AI・機械学習の用語一覧｜基礎から最新LLM用語まで180語まとめ

2026-09-01 2026-09-01 40分19秒

「AIってよく聞くけど、用語の意味がよくわからない」「機械学習やLLMの専門用語を整理したい」——そんな方のために、AI・機械学習の用語180語以上をカテゴリ別テーブルで一覧にまとめました。基礎概念から古典的機械学習アルゴリズム、最新のLLM・RAG・エージェント関連用語まで、エンジニアもビジネスパーソンも使える全体像を俯瞰できます。「この用語、何だっけ？」と思ったときの辞書としてもご活用ください。

この記事の目次

AI・機械学習の用語一覧（全180語）

基礎概念（16語）

← 横にスクロールできます →

用語	読み / 英語	意味
AI（人工知能）	エーアイ / Artificial Intelligence	人間の知的活動（認識・推論・学習・判断）をコンピュータで模倣する技術の総称
機械学習（ML）	きかいがくしゅう / Machine Learning	データからパターンを自動で学習し、予測や判断を行う技術。AIの中心的手法
深層学習（DL）	しんそうがくしゅう / Deep Learning	多層のニューラルネットワークで高度な特徴を学習する機械学習の手法
ニューラルネットワーク	/ Neural Network	脳の神経細胞（ニューロン）の接続を模した計算モデル。層を積み重ねて学習する
生成AI	せいせいエーアイ / Generative AI	テキスト・画像・音声・動画などを自動生成するAIの総称。GPT・Stable Diffusion等
教師あり学習	きょうしありがくしゅう / Supervised Learning	正解ラベル付きデータを用いてモデルを学習させる手法。分類・回帰に使われる
教師なし学習	きょうしなしがくしゅう / Unsupervised Learning	ラベルなしデータからデータの構造・パターンを見つける手法。クラスタリング等
強化学習	きょうかがくしゅう / Reinforcement Learning	報酬を最大化するよう試行錯誤しながら学習する手法。ゲームAI・ロボット制御等
半教師あり学習	はんきょうしありがくしゅう / Semi-supervised Learning	少量のラベルありデータと大量のラベルなしデータを組み合わせて学習する手法
自己教師あり学習	じこきょうしありがくしゅう / Self-supervised Learning	データ自身から教師信号を生成して学習する手法。LLMの事前学習で使われる
転移学習	てんいがくしゅう / Transfer Learning	あるタスクで学習した知識を別のタスクに転用する手法。少ないデータで高精度を実現
チューリングテスト	/ Turing Test	AIが人間かを判定するテスト（1950年提案）。会話で人間と区別できなければ合格とする
特徴量	とくちょうりょう / Feature	モデルへの入力として使う数値・情報。どの特徴量を使うかが精度に大きく影響する
データセット	/ Dataset	機械学習の学習・評価に使うデータのまとまり。訓練/検証/テストに分割して使う
アルゴリズム	/ Algorithm	問題を解くための手順・計算方法。機械学習では学習・予測の具体的方法を指す
モデル	/ Model	学習によって得られた予測・生成のための数学的構造。パラメータの集合体

アーキテクチャ・ネットワーク構造（17語）

← 横にスクロールできます →

用語	読み / 英語	意味
トランスフォーマー	/ Transformer	2017年論文「Attention is all you need」で提案。現代LLMの基盤となるアーキテクチャ
アテンション機構	あてんしょんきこう / Attention Mechanism	入力の中で重要な部分に注目する仕組み。トランスフォーマーの核心技術
Self-Attention	セルフアテンション	入力列の中で各要素が他の要素との関連を計算するアテンション機構の形式
マルチヘッドアテンション	/ Multi-head Attention	複数のアテンション計算を並列に行い、異なる観点からの注目を統合する仕組み
CNN（畳み込みニューラルネットワーク）	シーエヌエヌ / Convolutional Neural Network	画像の局所的な特徴を抽出する構造。画像認識で長く主役だったアーキテクチャ
RNN（再帰型ニューラルネットワーク）	アーアールエヌエヌ / Recurrent Neural Network	前の出力を次の入力に使う構造。テキスト・音声などの系列データを扱っていた
LSTM	エルエスティーエム / Long Short-Term Memory	RNNの改良版。長距離の依存関係を学習できるゲート機構を持つ
GAN（敵対的生成ネットワーク）	ジーエーエヌ / Generative Adversarial Network	生成器と識別器が競い合うことで高品質な画像等を生成する仕組み
拡散モデル	かくさんもでる / Diffusion Model	ノイズを段階的に加え、逆過程を学習することで画像を生成する手法。Stable Diffusion等
VAE（変分オートエンコーダ）	ブイエーイー / Variational Autoencoder	データの潜在的な表現（潜在空間）を学習する生成モデル
エンコーダ	/ Encoder	入力データを内部表現（潜在ベクトル）に変換する部分
デコーダ	/ Decoder	内部表現から出力（テキスト・画像等）を生成する部分
残差接続	ざんさせつぞく / Residual Connection	層の入力を出力に直接足す仕組み。深いネットワークでも勾配消失を防ぐ
位置エンコーディング	いちえんこーでぃんぐ / Positional Encoding	トランスフォーマーが単語の順序情報を学習するための付加情報
Mixture of Experts（MoE）	ミクスチャーオブエクスパーツ	複数の専門モデルを状況に応じて切り替えて使うアーキテクチャ。GPT-4等で採用
テンソル	/ Tensor	多次元配列。ニューラルネットワークのデータを表現する基本単位
ベクトル	/ Vector	方向と大きさを持つ数値の配列。テキストや画像をベクトルで表現する

古典的機械学習アルゴリズム（18語）

AI登場以前から使われる手法で、データが少ない場合や解釈性が重要な場面で今も活躍しています。

← 横にスクロールできます →

用語	読み / 英語	意味
線形回帰	せんけいかいき / Linear Regression	入力と出力の線形関係を学習する回帰手法。住宅価格予測等の基礎手法
ロジスティック回帰	ロジスティックかいき / Logistic Regression	2値分類に使われる確率的分類手法。線形回帰の出力にシグモイド関数を適用
サポートベクターマシン（SVM）	/ Support Vector Machine	クラス間の余白（マージン）を最大化する境界面を見つける分類・回帰手法
決定木	けっていき / Decision Tree	データをYes/Noの条件分岐で分類する木構造のモデル。解釈しやすい
ランダムフォレスト	/ Random Forest	複数の決定木を組み合わせた強力なアンサンブル学習手法。汎化性能が高い
勾配ブースティング	こうばいぶーすてぃんぐ / Gradient Boosting	弱学習器を順番に積み上げる手法。XGBoost・LightGBMが有名
k-NN（k近傍法）	ケーエヌエヌ / k-Nearest Neighbors	新しいデータに最も近いk個の既知データから多数決で分類する手法
ナイーブベイズ	/ Naive Bayes	ベイズの定理を使った確率的分類手法。スパムフィルタ等で使われる
主成分分析（PCA）	しゅせいぶんぶんせき / Principal Component Analysis	データの重要な方向を見つけ次元を削減する手法。可視化・前処理に使われる
k-meansクラスタリング	/ k-means Clustering	データをk個のクラスタに自動で分類する教師なし学習手法
階層クラスタリング	かいそうくらすたりんぐ / Hierarchical Clustering	データを木構造で段階的にまとめるクラスタリング手法
アンサンブル学習	あんさんぶるがくしゅう / Ensemble Learning	複数のモデルを組み合わせて精度を高める手法の総称
バギング	/ Bagging	複数のモデルを異なるサブセットで並列学習し多数決する手法（ランダムフォレスト等）
ブースティング	/ Boosting	前のモデルの誤りに注目しながら順番に弱学習器を足す手法
次元削減	じげんさくげん / Dimensionality Reduction	高次元データを低次元に圧縮する手法。PCA・UMAP・t-SNEがある
異常検知	いじょうけんち / Anomaly Detection	通常とは異なるパターンを検出する手法。不正検知・故障予測に使われる
時系列予測	じけいれつよそく / Time Series Forecasting	時間の順序を持つデータから将来の値を予測する手法
回帰	かいき / Regression	連続値の予測タスク（例：売上予測・気温予測）。分類タスクと並ぶ基本タスク

LLM・大規模言語モデル（19語）

← 横にスクロールできます →

用語	読み / 英語	意味
LLM（大規模言語モデル）	エルエルエム / Large Language Model	膨大なテキストで訓練した大規模な言語生成AI。GPT・Claude・Gemini・Llama等
GPT	ジーピーティー / Generative Pre-trained Transformer	OpenAIが開発した言語モデルシリーズ。GPT-4oが最新世代（2026年時点）
BERT	バート / Bidirectional Encoder Representations from Transformers	Googleが開発した文章理解特化モデル。双方向に文脈を理解する
Claude	クロード	Anthropicが開発したAIアシスタント。Constitutional AI手法で安全性を重視
Gemini	ジェミニ	Googleが開発したマルチモーダル言語モデルシリーズ
Llama	ラマ	Metaが公開したオープンソース言語モデルシリーズ。商用利用可能
Mistral	ミストラル	フランスのMistral AIが開発した高効率なオープンソース言語モデル
Whisper	ウィスパー	OpenAIが開発した高精度な音声認識モデル。多言語対応
トークン	/ Token	LLMがテキストを処理する最小単位。単語・文字・サブワードに対応
コンテキストウィンドウ	/ Context Window	LLMが一度に処理できるトークン数の上限。長いほど長文の処理が可能
エンベディング	/ Embedding	テキスト・画像等を数値ベクトルに変換したもの。意味の近さを距離で測れる
サブワード	/ Subword	LLMがトークン化する際の単位。BPE（バイトペアエンコーディング）等が使われる
BPE（バイトペアエンコーディング）	ビーピーイー / Byte Pair Encoding	頻出の文字列を繰り返し結合してサブワード語彙を構築するトークン化手法
埋め込みモデル	うめこみもでる / Embedding Model	テキストをベクトルに変換する専用モデル。RAGの検索で使われる
マルチモーダルAI	/ Multimodal AI	テキスト・画像・音声・動画など複数の形式を同時に扱えるAI
スケーリング則	すけーりんぐそく / Scaling Law	モデルサイズ・データ量・計算量を増やすほど性能が向上するという経験則
KVキャッシュ	ケーブイキャッシュ / KV Cache	トランスフォーマーの推論を高速化するため、過去のKey・Valueを再計算せず保持する仕組み
Speculative Decoding	スペキュラティブデコーディング	小モデルで候補を生成し大モデルで検証する、LLMの推論高速化手法
マルチモーダル推論	まるちもーだるすいろん	テキスト・画像・音声等を複合的に理解して答えを導く高度な推論能力

学習手法・最適化（26語）

← 横にスクロールできます →

用語	読み / 英語	意味
事前学習	じぜんがくしゅう / Pre-training	大規模データで基礎的な知識・能力をモデルに学習させる工程
ファインチューニング	/ Fine-tuning	事前学習済みモデルを特定タスク向けのデータで追加学習する手法
RLHF	アールエルエイチエフ / Reinforcement Learning from Human Feedback	人間のフィードバックを使った強化学習でLLMを人間の意図に沿わせる手法
SFT（教師あり微調整）	エスエフティー / Supervised Fine-Tuning	人間が作成した回答例を使って教師あり学習でLLMを微調整する手法
LoRA	ローラ / Low-Rank Adaptation	元モデルのパラメータを固定し、少数の低ランク行列だけ追加学習する低コスト微調整手法
QLoRA	キューローラ	LoRAを量子化（圧縮）モデルに適用することで、さらに低コストで微調整する手法
PEFT	ピーイーエフティー / Parameter-Efficient Fine-Tuning	モデルの一部パラメータだけを効率的に更新する微調整手法の総称。LoRA等を含む
損失関数	そんしつかんすう / Loss Function	予測と正解のズレを数値化する関数。この値を最小化するよう学習が進む
勾配降下法	こうばいこうかほう / Gradient Descent	損失関数の傾き（勾配）を使いパラメータを更新する最適化の基本手法
バックプロパゲーション	/ Backpropagation（誤差逆伝播法）	出力の誤差を出力層から入力層へ逆方向に伝えてパラメータを調整する学習手法
学習率	がくしゅうりつ / Learning Rate	1回の更新でパラメータをどれだけ動かすかを決める値。大きすぎると不安定
オプティマイザー	/ Optimizer	勾配降下法を改良した最適化アルゴリズム。Adam・SGD・AdaGrad等がある
エポック	/ Epoch	全学習データを1周させた回数。エポックを繰り返してモデルを精錬する
バッチ	/ Batch	一度の学習で使うデータのまとまり。ミニバッチ学習が主流
過学習	かがくしゅう / Overfitting	学習データに特化しすぎて未知データへの性能（汎化性能）が落ちる状態
アンダーフィッティング	/ Underfitting	モデルが学習データの複雑さを表現できず、精度が低い状態
正則化	せいそくか / Regularization	過学習を防ぐためにモデルの複雑さにペナルティを与える手法
L1正則化 / L2正則化	エルいち / エルに	L1=パラメータの絶対値に比例するペナルティ（特徴選択効果）/ L2=2乗に比例（スムーズ化）
ドロップアウト	/ Dropout	学習時にランダムにノードを無効化して過学習を防ぐ手法
バッチ正規化	ばっちせいきか / Batch Normalization	各バッチの出力を平均0・分散1に正規化して学習を安定させる手法
活性化関数	かっせいかかんすう / Activation Function	ニューラルネットワークの各ノードの出力を決める非線形関数
ReLU	レルー / Rectified Linear Unit	「0未満は0、0以上はそのまま」の活性化関数。深層学習で広く使われる
シグモイド関数	シグモイドかんすう / Sigmoid Function	出力を0〜1に変換する活性化関数。ロジスティック回帰や2値分類の出力層で使われる
データ拡張	でーたかくちょう / Data Augmentation	学習データを回転・反転・切り抜き等で水増しして汎化性能を上げる手法
ハイパーパラメータ	/ Hyperparameter	学習前に人が設定する値（学習率・エポック数・バッチサイズ等）。パラメータとは区別される
交差検証	こうさけんしょう / Cross-validation	データを複数のフォールドに分けて交互に検証に使い、精度を安定評価する手法

プロンプト・RAG・エージェント（19語）

← 横にスクロールできます →

用語	読み / 英語	意味
プロンプト	/ Prompt	LLMへの入力指示文。内容・構造・例示の工夫で出力品質が大きく変わる
システムプロンプト	/ System Prompt	ユーザーの会話が始まる前に設定するLLMへの基本指示・役割設定
プロンプトエンジニアリング	/ Prompt Engineering	LLMへの入力（プロンプト）を最適化して出力品質を高める技術・スキル
Chain of Thought（CoT）	チェーンオブソート	「まず…を考えて」と思考過程を明示させることで複雑な推論精度を高めるプロンプト手法
Few-shot学習	フューショット / Few-shot Learning	プロンプトに少数の例示を含め、その形式でタスクを解かせる手法
Zero-shot学習	ゼロショット / Zero-shot Learning	例示なしの指示だけでタスクを解かせる手法。LLMの高い汎化性能が求められる
In-context学習	インコンテキスト / In-context Learning	プロンプト（コンテキスト）内に与えた情報や例から学習する能力
RAG（検索拡張生成）	ラグ / Retrieval-Augmented Generation	外部データベースを検索してLLMの回答に根拠を与え、精度とファクト性を高める手法
ベクトルデータベース	/ Vector Database	エンベディングを高速検索するためのデータベース。RAGで使われる（Chroma・Pinecone等）
チャンク	/ Chunk	RAGでドキュメントを検索・エンベディングしやすい単位に分割したもの
エージェントAI	/ AI Agent	目標に向けて自律的に計画・ツール使用・行動を繰り返す自律型AIシステム
マルチエージェント	/ Multi-agent	複数のAIエージェントが役割分担・協力してタスクを達成するシステム
Function Calling（ツール使用）	ファンクションコーリング	LLMが関数やAPIを呼び出して外部ツールを使う機能。エージェントの基盤技術
MCP（モデルコンテキストプロトコル）	エムシーピー / Model Context Protocol	Anthropicがオープンソースとして公開した、AIとツール・データの接続規格
プロンプトインジェクション	/ Prompt Injection	悪意ある指示をプロンプトに埋め込み、AIの動作を乗っ取ろうとする攻撃手法
ジェイルブレイク	/ Jailbreak	AIの安全ガードを回避し、禁止されている出力を引き出そうとする行為
コンテキスト	/ Context	LLMへの入力として渡す情報全体。会話履歴・システム指示・ユーザー入力を含む
Temperature（温度パラメータ）	テンパラチャー	LLMの出力の多様性を制御する値。高いほど創造的・低いほど確定的な出力になる
Top-p / Top-k	トップピー / トップケー	LLMのサンプリング手法。確率上位p%（またはk語）の候補からトークンを選ぶ

自然言語処理・応用タスク（17語）

← 横にスクロールできます →

用語	読み / 英語	意味
自然言語処理（NLP）	しぜんげんごしょり / Natural Language Processing	人間の言葉をコンピュータで処理・理解・生成する技術分野の総称
テキスト分類	/ Text Classification	文章をカテゴリに分類するタスク。スパムフィルタ・感情分析等
感情分析	かんじょうぶんせき / Sentiment Analysis	テキストから肯定・否定・中立等の感情極性を判定する手法
固有表現認識（NER）	/ Named Entity Recognition	テキスト中の人名・地名・組織名・日付等を抽出・分類する手法
機械翻訳	きかいほんやく / Machine Translation	コンピュータが自動でテキストを別言語に翻訳する技術
文章要約	ぶんしょうようやく / Text Summarization	長い文章を自動的に短くまとめる技術。抽出型と生成型がある
コード生成	こーどせいせい / Code Generation	自然言語の指示からプログラムコードを自動生成する技術
音声認識（ASR）	おんせいにんしき / Automatic Speech Recognition	音声をテキストに変換する技術。Whisper等が代表例
音声合成（TTS）	おんせいごうせい / Text-to-Speech	テキストを音声に変換する技術。AIボイスとも呼ばれる
画像認識	がぞうにんしき / Image Recognition	画像の中に何が写っているかをAIが判別する技術
物体検出	ぶったいけんしゅつ / Object Detection	画像の中の物体の位置（バウンディングボックス）と種類を同時に検出する技術
セマンティックセグメンテーション	/ Semantic Segmentation	画像の各ピクセルが何に属するかを分類する高精度な画像認識手法
コンピュータビジョン	/ Computer Vision	AIによる画像・動画の理解・解析・生成を扱う分野の総称
推薦システム	すいせんしすてむ / Recommendation System	ユーザーの行動・嗜好から最適な商品・コンテンツを提示するシステム
文書検索	ぶんしょけんさく / Document Retrieval	多数の文書から条件に合うものを取得する技術。RAGの核心技術
インファレンス（推論）	/ Inference	学習済みモデルを使って新しいデータに対する予測・生成を行うこと
自動運転	じどううんてん / Autonomous Driving	画像認識・LiDAR・強化学習等を組み合わせた自律走行技術

評価指標（17語）

← 横にスクロールできます →

用語	読み / 英語	意味
正解率（精度）	せいかいりつ / Accuracy	全予測中の正解の割合。クラス不均衡があると判断指標として不十分な場合がある
適合率	てきごうりつ / Precision	AIが「正」と予測した中で実際に正解だった割合。誤検出を重視する場面に有効
再現率	さいげんりつ / Recall	実際の正解の中でAIが「正」と予測できた割合。見逃しを重視する場面に有効
F1スコア	エフワンスコア / F1 Score	適合率と再現率の調和平均。両方のバランスを評価する代表的指標
混同行列	こんどうぎょうれつ / Confusion Matrix	予測結果と正解ラベルを組み合わせた表。TP・TN・FP・FNを一覧で確認できる
ROC曲線	アールオーシーきょくせん / Receiver Operating Characteristic Curve	閾値を変化させたときの感度と特異度のトレードオフを可視化した曲線
AUC	エーユーシー / Area Under the Curve	ROC曲線の下の面積。1に近いほど分類精度が高い
パープレキシティ	/ Perplexity（困惑度）	言語モデルの性能指標。値が低いほど次のトークンの予測精度が高い
BLEU	ブルー / Bilingual Evaluation Understudy	機械翻訳の品質評価指標。参照訳との一致度（n-gram）を測る
ROUGE	ルージュ / Recall-Oriented Understudy for Gisting Evaluation	文章要約の評価指標。参照要約との一致度を再現率ベースで測る
損失値	そんしつち / Loss Value	損失関数が出力する数値。学習中にモニタリングし、下がれば学習が進んでいる
平均二乗誤差（MSE）	へいきんじじょうごさ / Mean Squared Error	回帰タスクの評価指標。予測と正解の差の2乗の平均値
平均絶対誤差（MAE）	へいきんぜったいごさ / Mean Absolute Error	回帰タスクの評価指標。予測と正解の差の絶対値の平均値。外れ値に頑健
ベンチマーク	/ Benchmark	モデルの性能を比較するための標準テスト。MMLU・HumanEval・GSM8K等がある
交差エントロピー	こうさえんとろぴー / Cross-entropy	分類タスクで広く使われる損失関数。予測確率分布と正解分布のズレを測る
シルエット係数	/ Silhouette Coefficient	クラスタリングの品質評価指標。1に近いほどクラスタが明確に分かれている
ホールドアウト法	/ Holdout Method	データを訓練用とテスト用に分割して精度を評価するシンプルな検証手法

安全・倫理・ガバナンス（14語）

← 横にスクロールできます →

用語	読み / 英語	意味
ハルシネーション	/ Hallucination（幻覚）	LLMが事実でない情報を確信を持って出力してしまう現象。RAGや引用で軽減を図る
アライメント	/ Alignment（AI整合性）	AIを人間の意図・価値観・倫理に沿って動作させること。現在のAI研究の核心課題
Constitutional AI	コンスティテューショナルエーアイ	Anthropicが提案した、原則（Constitution）に基づきAIが自己の応答を評価・修正する手法
AIセーフティ	/ AI Safety	AIが引き起こすリスクを防ぐ研究・取り組みの総称。誤用・暴走・bias対策等を含む
バイアス（AIバイアス）	/ Bias	学習データの偏りがAIの予測に不公平・差別的な傾向を生む問題
フェアネス	/ Fairness	AIの予測・推薦が特定の属性に対して不当に有利・不利にならないこと
説明可能AI（XAI）	せつめいかのうエーアイ / Explainable AI	AIがなぜその判断をしたかを人間が理解できる形で説明できる技術
ブラックボックス問題	/ Black Box Problem	ニューラルネットの内部処理が人間に理解しにくい問題。特に深層学習で顕著
プライバシー	/ Privacy（AI）	学習データや推論に含まれる個人情報の保護に関わる課題
LLMO	エルエルエムオー	LLM最適化。AIが引用・参照しやすいようコンテンツを構造化・最適化すること
デジタルフットプリント	/ Digital Footprint	AIに学習される可能性があるインターネット上の行動・発言の痕跡
差別的コンテンツ	さべつてきこんてんつ / Harmful Content	AIが生成しうる有害・差別的・誤情報のコンテンツ。モデレーション技術で対策する
ウォーターマーキング	/ Watermarking	AI生成コンテンツであることを識別するための見えないマーク技術
レッドチーミング	/ Red Teaming	AIの脆弱性・有害応答を意図的に探し出すセキュリティテスト手法

ツール・フレームワーク・インフラ（17語）

← 横にスクロールできます →

用語	読み / 英語	意味
TensorFlow	テンソルフロー	Googleが開発した深層学習フレームワーク。産業界・研究で広く使われる
PyTorch	パイトーチ	Metaが開発した深層学習フレームワーク。研究・LLM開発に人気
scikit-learn	サイキットラーン	Pythonの古典的機械学習ライブラリ。SVM・ランダムフォレスト等が揃う
Keras	ケラス	TensorFlowの高レベルAPIで使いやすさが特徴の深層学習ライブラリ
Hugging Face	ハギングフェイス	事前学習済みモデルを共有・公開するAIコミュニティ兼プラットフォーム
LangChain	ラングチェーン	LLMアプリ開発を支援するPythonフレームワーク。RAG・エージェント構築に使われる
OpenAI API	オープンエーアイエーピーアイ	OpenAIのモデル（GPT-4o等）をプログラムから利用するためのAPI
Anthropic API	アンソロピックエーピーアイ	AnthropicのClaude APIを介してClaudeをプログラムから利用するためのインターフェース
GPU	ジーピーユー / Graphics Processing Unit	並列計算に特化した半導体。深層学習の学習・推論を劇的に高速化する
CUDA	クーダ / Compute Unified Device Architecture	NVIDIAのGPU並列計算プラットフォーム。深層学習フレームワークで広く利用
クラウドAI	/ Cloud AI	AWS（SageMaker）・GCP（Vertex AI）・Azure MLなどのクラウドAIプラットフォーム
エッジAI	/ Edge AI	スマートフォンやIoTデバイス上でオンデバイスでAI処理を行う技術
ONNX	オニキス / Open Neural Network Exchange	異なるフレームワーク間でAIモデルを共通フォーマットで持ち運ぶ規格
Docker	ドッカー	AIアプリケーションの開発・実行環境をコンテナで統一・再現可能にするツール
MLOps	エムエルオプス / Machine Learning Operations	機械学習モデルの開発・運用・監視・更新を継続的に行う仕組みの総称
モデルデプロイ	もでるでぷろい / Model Deployment	学習済みモデルを本番環境で利用できる状態にして公開・稼働させること
LLM推論サーバー	エルエルエムすいろんさーばー / LLM Inference Server	大量のリクエストを効率処理するためにLLMを最適化して配信するサーバー（vLLM等）

用語を理解すると見えてくること

ハルシネーションはなぜ起きる？

LLMは「次に来るトークンで最も確率が高いもの」を出力する仕組みです。そのため、正確な事実を知っているかどうかではなく、「学習データ中でよく続く言葉」を選びます。事実確認の機能がないため、存在しない文献の引用や誤った数字をもっともらしく出力することがあります。RAGを使って外部の正確な情報を参照させる、またはファクトチェックをプロセスに組み込むことが対策の基本です。AIが苦手なこと21選でも、ハルシネーションは限界の代表例として解説しています。

トランスフォーマーが変えたもの

2017年以前のLSTM・RNNは、長い文章の遠い部分の情報を保持するのが苦手でした。トランスフォーマーのアテンション機構は「文章全体を同時に見渡して、重要な単語を直接参照する」仕組みで、この問題を解決しました。これにより大規模なデータで並列学習が可能になり、GPT・BERT・Claudeなどすべての現代LLMの基盤となっています。

RAGとファインチューニングの違い

RAGは「外部の知識を検索して追加する」手法で、最新情報や社内文書にもすぐ対応できます。ファインチューニングは「モデル自体を特定のタスク・スタイル・知識に特化させる」手法です。どちらもLLMのカスタマイズ手法ですが、目的と用途が異なります。用途別AIツール60選では、RAGを使った検索型AIツールも紹介しています。また、LLMOとは何かでは、LLMに回答を引用されるためのコンテンツ最適化（LLMO）についても解説しています。

まとめ

AI・機械学習の用語を基礎概念から古典アルゴリズム、LLM・RAG・エージェント、評価指標、安全・倫理まで180語以上でまとめました。一度に全部覚える必要はありませんが、気になった用語から手元に置いておくと、日々のニュースや技術文書の理解がぐっと深まります。AIの技術進化は速いので、新しい用語が生まれたときもこの一覧を拠り所にしていただけると嬉しいです。