AI・生成AI用語集

言語モデルが道具を選びながら複数の手順を自分で進める仕組み。一度の応答では終わらない作業を、人の指示なしに完了させるために使います。

非同期処理の完了待ちを上から下へ読める形で書くJavaScriptの構文。コールバックの入れ子をなくし、例外も try/catch でそのまま扱えます。

AIに結論だけでなく途中の考えを順番に書かせるプロンプト技法。計算や条件の絡む問題で、推論を飛ばしたことによる誤答を減らす目的で使います。

OpenAIが公開している対話型のAIサービス。文章の要約からコードの下書きまで、自然文の指示だけで頼めるのが特徴です。

はい・いいえの質問を枝分かれで重ねて予測する機械学習モデル。判断の根拠がそのまま図で読めるため、理由を説明したい場面で選ばれます。

文章や画像を、意味の近さが距離として表れる数値ベクトルに変換したもの。キーワードが一致しなくても意味で引けるので、RAG や類似検索の土台になります。

AI へ依頼するとき、望む入出力の例をいくつか添えてから本題を頼む方法。言葉で説明しにくい形式や粒度を、例で直接伝えられます。

React で余計な div を増やさずに複数の要素をまとめて返すための入れ物。テーブルやリストの構造を壊さずにコンポーネントを分割できます。

ブラウザに文字列データを保存し、タブを閉じても残しておける仕組み。表示テーマの選択や入力の下書きなど、その端末だけの設定を覚えさせるのに使います。

変数の穴を空けたプロンプトを部品として定義する仕組み。文字列を毎回組み立てず、入力だけ差し替えて同じ指示を再利用できます。

系列データを扱う 2 つのモデル構造。RNN は前から順に読み、Transformer は全体を一度に見るという違いが性能差を生んでいます。

Python で定番の機械学習ライブラリ。分類や回帰、前処理や評価までを fit と predict という共通の書き方で扱えます。

文中の各語が他の語をどれだけ参照すべきかを重みで決める仕組み。Transformerの中核で、長い文脈の理解を支えています。

2017 年に発表された深層学習の構造。注意機構で文中の離れた語の関係も掴む方式で、今の生成 AI の土台になっています。

お手本の例を一切見せずに、やってほしいことの説明だけでAIに作業させる指示の出し方。まず試して、精度が足りないときに例を足す出発点になります。

Agent Skillsとは、AIエージェントへ専門知識や手順を必要なときだけ読み込ませる、再利用可能な指示ファイルの規約です。

Agent Harnessとは、LLMをツールで複数ステップの仕事を進めるAIエージェントとして動かすための、実行・制御の土台です。

Agent Runtimeとは、AIエージェントのコードをホストし、セッションを分離しながら実行・拡縮・観測するエンジンや環境です。

Agent Loopとは、AIエージェントが「状況を見る→次の行動を決める→ツールを使う→結果を受け取る」を、仕事が終わるまで繰り返す仕組みです。

MCPとは、AIアプリが外部のツール・データ・プロンプトを発見して利用するための共通プロトコルです。

大量の文章から次に来る語を予測するよう学習した巨大なモデル。ChatGPT や Claude の中核で、文章生成や要約、コード補助を担います。

プログラムを起動したとき最初に実行される場所。ここから読み始めれば全体の流れをたどれるので、他人のコードを読むときの入口になります。

Guardrailsとは、AIエージェントの入力、出力、ツール実行を境界ごとに検査し、許可、修正、停止、人への確認などへ振り分ける制御です。

テストを流したときに、コードのうち何割が実際に実行されたかを示す指標。抜けている箇所を見つけるための地図として使います。

人がルールを書く代わりに、大量のデータからコンピュータ自身が判断の基準を見つけ出す技術。予測や分類を自動化する土台になります。

2つのベクトルの向きがどれだけ揃っているかを測る指標。長さに左右されないため、文章どうしの意味の近さの判定に広く使われます。

コンテキストエンジニアリングとは、LLMがその時の仕事に必要な情報を選び、並べ、更新して、適切な判断をしやすくする設計です。

AIモデルが1回のやり取りで扱えるトークンの上限。指示と会話履歴と資料と出力の全部がこの枠を共有し、長い資料を渡せる量を決めます。

Sandbox（サンドボックス）とは、プログラムやAIエージェントを、ファイル・プロセス・ネットワーク・資源の範囲を制限した実行環境で動かす仕組みです。隔離の強さと設定は実装によって異なります。

ニューラルネットワークを何層も重ね、データから特徴そのものを学ばせる機械学習の手法。画像認識や生成 AI の中身はほぼこれで動いています。

電源を切っても内容が残る記憶装置のこと。HDD や SSD が代表で、メモリとの速さと容量の違いが構成の判断を分けます。

学習した傾向をもとに文章や画像を新しく作り出すAI。分類や予測ではなく、下書きの作成や要約といった作る仕事を任せる用途で広がりました。

中身の役割が名前から分かるHTML要素のこと。見出しやナビゲーションを機械に伝え、読み上げソフトや検索エンジンの理解を助けます。

長いデータを扱いやすい大きさに切り分けた一片のこと。RAG で文書を検索単位に分けるときや、通信データを届いた順に処理するときに登場します。

Tool Callingとは、LLMが利用可能な外部機能から必要なツールと引数を選び、アプリや提供基盤へ実行を依頼して、その結果を回答へ使う仕組みです。

生成 AI が文章を扱うときの最小の単位。入力も出力もトークン数で数えられ、料金と入力可能な長さの上限がどちらもこの単位で決まります。

入力に重みを掛けて足す計算を層状に重ね、その重みをデータから自動で学習させるモデル。画像認識や生成AIの土台になっています。

入力に重みを掛けて足し、バイアスを加えてから活性化関数に通す計算単位。これを層状に並べたものがニューラルネットワークの中身です。

生成AIが事実でない内容を、いかにも正しそうな文体で出力してしまう現象。仕組み上ゼロにはできず、検証する前提で使います。

Human-in-the-loop（HITL）とは、AIシステムの判断や実行の途中に人の確認・修正・承認を組み込み、人が結果を確定できるようにする設計です。

学習済みの AI モデルに少量のデータで追加学習をさせ、特定の用途に寄せる手法。文体や出力形式を毎回同じ形に固定したいときに選びます。

CNNで特徴マップを縮小する層。位置が少しずれても同じ特徴として拾えるようにし、あわせて以降の計算量も大きく減らします。

生成 AI に渡す指示文のこと。読み手や条件、出力形式まで書き込むことで、返ってくる答えの具体性と手直しの量が大きく変わります。

生成 AI への指示文を設計し、狙った出力を安定して得るための技術。前提と形式と例を渡す設計作業で、思い付きの言い換えとは別物です。

ベクトルデータベースとは、文章や画像のEmbeddingを保存・索引化し、質問ベクトルに近いデータを高速に検索するデータベースです。

要素ごとのループを書かず、配列全体をまとめて計算する書き方。型の確認が最初の1回で済むため、数値計算では速度が桁で変わります。

質問に答える前に社内文書などを検索し、見つけた文章ごと AI に渡す仕組み。学習し直さずに、最新の情報や社外に出せない資料を回答へ反映できます。

Retrievalとは、質問に関係する情報を文書群から探し、回答に使う少数の候補として取り出す処理です。RAGでは生成より前に行います。

処理のステップをあらかじめ決めた順につないで走らせる仕組み。AIの利用では、検索・生成・検査といった役割の違う工程を分けて組み立てるときに使います。

データを保持しておく装置の総称。速いが電源で消えるメモリと、遅いが残るSSDやHDDを役割で使い分けるのが設計の基本です。

生成AIの学習データに含まれる最も新しい時点のこと。それ以降の出来事をモデルは知らないため、回答の鮮度を見極める目安になります。