📘

「5分で読める!AI専門用語辞典:用語を理解してAIを使いこなそう」

2025/01/26に公開

近年、人工知能(AI)の発展に伴い、「機械学習」「ディープラーニング」をはじめとする数多くの専門用語を耳にするようになりました。さらに、生成系の分野では「エンベディング」「ファインチューニング」「RAG(Retrieval-Augmented Generation)」など、比較的新しい用語も増えてきています。初めて学ぶ人にとっては、それぞれの言葉がどんな意味を持ち、どう使われるのかが分かりにくいかもしれません。そこで本記事では、初級者から中級者までを対象に、AIや生成AIに関わる主要な専門用語を順番に解説します。まずは全体像をつかみ、必要な知識をスムーズに身につけましょう。

1. AI(人工知能)

AIはArtificial Intelligenceの略で、人間の知的作業を機械で再現しようとする広範な技術領域を指します。1950年代から研究が続けられ、何度かブームを繰り返してきました。現在はニューラルネットワークの性能向上や大量のデータ活用により、画像認識や自然言語処理など、さまざまな分野で活躍しています。

  • AIはあくまで総称であり、機械学習やディープラーニングはその一部に位置づけられることが多い
  • 歴史的背景や最新の動向について知りたい方は下記リンクを参照してみてください

https://qiita.com/segavvy/items/9e7e4ab4b253599ac58a

https://aizine.ai/glossary/

2. 機械学習(Machine Learning)

AIを実現するための中心的な手法が機械学習です。与えられたデータから規則性やパターンを学び、未知のデータに対して推論を行います。統計学の理論やアルゴリズムが土台になっており、適切な学習データさえ準備できれば、幅広いタスクに適用可能です。

  • データを用意し、アルゴリズムを選択してモデルを学習
  • 学習が終わったモデルに新たなデータを入力し、予測や分類を実行
  • 統計学や数学、プログラミングに精通しているほど効率的な学習が可能
  • 詳しい用語解説は下記リンクも参考になります

https://ai-review.jp/ai-technical-term/

3. ディープラーニング(Deep Learning)

ディープラーニングは機械学習の中でも特に注目度が高い技術です。ニューラルネットワークを多層化することで、高精度なパターン認識が可能になりました。画像認識や音声認識、文章生成など、多岐にわたる分野で成果を上げています。

  • 多層(深層)ニューラルネットワークを用いる
  • 大量の学習データとハードウェア(GPUなど)の進化が追い風
  • 生成系AIでは文章生成や画像生成の基盤技術にもなっている
  • さらに詳しい内容はこちらを参照

https://atmarkit.itmedia.co.jp/ait/articles/2403/29/news036.html

4. アルゴリズム / モデル / 推論

  • アルゴリズム: 問題を解くための手続き。機械学習では勾配降下法など、パラメータを最適化する手法がアルゴリズムに当たります
  • モデル: 学習が終わった状態のパラメータ群と、処理の仕組みそのもの。未知のデータから予測を行う「推論の箱」です
  • 推論: 学習済みモデルを実際に使って予測や分類、生成などの出力を得る工程。テストデータや本番データに対して行われます

5. アーキテクチャ

アーキテクチャは、ニューラルネットワークの骨格や構造を表す概念です。

  • CNN(Convolutional Neural Network): 画像認識や物体検出で活躍
  • RNN(Recurrent Neural Network): 時系列データや文章などに適用
  • Transformer: 自然言語処理や生成AIで主流の構造
    問題の種類やデータの性質に合わせてアーキテクチャを選択することで、効率よく高精度なモデルが得られます。

https://kuraberuai.fioriera.co.jp/ai-glossary/ai/

6. 学習率 / エポック / バッチサイズ

ニューラルネットワークの学習を効率的に進めるためには、下記のパラメータを慎重に設定する必要があります。

  • 学習率(Learning Rate): 重みを更新する際のステップ幅。大きすぎると収束しにくく、小さすぎると時間がかかる
  • エポック(Epoch): 学習データを一巡させる単位のこと。大きすぎると過学習のリスクもある
  • バッチサイズ(Batch Size): 1回の重み更新で使用するデータの数。大きさに応じてメモリ使用量が変化

これらの調整によって、学習の安定性やモデルの精度が左右されます。
YouTubeのvideoIDが不正ですhttps://www.youtube.com/watch?v=example1

7. エンベディング(Embedding)

テキストや画像などのデータをベクトル(数値の配列)に変換する手法です。特に自然言語処理の領域で、単語や文をコンピュータが扱いやすい形に表現する際に重要になります。

  • Word2VecやGloVeなど、単語埋め込みの代表的な手法
  • 似た意味の単語同士を近いベクトル空間に配置する
  • 大規模言語モデルでは入力テキストをエンベディングにすることで計算を進める

8. ファインチューニング(Fine-tuning)

既存の学習済みモデルをベースにして、新たなデータやタスクに合わせて追加学習を行う手法です。大規模データで学習済みのモデルを活用することで、学習コストを削減し、より高精度な結果が得られる場合が多いです。

  • 事前学習モデル(Pre-trained model)を活用
  • 学習データが少ないタスクでも高い性能を発揮
  • Transfer Learningの一種であり、様々な分野で応用される

9. RAG(Retrieval-Augmented Generation)

Retrieval-Augmented Generationは、生成系モデルに外部の知識やドキュメントを検索(Retrieval)して取り込み、回答を生成(Generation)するアプローチです。大規模言語モデル単独では得られない情報を、外部の情報源から補完しながら回答を生成できるため、情報の正確性を高めやすいという利点があります。

  • テキスト検索システムを組み込み、関連性の高い文書を取得
  • モデルが参照情報を元に文章を生成する
  • ChatGPTプラグインや企業向けFAQシステムなどで注目される手法

まとめ

  • AI全体の流れは大きく、AI → 機械学習 → ディープラーニングという階層構造で把握
  • エンベディングやファインチューニング、RAGなどは生成AIの発展に伴い需要が急増中
  • 学習率やエポック、バッチサイズはモデルの精度と学習時間に直結
  • 活用の際はアーキテクチャ選択やアルゴリズム選定が重要
  • 用語を体系的に覚えておくと、文献やネットの記事をスムーズに読み解ける

より詳しく学びたい場合は下記のリンクも参考にしてみてください。
https://example.com/ai-diagram2

この記事を読んでもっと実践したいと感じたあなたへ

Unity開発を効率よく進めるためには、実践的なスキルと仲間との交流が欠かせません。
そんな方におすすめのステップが、下記の3つです。

1. 有料教材「どこでもUnity教室」でゲーム制作を短期マスター

  • 5日でシンプルなFPS完成
  • C#や最新のInputSystem、FPS実装まで網羅
  • Discord招待+サンプルプロジェクトDLもセット

Unity初心者でも最短5日で3D FPSが完成!今すぐ始める入門チュートリアルはこちら

https://zenn.dev/ryuryu_game/books/fd28de9d8e963a

2. 無料コミュニティで、疑問をすぐに解消&モチベーションUP

  • 初心者~中級者までOK
  • 質問サポートが充実
  • 学習仲間と切磋琢磨

Discordサーバー参加はこちら

https://discord.gg/5FwuKCacNy

3. “ゲーム開発所RYURYU”がトータルサポート

  • コナラ総販売200件超
  • VR/AR/AIなど最新技術にも精通
  • 多数の出展実績

ご相談・お問い合わせはこちら

https://coconala.com/users/1772507

Discussion