生成AIの用語と解説

音楽生成AIは、曲の雰囲気やジャンルを文章で伝えるとメロディや伴奏を作ります。歌声まで作れるものもあります。 【関連】音声合成AIは、文章を人の声で読み上げます。

学習済みモデルは、学習の工程を終えてすぐに推論に使える状態のモデルです。公開されたものを借りて使うこともできます。 【関連】未学習のモデルは、まだパラメータが整っていません。

画像生成AIは、描いてほしい内容を文章で伝えると、それに合った新しい画像を作ります。 【関連】画像認識AIは、写っている物が何かを見分けます。

「大規模」は、モデルのパラメータ数と学習データ量が膨大であることを指します。 【関連】扱える文章の長さ（コンテキストウィンドウ）とは別の話です。

生成AIは英語でジェネレーティブAI（Generative AI）で、略してGenAIとも書きます。 【関連】クリエイティブは「創造的な」という意味です。

予測変換は、打ちかけの言葉から次に来そうな語を示す機能です。言語モデルも次の語の予測を繰り返しています。 【関連】かな漢字変換は、読みを漢字に直す機能です。

合成データは、プログラムや生成AIで人工的に作った学習用データです。集めにくいデータや個人情報の代わりに使います。 【関連】オープンデータは、誰でも使えるよう公開された実際のデータです。

ストリーミングは、全文の完成を待たず生成した部分から順に表示する方式で、待ち時間が短く感じられます。 【関連】バッチ処理は、まとめて処理してから結果を返します。

クラウドAIは、事業者のサーバで計算して結果だけを受け取る方式です。大きなモデルも手軽に使えるのが強みです。 【関連】エッジAIは、スマートフォンなど手元の端末で動かします。

生成AIは確率に従って次の語を選ぶため、同じ質問でも毎回答えが少しずつ変わります。 【関連】学習データが古いことは、最新の話を知らない理由です。

音声合成は、文字で書かれた文章を人が話すような声にして読み上げる技術です。 【関連】音声認識は反対に、声を聞き取って文字にします。

コンテンツは、文章・画像・音楽などの中身の総称です。AIが作ったものはAI生成コンテンツと呼ばれます。 【関連】メタデータは、作成日など中身についての情報です。

トランスフォーマーは、注意の仕組みで語どうしの関係をとらえる構造で、今の大規模言語モデルの土台です。離れた語の関係もとらえやすくなっています。 【関連】RNNは、語を一つずつ順に処理します。

拡散モデルは、ノイズを加える過程を学び、その逆をたどってノイズから画像を作ります。 【関連】敵対的生成ネットワーク（GAN）は、二つのモデルを競わせる方式です。

GAN（敵対的生成ネットワーク）は、本物らしいデータを作る側と見分ける側を競わせて学びます。 【関連】拡散モデルは、ノイズを取り除いて画像を作ります。

RAG（検索拡張生成）は、質問に関係する文書を外部から検索し、その内容を踏まえて答えさせる手法です。 【関連】ファインチューニングは、追加学習でモデル自体を変えます。

パラメータは、重みなど学習によって少しずつ調整され自動的に決まる数値です。 【関連】ハイパーパラメータは、学習前に人が決める設定です。

基盤モデル（ファウンデーションモデル）は、幅広い大量のデータで事前学習され、調整して多くの用途に使い回せるモデルです。 【関連】特化型モデルは、初めから一つの仕事向けに作られます。

SLM（Small Language Model）は小規模言語モデルで、規模を抑えているため端末でも動かしやすい特徴があります。 【関連】LLMは大規模言語モデルです。

ナレッジカットオフは、学習データがいつまでのものかを示す区切りで、それより後の出来事をモデルは知りません。 【関連】レイテンシは、応答までの待ち時間です。

レイテンシは、質問を送ってから答えが返り始めるまでの待ち時間です。ストリーミングで短く感じさせる工夫もあります。 【関連】スループットは、一定時間にこなせる処理の量です。

スクレイピングは、プログラムでWebページから文章や画像を自動で大量に取り出すことです。利用規約で禁止されているサイトもあります。 【関連】データクレンジングは、集めた後に誤りを除く作業です。

生成モデルは、データの成り立ちを学び、学習データに似た新しいデータを作り出せるモデルです。 【関連】識別モデルは、データがどの種類かを見分けます。

画像キャプション生成は、入力した画像に写っている内容を説明する文章を作る機能です。 【関連】画像生成は反対に、文章から画像を作ります。

RLHFのHFはHuman Feedback（人間のフィードバック）で、人が回答を比べて良いほうを選んだ評価を学習に使います。 【関連】RLは強化学習（Reinforcement Learning）です。

言語モデルは、語の並びの自然さや次に来やすい語を確率で表すモデルです。 【関連】音響モデルは、音と発音の対応を表すモデルです。

モダリティは、文章・画像・音声のようなデータの種類の一つ一つです。複数を扱うのがマルチモーダルです。 【関連】フォーマットは、同じ種類の中の保存形式を指します。

超解像は、ぼやけた小さな画像の細部を補って高解像度にする技術です。古い写真の復元にも使われます。 【関連】インペインティングは、画像の一部を描き直す技術です。

エンコーダは、入力された文を読み取り、意味を表す内部の数値に変える側です。翻訳では原文を読む役です。 【関連】デコーダは、その表現から出力の文を作る側です。

データクレンジングは、重複や誤り、不要な情報を取り除いてデータの質を高める作業です。 【関連】データ拡張は、手持ちのデータを変形して数を増やします。

アテンション（注意機構）は、入力のどの部分をどれだけ重視するかを重みで表す仕組みです。 【関連】ドロップアウトは、学習中に一部をわざと無効にする工夫です。

エンベディング（埋め込み）は、語や文章を、意味の近いものが近くに並ぶ数値の列に変換したものです。 【関連】ワンホット表現は、語を区別するだけで意味の近さは表しません。

RLHFは、人が回答を比べた評価から報酬を作り、強化学習で好ましい答えを出すよう調整する方法です。 【関連】RAGは、外部資料を検索して答えに生かす方法です。

生成器は、GANで識別器をだませるような本物らしい偽物を作る側です。二つが競い合って性能を上げます。 【関連】識別器は、本物か偽物かを見分ける側です。

RAGは、まず質問に関係する文書を検索し、それを読ませてから回答を作ります。モデルを学び直す必要はありません。

オートエンコーダは、入力を小さな表現に圧縮して元に復元することを学び、データの特徴をつかみます。 【関連】確率の考えを加えたものが変分オートエンコーダ（VAE）です。GANは二つのネットワークを競わせます。

コンテキストウィンドウは、モデルが一度に扱える入力と出力の長さの上限で、超えた部分は参照できません。 【関連】バッチサイズは、一度に学習するデータの数です。

識別器は、GANで本物か偽物かを見分ける側です。 【関連】生成器は、識別器をだませる偽物を作ろうとします。

アウトペインティングは、画像の枠の外側を広げて描き足す機能です。「アウト＝外、イン＝内」と覚えます。 【関連】インペインティングは、画像の内側の一部を描き直します。

拡散モデルは、でたらめなノイズ画像からノイズの除去を少しずつ繰り返して絵を仕上げます。 【関連】ノイズを加えるのは、学習のときの過程です。

デコーダは、内部の表現を受け取り出力の文を一語ずつ作る側です。文章を作る言語モデルの多くはデコーダ型です。 【関連】エンコーダは、入力を読んで表現に変える側です。

コーパスは、言語の研究や学習のために大量に集めて整理した文章のデータです。 【関連】シソーラスは、意味の似た語を整理した辞書です。

対話型AIは、過去のやりとりを毎回入力に含めて渡すことで、前の会話を踏まえて答えます。会話のたびにモデルを学び直しているわけではありません。

ボイスクローンは、短い録音から声の特徴をまねて、その人そっくりの声で別の文章を読ませる技術です。 【関連】話者認証は、声で本人かどうかを確かめます。

エッジAIは、データをクラウドに送らず端末の中でモデルを動かす方式で、通信が要りません。 【関連】クラウドAIは、データを送って遠くのサーバで処理します。

スタイル変換は、写真などの内容や形を保ったまま画風だけを描き変える技術です。 【関連】超解像は、画像を細かく鮮明にする技術です。

枝刈り（プルーニング）は、結果への影響が小さい重みやつながりを取り除いて計算を減らす手法です。 【関連】量子化は、重みを少ないビット数で表して軽くします。

インストラクションチューニングは、指示と望ましい応答の組を多数学ばせ、指示に従いやすくする方法です。 【関連】プロンプトの工夫は、モデル自体を変えません。

自己注意機構は、同じ文の中の語どうしの関係を一度に計算する、トランスフォーマーの中心の仕組みです。 【関連】再帰結合は、前の時点の情報を次へ渡す仕組みです。

ベクトルデータベースは、文章を数値の列にして保存し、意味の近いデータを素早く検索できます。 【関連】リレーショナルデータベースは、表の形でデータを管理します。