AI用語を、やさしく。

AI とは何かを問う出発点。明確な定義は研究者によって異なるため、「認識」「判断」「推論」といった基本概念や、機械学習・ディープラーニングとの関係から AI の輪郭を押さえる。

ダートマス会議から始まる AI の歴史を辿りつつ、フレーム問題・中国語の部屋・シンボルグラウンディング問題など、AI 研究で長く議論されてきた根本問題と特徴量にまつわる課題を学ぶ。

探索木をたどって答えへの道筋を見つける、第一次 AI ブームを支えた技術。幅優先・深さ優先などの探索法から、Mini-Max 法やモンテカルロ法を使ったゲーム AI、プランニングまでを学ぶ。

専門知識をコンピュータに与えて推論させる第二次 AI ブームの技術。エキスパートシステムや意味ネットワーク・オントロジーといった知識の表し方と、知識獲得のボトルネックという限界を学ぶ。

人間がルールを書く代わりに、データからパターンを学ぶ手法。機械学習の定義やパターン認識、スパムフィルター・レコメンデーションといった代表的な応用例、次元の呪いを押さえる。

脳の神経回路をまねた多層ニューラルネットワークの技術。単純パーセプトロンや誤差逆伝播法といった基礎から、ImageNet・ILSVRC を契機とした躍進、大規模言語モデルまでの流れを追う。

正解ラベル付きデータからモデルを学習させる手法群。回帰と分類の違い、線形回帰・SVM・決定木・アンサンブル学習・ニューラルネットなど代表的アルゴリズムをひと通り押さえる。

正解ラベルなしでデータの構造を見つけ出す手法群。クラスタリング、次元圧縮（PCA・t-SNE）、トピックモデル、レコメンデーションといった代表的なタスクと手法を整理する。

試行錯誤で報酬を最大化する方策を学ぶ枠組み。マルコフ決定過程、価値関数と Q 学習、探索と活用のバランス、方策勾配法など強化学習の基本概念を学ぶ。

訓練誤差と汎化誤差の違い、過学習・未学習の見極め、交差検証や混同行列・各種評価指標、モデルの解釈手法まで、モデルを正しく選び評価するための知識を整理する。

誤差が小さくなる方向へ重みを更新していく学習の仕組みと、その改善の工夫。学習率やエポックといった基本用語から、局所最適解・鞍点といった停滞の原因、モーメンタム・ADAM などの手法までを押さえる。

モデルが訓練データに合わせ込みすぎるのを防ぐ工夫。誤差関数に罰則を加える L1・L2 正則化とその回帰への応用、学習中にノードを無効化するドロップアウトまでを学ぶ。

出力の誤差を入力側へ逆向きに伝えて重みを調整する、ディープラーニング学習の中核。数学的な土台となる連鎖率と、深い層で起きる勾配消失問題を押さえる。

予測と正解のずれを数値で表し、学習で最小化する関数。回帰の平均二乗誤差、分類の交差エントロピーという定番から、距離関係を学ぶ Contrastive loss・Triplet Loss までを整理する。

各ノードの出力を決める非線形の関数。シグモイド関数や tanh 関数から、勾配消失に強く現在の標準となった ReLU 関数、多クラス分類の出力に使うソフトマックス関数までを比較する。

ニューラルネットワークの層の構造と、それを支える計算資源。入力層・隠れ層・出力層それぞれの役割と、GPU・GPGPU・TPU といったハードウェア、そして必要となるデータ量を押さえる。

ニューラルネットワークの最も基本的な層。学習で調整される重み、入力に重みを掛けて足し合わせる線形関数、そして前の層の全ノードとつながる全結合層という土台を押さえる。

画像を扱うための中核となる層。フィルタを滑らせて局所的な特徴を取り出す仕組みから、カーネル幅・ストライド・パディングの設定、CNN の基本形と発展形、転移学習までを学ぶ。

データや中間出力のスケールを揃えて学習を安定させる工夫。標準化・白色化といった前処理から、バッチ正規化とレイヤー・インスタンス・グループ正規化の違いまでを整理する。

特徴マップを縮小し、位置のずれに強くする層。最大値プーリングと平均値プーリングの違いと、特徴マップ全体を1つの値にまとめるグローバルアベレージプーリングを押さえる。

層を飛び越えて出力を伝える接続。勾配消失を和らげてネットワークの超多層化を可能にした仕組みと、それを全面的に取り入れた ResNet を学ぶ。

時系列データを扱うための層。エルマン・ジョルダンネットワークという初期の RNN から、BPTT による学習、LSTM・GRU の改良、双方向 RNN や Encoder-Decoder 構成までを追う。

入力のどこに注目するかを重み付けする仕組み。Seq2Seq を出発点に、キー・クエリ・バリュー、Self-Attention と Multi-Head Attention、そして Transformer に至る流れを押さえる。

入力を圧縮して復元するネットワーク。次元削減や事前学習といった使い道から、確率分布で潜在空間を表し新しいデータを生成できる VAE とその発展形までを学ぶ。

学習データを加工して水増しし、汎化性能を高める手法群。Crop・反転・回転といった基本から、Cutout・Mixup・CutMix・RandAugment、自然言語向けの言い換えまでを整理する。

ディープラーニングが最初に成果を出した分野。AlexNet から Vision Transformer に至る CNN の系譜、R-CNN 系や YOLO による物体検出、U-Net などのセグメンテーション、姿勢推定までを追う。

テキストを機械が扱える形にして処理する分野。形態素解析などの前処理、ワンホットから分散表現への流れ、word2vec・BERT・GPT といった言語モデルの発展と代表的なタスクを追う。

音声を数値として扱い、認識・生成につなげる分野。A-D 変換やフーリエ変換による特徴量の作り方から、隠れマルコフモデル、CTC、WaveNet といった手法までを押さえる。

強化学習にディープラーニングを組み合わせた分野。DQN とその改良、A3C・PPO といった手法から、アルファ碁ゼロなどのゲーム AI、ロボット制御や sim2real といった実システムへの応用までを追う。

AI が新しいデータを作り出す分野。2 つのネットワークを競わせる GAN とその発展（DCGAN・Pix2Pix・CycleGAN）、拡散モデル、3 次元再構成の NeRF までを整理する。

学習済みモデルの知識を別のタスクへ活かす考え方。ファインチューニングによる再調整、ラベルの少なさを補う半教師あり学習・自己教師あり学習、そして破壊的忘却という課題を押さえる。

画像・テキストなど複数の種類の情報をまとめて扱う分野。基盤モデルという考え方から、CLIP・DALL-E による画像とテキストの結びつけ、画像説明文の生成や視覚的質問応答までを学ぶ。

ブラックボックスになりがちなモデルの判断根拠を人が理解できるようにする取り組み。説明可能 AI の考え方と、Grad-CAM・SHAP・Permutation Importance という代表的手法を整理する。

端末上で動かすためにモデルを小さく速くする技術。エッジ AI という位置づけから、プルーニング・量子化・蒸留といったモデル圧縮の手法、宝くじ仮説までを押さえる。

AI を実際の業務へ導入するまでの進め方。CRISP-DM のような枠組み、体制づくりと開発手法の選択、クラウドや MLOps といった提供・運用の手段、外部との連携までを押さえる。

データを集めて学習に使えるようにするまでの実務。利用条件に関わる法律、アノテーションなどの加工、偏りやリーケージへの注意、プライバシーや公平性への配慮、PoC による検証までを学ぶ。

AI を理解し使いこなすための数学と統計の基礎。データの要約から確率と代表的な分布、変数どうしの関係を測る指標、当てはめと検定の考え方、そしてベクトル間の距離までを押さえる。

個人に関する情報の取り扱いを定めた法律。個人識別符号や要配慮個人情報といった区分、匿名加工情報・仮名加工情報による活用の道、第三者提供のルール、EU の GDPR までを押さえる。

創作物の権利を保護する法律。著作物と認められる条件である創作性、データベースの著作物、侵害の考え方、利用規約による制限、そして AI 生成物をめぐる論点を学ぶ。

発明を保護する法律。特許の要件である新規性・進歩性、特許権の内容、発明者は誰かという問題、従業員の発明を扱う職務発明までを押さえる。

営業秘密や取引データを不正な利用から守る法律。保護に必要な 3 要件を満たす営業秘密と、2018 年の改正で保護対象に加わった限定提供データを学ぶ。

公正な市場競争を守る法律。競争を制限する行為と、不公正な取引方法にあたるかの判断基準となる公正競争阻害性という考え方を押さえる。

AI 開発を外部に委託する際の契約。経済産業省のガイドラインが示す段階的な進め方を軸に、NDA、請負契約と準委任契約の違い、精度保証や保守の取り決めまでを整理する。

完成した AI をサービスとして提供する際の契約。SaaS という提供形態と、やり取りされるデータを誰がどこまで使えるのかというデータ利用権を押さえる。

AI を扱ううえでよりどころとなる原則やルール。倫理とガバナンスの関係、法律とガイドラインの役割分担、リスクに応じて規制を変える考え方、公平性に関わる属性の扱いを押さえる。

個人のプライバシーを守るための考え方と実務。設計の段階から保護を組み込むプライバシー・バイ・デザインと、カメラ画像の利用に関する具体的な指針を学ぶ。

AI 特有の攻撃と、それに備える設計。設計の段階から守りを組み込む考え方と、敵対的な攻撃・データ窃取・モデル窃取・モデル汚染という代表的な脅威を押さえる。

AI が悪意を持って使われる問題。ディープフェイクやフェイクニュース、アルゴリズムが生む偏りといった具体的な害と、利用者を守る対策や想定外の挙動への備えを学ぶ。

AI の判断や運用を外から見えるようにする取り組み。ブラックボックス問題と説明可能性、データの来歴や透明性レポートによる開示、多様な視点の確保までを整理する。

AI が世論の形成や社会の合意に与える影響。好みに合う情報ばかりが届くフィルターバブル、同じ意見が反響して増幅されるエコーチェンバー、そして社会との対話の姿勢を学ぶ。

大規模な AI が環境へ与える負荷。モデルの学習が消費する膨大な電力と、それが気候変動という地球規模の問題につながる点を押さえる。

AI が働き方に与える影響。人間と AI の役割分担、AI による経営課題の解決と価値の創出、そして AI に頼りすぎることで人の技能が衰える懸念を学ぶ。

AI を適切に運用し続けるための組織の仕組み。方針づくりと体制整備から、人間の関与とモニタリング、運用と改善、有事への対応、監査や倫理アセスメントまでを整理する。

AI を考えるうえで見落とせない諸価値。人間の自律性やインクルージョン、労働力不足という社会背景、軍事利用や死者への敬意、そして議論を続ける姿勢を押さえる。

生成 AI を支える仕組み。言語モデルと確率的な生成という基本から、アテンションとトランスフォーマー、事前学習と各種の調整（Instruction Tuning・RLHF）、プロンプトによる使い方までを押さえる。

生成 AI の発展を左右する要因。規模と性能の関係を示すスケーリング則、計算資源と効率化、モデルが持つ知識の限界、マルチモーダル化やオープンな開発の広がりを追う。

生成 AI を使いこなすための基本。できることの範囲をつかむケイパビリティ、良い出力を引き出すプロンプトエンジニアリング、そして実際の活用事例を押さえる。

生成 AI の使い道を広げる取り組み。活用の探し方や学び方から、RAG や外部ツール呼び出し、エージェントとコード生成、広告や特定分野への応用までを追う。

生成 AI に伴うリスクの全体像。正確性やハルシネーション、公平性・透明性、セキュリティやプライバシー、著作権や商用利用、悪用や環境負荷、特定サービスへの依存までを整理する。

変化し続けるリスクへの向き合い方。次々に現れる新たなリスクの把握、情報収集の姿勢、規制を待たない自主的な対策、そして各国で進む規制化の動きを押さえる。