生成AIの用語と解説

AIはArtificial Intelligenceの略で、日本語では人工知能と呼びます。 【関連】機械学習は、AIを実現するための手法の一つです。

機械学習は、データから規則性やパターンを自動で学ぶ手法です。 【関連】ルールベースは、人が書いた規則のとおりに動く方式です。

深層学習（ディープラーニング）は、多層のニューラルネットワークで特徴を自動で学びます。 【関連】強化学習は、報酬をもとに行動を学ぶ手法です。

ニューラルネットワークは、脳の神経細胞のつながりをまねた数理モデルです。 【関連】遺伝的アルゴリズムは、生物の進化をまねた最適化の手法です。

教師あり学習は、入力と正解の組を大量に与えて対応関係を学ばせる方法です。 【関連】教師なし学習は、正解なしでデータの構造を探します。

教師なし学習は、正解のないデータからまとまりや構造を見つける方法です。代表例はクラスタリングです。 【関連】教師あり学習は、正解付きのデータを使います。

強化学習は、試行錯誤を通じて報酬が最大になる行動を学ぶ方法です。ゲームやロボット制御で使われます。 【関連】教師あり学習は、正解付きのデータから学びます。

訓練データ（学習データ）は、モデルのパラメータを調整する学習そのものに使うデータです。 【関連】テストデータは、学習後の性能を確かめるために取っておきます。

分類は、データがあらかじめ決めたグループのどれに入るかを予測する課題です。 【関連】回帰は、売上のような数値そのものを予測します。

回帰は、気温や売上のような連続した数値そのものを予測する課題です。 【関連】分類は、決まったグループのどれに入るかを当てます。

クラスタリングは、正解を与えずに似たデータどうしを自動でグループに分ける手法です。 【関連】分類は、正解付きデータで決まった組に分けます。

特化型AIは、将棋や画像判定など決まった仕事だけをこなすように作られたAIです。 【関連】汎用AIは、人のように幅広い課題に対応できるAIです。

汎用AIは、特定の仕事に限らず人間のように幅広い課題をこなせるAIです。 【関連】特化型AIは、決まった仕事だけをこなします。

自然言語処理は、人が日常で使う言葉をコンピュータで解析・生成する分野です。 【関連】音声合成は、文字から声を作る技術です。

音声認識は、人が話した声を聞き取って文字に変換する技術です。 【関連】音声合成は逆に、文字から声を作ります。

文字認識（OCR）は、画像の中の文字を読み取って編集できる文字データにする技術です。 【関連】音声認識は、声を文字にする技術です。

画像認識は、画像や映像に何が写っているかを見分ける技術です。 【関連】画像生成は、新しい画像を作り出す技術です。

機械翻訳は、ある言語の文章をコンピュータが自動で別の言語に置き換える技術です。 【関連】文章要約は、同じ言語のまま内容を短くまとめます。

自動運転は、カメラやセンサーで周囲を認識し、AIが人に代わって車を操作する技術です。 【関連】画像認識や判断のAIを組み合わせて実現しています。カーナビは道順を案内するだけです。

レコメンドは、購入や閲覧の履歴から好みを予測して商品をすすめる仕組みです。 【関連】検索エンジンは、入力した言葉をもとに情報を探します。

ビッグデータは、量が非常に多く種類も多様なデータで、第3次AIブームを支えた要素の一つです。 【関連】オープンデータは、誰でも使えるように公開されたデータです。

正解ラベルは、教師あり学習で各データに付ける「お手本の答え」です。 【関連】特徴量は、予測の手がかりとして入力する値です。

アノテーションは、画像や文章などのデータに人が正解の情報やタグを付ける作業です。 【関連】データクレンジングは、誤りや重複を取り除く作業です。

過学習（オーバーフィッティング）は、訓練データに合わせすぎて新しいデータで性能が落ちる状態です。 【関連】未学習は、学習が足りず訓練データでも外れる状態です。

テストデータは、学習に一切使わず、完成したモデルの性能を最後に確かめるためのデータです。 【関連】検証データは、学習中の調整やモデル選びに使います。

特徴量は、予測の手がかりとなるデータの特徴を数値で表したものです。家の値段なら広さや駅までの距離などです。 【関連】正解ラベルは、予測してほしい答えのほうです。

重みは、ニューロンどうしのつながりの強さを表し、学習によって調整される値です。 【関連】学習率は、人が前もって決める設定（ハイパーパラメータ）です。

GPUは大量の計算を並列に処理できるため、深層学習の計算を高速化します。 【関連】CPUは、さまざまな処理をこなすコンピュータの中心装置です。

正解率は、すべてのデータのうち予測が当たったものの割合です。 【関連】適合率は、陽性と予測したもののうち当たった割合です。

推論は、学習済みモデルに新しいデータを入れて予測や判断を出させる段階です。 【関連】学習は、データからモデルを作る段階です。

前処理は、欠けた値を補う・単位をそろえるなど、データを学習に使える形に整える作業です。 【関連】アノテーションは、データに正解を付ける作業です。

外れ値は、ほかの大多数のデータから極端にかけ離れた値です。 【関連】欠損値は、記録漏れなどで値が入っていない部分です。

欠損値は、記録漏れや機器の故障などで本来あるはずの値が抜けている部分です。 【関連】外れ値は、値はあるものの極端にかけ離れているものです。

チューリングテストは、文字だけの会話で人間と見分けられなければ知能があるとみなす考え方です。 【関連】「中国語の部屋」は、これに反論した思考実験です。

シンギュラリティ（技術的特異点）は、AIが人間の知能を超え、その先の進歩が予測できなくなる時点です。 【関連】ムーアの法則は、半導体の進歩に関する経験則です。

エキスパートシステムは、専門家の知識を大量のルールとして組み込んだ仕組みで、第2次AIブームの主役です。 【関連】ニューラルネットワークは、データから学ぶ方式です。

1956年のダートマス会議で「人工知能」という言葉が初めて使われたとされ、AI研究が本格的に始まりました。

AIの冬は、期待ほどの成果が出ず研究への関心や予算が落ち込んだ時期です。 【関連】AIの歴史では、ブームと冬が何度か繰り返されてきました。

ハイパーパラメータは、学習率や層の数のように学習前に人が決めておく設定値です。 【関連】重みは、学習の中で自動で調整される値です。

損失関数（誤差関数）は、予測と正解のずれを数値で表し、これを小さくする方向に学習を進めます。 【関連】活性化関数は、ニューロンの出力を変換する関数です。

勾配降下法は、損失関数の傾きを手がかりに、値が小さくなる方向へパラメータを少しずつ更新します。 【関連】誤差逆伝播法は、その傾き（勾配）を求める方法です。

活性化関数は、ニューロンが受け取った入力の合計を変換し、次の層へ渡す値を決める関数です。 【関連】損失関数は、予測と正解のずれを測る関数です。

転移学習は、ある課題で学習済みのモデルを別の課題に流用し、少ないデータで効率よく学ばせる方法です。 【関連】アンサンブル学習は、複数のモデルを組み合わせる方法です。

未学習は、モデルが単純すぎる・学習不足などで訓練データにさえ合っていない状態です。 【関連】過学習は、訓練データだけに合わせすぎた状態です。

汎化性能は、学習に使っていない未知のデータでも正しく予測できる力です。 【関連】過学習が起きると、汎化性能は落ちます。

検証データは、ハイパーパラメータの調整やモデル選びに使うデータです。 【関連】テストデータは、最後の性能確認のためだけに使います。

決定木は、条件分岐を木の枝のように重ねて予測するため、判断の流れが見えやすいモデルです。 【関連】ニューラルネットワークは、判断の中身が見えにくいモデルです。

CNN（畳み込みニューラルネットワーク）は、畳み込み層とプーリング層で画像の特徴を取り出します。 【関連】RNNは、文章のような順番のあるデータを扱います。

偽陽性は、実際は陰性なのに陽性と判定してしまう誤りです。 【関連】偽陰性は、実際は陽性なのに見逃してしまう誤りです。

物体検出は、画像のどこに何が写っているかを、位置を示す枠と物の種類で答える課題です。 【関連】画像分類は、画像全体が何かを一つ答えるだけです。