合があります。
覚える要点：入力前にデータの行き先と使われ方を確認。
この用語の問題と解説へ →人間中心
にんげんちゅうしんAIの利用を人の幸福や権利の尊重につなげる考え方です。判断をすべて自動化すること自体を目的にしないようにします。
覚える要点：効率化の目的を人の利益から考える。
この用語の問題と解説へ →は行
ハイパーパラメータ
はいぱーぱらめーた学習方法や構造などを制御する設定値です。データから更新される重みそのものとは区別し、検証結果を使って選びます。
覚える要点：学習で直接更新する重みとは別の設定。
この用語の問題と解説へ →パブリシティ権
ぱぶりしてぃけん氏名・肖像などの経済的な価値に関わります。一般的なプライバシーや肖像の利益とは着眼点が異なります。
覚える要点：有名人の集客力の利用に注目。
この用語の問題と解説へ →ハルシネーション
はるしねーしょん事実と異なる情報をもっともらしく生成することです。自然な文体や具体的な引用番号も、内容の真実性の証拠にはなりません。
覚える要点：引用先が本当に存在するか原典で確認。
この用語の問題と解説へ →半教師あり学習
はんきょうしありがくしゅう正解付きと正解なしのデータを併用します。ラベル作成費用を抑えられる場合がありますが、ラベルなしデータの質にも注意が必要です。
覚える要点：二種類のデータを組み合わせる。
この用語の問題と解説へ →汎用人工知能（AGI）
はんようじんこうちのう限定された用途を越えた汎用的な知能を指す研究上の概念です。定義や達成基準には議論があり、対話が自然というだけでは判断できません。
覚える要点：流暢な会話だけで達成を判定しない。
この用語の問題と解説へ →ビッグデータ
びっぐでーた大規模で多様なデータを分析に生かす考え方です。大量であっても偏りや誤りは残るため、量だけで品質を判断しません。
覚える要点：量の多さと品質の高さは別。
この用語の問題と解説へ →人による承認
ひとによるしょうにん取り消しにくい外部操作の前に、人が内容と影響を確認します。担当者が内容を理解できる情報と、止める権限も必要です。
覚える要点：名目だけの承認ではなく判断可能にする。
この用語の問題と解説へ →人の創作的寄与
ひとのそうさくてききよ人の創作意図や具体的な創作への関与などを踏まえて判断します。AIを使っただけで常に権利が発生するとも、常に発生しないとも断定できません。
覚える要点：人の関与を具体的に検討。
この用語の問題と解説へ →ファインチューニング
ふぁいんちゅーにんぐ既存モデルに追加学習を行います。外部文書を検索して入力に添える方法とは異なり、モデルのパラメータを更新します。
覚える要点：重みを変えるかどうかでRAGと区別。
この用語の問題と解説へ →フィッシング
ふぃっしんぐ信頼できる組織を装って情報入力を促します。メール内のリンクを信用せず、公式アプリや自分で確認したURLからアクセスする方法が有効です。
覚える要点：表示名ではなくアクセス先を確認。
この用語の問題と解説へ →ブレインストーミング
ぶれいんすとーみんぐ案の幅を出す段階で生成AIを活用できます。案の数や新奇性と、実現可能性や法的な問題の評価は分けて行います。
覚える要点：発想を広げた後で実行可否を評価。
この用語の問題と解説へ →プレテキスト
ぷれてきすともっともらしい口実や役割を演じて情報を取得します。依頼者の身元と提出権限は、相手が示した連絡先以外でも確認します。
覚える要点：口実の自然さと権限の正当性は別。
この用語の問題と解説へ →文章構造の変換
ぶんしょうこうぞうのへんかん情報の並べ方や形式を変換します。項目間の因果関係を勝手に補わないよう、原文にない推測を加えない条件が役立ちます。
覚える要点：つなぐために事実を創作しない。
この用語の問題と解説へ →文書の更新管理
ぶんしょのこうしんかんり検索できる文書が古いと、生成モデルが新しくても古い回答になります。差し替えや削除が検索側にも反映される運用が必要です。
覚える要点：RAGの新しさは検索対象の管理に依存。
この用語の問題と解説へ →分類
ぶんるい離散的なカテゴリを予測するタスクです。数値を予測する回帰と区別し、正解ラベルから学ぶ場合は教師あり学習に当たります。
覚える要点：出力がカテゴリか数値かを見る。
この用語の問題と解説へ →ベイト攻撃
べいとこうげき興味を引く餌で危険な操作へ誘導する方法です。不明な媒体を接続せず、組織の安全な報告手順に従います。
覚える要点：好奇心を誘う餌に注意。
この用語の問題と解説へ →ベクトルデータベース
べくとるでーたべーす埋め込みベクトルの類似度などで近いデータを検索できます。意味が近い結果が、必ず質問への正しい根拠とは限りません。
覚える要点：類似性と正当な根拠は別。
この用語の問題と解説へ →ボルツマンマシン
ぼるつまんましん状態の起こりやすさをエネルギーと結び付けます。制約付きの形式では結合に制約を設け、学習や計算を扱いやすくします。
覚える要点：エネルギーと確率が手がかり。
この用語の問題と解説へ →翻訳
ほんやく文脈や専門用語、相手との関係を踏まえて意味を移します。数値、否定表現、契約上の条件などは原文と照合して確認します。
覚える要点：自然さだけでなく意味の保存を確認。
この用語の問題と解説へ →ま行
マスキング
ますきんぐ一部情報を隠す処理です。残った情報から本人が分かる場合もあるため、匿名加工情報と自動的に同じになるわけではありません。
覚える要点：伏せ字と法的な匿名加工を区別。
この用語の問題と解説へ →マルチモーダル
まるちもーだる異なる形式の情報を組み合わせて処理します。すべての製品が全形式を入出力できるという意味ではなく、対応範囲を確認します。
覚える要点：複数の情報形式を扱う。
この用語の問題と解説へ →メールの下書き
めーるのしたがき相手、目的、必要事項を明示して文案を作ります。送信前に宛名、日付、約束の内容を人が確認し、下書き作成と送信を分けます。
覚える要点：生成した文案をそのまま自動送信しない。
この用語の問題と解説へ →文字数の実測
もじすうのじっそく生成AIの自己申告に頼らず、文字数を数える処理で検証します。空白や改行を含めるかなど、数え方の基準もそろえます。
覚える要点：制約は実際に数えて検証。
この用語の問題と解説へ →や行
要配慮個人情報
ようはいりょこじんじょうほう個人情報の中でも特別な配慮が求められる情報です。取得には原則として本人の同意が必要で、法律上の例外もあるため条件を確認します。
覚える要点：病歴などは特に慎重に扱う。
この用語の問題と解説へ →要約
ようやく主要な論点を抽出して圧縮します。条件や例外を落とすと意味が変わるため、結論だけでなく前提も残っているか確認します。
覚える要点：短さより、重要な条件を保つこと。
この用語の問題と解説へ →ら行
ランサムウェア
らんさむうぇあ業務停止や情報公開の脅迫などを伴うことがあります。更新、権限管理、分離したバックアップなど複数の対策を組み合わせます。
覚える要点：復旧手段も感染前に用意する。
この用語の問題と解説へ →リサイズ
りさいず画像の寸法を変更します。比率を無視すると形がゆがむため、切り抜きや余白の追加なども目的に応じて選びます。
覚える要点：寸法の変更と、画素値の変換を区別。
この用語の問題と解説へ →リマスタリング
りますたりんぐ既存の素材の品質を改善する処理です。新しい曲を一から生成することとは異なり、元の内容や権利への配慮も必要です。
覚える要点：既存素材の品質改善。
この用語の問題と解説へ →類似性・依拠性
るいじせいいきょせい著作権侵害の検討では、表現の類似と既存作品への依拠が重要です。最終判断には権利制限など個別の条件も関わります。
覚える要点：学習段階と生成物の利用段階を分ける。
この用語の問題と解説へ →ルールベース
るーるべーす判断条件を人があらかじめ定める方法です。条件が明確な業務に向きますが、例外が増えると規則の保守が難しくなります。
覚える要点：規則の作り手が人か、データかを確認する。
この用語の問題と解説へ →わ行
話者の設定
わしゃのせってい立場や口調を設定して文章の調子を合わせます。専門家の役を与えても、専門資格や事実確認能力が保証されるわけではありません。
覚える要点：役割指定は専門性の証明ではない。
この用語の問題と解説へ →ABC順
ALBERT
ALBERTパラメータの効率化を重視した設計です。軽量化は単に文章を短く入力することではなく、モデル内部の構成に関わります。
覚える要点：共有と分解によるパラメータ効率化。
この用語の問題と解説へ →BERT
BERT双方向の文脈を利用した言語表現を学びます。分類や検索などに活用され、左から順に文章を生成する方式とは目的が異なります。
覚える要点：前後の文脈から隠れた語を理解する。
この用語の問題と解説へ →ChatGPT
ChatGPTモデルを会話形式などで利用するサービスです。GPTというモデル系列と区別し、利用可能な機能はプランや時期によって確認します。
覚える要点：サービス名とモデル名を分けて覚える。
この用語の問題と解説へ →Claude
ClaudeAnthropicが提供する生成AIです。文書処理などに利用できますが、出力の正確性や利用条件は別に確認する必要があります。
覚える要点：提供元はAnthropic。
この用語の問題と解説へ →CNN
CNN畳み込みによって局所特徴を抽出します。重みを共有でき、画像の位置ごとに別々の重みを用意する構成とは異なります。
覚える要点：局所領域と重み共有が手がかり。
この用語の問題と解説へ →Codex
Codexプログラミングの支援に使われる名称です。生成コードは動作確認やセキュリティ確認が必要で、生成できたことを完成と同一視しません。
覚える要点：コードは生成後に検証する。
この用語の問題と解説へ →Context
Context目的、対象読者、状況などの背景情報です。出力の語彙や説明の深さを、利用場面に合わせる手がかりになります。
覚える要点：背景を伝えて出力の前提をそろえる。
この用語の問題と解説へ →Copilot
CopilotMicrosoftのAI支援製品群に使われる名称です。製品によって連携先や機能が異なるため、一つのモデル構造の名前とは区別します。
覚える要点：製品ごとに連携先を確認。
この用語の問題と解説へ →Few-Shot
Few-Shot少数の例で形式や判断基準を伝えます。プロンプト内の例示であり、それだけでモデルの重みを更新する追加学習ではありません。
覚える要点：例示と重みの更新は別。
この用語の問題と解説へ →GAN
GAN生成器と識別器が競合して学習します。生成器は識別器を欺く方向に改善しますが、学習が不安定になる場合もあります。
覚える要点：生成器と識別器の二者を区別。
この用語の問題と解説へ →Gemini
GeminiGoogleが展開する生成AIの名称です。名称だけで機能や料金を決めず、使うモデルやサービスの仕様を確認します。
覚える要点：提供元と用途を結び付ける。
この用語の問題と解説へ →GPT
GPT生成的な事前学習を行うTransformer系のモデル系列です。モデルの名称と、それを利用した対話サービスの名称は区別します。
覚える要点：モデル系列とサービスを混同しない。
この用語の問題と解説へ →GPTs
GPTs特定用途に合わせて構成する仕組みです。設定を行うことが、そのまま基盤モデルの重みの追加学習を意味するわけではありません。
覚える要点：設定によるカスタマイズと追加学習を区別。
この用語の問題と解説へ →Input Data
Input Data処理の対象となる資料やデータです。本文中に命令のような文があっても、作業指示と混同しないよう区切って扱います。
覚える要点：処理対象と実行指示を分ける。
この用語の問題と解説へ →Instruction
Instruction実行してほしい作業を指示する部分です。背景情報や入力資料と分けると、何をすべきかが明確になります。
覚える要点：してほしい作業を示す部分。
この用語の問題と解説へ →LSTM
LSTM情報の流れを制御するゲートと記憶セルを使います。長期依存の問題を緩和しますが、すべての過去を完全に記憶するわけではありません。
覚える要点：記憶を保持するだけでなく忘れる制御もある。
この用語の問題と解説へ →MCP
MCPModel Context Protocolの略です。連携方法の標準化を助けますが、接続先の信頼性や操作の安全性まで自動保証するものではありません。
覚える要点：つながる仕組みと、許可する判断は別。
この用語の問題と解説へ →MLM
MLMMasked Language Modelの略です。周囲の情報から隠れた要素を予測し、文脈を利用する表現を学びます。
覚える要点：隠したトークンの復元が目的。
この用語の問題と解説へ →n-gramモデル
n-gramn個の要素の連なりを扱う方法です。短い文脈を使うため、遠く離れた語の関係を捉えることには限界があります。
覚える要点：参照する文脈の長さに制約。
この用語の問題と解説へ →Operator
Operator画面を介する作業を進めるエージェントの例です。製品の提供形態は変わるため、試験上の名称と現在の製品構成を区別します。
覚える要点：ブラウザ上の行動を支援する例。
この用語の問題と解説へ →Output Indicator
Output Indicator出力形式や構成を指定する部分です。必要な項目を明示すると後工程で使いやすくなりますが、形式が整っていても内容の検証は必要です。
覚える要点：形式の一致と内容の正しさは別。
この用語の問題と解説へ →RAG
RAG検索で取得した情報を生成に組み込みます。モデルの重みを更新せずに知識を補えますが、検索漏れや読み違いは残ります。
覚える要点：検索結果があるだけで回答は保証されない。
この用語の問題と解説へ →RLHF
RLHF人間のフィードバックを利用した強化学習です。望ましい応答へ近づけますが、誤情報や有害な出力を完全になくす保証はありません。
覚える要点：人の評価を学習に取り込む。
この用語の問題と解説へ →RNN
RNN再帰的な結合で過去の情報を引き継ぎます。基本的な構造では長い依存関係の学習が難しい場合があります。
覚える要点：状態を時系列で受け渡す。
この用語の問題と解説へ →RoBERTa
RoBERTaBERT系の事前学習方法を改善したモデルです。独立した対話サービス名ではなく、モデルと学習設計の違いとして整理します。
覚える要点：BERT系の学習方法の改良。
この用語の問題と解説へ →Self-Attention
Self-Attention系列内の要素同士の関係を表現に反映します。人間の意識や注意そのものを再現したという意味ではありません。
覚える要点：同じ系列の中の関連を計算する。
この用語の問題と解説へ →Sora
Sora動画生成の例として整理します。出力の品質や利用可能な機能は変わるため、製品の位置付けと個別仕様を分けて学びます。
覚える要点：動画生成のサービス例。
この用語の問題と解説へ →Temperature
Temperature低い値では高確率候補に集中しやすく、高い値では多様になりやすくなります。低くしても内容が事実になる保証はありません。
覚える要点：多様性の設定は真偽の設定ではない。
この用語の問題と解説へ →Top-p
Top-p候補集合を確率の累積で絞る方法です。候補数を固定する方法とは異なり、分布に応じて選択範囲が変わります。
覚える要点：固定個数ではなく累積確率。
この用語の問題と解説へ →Transformer
Transformer再帰結合に頼らずAttentionを利用する設計です。言語に限らず広い分野で応用され、並列計算を行いやすい特徴があります。
覚える要点：Attentionを中心とする構造。
この用語の問題と解説へ →VAE
VAEエンコーダで入力を潜在分布へ写し、デコーダで復元・生成します。単に入力をそのまま保存する方法ではありません。
覚える要点：潜在空間を分布として扱う。
この用語の問題と解説へ →Veo
Veo映像生成に関するモデル系列です。生成した動画でも実在の出来事の記録ではないため、受け手に誤認させない利用が必要です。
覚える要点：生成映像と実写の記録を区別。
この用語の問題と解説へ →Zero-Shot
Zero-Shotタスクの見本を与えないプロンプティングです。例がなくても指示は必要で、学習していないモデルを使うという意味ではありません。
覚える要点：ゼロは提示する見本の数。
この用語の問題と解説へ →