概念寓話
AI / Agent の概念を覚えられる物語として語る
ここには 684 の概念が収録されています。各項目はまず寓話で理解のプロセスを構築し、物語が終わった後に定義と隠喩の対応を明かします。
問題から概念庫へ入る
ある言葉を理解したいのか、それとも判断を下したいのか？
方案を比較しているなら、まず問題ナビを見てほしい。すでに具体的な用語に出会っているなら、下の概念ライブラリで定義、物語、適用条件、隣接概念を調べてほしい。
厳選概念
トピック別に概念とストーリーを読む
トピック別に見る
領域分類
すべての概念
684 個
Coding agent / developer tool
新規追加opencode
AI Coding Agent
opencode はコーディングタスク向けのオープンソース AI coding agent で、コードベースで工程を理解し、ファイルを編集し、コマンドを実行し、エラーをデバッグし、テストを生成し、コードをリファクタリングするのに適しています。これは本番業務 Agent の開発ツールであり、業務 Agent そのものではありません。
寓話を読む →
Agent runtime / harness
新規追加OpenClaw
Agent Runtime / Harness
OpenClaw はより汎用的な Agent runtime / harness であり、チャネル、セッション、ツール、スキル、メモリ、タスク、自動化、ノード能力を、持続的に稼働するエージェント基盤として組織する。
寓話を読む →
AIエージェントプラットフォーム
Agent ランタイム
Agent Runtime
Agent ランタイムは、エージェントが実際に作業を実行するための実行環境である。単に大規模モデルを一度呼び出すだけでなく、タスク状態、コンテキスト、ツール呼び出し、権限境界、人手承認、エラー回復、ログ追跡、多段階実行の管理を担う。
寓話を読む →
AIエージェントプラットフォーム
ツール呼び出し
Tool Calling, Function Calling
ツール呼び出し、別名Function Callingは、モデルが構造化された方法で外部関数、API、データベース、ファイルシステム、業務システムにタスクを実行するよう要求する仕組みである。
寓話を読む →
AIエージェントプラットフォーム
ツールレジストリ
Tool Registry
ツールレジストリは、Agent が利用可能なツールの集中カタログと制御層である。ツール名、用途、パラメータ schema、呼び出し方法、権限要件、リスクレベル、承認ルール、レート制限、戻り形式、担当者を記録する。
寓話を読む →
AI アプリケーションの可観測性と評価ツール
Weights & Biases Weave
Weights & Biases Weave
Weights & Biases Weave は AI アプリケーション向けの追跡、評価、デバッグツールで、モデル呼び出し、プロンプト、出力、反復プロセスを記録できる。
寓話を読む →
AIエンジニアリング／データパイプライン
合成データ
Synthetic Data
合成データはモデル、ルール、シミュレーションシステムによって生成され、訓練、微調整、評価、テストカバレッジに用いられ、鍵は品質フィルタリングと分布境界にある。
寓話を読む →
AIエンジニアリング / ファインチューニング
低ランク適応
LoRA、Low-Rank Adaptation
LoRA（Low-Rank Adaptation）は、パラメータ効率の高いファインチューニング手法です。基盤モデルの大部分の重みを凍結し、小規模な低ランク行列のみを訓練して特定タスクに適応させることで、訓練コスト、VRAM要件、マルチタスク適応の複雑さを大幅に削減します。
寓話を読む →
AIエンジニアリング / ファインチューニング
量子化低ランク適応
QLoRA、Quantized LoRA
QLoRA（Quantized LoRA）は、量子化された基盤モデル上で LoRA アダプタを訓練する方法で、一般的には 4-bit 量子化で VRAM 使用量を抑えつつ、少数のアダプタパラメータを訓練する。
寓話を読む →
AIエンジニアリング / インフラストラクチャ
推論エンジン
推論エンジン
推論エンジンはモデルの順伝播計算を効率的に実行し、VRAM、KVキャッシュ、バッチ処理、並行スケジューリング、ストリーミング出力、ハードウェアアクセラレーションを管理する。
寓話を読む →
AIエンジニアリング / モデル最適化
蒸留
Distillation
蒸留とは、大規模モデルや強力なモデルの出力、説明、選好シグナルを使って小さなモデルを訓練し、小モデルがより低コストで一部の能力を再現できるようにすることです。企業は蒸留をよく推論コストの削減、レイテンシ改善、または汎用モデルの能力を専門タスクへ移すために使いますが、適用範囲、評価基準、フォールバック機構を明確にしなければなりません。
寓話を読む →
AI engineering / operations
バッチ推論
バッチ推論
バッチ推論は大量の入力をまとめてモデルにオフライン処理させるもので、アノテーション、レポート生成、文書処理、推薦の候補抽出、品質スキャン、非リアルタイムタスクに適している。通常はスループット、単位コスト、リトライ、ジョブ管理を最適化し、単一リクエストの即時レイテンシではない。
寓話を読む →
AI engineering / operations
オンライン推論
オンライン推論
オンライン推論はユーザーリクエストが発生した時にリアルタイムでモデルを呼び出して結果を生成する。典型的な制約は低遅延、高可用性、並行能力、ストリーミング応答、エラー処理。企業Agentのオンライン推論はさらに認証、コンテキスト組立、ツール呼び出し、アップグレードパス、SLA、可観測性を考慮する必要がある。
寓話を読む →
AIプラットフォーム／コスト最適化
モデルルーティング
Model Routing
モデルルーティング Model Routing は、タスクの種類、品質要件、コスト、遅延、コンテキスト長、リスク、権限、またはベンダー状態に応じて、異なるモデルの呼び出しを選択するメカニズムである。すべてのタスクが最も高価または最強のモデルを使うことを避け、重要なタスクが低能力モデルで処理されることも避ける。
寓話を読む →
AIプラットフォーム／コスト最適化
セマンティックキャッシュ
Semantic Cache
セマンティックキャッシュ Semantic Cache は、リクエストの意味的類似度に基づいて既存の回答、中間結果、検索結果、ツール結果を再利用するメカニズムである。完全に同一の文字列でヒットする通常のキャッシュとは異なり、2つのリクエストが意味的に十分近いかどうかを判断する。
寓話を読む →
AI platform / deployment
推論エンドポイント
Inference Endpoint
推論エンドポイントは、モデルサービスがアプリケーション呼び出しに公開するネットワーク入口であり、通常は認証、リクエスト形式、ルーティング、バージョン管理、レート制限、ロードバランシング、ログ、モニタリングを含む。モデル能力をアプリケーションから安定的に呼び出せるサービス契約に変えるものであり、デプロイと運用ガバナンスの重要な境界である。
寓話を読む →
AIプラットフォーム／インフラ
モデルゲートウェイ
Model Gateway, AI Gateway
モデルゲートウェイ / AI Gateway は複数のモデルベンダーや自社デプロイモデルへの統一接続を提供し、認証、ルーティング、レート制限、ログ、キャッシュ、fallback、コスト管理、ポリシー執行を担う。これにより企業はマルチモデル環境で、アプリケーションのあちこちにベンダー呼び出しをハードコードすることを避けつつ、セキュリティ、品質、コスト、可用性を集中管理できる。
寓話を読む →
AI platform / integration
モデルコンテキストプロトコル
Model Context Protocol, MCP
モデルコンテキストプロトコル MCP（Model Context Protocol）は、AI アプリケーションが標準的な方法で外部ツール、データソース、コンテキストサービスに接続するためのプロトコルである。
寓話を読む →
AI product metrics / operations
AIによる仕事の代替率
AIタスク自動化率
AI 業務代替率は、本来人間が行っていたタスクのうち、どれだけの割合が AI により自動化され、または人手介入が大幅に削減されたかを測る。呼び出し量、会話量、生成文字数よりも商業価値に近い。なぜなら人件費、納品能力、粗利改善に直接つながるからだ。
寓話を読む →
AI product metrics / support operations
自動化偏転率
Deflection Rate
自動化偏転率は、AI またはセルフサービスシステムが成功裏に処理し、人間への転送を回避したリクエストの割合を測るもので、カスタマーサービス、IT サポート、運用チケットでよく見られる。それは解決品質、エラー遮断、エスカレーション精度と一緒に見なければならない；単に人間への転送を減らすことは顧客体験を損なう可能性がある。
寓話を読む →
AI product pattern
自動運転
Autopilot
Autopilot は、明確な目標、権限の境界、監視機構のもとで AI に自律的にタスクを完了させるプロダクトモデルである。人間は主に目標設定、境界の監督、異常処理、結果の検収を担う。
寓話を読む →
AI product pattern
副操縦士
Copilot
Copilot は、人が仕事を完了するのを支援する AI 製品モデルだ。AI は下書き、提案、検索、比較、チェック、次のステップの推薦を提供し、人が最終判断、編集、承認、提出の権限を保持する。企業の場面では、Copilot の価値は専門職の生産性と品質を高めつつ、責任の境界を明確に保つことにある。
寓話を読む →
AI safety
ウォーターマーク
Watermarking
Watermarking は AI 生成コンテンツに検出可能な信号を埋め込み、内容の出所を示したり検証したりするために使う。
寓話を読む →
AIネイティブなビジネスモデル
サービスとしてのソフトウェア
サービス・アズ・ソフトウェア
サービス・アズ・ソフトウェアとは、AI と自動化によって、本来人手で提供されるサービスプロセスを製品化し、顧客がツールへのアクセス権だけでなく業務成果を購入できるようにすることである。従来の SaaS との鍵となる違いは、供給側がより多くのワークフロー実行と結果責任を負い、価格設定がタスク、チケット、納品量、成果に近づくことにある。
寓話を読む →
エージェント・オペレーティング・モデル
Agent 運用モデル
エージェント・オペレーティング・モデル
Agent 運営モデルとは、企業が本番環境の Agent のために設計する一連の組織運営方式である。誰が Agent を所有するか、タスクをどう配分するか、どう監督するか、どう測定するか、どう人へエスカレーションするか、どう改善するか、どう事故とコンプライアンスリスクを処理するか。それは単一の Agent 能力を継続的に提供できる体系へ変える。
寓話を読む →
エージェント・オペレーティング・モデル
Agent オーナー
Agent Owner
Agentオーナーとは、あるAgentの目標、権限、性能、リスク、ライフサイクルに責任を持つ業務または技術のオーナーである。企業ではAgentの責任を「モデル」「プラットフォーム」「IT」「業務チーム」の間に宙吊りにしてはならない。誰がそれを変更できるか、誰が指標を見るか、誰が事故を処理するか、誰がアップグレードや停止を決定するかを明確にしなければならない。
寓話を読む →
エージェント・オペレーティング・モデル
職権の境界
Authority Boundary
職権境界とは、Agent が許される決定、動作、支出、データアクセス、外部への約束の明確な制限である。それは「ツールを呼び出せる」をさらに「どのような条件で呼び出せるか、どの程度の範囲に影響できるか、承認が必要か、外部に約束できるか」へと制約する。
寓話を読む →
エージェント・オペレーティング・モデル
自律レベル
自律性レベル
自律レベルは、Agent が独立して働く程度の等級である。推薦だけ、まず草稿、承認後に実行、限度額内で自律実行、または特定シーンで全自動運転ができる。企業統治では、自律レベルが人手介入の方法、承認の敷居、監査要件、リスク境界を決める。
寓話を読む →
エージェント・オペレーティング・モデル
運用指標
運用指標
運営指標は、生産中の Agent を管理するための定量指標であり、例えば完了率、エスカレーション率、エラー率、遅延、コスト、手戻り率、一発検収率、事故率などだ。
寓話を読む →
エージェントアーキテクチャ
エージェントループ
Agent Loop
エージェントループは Agent が動作する基本の閉ループだ。状態を観察し、推論して計画し、行動を選び、ツールを呼び出して実行し、その結果をコンテキストに書き戻して次のラウンドに入る。
寓話を読む →
エージェントアーキテクチャ
実行器
Executor
実行器は計画ステップを実際のアクションへと落とし込み、ツールの呼び出し、コードの実行、外部システムへのアクセスなどを行い、その結果を評価または再計画へ返します。
寓話を読む →
エージェントアーキテクチャ
プランナー
プランナー
プランナーはユーザーの目標を実行可能な手順、サブ目標、制約、依存関係に分解し、新しい情報が現れると計画を調整する。
寓話を読む →
Agent capability
動作
Action
アクションは Agent が環境で実行する離散的な操作であり、通常はツール、関数、API、ブラウザ、GUI 自動化を通じて行われます。通常のテキスト回答とは異なり、アクションは外部システムの状態を変えます。例えば、メール送信、記録変更、注文作成、フォーム送信、決済インターフェースの呼び出しなどです。
寓話を読む →
Agent capability
コンピュータの使用
Computer Use
Computer Use とは、モデルが画面、マウス、キーボード、または UI 自動化を通じてコンピュータ環境を直接操作する能力を指す。これにより Agent は API がなく、インターフェースが不完全、またはデスクトップソフトでしか完了できないタスクを扱える。
寓話を読む →
Agent capability
GUI エージェント
GUI Agent
GUI Agent は視覚認識とインターフェース操作によってソフトウェアタスクを完了する Agent である。画面上のコントロール、テキスト、表、ポップアップ、状態変化を理解し、クリック、入力、選択などの動作でタスクを進める。
寓話を読む →
Agent capability
ウェブエージェント
Web Agent
Web Agent はウェブ環境で検索、ナビゲーション、フォーム入力、資料ダウンロード、操作実行を行うインテリジェントエージェントである。ページ内容を理解し、タスク状態を保持し、ログインや動的ページを処理し、証拠の品質を判断し、高リスクのウェブ操作の前に人間の承認を求める必要がある。
寓話を読む →
Agent の意思決定
ツール選択
Tool Selection
Tool Selection とは、Agent が現在のサブタスクに応じて、利用可能なツール、関数、API の中からどれをどのパラメータで呼び出すかを選ぶプロセスです。単なる能力のマッチングにとどまらず、意図認識、権限の境界、リスクレベル、コスト、ロールバック可能性、人手による承認の要否も関わります。
寓話を読む →
Agent実行オブジェクト
実行
Run
Run は Assistant または Agent が一つの thread/request に対して行う一回の完全な実行を表す。モデル推論、メッセージ生成、ツール呼び出し、人間の動作待ち、エラー処理、最終出力などの過程を含む。
寓話を読む →
Agent execution trace
実行ステップ
実行ステップ
Run Step は Run の中間実行記録であり、例えば一度のモデルメッセージ生成、一度のツール呼び出し、一度の人手アクション待ち、一度の失敗リトライなどである。これによりチームは最終回答だけでなく、Agent の実行過程を検査できる。
寓話を読む →
Agent interface
リアルタイムエージェント
Real-Time Agent
Real-Time Agent は、低遅延・ストリーミングの対話で入力を理解し、行動を計画し、ツールを呼び出し、継続的に応答する Agent です。音声、カスタマーサポート、配車、監視、協働の場面でよく使われ、低遅延、増分理解、状態の継続更新、即時の割り込み、安全なエスカレーションが鍵となります。
寓話を読む →
Agent interface
音声エージェント
Voice Agent
Voice Agent は、音声の入出力を通じてユーザーとリアルタイムに対話し、タスクを完了する Agent です。音声認識、リアルタイム理解、対話管理、ツール呼び出し、音声合成、人によるエスカレーションを組み合わせています。
寓話を読む →
Agent memory
エピソード記憶
Episodic Memory
エピソード記憶は具体的な出来事、やり取り、観察、結果を記録し、通常は時間、出所、参加者、行動、結果などのメタデータを含む。
寓話を読む →
Agent memory
メモリ圧縮
Memory Compression
Memory Compression は、長い会話、過去の観察、検索資料、実行トレースを、より短い要約、構造化された事実、検索可能なメモリに圧縮し、後続の context budget に収められるようにする。同時に、タスクに有用なシグナルをできるだけ保持する。
寓話を読む →
Agent memory
意味記憶
セマンティックメモリ
Semantic Memory は具体的な出来事から抽象化された事実、概念、ユーザー選好、業務規則、領域知識である。これは Episodic Memory とは異なる。後者は一度ずつ起きた経験を保持し、前者は再利用可能な安定した知識を保存する。
寓話を読む →
Agent 運用 / ガバナンス
承認フロー
Approval Flow, Human Approval
承認フローは高リスクの操作の前に人的確認を組み込む制御メカニズムで、課金、外部への書き込み、権限変更、削除操作によく使われる。
寓話を読む →
Agent オーケストレーションパターン
状態図
State Graph
状態グラフは Agent ワークフローをノードとエッジの集合としてモデル化します。ノードは共有状態を読み取り更新し、エッジは状態に基づいて次の実行を決定します。分岐、ループ、待機、リトライ、復旧を伴う Agent フローの表現に適しています。
寓話を読む →
Agent protocol
Agent-to-Agent プロトコル
Agent2Agent, A2A
Agent2Agent、A2Aは異なるAgent間の相互運用と通信のプロトコル方向を指し、あるAgentが別のAgentの能力を発見し、タスクを開始し、コンテキストを渡し、状態を受け取り、結果を処理できるようにする。それはシステム間、ベンダー間、組織間の協業境界に注目する。
寓話を読む →
Agent state
長期記憶
Long-Term Memory
Long-Term Memory とは、現在のコンテキストウィンドウの外に保存され、セッションやタスクをまたいで検索できる情報である。企業 Agent に顧客の好み、過去の約束、領域の事実、未完了タスク、長期的な状態を覚えさせる。
寓話を読む →
Agent state
作業記憶
Working Memory
Working Memory は、Agent が現在のタスクにおいて一時的に保持・操作する状態であり、目標、制約、最近の観察、ツール結果、中間生成物、仮説、次のステップの計画を含む。通常はコンテキストウィンドウ、scratchpad、状態オブジェクト、またはワークフロー state の中に位置する。
寓話を読む →
Agentの状態／推論ワークスペース
ドラフト領域
Scratchpad
ScratchpadはAgentが現在のタスクで使う一時的な作業領域で、中間観察、計算、計画、ツール結果、実行メモを記録する。Agentがタスク状態を維持するのを助けるが、通常はフィルタリングなしに長期記憶やユーザー出力に入れるべきではない。
寓話を読む →
エージェントワークフロー・フレームワーク
LangGraph
LangGraph
LangGraph は、ステートフルで多段階の制御可能な Agent ワークフローを構築するためのグラフ型フレームワークである。
寓話を読む →
Alignment
アラインメント
Alignment
アラインメントとは、AI モデルや Agent の振る舞いを人間の意図、組織のポリシー、安全境界、実際のタスク目標に適合させること。
寓話を読む →
Alignment
憲法的AI
Constitutional AI
憲法型 AI は、明確な一連の原則でモデルの生成、批評、修正出力を導き、逐条の人間選好ラベリングへの依存を減らす。
寓話を読む →
Alignment
直接選好最適化
Direct Preference Optimization, DPO
DPO は選好データに基づいて言語モデルを直接最適化する手法で、同一入力に対する良い応答と悪い応答の対比を用いてモデルの挙動を調整する。
寓話を読む →
Alignment
選好データ
Preference Data
Preference Data は、報酬モデル、DPO、RLHF、RLAIF、その他の選好最適化手法の訓練に用いられるデータであり、通常は同一入力に対する複数の応答とその順位、選択、または評価を含む。それは「どの行動がより受け入れられるか」を表すものであり、単なる模範解答ではない。
寓話を読む →
Alignment
選好最適化
選好最適化
選好最適化は、人間またはモデルの選好信号を利用してモデルの挙動を改善する。一般的な手法には RLHF、RLAIF、DPO、IPO、KTO がある。
寓話を読む →
Alignment
近接方策最適化
Proximal Policy Optimization, PPO
Proximal Policy Optimization, PPO は強化学習アルゴリズムで、RLHF において報酬モデルに基づいて言語モデルの方策を最適化するためによく使われる。新しい方策の古い方策に対する更新幅を制限することで、報酬を追求するあまりモデルが大きな行動のドリフトを起こすのを防ぐ。
寓話を読む →
Alignment
AI フィードバック強化学習
Reinforcement Learning from AI Feedback, RLAIF
Reinforcement Learning from AI Feedback、RLAIF は、AI システムが生成したフィードバックや選好シグナルを用いてモデルを訓練・整合させる手法です。人手によるアノテーションコストを下げ、フィードバックの適用範囲を広げ、憲法 AI、自動選好レビュー、安全性評価に用いられます。
寓話を読む →
Alignment
人間のフィードバックによる強化学習
人間のフィードバックによる強化学習、RLHF
RLHFは人間の選好でモデルを訓練し、通常は選好の収集、報酬モデルの訓練、強化学習によるモデル出力の最適化を含みます。
寓話を読む →
Alignment
報酬モデル
Reward Model
Reward Model は、人間または AI の選好データに基づいて訓練されたモデルで、候補出力にスコアを付けたり順位付けしたりして、どの応答が目標選好に合致するかを予測する。RLHF では、報酬モデルが通常その後の強化学習最適化を導く。
寓話を読む →
Application layer / Product
大規模モデル応用
LLM アプリケーション、大規模モデルアプリケーション
LLM Application / Large Model Applicationとは、大規模モデルの能力を具体的な業務プロセスに組み込み、データ、ツール、権限、ユーザーインターフェース、評価、運用メカニズムをつなぎ、提供可能なソフトウェアまたはサービスを形成することである。
寓話を読む →
Approximate nearest neighbor index
階層型ナビゲート可能スモールワールドグラフ
Hierarchical Navigable Small World, HNSW
HNSW はグラフ構造の近似最近傍インデックスで、階層的なスモールワールドネットワークによってベクトル検索を高速化し、ベクトルデータベースでよく使われる。
寓話を読む →
アーキテクチャ
アテンションマスク
Attention Mask
Attention Mask は、アテンション機構においてどの token が他の token から注目されるかを制御するために使われる。一般的な用途には、因果マスク、モデルが未来の token を見るのを防ぐこと、padding token を無視すること、そして一部のアーキテクチャで異なる領域の情報を隔離することが含まれる。
寓話を読む →
アーキテクチャ
ALiBi
Attention with Linear Biases
ALiBi（Attention with Linear Biases）は、注意力スコアに距離に関連する線形バイアスを加えるもので、通常はモデルを近距離の token に偏らせつつ、遠距離の token に注目する可能性も保つ。
寓話を読む →
アーキテクチャ
BERT
Bidirectional Encoder Representations from Transformers
BERTはエンコーダのみを使用するTransformerモデルで、マスク言語モデリングによる事前学習を行い、分類・マッチング・理解系タスクに適している。
寓話を読む →
アーキテクチャ
因果注意/自己回帰
Causal Attention / Autoregressive
Causal Attention / Autoregressive は、現在位置を生成する際に現在位置より前の token だけに注目でき、未来の token は見られないことを指す。これは自己回帰言語モデルの基礎であり、モデルが順に次の token を予測してテキストを生成できるようにする。
寓話を読む →
アーキテクチャ
コンテキスト長／ウィンドウ
コンテキストウィンドウ / コンテキスト長
Context Window / Context Length は、モデルが一度の順伝播計算で処理できる最大トークン数を指し、モデルアーキテクチャとデプロイ構成の重要な能力指標だ。アプリケーション層のコンテキスト戦略とは異なる。モデルが長いコンテキストをサポートするからといって、すべてのリクエストを埋めるべきではない。
寓話を読む →
アーキテクチャ
クロスアテンション
クロスアテンション
クロスアテンションは、ある系列が表現を生成または更新する際に、別の系列の中の関連情報に動的に注目できるようにする。
寓話を読む →
アーキテクチャ
純粋なデコーダー
Decoder-Only
Decoder-Only は Transformer デコーダーのみを積み重ねたアーキテクチャで、現代の GPT 系大規模言語モデルの多くがこの路線を採用している。入力プロンプト、コンテキスト、例、生成済み内容をすべて同一シーケンスに置き、自己回帰方式で次の token を予測する。
寓話を読む →
アーキテクチャ
拡散言語モデル
拡散言語モデル
Diffusion Language Model は拡散モデルの考え方を言語生成に用いるモデル路線で、通常はノイズや破壊されたテキスト状態から段階的にノイズ除去してテキストを生成・編集する。従来の自己回帰モデルのように厳密に左から右へ次の token を予測するものではない。
寓話を読む →
アーキテクチャ
エンコーダ-デコーダ
Encoder-Decoder
Encoder-Decoder はエンコーダとデコーダからなる Transformer アーキテクチャである。Encoder はまず入力を文脈化表現に符号化し、Decoder は出力を生成する際に Cross-Attention を通じてこれらの表現を参照する。
寓話を読む →
アーキテクチャ
フィードフォワードネットワーク
Feed-Forward Network, FFN
フィードフォワードネットワークは、Transformer層においてアテンションの後に位置する位置ごとの非線形モジュールであり、各トークンの表現を拡張・変換する役割を担う。
寓話を読む →
アーキテクチャ
GPT
Generative Pre-trained Transformer
GPT はデコーダベースの自己回帰 Transformer モデルで、次の token を予測して訓練され、生成、推論、対話タスクに適している。
寓話を読む →
アーキテクチャ
グループ化クエリアテンション
Grouped Query Attention, GQA
グループ化クエリ注意は複数のクエリヘッドでキー・バリューヘッドを共有し、マルチヘッド注意の品質とマルチクエリ注意の効率の間で妥協点を取る。
寓話を読む →
アーキテクチャ
Jamba
Jamba
JambaはTransformerの注意力とMamba/SSMの考えを組み合わせたハイブリッドアーキテクチャ路線で、長コンテキスト処理効率を高めるために用いられる。
寓話を読む →
アーキテクチャ
層正規化
Layer Normalization
Layer Normalization はニューラルネットワークの層内部で活性値を正規化する技術で、各サンプルの特徴分布をより安定させる。Transformer では注意機構と FFN の前後で LayerNorm を使い、訓練の安定性と勾配伝播を改善する。
寓話を読む →
アーキテクチャ
線形注意力
Linear Attention
Linear Attention は、アテンション計算の複雑さを従来の self-attention の二次増加からほぼ線形増加に低減する手法の一種である。
寓話を読む →
アーキテクチャ
Mamba
Mamba
Mamba は選択的状態空間モデルに基づく系列モデリングアーキテクチャであり、状態更新に input-dependent な選択メカニズムを持たせることで、長い系列において効率と内容に敏感な情報保持を両立させる点が核心的な特徴である。
寓話を読む →
アーキテクチャ
MoD
Mixture of Depths
MoD はトークンごとに全モデル層を通すかどうかを動的に決め、簡単なトークンは一部の計算をスキップして推論コストを下げます。
寓話を読む →
アーキテクチャ
混合専門家モデル
Mixture of Experts, MoE
Mixture of Expertsモデルは、異なるtokenを異なるエキスパートサブネットワークにルーティングし、総パラメータ数を拡大しながら1回の推論コストを抑えます。
寓話を読む →
アーキテクチャ
マルチクエリ・アテンション
Multi-Query Attention, MQA
マルチクエリ注意はすべてのクエリヘッドに同じキー・バリューヘッドを共有させ、KV キャッシュの占有を大幅に減らし、長いコンテキストの推論効率を高めるのによく使われる。
寓話を読む →
アーキテクチャ
残差接続
Residual Connection
Residual Connection は層の入力をそのまま層の出力に加え、ネットワークが各層で表現を完全に書き換えるのではなく増分変化を学習できるようにする。深いネットワークの勾配伝播と訓練の安定性を改善し、Transformer が多くの層を積み重ねられる重要な理由となっている。
寓話を読む →
アーキテクチャ
RMSNorm
Root Mean Square Layer Normalization
RMSNorm は LayerNorm の変種で、活性値の二乗平均平方根で正規化し、通常は平均を引かない。計算コストを抑え、訓練を安定させることができる。
寓話を読む →
アーキテクチャ
回転位置エンコーディング
Rotary Position Embedding, RoPE
RoPE（Rotary Position Embedding）は、query/key ベクトルに位置依存の回転を適用して位置情報をエンコードし、アテンションスコアに相対位置情報を含める。現代の LLM で広く使われ、順序や相対距離の処理に役立ち、長コンテキスト拡張技術と密接に関係する。
寓話を読む →
アーキテクチャ
スライディングウィンドウアテンション
スライディングウィンドウアテンション
Sliding Window Attention は各 token がその付近の固定ウィンドウ内の token のみに注目するよう制限し、長い系列の注意コストを全体的な二次成長から引き下げる。長文、音声、ログなど局所的依存が強い場面に適し、全体的注意や疎な注意と組み合わせて使われることも多い。
寓話を読む →
アーキテクチャ
状態空間モデル
State Space Model, SSM
状態空間モデルは系列に沿って更新される状態で長距離依存をモデル化し、Transformerのアテンション以外の重要な系列モデリング手法である。
寓話を読む →
アーキテクチャ
SwiGLU
Swish-Gated Linear Unit
SwiGLUはTransformerのフィードフォワードネットワークに用いられるゲート付き活性化構造で、ゲート分岐によって非線形表現力とモデル性能を高めます。
寓話を読む →
アーキテクチャ
T5
Text-to-Text Transfer Transformer
T5は翻訳、要約、質問応答などのNLPタスクをテキストtoテキスト形式に統一し、同一のモデルパラダイムで多様な言語タスクを処理する。
寓話を読む →
アーキテクチャ
視覚 Transformer
Vision Transformer, ViT
Vision Transformer（ViT）は画像を patch に切り分け、token 列を扱うように Transformer で図塊間の関係をモデリングする。自己注意を視覚タスクに導入し、分類、検索、検出などの視覚理解の基礎に適している。
寓話を読む →
アーキテクチャ
重み共有
Weight Tying
Weight Tyingは、言語モデルにおいて入力embedding層と最終出力projection（LM head）の重みを共有する技術である。パラメータ数を減らし、入力語表現と出力語予測が同じ記号空間を共有できるようにし、通常は品質を著しく損なわない。
寓話を読む →
Auditability
監査証拠
Audit Evidence
監査証拠とは、監査結論を支える検証可能な資料であり、承認記録、ログ、テスト結果、チケット、第三者証明などである。
寓話を読む →
Auditability
監査証跡
Audit Trail
Audit Trail とは、あるオブジェクト、リクエスト、データ、または操作の開始から終了までの全過程を記録する追跡可能なチェーンである。通常、タイムスタンプ、操作者、入力、出力、システム状態、承認、変更理由、結果を含む。
寓話を読む →
Auditability
監査可能性
Auditability
Auditability とは、システム、プロセス、組織が監査、再検証、説明可能である能力を指す。単一のログ機能ではなく、記録、権限、証拠、統制、職責、文書、再現可能なプロセスが共に形成する属性である。
寓話を読む →
Auditability
内部監査
Internal Audit
Internal Audit は、組織内でリスク管理、統制、ガバナンスが有効かどうかを独立して評価する機能である。通常は業務統制を直接所有せず、統制の設計が妥当か、実行が一貫しているか、証拠が十分か、欠陥が是正されているかを検査する。
寓話を読む →
Auditability/Documentation
出典引用
Citation
Citationとは、AIの出力、意思決定、または生成的な記述において出典資料を引用することである。企業のRAG、ナレッジベースQ&A、コンプライアンス分析、レポート生成において、citationは回答を文書、段落、記録、証拠に結びつけ、検証、監査、訂正を支えるために用いられる。
寓話を読む →
Auditability/Security
改ざん不能ログ
Tamper-Evident Log
Tamper-Evident Logは、変更、削除、挿入、並べ替えに検出可能な痕跡を残すログ機構である。絶対に攻撃されないことを意味しないが、改ざんを発見されにくくすることはできる。追記書き込み、ハッシュチェーン、署名、タイムスタンプ、WORMストレージ、外部アンカリングなどで実現されることが多い。
寓話を読む →
自動化アーキテクチャ
エージェントワークフロー
エージェント型ワークフロー
エージェントワークフローは、反復可能なプロセスと Agent の限定的な自律性を組み合わせ、目標、状態、ツール、権限、承認、回復ルール内でタスクを進める。
寓話を読む →
自動化アーキテクチャ
ワークフロー
ワークフロー
ワークフローは、ステップ、意思決定、役割、システム統合からなる事前定義または半構造化されたプロセスで、業務結果を安定的に生み出すために使われる。AI / Agent システムでは、ワークフローがモデル呼び出し、ツール、人手承認、状態、外部システムを調整する。
寓話を読む →
Backend engineering / operations
冪等性
Idempotency
冪等性とは、同じ操作を一回または複数回実行しても同じ期待結果を生むことを指し、リトライ、決済、タスクスケジューリング、外部書き込みの場面でよく用いられる。
寓話を読む →
Backend engineering / operations
タスクキュー
Job Queue, Task Queue
タスクキューは非同期実行を待つ作業単位を保存し、フロントエンドのリクエストと時間がかかり失敗しやすいバックグラウンド動作を分離する。ユーザーはその場で待ち続ける必要がなく、worker は規則に従ってゆっくり処理できる。
寓話を読む →
Billing / platform
計量
Metering
計量とは、顧客の実際の使用量を記録、集計し、請求、クォータ、コスト帰属、経営分析に用いる能力だ。企業AI／Agentサービスでは、計量対象はtoken、タスク、チケット、自動完了回数、人手エスカレーション回数、データ処理量、納品結果などでありうる。
寓話を読む →
ビジネス／SaaS指標
年間経常収益
年間経常収益、ARR
ARR は、サブスクリプションまたは経常的な契約を一年の次元に標準化した後の収益指標であり、SaaS や継続サービスの事業規模を測るために用いられる。
寓話を読む →
ビジネス／SaaS指標
離脱率
解約率
離脱率は、顧客、アカウント、または収益が一定期間内に更新を停止したり、利用を減らしたり、離れたりする割合を測ります。
寓話を読む →
ビジネス／SaaS指標
純収益維持率
Net Revenue Retention, NRR
Net Revenue Retention, NRR は、同じ既存顧客群の更新、拡張、ダウングレード、解約後の収益変化を測る。計算式は通常、期初顧客収益に拡張収益を加え、縮小と解約収益を差し引き、期初収益で割る。
寓話を読む →
ビジネス／カスタマーサクセス
顧客ヘルススコア
Customer Health Score
Customer Health Scoreは複数のシグナルで顧客が更新、拡大、または離脱するかを評価する。
寓話を読む →
Business / finance
粗利
Gross Margin
Gross Margin は収入から直接納品コストを差し引いた残りの比率である。AI / Agent サービスでは、直接コストにモデル呼び出し、クラウドリソース、ツール/API 呼び出し、人手審査、顧客サポート、実施、SLA 対応が含まれ得る。
寓話を読む →
Business / finance
単位経済モデル
Unit Economics
Unit Economics は各顧客、タスク、リクエスト、チケット、取引の収入、直接コスト、利益を分析し、ビジネスが規模化して収益を上げられるかを判断する。
寓話を読む →
Business / go-to-market
企業営業
Enterprise Sales
Enterprise Sales は組織や大企業の購買に向き合い、通常、多役割の意思決定、予算の帰属、セキュリティとコンプライアンス審査、POC、購買プロセス、法務契約、長い販売サイクルを伴う。
寓話を読む →
Business / go-to-market
理想顧客プロファイル
Ideal Customer Profile、ICP
理想顧客プロファイルとは、製品を最も購入しやすく、うまく活用できる顧客タイプを表すもので、業界、規模、課題、予算、購買能力を含む。
寓話を読む →
Business / go-to-market
プロダクト主導型成長
Product-Led Growth, PLG
プロダクト主導型成長はプロダクト自体で獲得、アクティベーション、転換、拡張を推進する。一般的な手段にはトライアル、セルフサービスオンボーディング、プロダクト内ガイダンスがある。
寓話を読む →
Business / go-to-market
セールス主導の成長
Sales-Led Growth
Sales-Led Growthは、営業チームが目標顧客を特定し、ニーズを発見し、多様なステークホルダーを調整し、購買を推進して高単価の成約を完了することに依存する。複雑なエンタープライズ製品、強いカスタム納品、高いコンプライアンスリスク、または予算再構築を要するAI／Agentサービスに適している。
寓話を読む →
ビジネス／成長
顧客獲得コスト
Customer Acquisition Cost, CAC
顧客獲得コストとは、新規顧客を一人獲得するために必要な営業、マーケティングおよび関連投入のコストである。
寓話を読む →
ビジネス／成長
顧客生涯価値
Customer Lifetime Value, LTV
Customer Lifetime Value、LTV は、ある顧客が協業期間全体で見込まれる収益または粗利の価値である。Andy（任旭）にとって、LTV は契約金額、更新年数、拡張収益、粗利率、サポートコスト、離脱確率によって決まる。
寓話を読む →
Business / operations
サービスレベル契約
Service Level Agreement, SLA
SLA はサービス提供者と顧客の間の可用性、応答時間、サポート範囲、修復時間、違約補償、コミュニケーション体制に関する正式な約束である。企業 AI / Agent サービスが人手プロセスや外部委託チームを代替するには、可用性、品質、エスカレーション、インシデント対応、成果検収を明確に書かなければならない。
寓話を読む →
Business / operations
Token コスト
トークンコスト
Token Cost は、LLM アプリケーションが入力、出力、中間推論の token に基づいて計算するモデル利用コストである。Andy（任旭）のような Agent サービスにとって、それは単なる技術的な請求書ではなく、粗利、プラン、利用制限、自動化戦略の基礎変数である。
寓話を読む →
Business / post-sales
カスタマーサクセス
カスタマーサクセス
カスタマーサクセスは、オンボーディング、トレーニング、価値追跡、リスク警告、更新管理、拡張提案を通じて、顧客が約束された成果を継続的に得られるよう支援する。企業 AI / Agent サービスの採用リスクは高い：顧客プロセスが変わり、従業員がシステムを信頼し、成果が検収され、コストが制御可能でなければならない。
寓話を読む →
ビジネスモデル／デリバリー
専門サービス
プロフェッショナルサービス
プロフェッショナルサービスは、コンサルティング、導入、カスタマイズ、トレーニング、統合を中心に提供される人材集約型のデリバリーである。企業向け AI / Agent 企業にとっては、初期の售前検証、複雑な統合、プロセス整理、ローンチ支援によく使われ、成約と顧客成功を後押しできる。
寓話を読む →
ビジネスモデル／オペレーション
マネージドサービス
マネージドサービス
マネージドサービスとは、ベンダーが顧客に代わって特定のシステム、プロセス、または業務能力を継続的に運用することであり、通常はソフトウェア、監視、サポート、人的バックアップ、SLA、結果責任を含む。単発の専門サービスよりも継続的で、純粋な SaaS よりも多くの運用責任を負う。
寓話を読む →
ビジネスモデル／価格設定
ハイブリッド課金
ハイブリッド価格設定
ハイブリッド価格は、サブスクリプション料、シート料、従量料、サービス料、超過料、成果分配を組み合わせ、異なるコスト構造と顧客の価値認識に合わせる。
寓話を読む →
ビジネスモデル／価格設定
結果価格設定
成果連動型価格設定
結果報酬型価格設定は、顧客が得た業務結果、コスト削減、新規収入、または納品完了に基づいて課金し、シート、工数、呼び出し量では課金しない。企業向けAI / Agentサービスにとって、結果が明確で、検収可能、帰属可能で、ベンダーが重要プロセスを制御できるシナリオに適している。
寓話を読む →
ビジネスモデル／価格設定
シート課金
Seat-Based Pricing, Per-Seat Pricing
シート単位の価格設定は、ユーザー、アカウント、または人数に基づいて課金する方式で、SaaSで最も一般的かつ調達側が理解しやすいモデルです。ソフトウェアを使う人から主に価値が生まれ、ユーザー数と価値・コストがおおむね相関する製品に適しています。
寓話を読む →
ビジネスモデル／価格設定
用量ベースの価格設定
Usage-Based Pricing
従量課金は顧客の実際の使用量に応じて課金し、一般的な課金単位にはリクエスト数、トークン数、タスク数、処理データ量、ストレージ量、自動補完回数、チケット数などがある。AI / Agent 製品の限界費用は通常、モデル呼び出し、ツール呼び出し、人手へのエスカレーションによって変動するため、従量課金は収益をコストと価値により近づけることができる。
寓話を読む →
Business model / product
Software as a Service
SaaS, Software as a Service
SaaS（Software as a Service）はオンラインでソフトウェア能力を継続的に提供し、通常はサブスクリプション、シート、または使用量で課金され、ベンダーが運用、保守、アップグレード、可用性を担う。
寓話を読む →
ビジネスモデル / 製品戦略
プロダクト化サービス
Productized Service
製品化サービスとは、もともとカスタマイズされ、専門家の臨機応変な判断に頼るサービスを、範囲が明確で、プロセスが固定され、価格が明示され、検収基準が安定した納品方案に圧縮することである。企業AI／Agentの場面では、多くの初期収入が人手による実装、コンサルティング、カスタマイズされたプロセスから来ている。製品化できなければ、規模化も難しく、粗利の向上も難しい。
寓話を読む →
ビジネスポジショニング / オートメーション
デジタル従業員
デジタル従業員、デジタルワーカー、AIワーカー
デジタル従業員、Digital Worker、または AI Worker は、AI 能力を職務タスクやプロセスの成果を担える仮想労働力としてパッケージ化したものである。その市場表現は「ある種の仕事を代替または強化する」に近く、「ソフトウェア機能を提供する」ではない。
寓話を読む →
ケイパビリティのパッケージ化
スキル
スキル
スキルは Agent にパッケージ化して渡すタスク能力モジュールであり、通常は特定タスクの指示、ツール、例、フロー、境界、受け入れ方法を含む。これにより Agent は毎回汎用プロンプトで即興するのではなく、ある種の作業をより確実に完了できる。
寓話を読む →
コンプライアンス
コンプライアンスマッピング
Compliance Mapping
Compliance Mapping は、法規・標準・顧客要求・監査基準を企業の内部統制・プロセス・証拠・責任者にマッピングするプロセスである。重複構築を避け、統制の欠落を発見することもできる。
寓話を読む →
コンプライアンス／監査
制御テスト
Control Testing
Control Testing とは、統制措置が設計どおりに運用され、リスクを有効に低減しているかを検証する活動である。サンプリング検査、再実行、観察、質問、設定レビュー、ログ分析、または模擬演習によって実施できる。
寓話を読む →
Compliance/Documentation
技術ドキュメント
テクニカルドキュメント
技術文書はシステムアーキテクチャ、コンポーネント、インターフェース、データフロー、権限、デプロイ、運用、障害対応、変更履歴を記述する。
寓話を読む →
コンプライアンス/ガバナンス
統制フレームワーク
Control Framework
Control Frameworkは、組織が制御措置を設計、組織化、実行、評価するために用いる構造化されたフレームワークです。通常、制御目標、制御領域、責任の帰属、実行要件、証拠の種類、テスト頻度、欠陥処理の方法を定義します。
寓話を読む →
コンプライアンス／セキュリティ
制御措置
Controls
Controls は、リスクを低減し、ポリシーを満たし、または制御目標を達成するために設計された具体的な措置である。予防的、検知的、是正的のいずれかであり、例えばアクセス承認、最小権限、ログ監視、人手によるレビュー、構成ベースライン、変更承認、バックアップ、アラート、インシデント対応などがある。
寓話を読む →
コンプライアンス／セキュリティ
ISO 27001
ISO/IEC 27001
ISO 27001は情報セキュリティマネジメントシステムの国際標準であり、組織がリスクマネジメント方式で情報セキュリティ統制を継続的に改善することを求める。
寓話を読む →
コンプライアンス／セキュリティ
SOC 2 Type I
SOC 2 Type I
SOC 2 Type I は、独立した監査人が特定の時点で、サービス組織のシステム記述と統制設計が、セキュリティ、可用性、機密性、処理の完全性、プライバシーなどの関連する Trust Services Criteria を満たすのに適切かどうかを評価するものである。
寓話を読む →
コンプライアンス／セキュリティ
SOC 2 Type II
SOC 2 Type II
SOC 2 Type II は、独立した監査人が一定期間にわたりサービス組織のコントロールの設計と運用の有効性を評価する報告書である。Type I よりも、組織がコントロールを継続的に実行しているかを示すことができ、通常 3 から 12 か月の証拠を対象とする。
寓話を読む →
コンプライアンス／セキュリティ
SOC 2
Service Organization Control 2, SOC 2
SOC 2 はサービス組織向けの監査報告フレームワークで、セキュリティ、可用性、機密性、プライバシーなどの統制が有効かどうかを評価するために用いられる。
寓話を読む →
Compression
AWQ
Activation-Aware Weight Quantization
AWQ は重み量子化手法の一つで、活性化の大きさに応じて重要なチャネルを保護しつつ、重要でない重みをより積極的に圧縮する。
寓話を読む →
Compression
bitsandbytes
BitsAndBytes
bitsandbytes は Hugging Face エコシステムでよく使われる低精度ロードと量子化のライブラリであり、特に 8-bit と 4-bit の重みロードで一般的である。より大きなモデルを限られた VRAM でロード、微調整、デプロイできるようにする。
寓話を読む →
Compression
ディーププルーニング
Depth Pruning
Depth Pruning はモデル圧縮手法の一つで、Transformer 層全体を除去してより浅いモデルを得る。どの層が出力への寄与が小さいかに注目し、評価、キャリブレーション、または再訓練を通じて品質をできるだけ維持する。
寓話を読む →
Compression
蒸留推論モデル
蒸留推論モデル
Distilled Reasoning Models は、大規模な推論モデルが生成した回答、ステップ、推論軌跡を使って小さいモデルを訓練し、小モデルに部分的な推論能力を獲得させる手法だ。SFT、知識蒸留、モデル圧縮を組み合わせて、推論コスト、遅延、導入の敷居を下げるのによく使われる。
寓話を読む →
Compression
GGML
GGML Tensor Library
GGML は llama.cpp が初期に依存していた C 言語のテンソルライブラリで、CPU 上の LLM 推論と量子化をサポートし、GGUF エコシステムの前身である。
寓話を読む →
Compression
GPTQ
GPT 訓練後量子化
GPTQ は訓練後に一度だけ行う重み量子化手法で、近似二次情報を利用して 3/4 bit 量子化による誤差を低減する。
寓話を読む →
Compression
GGUF
GPT-Generated Unified Format
GGUFはllama.cppなどのローカル推論エコシステムでよく使われる量子化大規模モデルのファイル形式で、モデル重みとメタデータを統一方式でパッケージする。これによりランタイムが異なる量子化バージョンを安定して読み込めるようになり、モデルごとに場当たり的な取り決めに頼る必要がなくなる。
寓話を読む →
Compression
モデルプルーニング
Model Pruning
モデル剪枝は、訓練済みモデルから重要でない重み、ニューロン、アテンションヘッドまたは層を除去し、モデルサイズ、VRAM 使用量、推論遅延を低減する。
寓話を読む →
Compression
訓練後量子化
訓練後量子化、PTQ
訓練後量子化は、モデル訓練完了後に重みや活性化の精度を下げる圧縮方法で、速度は速いが一定の効果損失を伴う可能性がある。
寓話を読む →
Compression
量子化認識トレーニング
Quantization-Aware Training, QAT
量子化認識訓練（QAT）は、訓練または微調整時に低精度量子化の影響をシミュレートし、モデルを圧縮後の計算方式に事前に適応させる。訓練後に圧縮するのではなく、訓練プロセス中にモデルに低精度制約を感じさせるものである。
寓話を読む →
Compression
疎性
Sparsity
疎性とは、モデル内の多くの重みがゼロである、または多くの活性が計算時に非活性であることを指す。プルーニングなどの手法で疎な構造を作り出し、理論上の計算とメモリ需要を減らすことができる。
寓話を読む →
Compression
構造化プルーニング
Structured Pruning
構造化プルーニングは、ニューロン群、アテンションヘッド、チャネル、層などの規則的な構造をまとめて削除します。剪定後のモデル構造はより整い、標準的なハードウェアとランタイムで実際に高速化しやすくなります。
寓話を読む →
Compression
非構造化プルーニング
Unstructured Pruning
非構造化プルーニングは重要度に応じて個々の重みをゼロにし、モデルの元の構造の大部分を保持する。高度にスパースなモデルを作り出し、ストレージやメモリの負荷を軽減できる。
寓話を読む →
Compression
幅の枝刈り
幅プルーニング
幅の剪枝は隠れ次元、アテンションヘッド、またはフィードフォワード層の中間次元を縮小し、モデルをより狭くすることで、パラメータ数と推論コストを削減する。
寓話を読む →
概念の区別
思考の連鎖とドラフト領域
Chain-of-Thought vs Scratchpad
Chain-of-Thought は中間推論プロセスまたは推論の痕跡であり、Scratchpad はより広い一時作業領域で、推論、観察結果、ツール出力、計画、変数、中間データ、実行メモを含みうる。
寓話を読む →
コンテンツの来歴
C2PA
Coalition for Content Provenance and Authenticity
C2PA はデジタルコンテンツの出所と真正性の標準であり、画像、動画、音声などのコンテンツの生成・編集履歴を暗号化された証明情報で記録する。
寓話を読む →
Control pattern
ヒューマン・イン・ザ・ループ
Human-in-the-Loop
Human-in-the-loopとは、AIまたはAgentのプロセスにおける重要なポイントに人間のレビュー、判断、修正、承認、または引き継ぎを組み込むことです。
寓話を読む →
Conversation state object
会話スレッド
Thread
Thread は、マネージド Agent API において会話状態を保存するオブジェクトである。ユーザー、アシスタント、メッセージを同じ継続コンテキストに入れ、後続の run が既存の対話に基づいて実行を続けられるようにする。
寓話を読む →
Coordination pattern
引き継ぎ
Handoff
Handoff とは、タスクの所有権、コンテキスト、次のアクションを、ある Agent、ワークフロー、システム、または人から別の実行者へ移すプロセスである。企業 Agent では、マルチエージェント協働、人手へのエスカレーション、カスタマーサポートから専門家への転送、自動フローから人手承認への移行などの場面で交接がよく起こる。
寓話を読む →
コスト / コンテキスト
トークン予算
Token Budget
Token 予算は、任務、リクエスト、ユーザー、またはワークフローに割り当てられる token の上限である。プロンプト長、検索コンテキスト、ツール出力、モデル推論空間、回答長を制御する。
寓話を読む →
コスト最適化
予算認識ルーティング
予算を考慮したルーティング
予算認識ルーティングは、予算、タスクの価値、品質要件、遅延の間で選択する。すべてのリクエストを最も高いモデルに渡す必要も、ただ安さだけを追う必要もない。システムは場面に応じてモデル、ツール、検索の深さ、実行経路を選ぶ。
寓話を読む →
カスタマーサポート / コンタクトセンターAI
インテリジェントカスタマーサービス
AIカスタマーサービス、インテリジェントカスタマーサービス
スマートカスタマーサービスは自然言語理解、ナレッジベース検索、対話管理、チケットシステム連携により、よくある問い合わせを自動処理し、複雑な問題を引き継ぐ。
寓話を読む →
LLMアプリケーションのためのデータフレームワーク
LlamaIndex
LlamaIndex
LlamaIndex は LLM アプリケーション向けのデータ・検索フレームワークで、プライベート、構造化、半構造化、非構造化のデータソースを接続し、loaders、nodes、indexes、retrievers、query engines などの抽象を提供する。
寓話を読む →
Data ingestion
ドキュメント解析
Document Parsing
Document Parsing とは、PDF、Word、ウェブページ、表、スキャン文書などを索引可能なテキスト、構造化要素、メタデータに変換する過程である。通常、テキスト抽出、レイアウト認識、表と画像の処理、ページ番号と出所の保持、ノイズ除去などを含む。
寓話を読む →
Data ingestion
OCR
Optical Character Recognition
OCRは画像、スキャン文書、写真から文字を認識し、請求書、契約書、フォームなどの非構造化文書を自動処理の流れに乗せる。
寓話を読む →
Data ingestion integration
データコネクタ
Data Connector
Data Connector は外部ファイル、データベース、SaaS コンテンツ、Web ページ、または API を AI アプリケーションのインデックスと検索パイプラインに読み込む。
寓話を読む →
Data strategy / Competitive advantage
データフライホイール
Data Flywheel
Data Flywheel は、製品利用、業務フィードバック、結果データが継続的に還流し、それが逆にモデル、プロセス、ナレッジベース、評価、デリバリー品質を改善する仕組みである。
寓話を読む →
デコーディング
ビーム探索
Beam Search
Beam Searchは、生成時に複数の高確率候補シーケンスを同時に保持するデコーディング戦略です。貪欲デコーディングよりも単一ステップの最高確率に引きずられにくいですが、計算コストが増え、保守的すぎるパターン化されたテキストを生成する可能性もあります。
寓話を読む →
デコーディング
デコード
デコーディング
Decodingは、モデルが次のtokenに対して出すスコア分布を実際の出力テキストに変換するプロセスである。貪欲法、サンプリング、beam search、top-k、top-p、temperatureなどの戦略を含む。
寓話を読む →
デコーディング
貪欲法によるデコード
Greedy Decoding
Greedy Decoding は各ステップで最も確率の高い次の token を選ぶ。高速で決定性が高く、コストも低いため、固定フォーマット、低創造性、短い出力のタスクに適している。しかし早く収束しすぎて単調なテキストを生成しやすく、局所最適のために全体の回答が悪くなることもある。
寓話を読む →
デコーディング
Logits
Logits
Logits はモデルが softmax で確率に変換する前に出力する生のスコアである。デコードパラメータ、制約、禁止語、温度スケーリング、サンプリング戦略はすべて logits またはその変換後の分布に作用する。
寓話を読む →
デコーディング
サンプリング
Sampling
Sampling はモデルの確率分布に従って token をランダムに選ぶデコード方式である。多様性を高め、貪欲法の出力の機械的な感じを減らせるが、再現不能性や低確率の誤りももたらす。
寓話を読む →
デコーディング
温度
Temperature
Temperature は生成のランダム性を制御するパラメータである。低い温度は確率分布をより尖らせ、出力をより安定で保守的にする。高い温度は分布をより平らにし、多様性を増すが、誤りの確率も増す。
寓話を読む →
デコーディング
Top-k サンプリング
Top-k Sampling
Top-k Sampling は次の token 候補を確率の高い上位 k 個に制限し、そこからサンプリングする。長尾の低品質 token を削り、ランダムサンプリングの制御不能リスクを下げられる。
寓話を読む →
デコーディング
Top-p サンプリング
Top-p サンプリング、Nucleus サンプリング
Top-p SamplingはNucleus Samplingとも呼ばれ、累積確率がpに達する最小の候補集合を選び、その中でサンプリングする。top-kよりも異なる分布形状に適応しやすい：確定的なタスクでは候補が少なく、開放的なタスクでは候補が多い。
寓話を読む →
ディープラーニング
逆伝播
誤差逆伝播
Backpropagationは、ニューラルネットワークの学習において勾配を計算する中核アルゴリズムです。出力誤差をネットワークの層をさかのぼって伝播させ、各パラメータをどう調整すべきかを判断します。逆伝播がなければ、深層モデルが効率的に学習するのは困難です。
寓話を読む →
ディープラーニング
深層学習
ディープラーニング
Deep Learning は多層ニューラルネットワークを用いてデータから表現と関数マッピングを学習する方法です。モデルが生データや半構造化データから層ごとに特徴を抽出できるようにし、現代の音声、視覚、言語モデル、推薦、検索、Agent システムを支えます。
寓話を読む →
ディープラーニング
ニューラルネットワーク
Neural Network
Neural Networkは、多数の相互接続された人工ニューロンまたは計算ユニットで構成されるモデルであり、重み、活性化関数、階層構造を通じてデータから入力から出力へのマッピングを学習する。これは深層学習、言語モデル、視覚モデル、推薦システムの基盤である。
寓話を読む →
ディープラーニング
表現学習
表現学習
Representation Learning は、モデルがデータから有用な表現を学習するプロセスである。これらの表現は embedding、隠れ層の特徴、クロスモーダルベクトル、業務エンティティ表現などであり、分類、検索、推薦、クラスタリング、予測、Agent メモリを支える。
寓話を読む →
Deployment
カナリアリリース
Canary Release
カナリアリリースは、全面展開の前に少数のユーザー、テナント、地域、またはトラフィックに新バージョンを使わせ、実際の指標で拡大を続けるか判断する。核心は影響範囲を限定しつつ、本番環境の問題を早期に発見することである。
寓話を読む →
Deployment
カナリアリリース
段階的ロールアウト
段階的リリースは、ユーザー、テナント、地域、トラフィック比率、またはユースケースごとに変更範囲を徐々に拡大します。単一のカナリアリリースよりも完全で、段階計画、准入条件、観察ウィンドウ、一時停止条件、コミュニケーション、例外処理を含みます。
寓話を読む →
Deployment / Enterprise procurement
プライベートデプロイ
Private Deployment, On-premises Deployment
プライベートデプロイは AI システムを顧客の自有または専用環境で運用し、データセキュリティ、コンプライアンス、社内ネットワークアクセスの要件を満たすために用いる。
寓話を読む →
デプロイ / インフラストラクチャ
ローカル展開
Local Deployment, On-premises Deployment
ローカライズ導入は、ソフトウェア、モデル、システムを顧客の機房、プライベートクラウド、イントラネット、または統制された環境で稼働させる。
寓話を読む →
デプロイ / インフラストラクチャ
コンテナ
Container
コンテナはアプリケーションとその実行依存関係をポータブルで隔離された単位にパッケージ化し、デプロイ、スケーリング、環境の一貫性をより管理しやすくする。
寓話を読む →
デプロイ / インフラストラクチャ
Kubernetes
Kubernetes, K8s
Kubernetes（K8s）はコンテナオーケストレーションシステムであり、コンテナの実行配置、スケーリング、サービスディスカバリ、ローリングアップデート、ヘルスチェック、障害時の自己修復に用いられる。簡単に言えば、コンテナ化されたサービスの集合を期待通りに継続稼働させる役割を担う。
寓話を読む →
Deployment / release engineering
ブルーグリーンデプロイ
ブルーグリーンデプロイメント
ブルーグリーンデプロイメントは、本番環境に近い2つのシステムを保持する。一方が実際のトラフィックを受け持ち、もう一方には新バージョンを事前にデプロイする。新バージョンの検証が通れば、トラフィックを切り替える。問題が発生すれば、旧環境に切り戻してロールバックを完了する。
寓話を読む →
Deployment / release engineering
カナリアリリース
Canary Deployment
カナリアリリースはまず新バージョンを少量のトラフィックやユーザーに配信して検証し、安定を確認してから段階的に範囲を広げ、リリースリスクを低減する。
寓話を読む →
DevOps / インフラ
インフラストラクチャ・アズ・コード
Infrastructure as Code, IaC
Infrastructure as Code（IaC）は、サーバー、ネットワーク、権限、データベース、クラウドリソースを、コンソールで手作業で一つずつクリックするのではなく、宣言的な設定やスクリプトで管理する。
寓話を読む →
DevOps / 運用
GitOps
GitOps
Git リポジトリをシステムの望ましい状態の唯一の信頼できる情報源とし、インフラとアプリケーション構成を宣言的ファイルで記述し、自動化コントローラが実際の環境を Git に記述された状態へ継続的に同期する。
寓話を読む →
DevOps / リリースエンジニアリング
継続的インテグレーションと継続的デリバリー
CI/CD、継続的インテグレーション／継続的デリバリー
CI/CD はコードの統合、テスト、パッケージング、デプロイ、リリース、ロールバックを自動化パイプラインにし、ソフトウェア変更をより頻繁かつ信頼性高く提供できるようにする。リリース品質を場当たり的な人手チェックから、再現可能なプロセスへと変える。
寓話を読む →
Dialogue / workflow
スロットフィリング
スロットフィリング
スロット充填とは、対話やフォームのタスクにおいて、身元、時間、場所、製品、数量、連絡先などの重要フィールドを識別して補完することである。
寓話を読む →
Diffusion
ノイズ予測器/UNet
UNet / Noise Predictor
UNet / Noise Predictorは多くの拡散モデルにおけるノイズ除去ネットワークのバックボーンであり、現在のサンプル内のノイズまたはノイズ除去方向を予測する。UNetはエンコーダのダウンサンプリングでグローバルコンテキストを取得し、デコーダのアップサンプリングで詳細を復元し、skip connectionで局所情報を保持する。
寓話を読む →
Distributed inference
パイプライン並列
パイプライン並列
パイプライン並列はモデル層を複数のデバイスに分割し、マイクロバッチをパイプラインのように前進させてデバイスの遊休時間を減らす。
寓話を読む →
Distributed inference
テンソル並列
Tensor Parallelism
テンソル並列は、単一の重み行列またはテンソル演算を複数のGPUに分割する。各デバイスが同じ層の一部を計算し、通信を通じて結果を統合する。
寓話を読む →
分散トレーニング
データ並列
Data Parallelism
Data Parallelism は分散トレーニングでよく使われる手法だ。複数の GPU や複数台のマシンに同じモデルを複製し、各レプリカが異なるデータ batch を処理した後、勾配やパラメータ更新を同期する。トレーニングのスループットを高められ、大規模モデルの事前学習やファインチューニングにおける基本並列戦略の一つである。
寓話を読む →
分散トレーニング
FSDP
Fully Sharded Data Parallelism
Fully Sharded Data Parallelism, FSDP は分散学習戦略であり、モデルパラメータ、勾配、オプティマイザ状態を複数のデバイス間にシャーディングし、各データ並列レプリカがすべての状態を完全に保持するのではなくする。
寓話を読む →
分散トレーニング
ZeRO
Zero Redundancy Optimizer
Zero Redundancy Optimizer、ZeRO はデータ並列トレーニングにおけるメモリ冗長性を削減する最適化戦略です。オプティマイザの状態、勾配、モデルパラメータをシャーディングすることで、各 GPU がすべてのトレーニング状態を完全に保持することを避け、VRAM 使用量を大幅に削減します。
寓話を読む →
Document AI
レイアウト解析
Layout Analysis
Layout Analysis は文書ページの構造を識別するプロセスであり、見出し、段落、表、画像、リスト、ヘッダー・フッター、読み順を含む。通常は OCR またはテキスト抽出の後に行われ、文書解析、表抽出、RAG 分割の重要なステップである。
寓話を読む →
Document AI
表抽出
Table Extraction
Table Extraction は PDF、画像、スキャン、文書から表の構造とセル内容を認識するプロセスである。文字を抽出するだけでなく、表領域、行と列、見出し、結合セル、ページをまたぐ関係、座標の出所も復元する。
寓話を読む →
Documentation
データセット説明書
Datasheet for Datasets
データセット仕様書は、データセットの動機、構成、収集、前処理、用途、制限、リスク、保守方法を構造化して記録する。
寓話を読む →
Documentation
モデルカード
モデルカード
Model Card はモデルの用途、訓練データ、評価結果、制限、リスク、適用場面、倫理的考慮を記述する構造化文書です。企業がモデルを調達、展開、微調整する際、model card はプロダクト、エンジニアリング、法務、リスクチームがモデルの境界を理解するのを助け、監査、サプライヤー評価、リリース承認の証拠を提供します。
寓話を読む →
Documentation
システムカード
System Card
システムカードは、展開済み AI システムの能力、構成、リスク、緩和策、評価結果、適用境界、監督メカニズムを記述する。
寓話を読む →
埋め込みデータベース
Chroma
Chroma
Chromaはオープンソースの軽量埋め込みデータベースで、ローカル開発と迅速なプロトタイピングのために設計されている。数行のコードで埋め込みベクトル、ドキュメント、メタデータをローカルに保存し、類似度検索を提供する。
寓話を読む →
Embeddings
埋め込み
Embedding
埋め込み（Embedding）とは、テキスト、画像、音声、コード、ユーザー、商品その他のオブジェクトを一組の数値ベクトルに変換することである。このベクトルは人が読むラベルではなく、機械が計算するための意味座標である。
寓話を読む →
Embeddings
意味的類似度
Semantic Similarity
Semantic Similarity は二つのテキスト、質問、タスク、オブジェクトが意味的にどれだけ近いかを測るもので、通常は embedding ベクトルの距離や類似度計算で実現する。セマンティック検索、重複排除、クラスタリング、推薦、RAG 検索、チケットルーティングの基盤である。
寓話を読む →
Embeddings
ベクトルデータベース
ベクトルデータベース
ベクトルデータベース（Vector Database）は、embedding ベクトルを専門に保存し、類似度で近傍を検索するデータシステムである。セマンティック検索、推薦、重複排除、RAG によく使われる。
寓話を読む →
Embeddings
単語埋め込み
Word Embedding
Word Embedding は単語やトークンをベクトルで表現する技術で、モデルが空間的な位置によって単語間の統計的関係や意味的関係を捉えられるようにする。近い単語はベクトル空間で通常より近くに位置し、関係のパターンもモデルが利用できる。
寓話を読む →
エンジニアリング組織／インフラ
プラットフォームエンジニアリング
Platform Engineering
プラットフォームエンジニアリングは、内部開発者プラットフォーム、セルフサービス機能、標準テンプレート、共有インフラを通じて、エンジニアリングの納品効率とガバナンスの一貫性を高める。
寓話を読む →
Engineering organization / platform
開発者体験
Developer Experience, DevEx
Developer Experience、DevEx は、開発者が理解・開発・テスト・デプロイ・トラブルシューティングを行う際の効率性、円滑さ、認知負荷を測る。
寓話を読む →
Enterprise AI application / Retrieval
ナレッジベースQ&A
ナレッジベースQ&A、KBQA、RAG Q&A
ナレッジベースQ&Aは、企業ドキュメント、制度、製品資料、業務知識を検索・生成システムに接続し、根拠付きの自然言語回答を提供します。
寓話を読む →
Enterprise AI orchestration SDK
Semantic Kernel
Semantic Kernel
Semantic KernelはマイクロソフトのオープンソースAIオーケストレーションSDKで、企業アプリケーションに大規模言語モデル、プラグイン、プランナー、メモリ、ネイティブアプリケーションコードを統合することを目的としている。
寓話を読む →
Enterprise collaboration / Solution design
共創
Co-creation, Joint Solution Development
共創とは、サプライヤーと顧客が実際の業務課題を中心に、場面、データ、プロセス、受け入れ基準を共同で定義し、その後連携してソリューションを磨き上げることです。
寓話を読む →
エンタープライズ導入 / 定着
パイロット
Pilot, Pilot Program
パイロットは実際の業務環境で小規模にソリューションを運用し、採用意欲、プロセス適合性、運用コスト、安定性、複製条件を検証するために行う。
寓話を読む →
Evaluation
評価ベンチマーク
ベンチマーク
評価ベンチマークは、モデル、Agent、システムの能力を比較するための標準化されたタスク、データセット、指標、テストスイートの集合である。良い benchmark は単なるランキングの出題ではなく、実際の業務シナリオ、失敗の境界、受け入れ基準に対応していなければならない。
寓話を読む →
Evaluation
ベンチマーク汚染
Benchmark Contamination
ベンチマーク汚染とは、評価問題、回答、または高度に類似したサンプルが訓練データ、プロンプト例、パラメータ調整過程、またはモデル選択フローに入り込み、モデルが benchmark 上で見かけ上高く性能を発揮することを指す。企業 Agent にとって、汚染はリリース評価を歪める。システムは顧客問題を処理できるように見えても、実際にはテストサンプルを見ただけかもしれない。
寓話を読む →
Evaluation
データ漏洩
データ漏洩
データリークとは、訓練、パラメータ調整、モデル選択、または評価の過程で本来現れるべきでない情報が事前にシステムへ入り込み、性能推定を歪めることを指す。テスト問題の答えの漏洩だけでなく、目的ラベル、未来情報、人手注釈、顧客結果、類似サンプル、または本番フィードバックの不適切な還流も含む。
寓話を読む →
Evaluation
分布シフト
Distribution Shift
分布シフトとは、モデルの訓練、検証、または過去の評価が直面するデータ分布が、展開後の実際の入力分布と一致しないことを指す。これによりオフラインのスコアは良くても、オンラインの効果が悪くなる。企業Agentに一般的なシフトには、顧客層の変化、業界言語の変化、タスクタイプの変化、ツールの戻り値形式の変化、チャネルの変化、ポリシーの変化が含まれる。
寓話を読む →
Evaluation
困惑度
Perplexity
パープレキシティは言語モデルの評価指標であり、モデルがテキスト系列を予測する難易度を測る。パープレキシティが低いほど、通常そのテキスト分布に対するモデルの予測が良いことを示す。言語モデリングや同種コーパスへの適合度の評価に適するが、Agent のタスク完了率、事実正確性、安全性、ツール呼び出し能力を直接表すものではない。
寓話を読む →
Evaluation
ステップ成功率
ステップ成功率
ステップ成功率は、多段階タスクで各中間ステップが正しく実行された割合を測る。企業 Agent では、単純な最終成功率よりも品質問題を特定しやすい。計画が妥当か、検索が命中したか、ツールが正しく選ばれたか、パラメータが正しいか、権限が通ったか、異常が処理されたか。
寓話を読む →
Evaluation
ツール呼び出し精度
Tool Call Accuracy
ツール呼び出し正確率は、Agent が正しいツールを選び、正しいパラメータを埋め、コンプライアンスに沿って呼び出し、ツールの返却結果を合理的に使うかを測ります。
寓話を読む →
Evaluation
軌跡評価
Trajectory Evaluation
軌跡評価とは、Agent の実行過程における計画、推論ステップ、ツール呼び出し、観察結果、再試行、例外処理、最終出力を全体的に評価することである。多段階のタスクに適している。なぜなら、最終的な答えは、過程における権限逸脱、偶然の成功、誤ったツール呼び出し、再現不能な経路を覆い隠す可能性があるからだ。
寓話を読む →
評価インフラ
LLM 評価プラットフォーム
LLM Evaluation Platform
LLM 評価プラットフォームはデータセット、テストケース、スコアリング関数、人手アノテーション、モデル審判、回帰チェック、実験比較、リリースゲートを管理する。評価を散発的なスクリプトから継続的な品質システムへと変える。
寓話を読む →
FinOps / 運用
コスト帰属
Cost Attribution
コスト帰属は、モデル呼び出し、クラウドリソース、ツール、人手によるレビュー、運用コストを、顧客、機能、ワークフロー、またはタスク結果に配分する。
寓話を読む →
ファインチューニング
ファインチューニング
ファインチューニング
Fine-Tuningとは、事前学習済みモデルを基盤に、特定の領域・タスク・行動のデータで継続的に学習させ、対象シーンにより適合させることです。トーン、フォーマット、領域知識の活用、ツール呼び出しの習慣、タスク完了の安定性を改善できますが、データガバナンス、過学習、評価、ロールバック、コストといった課題も伴います。
寓話を読む →
ファインチューニング
指示微調整
Instruction Tuning
Instruction Tuning は大量の「指示-応答」サンプルでモデルを訓練し、モデルが人間のタスク要求をよりよく理解し指示に従って出力できるようにする。基礎モデルを単なるテキスト予測から、質問応答、要約、書き換え、分類、フォーマット出力、不適切な要求の拒否、ツール前段判断などの対話場面により適したものへと転換させる。
寓話を読む →
ファインチューニング
低ランク適応
Low-Rank Adaptation, LoRA
LoRA はパラメータ効率の良い微調整方法で、元のモデル重みを凍結したまま小さな低ランク行列を注入し、少ないパラメータで適応を完了する。
寓話を読む →
ファインチューニング
パラメータ効率的ファインチューニング
Parameter-Efficient Fine-Tuning, PEFT
パラメータ効率の良いファインチューニングは、少量の追加または選択したパラメータだけを訓練して基盤モデルに適応させる。一般的な手法には LoRA、Adapter、Prefix Tuning がある。
寓話を読む →
ファインチューニング
教師ありファインチューニング
Supervised Fine-Tuning、SFT
監督微調整は目標出力付きのラベル付きサンプルでモデルを訓練し、与えられた入力の下で期待される応答を生成することをモデルに学習させる。
寓話を読む →
Fine-tuning
全量ファインチューニング
フルファインチューニング
全量ファインチューニングはモデルの全部または大部分のパラメータを更新し、適応能力は高いが、訓練コスト、VRAM 需要、破滅的忘却のリスクがより高い。
寓話を読む →
Fine-tuning
指示データ
Instruction Data
Instruction Data は、モデルの指示追従能力を訓練または評価するために用いられるデータで、通常はユーザー指示、コンテキスト、期待される応答、拒否サンプル、フォーマット要件、時にはツール呼び出しの軌跡を含む。
寓話を読む →
Fine-tuning
層別学習率
Layer-wise Learning Rate
Layer-wise Learning Rate は微調整時に異なるモデル層に異なる学習率を設定するもので、一般的には下層を小さく、上層またはタスク関連層を大きくする。汎用的な表現を保ちながらモデルを新しいタスクに適応させ、壊滅的忘却と過学習のリスクを下げるのに役立つ。
寓話を読む →
Fine-tuning
棄却サンプリング
Rejection Sampling
Rejection SamplingはAIトレーニングにおいて、複数の候補出力を生成し、品質基準に基づいて合格サンプルのみを保持し、より高品質なファインチューニングまたは選好データを構築することを指すことが多い。データ品質を向上させるが、フィルター、報酬モデル、または人手アノテーションの信頼性に依存する。
寓話を読む →
Foundations
人工知能
人工知能、AI
Artificial Intelligence は、知覚、言語、推論、計画、意思決定などの知的タスクを実行するシステムを構築する広範な領域である。企業の文脈では、AI は単一のモデルとして理解されるべきではなく、能力、データ、プロセス、統制、商業的デリバリーの組み合わせとして理解されるべきである。
寓話を読む →
Foundations
モデル
Model
モデルとは、データや経験から学んだ簡略化されたシステムであり、入力から出力への写像に使われる。たとえば予測、分類、生成、意思決定など。
寓話を読む →
Generative AI
拡散モデル
Diffusion Model
Diffusion Model は生成モデルの一種で、訓練時は実データに段階的にノイズを加え、逆にノイズ除去する過程を学習する。生成時はランダムノイズから始め、多段階のノイズ除去を経て画像、音声、動画、その他のサンプルを得る。強みは高品質な生成と制御可能な編集で、代償は推論ステップが多く計算が重いことである。
寓話を読む →
Generative modeling
拡散トランスフォーマー
Diffusion Transformer、DiT
DiTはTransformerを拡散モデルの生成バックボーンとして使い、通常は画像や潜在空間をトークンに分割してからノイズ除去モデリングを行う。
寓話を読む →
Generative modeling
潜在的拡散モデル
Latent Diffusion Model, LDM
Latent Diffusion Model、LDMは圧縮された潜在空間で拡散デノイズを実行し、元のピクセル空間で直接生成するのではない。通常、まずオートエンコーダで画像を低次元のlatentにエンコードし、次にlatent上で拡散し、最後に画像へデコードする。
寓話を読む →
Go-to-market / Implementation
シナリオ別の実装
Scenario-based Implementation, Use-case Implementation
シナリオ化の実装は、具体的な業務役割、入出力、システム統合、受け入れ指標から出発し、AI 能力を納品可能なプロセスに変える。
寓話を読む →
Governance
AI 影響評価
AI Impact Assessment, AIIA
AI 影響評価とは、システムの導入前および運用中に、個人・業務・法務・プライバシー・セキュリティ・公平性への影響を評価することです。
寓話を読む →
Governance
AI 利用シーン一覧
AIユースケース棚卸し
AI Use Case Inventoryとは、組織が維持管理するAI活用シーンの一覧であり、ユースケース名、業務目的、システム／モデル、データ入力、ベンダー、責任者、リスク分類、稼働状態、レビュー記録、廃止計画を記録する。
寓話を読む →
Governance
データリネージ
データリネージ
Data Lineage は、データがソース、加工、変換、統合から最終使用位置までの全過程の関係を追跡することである。
寓話を読む →
Governance
ガバナンス、リスク、コンプライアンス
ガバナンス、リスク、コンプライアンス、GRC
GRC はガバナンス、リスク、コントロール、ポリシー、監査、コンプライアンス義務を統合管理し、企業が Agent を導入する際の基礎的なコントロールフレームワークである。
寓話を読む →
Governance
ポリシーエンジン
Policy Engine
Policy Engine は、実行時にルールを評価し、あるアクションを許可、拒否、制限、またはエスカレーションするかを決定するコンポーネントである。通常は主体、リソース、アクション、コンテキスト、リスクレベル、承認状態を組み合わせて判断する。
寓話を読む →
Governance
出所証明
Provenance
Provenance とは、データ、コンテンツ、または出力の出所、作成者、許諾、変換履歴に関する証拠である。企業の Agent は文書を読み、知識ベースを検索し、外部 API を呼び出し、顧客データを引用し、新しいコンテンツを生成するため、素材がどこから来たのか、信頼できるのか、使用権があるのか、どのような処理を経たのかを知らなければならない。
寓話を読む →
Governance
シャドー AI
Shadow AI
Shadow AI とは、従業員やチームが正式な承認、セキュリティ審査、調達の可視性、ガバナンス管理なしに AI ツール、モデル、エージェントを使用することである。データ漏洩、ベンダーリスク、コンプライアンス違反、監査不能な意思決定、重複調達を招きうる。
寓話を読む →
Governance
トレーサビリティ
Traceability
Traceability とは、システムがなぜある出力を生み、あるいはある動作を取ったのかを再構築する能力である。企業 Agent では、ユーザー要求、コンテキスト、検索ソース、モデル選択、プロンプト版、ツール呼び出し、権限判断、人手承認、外部書き込み、最終結果を関連付けることが求められる。
寓話を読む →
Governance
透明性
Transparency
透明性は、AIシステムの用途、能力、制限、データ使用、意思決定における役割、責任主体、ユーザーの選択を明確に開示することを求める。
寓話を読む →
Governance
信頼できる AI
Trustworthy AI
信頼できる AI とは、システムが特定の用途においてコンプライアンス、倫理、公平性、プライバシー、セキュリティ、ロバスト性、透明性、監督、説明責任の要件を満たすことを指す。
寓話を読む →
Governance and control
エージェント戦略
Agent Policy
Agent Policy は、Agent がデータ、ツール、ユーザー、外部アクション、予算、コミュニケーション、エスカレーションに関して許可、禁止、または必須とするルールを定義する。それは自然言語の原則だけでなく、ランタイム、ポリシーエンジン、監査メカニズムが利用できるものでなければならない。
寓話を読む →
ガバナンス／コンプライアンス
AI開示
AI 開示
AI開示とは、適切な場面でユーザー、従業員、または影響を受ける関係者に、AIがコンテンツ生成、対話、提案、または意思決定に関与したことを伝えることである。
寓話を読む →
ガバナンス／コンプライアンス
全員を制御する
Control Owner
Control Owner とは、ある統制の設計、運用、証拠、テスト、改善に責任を負う人または機能である。企業 Agent ガバナンスでは、統制には権限承認、機密データフィルタリング、人手によるレビュー、ログ保存、モデル変更承認、サプライヤー審査、異常エスカレーションが含まれ得る。
寓話を読む →
Governance/Operations
人的監督
Human Oversight
Human Oversightとは、人手によるレビュー、承認、監視、介入、上書き、一時停止、エスカレーションの仕組みを通じて、AIシステムが不適切な結果を生むのを防ぐか緩和することである。効果的な監督とは、すべての動作を手作業で承認することではなく、リスク、影響、信頼度、異常シグナルに応じて、人を重要な意思決定点に置き、十分な情報と権限を与えることだ。
寓話を読む →
ガバナンス／リスク
バイアス
Bias
Bias はデータ、モデル、設計、目的関数、またはデプロイプロセスにおける系統的な偏りであり、不正確、不公平、または有害な結果を招く可能性があります。企業 Agent のバイアスは、履歴データ、ラベル偏り、サンプリング不足、フィードバックループ、代理変数、または業務ルールから生じることがあります。
寓話を読む →
ガバナンス／リスク
解釈可能性
説明可能性
Explainability とは、AI システムが利用場面に適した方法で、出力や意思決定の重要な理由、証拠、要因、制約を説明できることである。企業 Agent にとって、説明可能性は業務担当者が提案を採用すべきか判断する助けとなり、ユーザーの異議申し立てを支え、監査やリスクチームが問題を追跡する助けとなる。
寓話を読む →
ガバナンス／リスク
公平性
公平性
Fairness とは AI システムが保護対象または業務関連の集団に対して正当な理由のない不利益な扱いや結果を避けることを指す。関連集団の定義、差異影響の測定、原因分析、公平性指標と緩和策の設定が必要である。
寓話を読む →
ガバナンス／リスク
三道防線
Three Lines of Defense
Three Lines of Defense は、責任を三つに分けるガバナンスモデルです。第一の防衛線は業務チームがリスクを所有し管理します。第二の防衛線はリスク、コンプライアンス、セキュリティなどの職能がフレームワークを策定し、監督と挑戦を行います。第三の防衛線は内部監査などの独立した職能が保証を提供します。
寓話を読む →
Governance/Safety
コンテンツフィルタリング
Content Filtering
Content Filtering は、ユーザー入力、モデル出力、インタラクションのコンテキストを検出・分類・処理し、違法、有害、詐欺、ヘイト、暴力、自傷、プライバシー漏洩、ポリシー違反のコンテンツを遮断する。
寓話を読む →
Governance/Security
ポリシー・アズ・コード
Policy as Code
ポリシー・アズ・コードは、機械が実行可能なコードでセキュリティ、コンプライアンス、ビジネスガバナンスのルールを表現し、バージョン管理、テスト、監査を通じてルールを管理する。
寓話を読む →
IT運用／自動化
AI運用
AIOps
AIOps はより正確にはインテリジェント運用だ。機械学習と自動化でログ、メトリクス、トレース、アラート、インシデント記録を分析し、チームが異常の発見、ノイズの圧縮、根本原因の特定、対応の推進を助ける。ここでは AI システムの保守を広く指すのではなく、AI 手法で運用の判断と処理効率を高めることを指す。
寓話を読む →
Implementation / Project governance
納品検収
納品検収、受入テスト、プロジェクト検収
納品検収とは、顧客またはプロジェクト側が事前に合意した基準に基づき、納品物が契約、機能、性能、セキュリティ、業務効果、運用要件を満たしているかを確認するプロセスである。
寓話を読む →
推論
自己回帰デコード
自己回帰デコーディング／デコード段階
自己回帰デコード、すなわち Decode Phase は、大規模モデルが入力を処理し終えた後、トークンを一つずつ生成する段階である。新しいトークンを生成するたびに、それ以前に生成された内容に依存するため、本質的に順序依存があり、入力をバッチで読むようには完全には並列化できない。
寓話を読む →
推論
ベスト・オブ・Nサンプリング
Best-of-N Sampling
Best-of-Nサンプリングは「複数候補から最良を選ぶ」とも理解できる。システムは一度にN個の候補回答を生成し、スコアラー、ルール、検証器、または人手の基準で最良の一つを選ぶ。モデルに一度だけ生成させるのではなく、リクエスト時に計算を多く費やしてより高い品質を得る。
寓話を読む →
推論
コンテキスト剪定
コンテキスト・プルーニング / プロンプト圧縮
コンテキストプルーニングは低関連コンテンツを削除または圧縮し、プロンプト長を短縮し、KV キャッシュの占有を減らし、プリフィル遅延を低減する。
寓話を読む →
推論
動的バッチ処理
Dynamic Batching / In-flight Batching
動的バッチ処理は、既存のバッチが実行中に新規リクエストを加え、バッチ全体の終了を待たないことで、推論サービスのスループットと GPU 利用率を高める。
寓話を読む →
推論
早期退出
Early Exiting
早期終了は、アーリーイグジット推論とも呼ばれ、モデルが十分に高い信頼度を得たときに中間層で止まり、毎回モデル全体を走らせなくて済むようにするものである。簡単なサンプルは計算を節約し、難しいサンプルは完全な経路を通る。
寓話を読む →
推論
Flash Attention
FlashAttention
FlashAttention は IO 最適化指向のアテンションアルゴリズムで、タイル化と演算子融合によりメモリの読み書きを減らし、長い系列のアテンションのオーバーヘッドを下げる。
寓話を読む →
推論
推論
推論
ここでの inference はモデル推論またはモデル実行を指す。訓練済みモデルを新しい入力に用いて出力を生成することだ。人間の意味での論理的推論ではなく、モデルが現在のリクエストに対して計算を実行することである。
寓話を読む →
推論
キャッシュオフロード
KV Cache Offloading
KV キャッシュのオフロードとは、あまり活発でない KV キャッシュブロックを GPU メモリから CPU メモリや SSD へ移すことである。これによりシステムは、GPU メモリに完全に制約されることなく、より長いコンテキストやより多くの同時リクエストを支えられる。
寓話を読む →
推論
KVキャッシュの量子化
KV Cache Quantization
KV キャッシュ量子化は、推論中のキー・バリューキャッシュをより低い精度で保存し、限られた VRAM でより長いコンテキストやより高い並行性を可能にする。
寓話を読む →
推論
演算子融合
Kernel Fusion
オペレータ融合は複数の GPU 操作を一つのカーネルに統合し、メモリの往復と起動オーバーヘッドを減らします。高性能推論ランタイムでよく見られる最適化です。
寓話を読む →
推論
レイテンシ
レイテンシ
レイテンシとは、モデルまたは Agent システムがリクエストを受け取ってから応答を返すまで、またはトークンを生成するまでにかかる時間である。キューイング、ルーティング、検索、ツール呼び出し、プリフィル、初回トークン、デコード、後処理を含む場合がある。
寓話を読む →
推論
振り返りデコード
Lookahead Decoding
前瞻デコードは自己回帰生成を加速する手法の一種で、候補のn-gram系列を並列に構築し、主モデルが候補を並列に検証する。投機的デコードと関連するが、独立したドラフトモデルには依存しない。
寓話を読む →
推論
Medusa
Medusa
Medusa は投機的デコーディングの一種で、基礎モデルに複数のデコードヘッドを追加し、これらのヘッドが未来の token を並行予測し、基礎モデルがどれを受け入れ可能か検証する。
寓話を読む →
推論
モデルサービス
モデルサービング
モデルサービングは、モデルを本番環境に置き、API を通じて推論リクエストを安定的に処理する実行層である。単に「モデルが動く」だけでなく、エンドポイント、バッチ処理、スケジューリング、自動スケーリング、GPU 割り当て、キャッシュ、ストリーミング出力、認証、監視、レート制限、フォールバック、SLA 管理を含む。
寓話を読む →
推論
ページ分割アテンション
Paged Attention
ページ化アテンションは KV キャッシュを固定サイズで連続しないページやブロックに保存し、各シーケンスが大きな連続 VRAM を占めることを要求しない。これにより VRAM の断片化を減らし、GPU メモリ利用率を高められる。
寓話を読む →
推論
プリフィル
プリフィル段階
プリフィル段階は推論が始まったばかりのとき、モデルがまずすべての入力トークンを並行処理し、KV キャッシュを構築する段階である。これはトークンごとのデコードの前に行われ、通常、最初のトークン時間に大きく影響する。
寓話を読む →
推論
プレフィックスキャッシュ
Prefix Caching
プレフィックスキャッシュは、同じプロンプトプレフィックスで既に計算済みのKVキャッシュを再利用します。たとえばシステムプロンプト、共有ポリシーテキスト、製品ドキュメント、長い参考コンテキストなどです。キャッシュするのは共通コンテキストの計算結果であり、最終回答を直接キャッシュするものではありません。
寓話を読む →
推論
量子化
量子化
量子化は低精度の数値でモデルの重みや活性化を表現し、VRAM、ストレージ、計算コストを削減するが、精度損失を制御する必要がある。
寓話を読む →
推論
投機的デコーディング
Speculative Decoding
推測デコーディングはまず小モデルで候補 token を生成し、次に大モデルで並列検証する。品質をほとんど落とさずに生成を加速できる。
寓話を読む →
推論
推測編集
Speculative Editing
推測編集とは、推測デコーディングの考え方を編集タスクに用いることだ。より速いアシスタントがまず局所的な修正や継続を提案し、より強いモデルが検証、受け入れ、または修正する。
寓話を読む →
推論
推測プレフィックスツリー
Speculative Prefix Tree
推測プレフィックスツリーは、複数の候補生成パスを木構造に組織し、並列に探索・検証して、推測デコードの受容率を高める。
寓話を読む →
推論
投機的サンプリング
Speculative Sampling
投機的サンプリングは、投機的デコーディングの一表現とも見なされ、まずドラフト過程が候補 token をサンプリングし、次にターゲットモデルが受け入れるか拒否する。最終出力は依然としてターゲットモデル本来の分布を保つべきである。
寓話を読む →
推論
テスト時計算
Test-Time Compute / Inference-Time Scaling
テスト時計算、より率直に言えば推論時スケーリング計算とは、モデルの実行時に追加の計算を費やして出力品質を高めることである。ここでの「テスト時」はソフトウェアテストの段階ではなく、モデルが新しい入力に対して答えを生成する段階を指す。
寓話を読む →
推論
スループット
Throughput
スループットはモデルサービスが単位時間あたりに処理するリクエストまたはトークン数を測る指標であり、推論システムの容量とコスト効率を評価する中核的な指標である。
寓話を読む →
推論
木探索
Tree Search
それは一つの意思決定問題を木構造に展開する。現在の状態が根ノードで、各行動が子ノードを生み、さらに未来の可能な状態を展開し続け、最後に評価を通じてより良い経路を選ぶ。
寓話を読む →
推論最適化
連続バッチ処理
Continuous Batching
連続バッチ処理は、モデルの実行中に複数リクエストの token を動的にまとめてスケジュールする。一部のシーケンスが終了すると、新規リクエストはバッチ全体の終了を待たずに、まだ実行中の batch に入ることができる。
寓話を読む →
推論最適化
プロンプトキャッシュ
Prompt Caching
プロンプトキャッシュは、処理済みのシステムプロンプト、文書プレフィックス、共有コンテキストを再利用し、重複するプリフィル計算を減らすことで、遅延とコストを下げる。
寓話を読む →
インフラストラクチャ
ランタイム
ランタイム
ランタイムはAgentを実行する環境であり、ツール呼び出し、権限、メモリ、状態、ライフサイクル制御を担い、システムが何をでき、どう収束するかを決める。
寓話を読む →
Knowledge access
検索拡張生成
Retrieval-Augmented Generation (RAG)
検索拡張生成（Retrieval-Augmented Generation, RAG）は、回答を生成する前に、外部の知識ベース、文書ライブラリ、データベース、検索システムから関連資料を検索し、それらの資料をコンテキストとしてモデルに渡して回答を生成させる手法である。
寓話を読む →
Knowledge representation
ナレッジグラフ
ナレッジグラフ
知識グラフはエンティティ、関係、属性で知識を構造化して表現し、エンティティ検索、関係分析、コンプライアンス溯源、推薦に適しています。
寓話を読む →
Knowledge representation
本体
Ontology
Ontology とは、ある領域における概念、カテゴリ、属性、関係、制約の構造化された定義である。システムが「何が何であり、互いにどう関連し、どの推論が許されるか」を統一するのを助ける。企業 Agent とナレッジグラフでは、オントロジーは命名の混乱を減らし、関係推論、権限境界、データ統合、説明可能な検索を支える。
寓話を読む →
Knowledge representation
トリプル
Triple
トリプルは通常「主語-述語-目的語」の構造で一つの事実や関係を表す。例えば「趙店主-経営-林記茶荘」。
寓話を読む →
Knowledge-augmented generation
グラフ拡張検索生成
Graph RAG
グラフ拡張検索生成（Graph RAG）は、知識グラフ、エンティティ関係、グラフ走査、またはコミュニティ要約をRAGに導入する。従来のチャンクレベルのベクトル検索は類似テキストの検索が得意だが、マルチホップ関係、エンティティの関連、サプライチェーン／組織／契約の連鎖といった問題では構造を見落としやすい。
寓話を読む →
LLM
コンテキストウィンドウ
Context Window
Context Window は、モデルが1回のリクエストで処理できる入力と出力の総量で、通常は token で測られます。prompt、検索資料、履歴メッセージ、ツール結果、生成回答が共同で占められる空間を決めます。
寓話を読む →
LLM
言語モデル
Language Model
言語モデルは文脈に基づいて言語系列をモデル化し、一般的な能力には次の token の予測、テキスト生成、意図理解、書き換え、要約、質問応答が含まれる。
寓話を読む →
LLM
大規模言語モデル
Large Language Model, LLM
大規模言語モデルとは、大規模なコーパスとパラメータ規模で訓練された言語モデルであり、生成、理解、推論表現、コード、汎化の能力を備える。
寓話を読む →
LLM APIゲートウェイとSDK
LiteLLM
LiteLLM
LiteLLMは、複数のモデルプロバイダーにまたがるOpenAIスタイルの統一インターフェース、SDK、プロキシレイヤーを提供する。開発者は、プロバイダーごとにまったく異なる呼び出しロジックを書くことなく、より一貫した方法で異なるモデルに接続できる。
寓話を読む →
LLM Agents
インテリジェントエージェント
Agent
エージェントとは、与えられた目標のもとでコンテキストを認識し、ステップを計画し、ツールを呼び出し、アクションを実行し、結果に応じて推進し続けるAIの作業単位です。
寓話を読む →
LLM Agents
メモリ
Memory
Memory は AI システムが情報を保存し再利用する能力であり、Agent がステップをまたぎ、セッションをまたぎ、またはユーザーとのやり取りをまたいで連続性を保つことを可能にする。企業 Agent の記憶には通常、作業記憶、長期記憶、エピソード記憶、意味記憶が含まれる。
寓話を読む →
LLM Agents
計画
プランニング
プランニングとは、AIシステムが目標をステップに分解し、行動を選択し、条件の変化に応じてルートを調整するプロセスである。単発の推論よりも実際のデリバリーに近く、目標、制約、リソース、依存関係、リスク、承認、失敗分岐を扱う必要がある。
寓話を読む →
LLM Agents
ツール呼び出し
ツール使用、関数呼び出し
ツール呼び出しは、モデルが外部 API や関数を呼び出して情報を検索し、計算結果を出し、または動作を実行することを可能にする。Agent が対話から実務へ進むための鍵となる能力である。
寓話を読む →
LLM アプリケーション
検索拡張生成
Retrieval-Augmented Generation, RAG
RAG はまず外部知識を検索し、関連内容をコンテキストとしてモデルに渡して回答を生成し、幻覚を減らして私有知識をつなぎ込む。
寓話を読む →
LLM Behavior
幻覚
ハルシネーション
ハルシネーション Hallucination は、モデルがもっともらしく聞こえるが実際には誤りで、証拠に支持されず、またはでっち上げた情報を生成することです。モデルが欠落した事実を補完しようとするとき、過度に自信を持って回答するとき、類似情報を混同するとき、信頼できるコンテキストを欠くときによく起こります。
寓話を読む →
LLM インタラクション
少数ショット・プロンプティング
Few-Shot Prompting
Few-Shot Promptingは、promptに少数の入力-出力例を提供し、モデルが例からタスク形式、判断尺度、出力スタイルを学ぶようにする。モデルの重みを変えず、現在のコンテキストでモデルの挙動を導く。
寓話を読む →
LLM インタラクション
文脈内学習
In-Context Learning
In-Context Learning は、モデルが prompt 中の指示、例、コンテキストに基づいて一時的に行動を調整する能力であり、モデルの重みは更新しない。Few-shot、フォーマット例、反例、タスク説明はいずれもこの能力を利用している。
寓話を読む →
LLM インタラクション
プロンプト
Prompt
Prompt は言語モデルへの入力指示または文脈であり、タスク、質問、背景、例、制約、期待される出力を含められる。これはユーザーやアプリケーションが意図をモデルに伝える主要なインターフェースである。
寓話を読む →
LLM インタラクション
プロンプトエンジニアリング
プロンプトエンジニアリング
Prompt Engineering とは、プロンプトを設計してモデルの挙動を導き、タスクの成績を高める実践であり、モデルの重みは変えない。目標の明確化、文脈の提供、制約の設定、例示、出力形式の指定、反復評価を含む。
寓話を読む →
LLM インタラクション
システムプロンプト
System Prompt, System Message
System Prompt または System Message は、モデルの動作に対して高い優先度を持つ指示であり、役割、タスク境界、ポリシー制約、安全規則、対話方式を定義するために用いられる。それは指示階層の上位に位置し、通常はユーザーメッセージより高くなければならない。
寓話を読む →
LLM インタラクション
ゼロショットプロンプト
Zero-Shot Prompting
Zero-Shot Prompting は例を与えず、タスク指示だけでモデルに作業をさせるプロンプト方式である。モデルがすでに汎用能力を持ち、タスク基準が明確で、リスクが低いか、コンテキストを例に割く価値がない場面に適している。
寓話を読む →
LLM Reasoning
思考の連鎖
Chain-of-Thought, CoT
Chain-of-Thought, CoT は、モデルに中間推論ステップを使って複雑なタスクを解かせるプロンプトまたは訓練パターンである。数学、論理、計画などの多段階タスクの性能を高められる。適用時には中間ステップの真実性と正確性を検証し、ユーザーのニーズに応じて表示方法を選ぶ必要がある。
寓話を読む →
LLM application framework
LangChain
LangChain
LangChainはLLMアプリを構築するフレームワークで、組み合わせ可能なコンポーネントでプロンプト、モデル、検索器、ツール、チェーン、Agentワークフローを接続します。
寓話を読む →
LLM評価・可観測性ライブラリ
TruLens
TruLens
TruLens は LLM アプリの評価と可観測性のためのライブラリで、RAG や Agent にフィードバック関数を追加し、関連性、信頼性、根拠性を測定できる。
寓話を読む →
LLM 推論
デコード段階
Decode Phase
デコード段階はプリフィル後の自己回帰生成段階である：モデルは一度に一つのトークンを生成し、各ステップで KV キャッシュを読み、次のトークンを計算し、新しいキャッシュを追加し、場合によってはトークンストリームをユーザーにストリーミング返却する。
寓話を読む →
LLM 推論
プリフィル
Prefill
Prefill は LLM 推論において入力 prompt/context を処理し、初期 KV cache を構築する段階である。これはモデルが最初の token を生成する前に起こり、計算量は通常、入力長に応じて増加する。
寓話を読む →
LLM inference optimization
ページ分割アテンション
PagedAttention
PagedAttentionはページング方式でKVキャッシュブロックを管理し、メモリ断片化を減らして高並行シナリオでのLLMサービスのスループットを向上させる。
寓話を読む →
LLM inference server
テキスト生成推論
Text Generation Inference, TGI
TGI は Hugging Face のテキスト生成推論サーバーで、LLM のデプロイ、バッチ処理、ストリーミング出力、本番サービスインターフェースをサポートする。
寓話を読む →
LLM infrastructure optimization
キャッシュ
Caching
既存の応答、embedding、検索結果、ツール結果、プロンプト接頭辞をキャッシュして再利用し、遅延、コスト、重複呼び出しを削減する。
寓話を読む →
LLM observability and evaluation platform
LangSmith
LangSmith
LangSmith は LangChain エコシステムにおける LLM アプリの可観測性、デバッグ、評価、監視、テストのプラットフォームである。チームが traces を記録し、datasets を管理し、evals を実行し、実験を比較し、prompts をデバッグし、Agent ワークフローを観察するのを助ける。
寓話を読む →
LLMオブザーバビリティとゲートウェイツール
Helicone
Helicone
Helicone は LLM API 向けの可観測性プラットフォームで、しばしばプロキシとしてログ、レイテンシ、コスト、キャッシュヒット、ユーザーフィードバックを記録する。
寓話を読む →
LLM operations
コスト追跡
Cost Tracking
コスト追跡は token usage、provider charges、キャッシュ節約、リトライコスト、ツール呼び出しコスト、およびユーザー、顧客、チーム、ワークフロー別に配分された支出を測定する。
寓話を読む →
LLM オーケストレーション抽象化
LangChain 式言語
LangChain Expression Language, LCEL
LCEL は LangChain の宣言的な合成レイヤーで、プロンプト、モデル、パーサー、検索器、関数を実行可能なパイプラインにつなぐ。
寓話を読む →
LLM プログラムインターフェース
署名
署名
ここでの Signature は DSPy におけるタスク署名を指し、暗号署名ではない。これは LLM タスクの入力フィールド、出力フィールド、意味説明を宣言するために使われる。
寓話を読む →
LLM プログラミングと最適化フレームワーク
DSPy
DSPy
DSPyはLLMシステムをプログラミングし最適化するためのフレームワークである。
寓話を読む →
LLM runtime / optimization
KVキャッシュ
KV Cache, Key-Value Cache
KV キャッシュは Transformer が計算済みの key と value を保存し、自己回帰生成で履歴トークンを何度も再計算しなくて済むようにする。
寓話を読む →
LLMランタイム／ユーザー体験
初回トークン時間
Time to First Token, TTFT
初回トークン時間（TTFT）は、ストリーミング LLM 応答において、リクエスト送信から最初の実際に生成されたトークンを受信するまでの時間を測定する。これはシステムがどれだけ速く応答を開始するように見えるかを決める。
寓話を読む →
LLMOps / アプリケーションプラットフォーム
プロンプト管理
プロンプト管理
プロンプト管理とは、プロンプトテンプレート、変数、バージョン、実験、承認、効果追跡を体系的に管理する実践である。LLMアプリケーションでは、promptがタスク境界、トーン、ツール呼び出し、出力形式、安全制約を決める。
寓話を読む →
LLMOps／品質
評価
評価、Evals
評価とは、人手・ルール・モデル審判によってAIシステムのタスク品質、安全性、安定性、コスト面の性能を測ることです。企業Agentのevalsは、実タスク、境界シナリオ、回帰サンプル、安全上のレッドライン、遅延、費用をカバーし、リリースプロセスと結びつけるべきです。
寓話を読む →
LLMOps／品質
ゴールデンデータセット
Golden Dataset, Golden Set
ゴールデンデータセットとは、人手で確認された再利用可能な高品質サンプルの集合であり、回帰評価やモデル・プロンプトの比較に用いられる。LLMアプリケーションでは通常、実際のタスク入力、期待される出力、評価基準、境界シナリオ、安全上の禁止事項を含む。
寓話を読む →
Local model packaging
モデルファイル設定
Modelfile
ModelfileはOllamaなどのローカルモデルツールの設定ファイルで、ベースモデル、パラメータ、システムプロンプト、カスタムビルド方法を定義するために使われる。
寓話を読む →
Local model runtime
Ollama
Ollama
Ollama はローカルモデルの実行・管理ツールで、LLM を取得、パッケージ化、実行、サービス提供でき、個人マシンやプライベート環境へのデプロイに適している。
寓話を読む →
MLOps / data platform
特徴ストア
Feature Store
特徴ストアは、機械学習の特徴を集中的に生成、保存、再利用、提供するデータプラットフォームの構成要素である。訓練時に使う特徴とオンライン推論時に使う特徴を統一的に管理し、training-serving skew を減らし、特徴にバージョン、リネージ、品質チェック、再利用の境界を持たせる。
寓話を読む →
MLOps / ガバナンス
モデルバージョン管理
モデルバージョニング
モデルバージョン管理は、異なるモデル・データ・パラメータ・コードの組み合わせを追跡し、デプロイ・ロールバック・監査を再現可能にするために用いる。単にモデルにバージョン番号を付けるだけでなく、訓練データ、特徴量、ハイパーパラメータ、評価結果、承認状態、デプロイ環境、利用範囲も記録する必要がある。
寓話を読む →
MLOps / monitoring
モデルドリフト
Model Drift
モデルドリフトとは、本番環境における入力分布、目的関係、または業務コンテキストの変化によって、モデルや Agent の効果が低下する現象である。ユーザーの変化、業務プロセスの変化、データ収集方法の変化、外部市場の変化、あるいはツール、政策、上流システムの調整に由来することもある。
寓話を読む →
MLOps / platform
モデルレジストリ
Model Registry
モデルレジストリは、モデルのバージョン、メタデータ、承認状態、デプロイの流れを集中管理するシステムである。通常、モデル artifact、バージョン、訓練元、評価結果、担当者、リスク等級、段階状態、デプロイ先を記録する。
寓話を読む →
Machine Learning
汎化
Generalization
汎化とは、モデルが訓練データの外にある未見のサンプルでも良好な性能を維持できることであり、見たデータだけで高スコアを取ることではない。
寓話を読む →
Machine Learning
勾配降下法
勾配降下法
Gradient Descent は勾配情報を用いてモデルパラメータを段階的に更新し、損失関数を下げる最適化手法である。学習率、バッチサイズ、最適化器は、それが安定して下降するか、振動するか、悪い領域にはまるかに影響する。
寓話を読む →
Machine Learning
ハイパーパラメータ
Hyperparameters
ハイパーパラメータとは、学習前または学習中に人が設定する構成値であり、例えば学習率、学習エポック数、batch size、モデル層数、コンテキスト長、正則化の強さなどである。モデルがデータから自ら学ぶものではないが、学習コスト、安定性、最終的な効果に深く影響する。
寓話を読む →
Machine Learning
損失関数
損失関数
損失関数は、モデルの出力と目標答案の差を測る数学的な目標である。訓練時、モデルは損失を下げる方向に沿ってパラメータを調整する。つまり損失関数はモデルに「何が間違いで、どれだけ間違っているか」を伝えるものである。
寓話を読む →
Machine Learning
機械学習
Machine Learning、ML
これによりコンピュータは、人手で書いたルールだけで動くのではなく、データサンプルから規則性を学習し、学んだパターンで新しい入力に対して予測、分類、生成、意思決定を行う。
寓話を読む →
Machine Learning
過学習
過学習
モデルは訓練データではよく機能するが、ノイズ、偶然のパターン、細かすぎる詳細を学習してしまい、新しいデータで性能が悪化する。
寓話を読む →
Machine Learning
パラメータ
Parameters
パラメータはモデル内部で学習可能な数値であり、例えばニューラルネットワークの重みやバイアスである。学習過程はこれらの数値を絶えず調整し、モデルが入力から目標により合致する出力を生み出すようにする。
寓話を読む →
Machine Learning
強化学習
Reinforcement Learning, RL
エージェントは環境の中で状態を観察し、行動を選択し、報酬や罰を受け取り、何度も試行錯誤を繰り返すことで長期的な収益を最大化する戦略を学習する。
寓話を読む →
Machine Learning
教師あり学習
Supervised Learning
モデルはラベル付きデータで訓練される：各サンプルには入力と対応する正解があり、モデルは入力からラベルを予測することを学ぶ。
寓話を読む →
Machine Learning
テストセット
テストセット
Test Set は、開発での選択が固まった後に使う保留データであり、モデルの未見サンプルにおける最終的な性能を見積もるために用いる。これはリリース前の最終検収の一つであり、汚染されると指標は過大になり、業務リスクは過小評価される。
寓話を読む →
Machine Learning
訓練セット
Training Set
Training Set はモデルパラメータのフィッティングに用いるデータである。学習に直接関与するため、データ品質、カバレッジ、ラベル一貫性、リーク制御がモデルが何を学ぶかを決める。企業は検証サンプルやテストサンプルを訓練セットに混入させてはならない。
寓話を読む →
Machine Learning
教師なし学習
Unsupervised Learning
Unsupervised Learning は、明示的なラベルがないデータの中に構造を見つける手法で、例えばクラスタリング、次元削減、異常検知、トピック発見などがあります。未知のパターンの探索、大量データの整理、類似グループの発見に適しています。企業で使う際は、自動発見されたクラスタをそのまま業務上の真実と見なさないよう注意が必要で、通常は領域専門家による解釈と検証が求められます。
寓話を読む →
Machine Learning
検証セット
Validation Set
Validation Set は開発過程で確保され、パラメータ調整や方案選択に使われるデータセットである。モデルが汎化しているかを判断する助けになるが、繰り返し見られるため、最終的な客観的成績としては扱えない。
寓話を読む →
マネージドエージェントAPI
OpenAI アシスタント API
OpenAI Assistants API
OpenAI Assistants APIはマネージドアシスタントインターフェースであり、スレッド、メッセージ、実行、ツール、ファイル管理を中心に永続的な会話状態を扱う。
寓話を読む →
管理されたエージェントオブジェクト
アシスタント
Assistant
アシスタントは、マネージド Agent プラットフォーム内で事前構成された AI 実体であり、通常は指示、モデル、ツール、ファイルに結びつけられ、単なる一時的なチャットではない。
寓話を読む →
マネージドモデルおよびエージェントAPI
OpenAI レスポンス API
OpenAI Responses API
OpenAI Responses API は、統一されたモデルと Agent 式ワークフローのインターフェースであり、モデル応答、ツール呼び出し、マルチモーダル入力、構造化出力、組み込みツールなどの能力をサポートする。
寓話を読む →
マネージド検索ツール
ファイル検索
File Search
File Search はマネージド検索機能である。アップロードされたファイルをインデックス化し、モデルが回答を生成する際に関連内容を検索する。通常は RAG におけるファイル取り込み、分割、インデックス化、呼び出しの段階を担い、契約書、マニュアル、ナレッジベースなどの場面に適するが、権限分離、ファイル更新、引用品質、回答評価への対応は依然として必要である。
寓話を読む →
Managed tool execution
コードインタープリタ
Code Interpreter
Code Interpreter は、モデルが制御されたサンドボックス内でコードを書き実行できるようにするマネージドツールで、データ分析、ファイル処理、計算、可視化、一時スクリプトの実行によく使われる。
寓話を読む →
Managed vector database
Pinecone
Pinecone
Pinecone はマネージド型ベクトルデータベースサービスで、本番級 AI アプリケーションにベクトル保存、類似度検索、メタデータフィルタリングを提供する。
寓話を読む →
マーケティング / エンタープライズ営業
標杆事例
Reference Case, Lighthouse Case, Benchmark Customer Case
標杆案例は再利用可能な代表的な顧客成功サンプルであり、製品が某業界、シーン、予算プールで実際に結果を生み出したことを証明するために使われる。
寓話を読む →
MoE
補助損失
Auxiliary Loss / Load Balancing Loss
補助損失は MoE 訓練における追加の制約であり、token を専門家により均衡に分配し、少数の専門家の過負荷や遊休を避けるために用いる。
寓話を読む →
MoE
エキスパートルーティング
Expert Routing / Gating
エキスパートルーティングは MoE において各トークンをどのエキスパートに渡すかを決める仕組みで、通常はゲートネットワークがエキスパートを採点して選択する。
寓話を読む →
MoE
Top-k ルーティング
Top-k Routing
Top-k Routing は MoE gating の一戦略である：各 token はすべての専門家ではなく、スコアが最も高い k 個の専門家にのみ送られる。
寓話を読む →
モデルリスク管理
モデル一覧
Model Inventory
Model Inventory は、開発中・検証中・本番稼働中・退役済み、または第三者利用中のモデルを集中的に記録する一覧であり、所有権、用途、状態、リスク、メタデータを含む。
寓話を読む →
モデルリスク管理
モデル監視
Model Monitoring
モデル監視とは、モデル展開後にその振る舞い、性能、入力、出力、リスク、事故を継続的に測定することである。データドリフト、コンセプトドリフト、品質低下、レイテンシ、コスト、異常出力、セキュリティインシデント、ビジネス指標をカバーする。
寓話を読む →
モデルリスク管理
モデルリスク管理
モデルリスク管理、MRM
モデルリスク管理は、モデルの誤り、誤用、ドリフト、制限、仮定、運用上の失敗によって生じるリスクを統治する規律である。MRM には通常、モデル目録、リスク階層化、モデル検証、承認、モニタリング、変更管理、ベンダーモデル管理、例外処理、定期レビューが含まれる。
寓話を読む →
モデルリスク管理
モデル検証
モデル検証
モデル検証は、モデルが所定の用途に適しているか、パフォーマンスが期待に合っているか、制限が明確かを判断するための独立した、または構造化されたレビューである。通常、モデルの目的、データ、仮定、手法、性能、安定性、バイアス、境界条件、ドキュメント、監視計画を検査する。
寓話を読む →
モデルインターフェース
関数呼び出し
Function Calling
Function Calling はモデルインターフェースの一種である。開発者は関数名、パラメータ schema、説明をあらかじめ定義し、モデルは外部能力を呼び出す必要があるとき、機械可読な関数名とパラメータを出力し、アプリケーションが検証して実行する。
寓話を読む →
モデルインターフェース
JSON モード
JSON Mode
JSON Mode は、自由テキストではなく有効な JSON をモデルに出力させる、または制約する生成モードである。情報抽出、設定生成、軽量な構造化返答など、機械が解析する必要がある場面に適している。
寓話を読む →
モデルインターフェース
構造化出力
Structured Output
Structured Output は、モデルの応答を指定された構造や schema に制約する手法であり、たとえば JSON object、フィールド型、列挙、配列、ネストしたオブジェクトなどがある。
寓話を読む →
モデルインターフェース
構造化出力
Structured Outputs
構造化出力は、モデルを JSON などの固定 schema に従って結果を返させ、下流システムが安定して解析、検証、自動処理できるようにする。
寓話を読む →
Multi-agent architecture
監督エージェント
Supervisor Agent
Supervisor Agent はマルチエージェントシステムにおける監督と調整の役割である。タスクの進捗を監視し、サブタスクを割り当て、subagents を調整し、失敗を処理し、いつ再計画するか、人にエスカレーションするか、結果を統合するか、実行を停止するかを判断する。
寓話を読む →
Multi-agent coordination
グループチャット編成
Group Chat Orchestration
Group Chat Orchestrationは、複数のAgentが会話を共有する中でのオーケストレーション機構である。次の発言者の選択、メッセージのルーティング、コンテキストの管理、タスク完了の判断、そして重複・脱線・無限ループの防止を担う。
寓話を読む →
マルチエージェントフレームワーク
AutoGen
AutoGen
AutoGen はマルチエージェントアプリケーションを構築するためのフレームワークです。複数の conversational agents がメッセージパッシングで協調し、ツールの呼び出し、コードの実行、human-in-the-loop、グループチャットのオーケストレーションが可能です。
寓話を読む →
マルチエージェント組織ユニット
Agent チーム
Crew
Crewはマルチエージェントシステムにおけるチーム組織単位であり、通常は役割・目標・ツール・タスク境界を持つ複数のAgentで構成される。複雑な作業を単一のAgentがすべて担うのではなく、協働チームとして組織することに重点を置く。
寓話を読む →
マルチエージェントの役割
ユーザー代理 Agent
ユーザープロキシエージェント
User Proxy Agent はマルチ Agent システムにおいてユーザーを代表する役割で、AutoGen でよく見られる。人的入力の提供、アクションの承認、ユーザーに代わって制御されたコードを実行する、または問題を人間に戻すことができる。
寓話を読む →
マルチエージェント・ワークフロー・フレームワーク
CrewAI
CrewAI
CrewAI はマルチ Agent ワークフローフレームワークで、役割化された Agent、タスク、ツール、プロセスで協働を組織し、チーム型の自動化構築に適している。
寓話を読む →
マルチモーダル
CLIP
Contrastive Language-Image Pre-training
CLIP（Contrastive Language-Image Pre-training）は対照学習によって画像とテキストの表現を整列させる。一致する画像・テキスト対はベクトル空間でより近く、一致しないものはより遠い。これはマルチモーダル検索、ゼロショット分類、画像・テキスト理解の重要な基盤である。
寓話を読む →
マルチモーダル
クロスモーダルアラインメント
クロスモーダル・アラインメント
クロスモーダル・アラインメントは、テキスト、画像、音声、動画など異なる形式の情報を同じ対象や意味へ向けることである。たとえば、ある説明文、一枚の画像、一本の操作動画は、いずれも同じ工件、手順、リスク点としてモデルに理解されるべきである。
寓話を読む →
マルチモーダル
マルチモーダルモデル
Multimodal Model
Multimodal Model は、テキスト、画像、音声、動画など複数のモダリティを処理し、モダリティをまたいで生成や推論を行う可能性のあるモデルです。企業シーンでは、品質検査、カスタマーサポート、文書理解、映像巡回、音声対話、トレーニング、現場支援などに活用できます。
寓話を読む →
Multimodal AI
動画理解
動画理解
Video Understanding は、モデルが動画内の映像、対象、動作、音声、字幕、時間的関係を理解する能力である。単一画像の認識とは異なり、重点は時系列、事象、因果、クロスモーダルの手がかりにある。
寓話を読む →
マルチモーダル
対照学習
Contrastive Learning
Contrastive Learning は正例と負例を比較して表現を学習する方法だ。モデルは意味が近い、または同類のサンプルのベクトルをより近づけ、無関係または紛らわしいサンプルをより遠ざけるように訓練される。embedding モデル、クロスモーダル整合、検索モデル、推薦、類似事例マッチングでよく使われる。
寓話を読む →
マルチモーダル
クロスモーダル埋め込み
Cross-Modal Embedding
Cross-Modal Embedding は、テキスト、画像、音声、動画、構造化オブジェクトなど異なるモダリティのデータを、比較可能な共通ベクトル空間にマッピングする。
寓話を読む →
マルチモーダル
マルチモーダル
マルチモーダル
Multimodality とは、AI システムがテキスト、画像、音声、動画、構造化シグナルを含む複数のモダリティのデータを処理、結合、生成できることを指します。企業 Agent の導入では、マルチモーダル能力により、システムはユーザーの文字記述だけに頼らず、スクリーンショット、契約書スキャン、顧客の音声、操作動画、表、ログを理解できます。
寓話を読む →
マルチモーダル
視覚言語モデル
Vision-Language Model, VLM
Vision-Language Model, VLM は視覚入力と言語入力を同時に処理し、言語で説明、質疑応答、意思決定を行うモデルです。スクリーンショット理解、ドキュメントスキャン解析、現場故障分析、商品認識、マルチモーダル RAG、UI 操作 Agent に利用できます。
寓話を読む →
NLP / RAG
エンティティ抽出
Entity Extraction
Entity Extraction は、非構造化テキスト、画像 OCR、または会話から人名、会社、製品、金額、日付、住所、契約番号、業務オブジェクトなどのエンティティを識別・抽出する。これはナレッジベース構築、検索、リスク管理、CRM 自動化、Agent ツール呼び出しの重要な前処理である。
寓話を読む →
NLP / ナレッジグラフ
関係抽出
Relation Extraction
テキストからエンティティを識別し、エンティティ間にどのような関係があるかを判断する。例えば雇用、買収、所在、引き起こす、属する、治療、供給など。
寓話を読む →
NLP and RAG framework
Haystack
Haystack
Haystack はオープンソースの検索、質問応答、RAG、LLM パイプラインのフレームワークであり、企業文書やナレッジベース上の検索拡張アプリケーションによく使われる。
寓話を読む →
Observability
ツール呼び出し遅延
ツール呼び出しのレイテンシ
ツール呼び出し遅延とは、Agentが外部ツール、API、データベース、ブラウザ、サービスからの結果を待つ時間です。モデル自体が速くても、ツールの待ち時間がユーザー体験の主要なボトルネックになることがあります。
寓話を読む →
Observability artifact
スパン
Span
Span（スパン）はTrace内の一回の具体的な操作記録である。通常は一度のモデル呼び出し、検索、ツール呼び出し、データベース照会、解析、承認、または中間ステップを表し、開始時刻、終了時刻、所要時間、入出力、状態、エラー、関連コンテキストを含む。
寓話を読む →
Observability artifact
追跡記録
Trace
Trace（トレース記録）は、あるリクエストやタスクの開始から終了までの完全な実行経路を記録する。Agent システムの場合、1 つの trace には通常、ユーザー入力、モデル呼び出し、検索ステップ、ツール呼び出し、パラメータ、返却結果、遅延、エラー、中間状態が含まれる。
寓話を読む →
Observability standard
OpenTelemetry
OpenTelemetry、OTel
OpenTelemetry はベンダー中立の可観測性標準であり、トレース、メトリクス、ログを収集して Agent アプリケーションの全プロセスを追跡するのに役立つ。
寓話を読む →
オープンソースのAI可観測性・評価ツール
Arize Phoenix
Arize Phoenix
Arize Phoenix はオープンソースの AI 可観測性・評価ツールで、LLM、RAG、機械学習アプリケーションの動作を追跡、評価、分析するために使われます。
寓話を読む →
オープンソースの LLM 可観測性プラットフォーム
Langfuse
Langfuse
Langfuse はオープンソースの LLM 可観測性プラットフォームで、呼び出し、プロンプト、生成結果、スコア、コスト、ユーザーフィードバックを追跡する。
寓話を読む →
Open-source vector database
Milvus
Milvus
Milvus はオープンソースの分散型ベクトルデータベースで、大規模なベクトル類似度検索のために設計されています。ストレージとコンピューティングを分離したアーキテクチャを採用し、多様なインデックスタイプ（HNSW、IVF_FLAT、IVF_PQ、DiskANN など）、水平スケーリング、データ永続化、ハイブリッドクエリをサポートします。
寓話を読む →
Open-source vector database
Qdrant
Qdrant
Qdrant はオープンソースのベクトルデータベース兼検索エンジンで、ベクトル類似度検索、構造化メタデータフィルタリング、HNSW インデックス、量子化をサポートする。
寓話を読む →
Open-source vector database
Weaviate
Weaviate
Weaviate はオープンソースのベクトルデータベースであり、ベクトル検索、構造化フィルタリング、キーワード検索（BM25）、およびスキーマベースのオブジェクトストレージを組み合わせています。その中核となる設計思想は「すべてをベクトル化する」ことです。各データオブジェクトはベクトル、構造化属性、キーワード転置インデックスを同時に持つことができ、クエリ時には重み付けを混ぜて使用できます。
寓話を読む →
Operations
変更管理
チェンジマネジメント
変更管理は、変更の申請、レビュー、承認、テスト、コミュニケーション、リリース、ロールバックを行う統制されたプロセスである。イテレーションを遅らせるのではなく、高リスクの変更に証拠、責任者、退出経路を持たせる。
寓話を読む →
Operations
アップグレードパス
Escalation Path
エスカレーション経路は、高リスク、低信頼度、権限不足、またはコンプライアンス上敏感な状況に対処するためにあらかじめ定義された異常報告と転送のプロセスである。
寓話を読む →
Operations
例外処理
Exception Handling
例外処理 Exception Handling とは、システムが正常に続行できない場合、入力異常、ツールの失敗、権限不足、低信頼度、リスク上昇などの際に、識別、振り分け、記録、復旧、エスカレーションを行うメカニズムである。
寓話を読む →
Operations
ホットリロード
Hot Reload
Hot Reload は、サービスを中断またはほとんど中断せずに、設定、プロンプト、ツール、ルーティング、ポリシー、またはモデルバージョンを更新する能力である。LLM/Agent システムにとって、反復速度を高められるが、バージョン管理、検証、カナリア、ロールバック、状態一貫性、監査記録が必要であり、実行中の設定ドリフトや半更新状態を避ける。
寓話を読む →
Operations
人手によるバイパス監督
Human-on-the-Loop, HOTL
Human-on-the-Loop（人間による傍路監督）は、AI または Agent がタスクを自動実行できるが、人間が横で監視し、異常、リスク上昇、結果が期待に合わない場合に介入、一時停止、上書き、引き継ぎができる運用モードである。
寓話を読む →
Operations
事後振り返り
Postmortem
事後振り返り Postmortem は、事故、故障、重大な失敗の後の構造化されたレビューであり、タイムラインの再現、根本原因の分析、影響の評価、修復アクションの明確化、再発防止に用いられる。良い振り返りは単純な責任追及ではなくシステム改善を強調し、最終的に実行可能なアクション項目、担当者、検証方法を生み出す。
寓話を読む →
Operations
品質保証
品質保証、QA
Quality Assurance、QA は AI アプリケーションと Agent のデリバリーにおいて、品質基準、テストプロセス、サンプリングレビュー、欠陥の等級分け、回帰チェックを確立し、出力が業務要件を満たすことを確保する。知識の正確性、プロセスの完了、ツール呼び出し、フォーマット、コンプライアンス、セキュリティ、ユーザー体験をカバーする。
寓話を読む →
Operations
ロールバック
Rollback
ロールバック Rollback は、新しいバージョン、モデル、プロンプト、ツール、設定、フローに問題が生じたとき、以前の安定状態に素早く戻す仕組みである。失敗後の一時的な補修ではなく、リリースと変更設計の一部である。
寓話を読む →
Operations
ロールバック計画
Rollback Plan
ロールバック計画 Rollback Plan は、変更の本番適用前にあらかじめ定義された復旧方案であり、発動条件、責任者、復旧手順、時間制限、検証方法、コミュニケーション方法を含む。単なるロールバック操作よりも完全で、いつロールバックするか、誰が決めるか、どう実行するか、復旧成功をどう確認するかを強調する。
寓話を読む →
Operations
根本原因分析
Root Cause Analysis, RCA
根本原因分析 Root Cause Analysis（RCA）は、表面的な症状だけを処理するのではなく、問題の背後にある真の原因を見つける分析方法である。事故、品質問題、システム障害、業務異常の振り返りでよく使われる。
寓話を読む →
オペレーション／財務
クラウドコスト運用
FinOps
FinOps は、エンジニアリング、財務、ビジネスの各チームを横断してクラウドリソース、モデル呼び出し、予算、帰属、コスト最適化を管理する実践体系です。
寓話を読む →
運用 / インフラ
自動スケーリング
オートスケーリング
自動スケーリングは、負荷、キューの長さ、CPU、GPU、リクエスト指標に応じてリソース数を動的に調整し、コストと性能のバランスを取る。
寓話を読む →
運用 / プラットフォーム
大規模言語モデル運用
LLMOps
LLMOps は大規模言語モデルアプリケーション向けの運用体系であり、プロンプト、検索、評価、セキュリティ、コスト、遅延、モデルバージョンを重点的に管理する。
寓話を読む →
運用 / プラットフォーム
機械学習運用
MLOps
MLOps は機械学習モデルを実験から安定した本番へ進めるエンジニアリング体系であり、データ、訓練、デプロイ、監視、ガバナンスをカバーする。データと特徴量の管理、実験追跡、モデルレジストリ、CI/CD、リリース承認、性能監視、ドリフト検出、ロールバックを重視する。
寓話を読む →
運用／信頼性
デッドレターキュー
デッドレターキュー、DLQ
デッドレターキューは、複数回の再試行後も失敗したメッセージやタスク、または検証を通過しなかったものを保存します。問題のあるタスクを隔離し、正常なメインフローのブロックを防ぎます。
寓話を読む →
運用／信頼性
災害復旧
Disaster Recovery, DR
災害復旧は、重大障害後に重要システムとデータを復元するための、アーキテクチャ、バックアップ、预案、訓練、操作プロセスの集合である。
寓話を読む →
運用／信頼性
可観測性
Observability
可観測性とは、ログ、メトリクス、トレース、イベントを通じてシステムの内部状態を理解する能力である。Agent システムにとって、可観測性はタスクの成功か失敗を知るだけでなく、モデル呼び出し、検索、ツール呼び出し、パラメータ、遅延、エラー、コスト、中間出力を振り返れることである。
寓話を読む →
運用／信頼性
復旧時点目標
目標復旧時点（Recovery Point Objective, RPO）
復旧時点目標は、システムが許容できる最大のデータ損失時間を定義し、バックアップ、複製、復旧戦略の頻度を決めるために使う。
寓話を読む →
運用／信頼性
目標復旧時間
Recovery Time Objective, RTO
復旧時間目標（RTO）は、障害発生後にあるサービスまたは業務能力が許容できる最長の復旧時間である。これは「最大どれだけ停止できるか」に答える。
寓話を読む →
Operations / security
インシデント対応
インシデント対応
インシデント対応 Incident Response は、システムに障害、セキュリティインシデント、品質事故、またはビジネスリスクが発生した際の一連の処理プロセスであり、発見、分類、止血、隔離、復旧、コミュニケーション、証拠保全、振り返りを含む。
寓話を読む →
Operations/Audit
サンプル抜き取りレビュー
サンプリングレビュー
Sampling Reviewとは、全てのAI出力やAgentタスクを全面的に人手で再確認できない場合に、リスク、シナリオ、顧客、金額、過去の問題、ランダム性に基づいてサンプルを抽出し、人手で検査することである。
寓話を読む →
Operations/Auditability
バージョン管理
Version Control
バージョン管理はプロンプト、モデル、データセット、ツール、ポリシー、コード、設定の変更を記録し、履歴状態の監査・ロールバック・再現を可能にする。
寓話を読む →
Operations/Governance
承認の敷居
承認ゲート
承認ゲート Approval Gate は、ワークフローにおいて人間の承認、ポリシー検証、権限確認を経なければ続行できない制御点である。通常、高リスク、高金額、不可逆、対外約束、プライバシー敏感、コンプライアンス関連のアクションに用いられる。
寓話を読む →
Operations/Governance
変更諮問委員会
Change Advisory Board, CAB
変更諮問委員会は、重大な変更のリスク、準備度、コンプライアンス影響、運用影響を評価するためのクロスファンクショナルなレビュー機制である。
寓話を読む →
Operations/Risk
AI事故
AI インシデント
AI 事故とは、AI システムが引き起こした、または引き起こしかけた危害、違反、安全問題、データ漏洩、重大な運用中断のイベントである。
寓話を読む →
Operations/Risk
事業継続性
Business Continuity
事業継続は、中断が起きたときに重要な業務約束を引き続き履行できるかどうかに注目する。災害復旧はどちらかといえば技術システムを復旧させることに重点を置く。事業継続は、受注、履行、入金、カスタマーサポート、コンプライアンス通知などの能力に代替手段があるかどうかにより関心がある。
寓話を読む →
Operations/Risk
信頼度しきい値
信頼度しきい値
信頼度閾値は、AI出力を自動通過、再確認、拒否、降格、エスカレーションするかを決めるためにあらかじめ設定された信頼またはリスクの基準である。
寓話を読む →
Operations/Risk
ファクトチェック
Fact Verification
ファクト検証 Fact Verification とは、AIが生成した主張、結論、重要な事実を信頼できる情報源、原資料、権威あるシステム、業務記録と照合確認するプロセスである。ハルシネーション、古い情報、誤読、誤りの拡散リスクを低減するために用いられる。
寓話を読む →
運用／セキュリティ
インシデント管理
インシデント管理
インシデント管理は発見、分類、止血、調査、コミュニケーション、修復のプロセスをカバーし、AI、セキュリティ、プライバシー、運用のインシデントを処理する。
寓話を読む →
オーケストレーション
有向非巡回グラフ
Directed Acyclic Graph, DAG
Directed Acyclic Graph（DAG、有向非巡回グラフ）は、ノードと有向辺から成り、閉路が存在しないグラフ構造で、タスク、データパイプライン、ワークフローの依存関係を表すのによく使われる。
寓話を読む →
オーケストレーション
意図認識
Intent Classification
Intent Classification とは、ユーザーのリクエストがどの意図に属するかを判断し、その後のフロー、ツール、Agent、返信戦略を決める能力です。ルール、従来の分類器、LLM のいずれでも実現できます。
寓話を読む →
オーケストレーション
セマンティックルーティング
Semantic Routing
セマンティックルーティング Semantic Routing は、リクエストの意味、意図、コンテキスト、タスクタイプに基づいて、リクエストを適切なモデル、ツール、Agent、ナレッジベース、ワークフローに振り分ける。単純なキーワードマッチングとは異なり、ユーザーが本当に成し遂げたいことに注目する。
寓話を読む →
Orchestration component
ルーター
Router
ルーター Router は、リクエスト、タスク、中間ステップを適切なモデル、ツール、ワークフロー、スキル、Agent に振り分けるコンポーネントである。意図、能力、コスト、遅延、リスク、権限、負荷、ポリシーに基づいて判断できる。
寓話を読む →
PEFT
アダプタ
Adapter
Adapter はパラメータ効率の良いファインチューニング手法で、通常はモデル層の間に小さな学習可能モジュールを挿入し、基礎モデルの大部分の重みを凍結します。これにより、同じ基礎モデルを異なる adapter で異なるタスク、領域、顧客に適応させられます。
寓話を読む →
PEFT
IA3
Infused Adapter by Inhibiting and Amplifying Inner Activations
IA3 は極めて効率的なパラメータ微調整方法で、学習したベクトルでキー、値、フィードフォワード活性化をスケーリングする。必要なパラメータは通常 LoRA より少ない。
寓話を読む →
PEFT
重みを統合
Merge Weights / Merge Adapters
重みのマージとは、LoRA や Adapter など PEFT で訓練した増分を基礎モデルの重みに統合し、デプロイを容易にし実行時の依存を減らすことだ。
寓話を読む →
PEFT
プレフィックス微調整
Prefix Tuning
Prefix Tuning は PEFT の手法の一つで、基盤モデルのパラメータを凍結し、学習可能な連続プレフィックスベクトルの組だけを訓練し、それをモデル各層の attention の追加コンテキストとして出力に影響を与える。
寓話を読む →
PEFT
プロンプト微調整
Prompt Tuning
Prompt Tuning は PEFT の手法の一つで、通常はモデルパラメータを凍結し、小さな連続 soft prompt ベクトルのみを学習して入力的前に付加し、モデルを特定タスクへ導く。
寓話を読む →
PEFT
量子化低ランク適応
Quantized LoRA, QLoRA
QLoRA は基盤モデルを 4 bit に量子化し、LoRA アダプタのみを訓練することで、大規模モデルをより少ない VRAM のデバイスで微調整できるようにする。
寓話を読む →
PEFT
目標モジュールの選択
対象モジュールの選択
目標モジュール選択とは、LoRA、Adapter、IA3 などの手法の中で、どのモデルモジュールを挿入・訓練・調整するかを決めるプロセスである。
寓話を読む →
プラットフォーム / バックエンド基盤
ワークフローエンジン
ワークフローエンジン
ワークフローエンジンは、多段階タスクの永続化、スケジューリング、実行、復旧を担います。各ステップの状態、入出力、依存関係、失敗理由、再試行ルール、人手による承認、次のステップへのルーティングを記録します。
寓話を読む →
Platform / billing
クォータ
Quota
クォータは、ユーザー、テナント、またはプランが一定期間内に使用できるリソースの上限を定義する。例えばトークン、リクエスト数、ストレージ量、同時実行数など。LLM／Agentプラットフォームでは、quotaは共有モデル、GPU、ツール実行者、検索サービス、予算を保護し、単一テナントや異常タスクがリソースを使い果たすのを防ぐために用いられる。
寓話を読む →
Platform / integration
コネクタ
コネクタ
Connector は AI システムを外部アプリ、データベース、ファイル、SaaS、企業システムに接続するアダプターコンポーネントである。API 呼び出し、認証認可、権限境界、パラメータ変換、エラー処理、レート制限、監査を担い、Agent が使い捨てのグルーコードに依存せず、外部能力を安定的に利用できるようにする。
寓話を読む →
Platform / reliability
永続実行
Durable Execution
永続実行とは、長いタスクがプロセスクラッシュ、マシン再起動、ネットワーク中断、タイムアウト、担当者交代の後でも継続または復旧できる実行方式である。イベント、状態、入出力、チェックポイントを永続化することで、タスクがメモリや一回のセッションにしか存在しない事態を避ける。
寓話を読む →
プラットフォームアーキテクチャ
クラウドネイティブ
Cloud Native
クラウドネイティブは、クラウド環境向けにアプリケーションを設計、構築、実行する方法であり、コンテナ化、マイクロサービス、弾力的なスケーリング、自動デプロイ、可観測性、障害分離を重視する。
寓話を読む →
Platform engineering
内部開発者プラットフォーム
Internal Developer Platform, IDP
内部開発者プラットフォームは、エンジニアリングチームに標準化されたセルフサービス入口を提供し、アプリケーションの作成、デプロイ、監視、運用に用いる。通常、サービスカタログ、テンプレート、権限、環境、CI/CD 機能を含む。
寓話を読む →
Platform engineering / governance
ゴールデンパス
Golden Path、Paved Road
Golden Path / Paved Road は、プラットフォームチームが一般的な開発、デプロイ、運用のシナリオ向けに提供する推奨プロセス、テンプレート、デフォルト設定である。チームがより少ない意思決定でコンプライアンスに適合した信頼性の高いデリバリーを完了できるようにしつつ、特殊なケースには管理された例外を認める。
寓話を読む →
Policy
AI ポリシー
AIポリシー
AI Policy は、組織が AI の使用、調達、展開、ガバナンスについて定める正式な規則の集合であり、許可される用途と禁止される用途、データ処理の境界、承認プロセス、監督要件、開示義務、ログ監査、違反時の結果を明確にする。
寓話を読む →
Policy
許容使用ポリシー
Acceptable Use Policy, AUP
許容使用ポリシーはAIまたはAgent製品の許可・禁止用途を規定し、詐欺、危害、違法、プライバシー侵害などのリスクを制約する。
寓話を読む →
PostgreSQL vector extension
pgvector
pgvector
pgvector は PostgreSQL 拡張で、リレーショナルデータベースにベクトル保存、類似度検索、メタデータフィルタリングの機能を追加し、軽量な RAG システムでよく使われる。
寓話を読む →
Preprocessing
BPE
Byte-Pair Encoding
BPE はサブワード分割の手法で、コーパス中で最もよく隣り合う記号対を繰り返し統合し、固定の語彙表を作る。
寓話を読む →
Preprocessing
SentencePiece
SentencePiece
SentencePiece はよく使われるサブワード分割のツール兼アルゴリズム枠組みで、入力を生の文字列とみなし、空白による分割に強く依存せず、多言語や混在テキストに適するのが特徴です。
寓話を読む →
Pretraining
コーパス
Corpus
コーパスとは、収集・整理され、訓練、検索、評価、分析に用いられるデータ資料の集合であり、テキスト、画像、音声、コード、表、会話記録などが含まれます。
寓話を読む →
Pretraining
基盤モデル
基盤モデル
Foundation Model は、広範なデータで訓練され、多くの下流タスクに転移可能な大規模モデルである。それは企業 Agent の能力の基盤だが、完全な製品ではない。実際の納品には、データ接続、ツール、権限、評価、コスト管理、業務プロセスがまだ必要である。
寓話を読む →
Pretraining
事前学習
Pretraining
事前学習はモデルの大規模な初期訓練段階であり、通常は自己教師あり目標を通じて大量のコーパスから言語、知識、一般的なパターンを学習する。モデルに基礎を作るが、ある企業のプロセス、境界、ツールを自動的に理解するわけではない。
寓話を読む →
Pretraining
自己教師あり学習
Self-Supervised Learning
自己教師あり学習はデータ自体から監督信号を構成する学習方式で、例えば次の token を予測する、隠された語を補完する、断片関係を判断するなどである。各データに人手で答えを注釈する必要はない。
寓話を読む →
Privacy
匿名化
Anonymization
匿名化とは、個人データを特定の個人を識別できない状態に処理し、合理的に利用可能な情報と手段のもとでも再識別が困難な状態にすることです。
寓話を読む →
Privacy
データ最小化
データ最小化
明確な目的を達成するために必要なデータだけを収集・処理・アクセス・保持することを求め、「後で役立つかもしれない」という理由で余分に取得しない。
寓話を読む →
Privacy
データ保護影響評価
Data Protection Impact Assessment, DPIA
DPIA は個人データ、特に高リスク活動を処理する前の影響評価であり、プライバシーリスク、管理措置、コンプライアンス根拠を特定するために用いられる。
寓話を読む →
Privacy
データ保持ポリシー
データ保持ポリシー
それは異なる種類のデータをどれだけ保持すべきか、期限後に削除・アーカイブ・匿名化・継続保存のどれにするか、例外を誰が承認するかを定める。
寓話を読む →
Privacy
差分プライバシー
Differential Privacy
差分プライバシーは、設計された数学的ノイズを加えることで、単一のサンプルが統計結果に与える影響を制限する。目標は、外部の人が出力からある個人のデータが計算に参加したかどうかを判断しにくくすることである。
寓話を読む →
Privacy
メンバーシップ推論攻撃
Membership Inference Attack
メンバーシップ推論攻撃とは、攻撃者がモデルへ繰り返しクエリを投げ、信頼度や出力の特徴を観察することで、あるデータが訓練セットに含まれていたかどうかを判断するものである。漏れるのはデータの全文ではなく、「ある人物やある記録が使われたかどうか」という事実である。
寓話を読む →
Privacy
モデル反転攻撃
Model Inversion Attack
攻撃者は、モデル出力、確率スコア、類似度、信頼度、または複数回のクエリを観察することで、訓練データ中の敏感な特徴を逆推し、さらには元データの一部を再構築する。
寓話を読む →
Privacy
個人データ
Personal Data
個人データとは、識別された、または識別可能な自然人に関連する情報を指す。直接または間接に特定の個人を指し示すことができれば、個人データに該当する可能性がある。
寓話を読む →
Privacy
個人を特定できる情報
Personally Identifiable Information, PII
PII。特定の個人を直接または間接に識別できる情報であり、氏名、身分証番号、携帯番号、メールアドレス、写真、住所などが含まれ、他の情報と組み合わせて個人を識別できる手がかりも含まれる。
寓話を読む →
Privacy
仮名化
Pseudonymization
仮名化とは、氏名や携帯番号などの直接識別子を番号や仮名に置き換え、再識別可能な対照情報を別に保存することである。暴露リスクを低減できるが、匿名化ではない。
寓話を読む →
Privacy
目的制限
目的制限
目的制限はプライバシー保護における原則である。個人データは明確かつ具体的な目的のために収集されるべきであり、その後、根拠なく相容れない新たな用途に転用してはならない。
寓話を読む →
Privacy
セキュアアグリゲーション
セキュアアグリゲーション
安全な集約は連合学習などの場面でよく使われる。サーバーは複数の参加者の更新後の合計のみを得て、いずれの単一参加者の平文更新も見ることができない。これにより、共同で訓練や統計を行いながら、個々の参加者のデータ漏洩リスクを低減できる。
寓話を読む →
Privacy
機微な個人データ
Sensitive Personal Data
これは個人データの中でより高い傷害リスクを持つ情報の一種であり、例えば健康、金融、生体認証、正確な位置、未成年者情報、人種・宗教、政治的見解、性的指向、または差別や重大な権益侵害を引き起こす可能性のあるデータである。
寓話を読む →
Privacy/Compliance
越境データ移転
Cross-Border Data Transfer
個人データ、業務データ、その他の規制対象データが一国または地域から別の国または地域へ流れること、あるいは境外の主体によって遠隔でアクセス、処理、保存、バックアップされることを指します。
寓話を読む →
Privacy/Compliance
データローカライゼーション
データローカライゼーション
データローカライゼーションとは、法律、政策、契約によってある種のデータを特定の国、地域、規制境界内に留めなければならず、随意に越境転送、処理、保存できないことを指す。
寓話を読む →
Privacy/Compliance
データレジデンシー
データレジデンシー
特定のデータを、指定された国、地域、クラウドリージョン、データセンター、または顧客管理環境内で保存、処理、複製、バックアップ、復元することを要求する。
寓話を読む →
Procurement
ベンダー評価
ベンダー評価
ベンダー評価とは、調達とリスクのチームがAIベンダーの能力、セキュリティ、コンプライアンス、経済性、サポート能力、運用適合性を評価するプロセスである。
寓話を読む →
調達／アーキテクチャ
ベンダーロックイン
Vendor Lock-In
ベンダーロックインは、専有API、データ形式、ワークフロー、契約条項、またはモデル挙動によってベンダー変更コストが過大になる依存リスクである。
寓話を読む →
調達／プライバシー
データ処理契約
Data Processing Agreement, DPA
Data Processing Agreement（DPA）は、ベンダーまたは処理者が顧客に代わって個人データをどのように処理するかを定める契約である。
寓話を読む →
調達／プライバシー
データ使用権
Data Usage Rights
データ使用権は、サプライヤーが顧客データをどのように、また使用するかどうかを定義し、通常はサービス提供、統計分析、製品改善、トレーニング、ファインチューニングを対象とします。
寓話を読む →
調達／プライバシー
子処理者
Subprocessor
子処理者は、処理者がサービス提供のために採用する第三者であり、クラウドベンダー、モデルAPI、ベクトルデータベース、ログプラットフォームなどが含まれる場合があります。
寓話を読む →
調達／プライバシー
訓練データ除外
Training Data Exclusion
トレーニングデータからの除外は契約上または技術上の約束であり、顧客データを許可なくトレーニング、ファインチューニング、ベンダーモデルの改善に使用してはならないことを示します。
寓話を読む →
Procurement/Risk
退出計画
Exit Plan
Exit Planとは、データアクセス、サービス継続性、コンプライアンス証明、運用管理を維持したまま移行を完了することを目的とした、ベンダーを安全に終了または置き換える計画である。
寓話を読む →
Procurement/Risk
サードパーティリスク管理
Third-Party Risk Management, TPRM
Third-Party Risk Management（TPRM）とは、サプライヤー、外部委託先、パートナーに対する参入評価、契約上の拘束、継続的モニタリング、インシデント対応、退出管理を網羅するライフサイクル規律です。
寓話を読む →
Procurement/Risk
サプライヤー・デューデリジェンス
Vendor Due Diligence
サプライヤーデューデリジェンスとは、サプライヤーのセキュリティ、プライバシー、コンプライアンス、財務安定性、サービス信頼性、運用能力に対する構造化された審査である。
寓話を読む →
調達/セキュリティ
セキュリティ質問票
Security Questionnaire
Security Questionnaire は、買い手がサプライヤーのセキュリティ管理、コンプライアンス状態、データ処理、インシデント対応を評価するために用いる構造化された質問票である。しばしば身分権限、暗号化、ログ、脆弱性管理、ペネトレーションテスト、コンプライアンス認証、子処理者、データ保持、バックアップ、事業継続性、インシデント対応を網羅する。
寓話を読む →
製品・事業戦略
プロダクトマーケットフィット
Product-Market Fit, PMF
プロダクトマーケットフィット（PMF）とは、製品が明確な顧客層の強いニーズを解決し、リテンション、リピート購入、紹介、支払い意欲、収益成長などのシグナルが現れている状態である。それは誰かが製品を褒めることでも、一度の Demo 成功でもない。
寓話を読む →
Product / customer success
価値実現までの時間
Time to Value、TTV
Time to Value（TTV）とは、顧客が利用を開始してから感知できる業務価値を得るまでに要する時間を指す。TTV が短いほど、試用転換、顧客の信頼、採用率、定着に有利である。
寓話を読む →
製品 / プラットフォーム
セルフサービス
Self-Service
Self-Serviceは、ユーザーまたは内部チームが人手を介さずに登録、設定、デプロイ、照会、アップグレード、トラブルシューティングなどを行えるようにする。限界サービスコストを下げ、立ち上がり速度を高め、PLGとスケール納品を可能にする。
寓話を読む →
Product / research
ユーザー像
Persona, User Persona
Persona / User Persona は、典型的な利用者の目標、タスク、ペインポイント、環境、行動パターンを抽象的に記述したものである。
寓話を読む →
プロダクト / セールス
概念実証
Proof of Concept, POC
Proof of Concept（POC）は、限られた範囲で技術的実現性、事業価値、または購買の確信を検証するプロジェクトである。質の高い POC には、明確な仮説、範囲、成功基準、タイムボックス、データ条件、責任分担、次の意思決定が必要である。
寓話を読む →
Product engineering / release management
フィーチャーフラグ
Feature Flag、Feature Toggle
フィーチャーフラグは、コードを再デプロイせずに、ある機能を有効にするかどうかを制御する。ユーザー、テナント、地域、タスク種別、モデル、ツール、ポリシー、リスクレベルごとに段階的に有効化できる。
寓話を読む →
Product experience / customer success
入門ガイド
オンボーディング
Onboardingは、新規ユーザーや顧客がアカウント設定、データ取り込み、初回タスク、権限設定、チーム連携、価値確認を完了するのを支援するプロセスである。良いonboardingは単なるチュートリアルではなく、ユーザーをアクティベーションと最初の業務成果へ導く。
寓話を読む →
Product growth
アクティベーション
Activation
Activation は新規ユーザーが初めて製品の核心価値を体験するプロセスまたは重要な行動であり、activation metric として設計されることが多い。登録・ログイン・チュートリアル視聴とは異なる。真のアクティベーションでは、ユーザーが製品価値を代表する行動を完了しなければならない。
寓話を読む →
プロダクト戦略
実用最小限の製品
Minimum Viable Product, MVP
Minimum Viable Product（MVP）は、最小限の必要範囲で中核ユーザー需要、価値提案、または事業仮説を検証する初期製品である。
寓話を読む →
Product strategy / research
達成すべきタスク
Jobs to Be Done、JTBD
Jobs to Be Done（JTBD）は、ユーザーが特定の状況で達成したい進展に注目するものであり、身分、業界、機能の好みだけでニーズを理解するものではない。
寓話を読む →
Product strategy / workflow design
AI ネイティブワークフロー
AI-Native Workflow
AIネイティブワークフローは、AIの理解、生成、ツール呼び出し、記憶、評価、人手介入の能力を中心にワークフローを再設計する。
寓話を読む →
Prompt optimization tool
プロンプト最適化器
Teleprompter
Teleprompter は DSPy において、prompts、demonstrations、またはプログラム設定を最適化するために用いられるオプティマイザを指す。訓練サンプル、評価指標、モジュール構造に基づいて、より効果的な few-shot 例、指示、または推論戦略を探索する。
寓話を読む →
プロンプト／関数の抽象化
セマンティック関数
Semantic Function
Semantic Function は、プロンプトや自然言語の指示を呼び出し可能な単位として包み込む抽象であり、Semantic Kernel でよく見られる。関数のように名前、入力、出力を持ち、native function、plugin、planner と組み合わせることができる。
寓話を読む →
品質保証
評価フレームワーク
Evaluation Harness
評価フレームワーク Evaluation Harness は、再現可能なテスト環境とユースケースの集合であり、さまざまなタスク、境界条件、ツール呼び出し、レイテンシ、品質、失敗シナリオにおけるモデルまたは Agent のパフォーマンスを評価するために用いられる。
寓話を読む →
量子化
二重量化
Double Quantization
Double Quantization は QLoRA における量子化技法の一つである。モデルの重みが量子化された後、量子化スケールなどの定数を保存する必要がある。二重量子化はこれらの量子化定数をさらに量子化し、追加で VRAM を節約する。論文では約 0.4 bit/パラメータを節約できる。
寓話を読む →
量子化
NF4
NormalFloat 4-bit
NF4はQLoRAが導入した4ビットデータ型で、ほぼ正規分布に従う重み向けに設計され、大規模モデルをより効率的に量子化するために使われる。
寓話を読む →
RAG
マルチモーダルRAG
Multimodal RAG
Multimodal RAG は、テキスト、画像、表、図面、音声、動画など多様なモダリティを検索拡張生成に取り込み、モデルが回答時に異なる種類の証拠を引用できるようにする。企業の現場では、大量の知識がスキャン文書、製品画像、チケットのスクリーンショット、契約書の表、録音、動画の中に存在する。
寓話を読む →
RAG / search
リランカー
Reranker
リランカー（Reranker）とは、初回検索後に候補文書やチャンクを再スコアリング・再並べ替えするモデルまたはコンポーネントである。
寓話を読む →
RAG evaluation
回答関連性
Answer Relevance
回答関連性 Answer Relevance は、モデルの回答がユーザーの質問とタスク目標に本当に応えているかを測る。回答は流暢で真実で情報豊かでも、ユーザーが本当に尋ねたことを解決していなければ、依然として関連性がない。
寓話を読む →
RAG evaluation
コンテキスト精度
Context Precision
コンテキスト精度 Context Precision は、検索またはモデルに提供されたコンテキストの中で、どれだけの前方の内容が本当に質問に関連しているかを測る。答えが検索されたかどうかだけでなく、関連資料が前に並んでいるか、無関係なノイズが多すぎないかにも注目する。
寓話を読む →
RAG evaluation
コンテキスト再現率
Context Recall
コンテキスト再現率 Context Recall は、質問に答えるために必要な重要な証拠が検索され、コンテキストに入れられたかを測る。必要な情報を漏らしていないかに注目する。
寓話を読む →
RAG evaluation
忠実性
Faithfulness
事実整合性 Faithfulness は、モデルの回答が与えられた証拠やコンテキストに忠実かを測る。回答は流暢で論理的、甚至大まかな方向性が正しくても、証拠に支持されない内容を加えたり、事実関係を書き換えたり、結論を誇張したりすれば、faithfulとは言えない。
寓話を読む →
RAG evaluation
検索精度
Retrieval Precision
Retrieval Precision は、検索が返した結果のうち真に特に関連する結果が占める割合を測る。RAG では、モデルのコンテキストに入る chunk のうち、どれだけが現在の質問を実際に支えられるかを答える。
寓話を読む →
RAG evaluation
検索再現率
Retrieval Recall
Retrieval Recall は、すべての関連結果のうちシステムが正常に検索できた割合を測ります。RAG では、重要な証拠が召回されたかどうかに答えます。低い recall は、モデルが不完全なコンテキストに基づいて回答する原因となり、コンプライアンス、契約、アフターサービス、医療などの場面では特に危険です。
寓話を読む →
Reasoning
思考グラフ
Graph of Thoughts
思考グラフはグラフ構造で中間の考えを組織し、推論ノードが分岐、統合、回溯、再利用できるようにし、組み合わせ型の推論タスクに適している。
寓話を読む →
Reasoning
自己一貫性
Self-Consistency
Self-Consistency は同一の問題に対して複数の推論パスをサンプリングし、投票または一貫性によって最終回答を選ぶ手法である。複雑な推論の安定性を高めるために、Chain-of-Thought と組み合わせて使われることが多い。
寓話を読む →
Reasoning
思考の木
Tree of Thoughts
Tree of Thoughts は、モデルの推論を複数の候補経路に展開し、分岐間で探索、評価、枝刈り、選択を行う方法である。計画、パズル、戦略的意思決定など、複数の可能な案を探索する必要があるタスクに適する。代価は推論コストがより高く、分岐生成、評価関数、停止条件、探索予算の設計が必要になることである。
寓話を読む →
Reasoning / tool use
プログラム補助言語モデル
Program-Aided Language Model, PAL
Program-Aided Language Model、PALはモデルにプログラムや実行可能コードを生成させ、そのプログラムを実行して数学、論理、データ処理などの問題を解く方法だ。モデルは自然言語の問題をプログラムに変換する役割を担い、実行器が正確な計算を担う。
寓話を読む →
推論/行動パターン
推論-行動パラダイム
ReAct
ReAct は推論と行動を交互に行うプロンプティングおよび Agent パターンです。モデルはまず短いステップで推論し、ツールや行動を選択し、結果を観察してから次のラウンドを続けます。外部情報、ツール呼び出し、段階的な意思決定が必要なタスクに適しています。
寓話を読む →
Regulation
EU AI 法
EU AI Act
EU AI 法は、EU がリスク階層別に AI を規制する法的枠組みであり、高リスクシステム、汎用目的 AI、透明性の開示に要件を課している。
寓話を読む →
Regulation
汎用目的 AI
General-Purpose AI, GPAI
汎用目的AIとは、多様な下流用途に適応できる汎用AIモデルまたはシステムを指し、複数の製品やエージェントの基盤能力として機能できる。
寓話を読む →
Regulation
高リスク AI システム
高リスクAIシステム
高リスクAIシステムとは、規制枠組みの中で、用途が安全、基本権または重要な機会に影響するために、より厳格な義務を負うシステムである。
寓話を読む →
規制・コンプライアンス
適合性評価
Conformity Assessment
適合性評価とは、規制対象の AI システムを市場に投入または使用する前に、適用される法律や標準の要件を満たしているかを検証する手続きです。
寓話を読む →
Reliability / AI platform
ロールバック
Fallback
フォールバックとは、優先するモデル、ツール、サービス、またはプロセスが失敗、遅延、利用不可、またはリスクが高すぎる場合に有効になる代替経路である。
寓話を読む →
Reliability / architecture
サーキットブレーカー
Circuit Breaker
サーキットブレーカーは、依存先が継続的に失敗したり遅延が高すぎたりする時に一時的に呼び出しを止め、連鎖障害を避け、回復期に段階的に探査する。
寓話を読む →
Reliability / operations
エラーバジェット
エラーバジェット
エラーバジェットは SLO の許容範囲内で消費できる信頼性の余裕であり、リリース速度、実験頻度、システム安定性のバランスを取るために使われる。
寓話を読む →
Reliability / operations
サービスレベル目標
Service Level Objective, SLO
サービスレベル目標とは、可用性、遅延、エラー率、タスク完了率など、サービスの信頼性に対する測定可能な約束である。
寓話を読む →
Reliability / product experience
降級
Graceful Degradation
優雅な劣化とは、容量、依存、モデル、ツール、データソースに異常が生じても、全体が失敗するのではなく、縮小された有用なサービスを提供し続けることである。
寓話を読む →
Reliability pattern
モデルのロールバック
Model Fallback
モデルフォールバックは、主モデルが失敗、タイムアウト、予算超過、またはポリシー違反した際に、リクエストを予備モデルやプロバイダーへルーティングする信頼性パターンである。
寓話を読む →
Reliability technique
事実アンカリング
Grounding
Grounding とは、モデルの出力と意思決定を、モデルの推測に頼るのではなく、与えられた証拠、ツールの結果、ソース文書、または検証済みのシステム状態に固定すること。企業 Agent において、grounding はハルシネーションを減らし、監査を支え、引用を生成し、ユーザーの信頼を築くための重要なメカニズム。
寓話を読む →
Representation learning
埋め込み
Embeddings
Embeddings とは、テキスト、画像、音声、コード、エンティティ、または業務オブジェクトを稠密な数値ベクトルに変換する表現方法です。Embedding と Embeddings は同じ中核メカニズムを指します。複数形は企業システムにおける資産化を強調します。つまり、多数のオブジェクトが継続的にエンコード、保存、検索、更新、評価されるということです。
寓話を読む →
リランキング
クロスエンコーダ
Cross-Encoder
Cross-Encoder はクエリと候補テキストを一緒に同じモデルに入力し、モデルが結合された文脈で関連性を判断する手法である。通常、クエリと文書を別々にエンコードする方式より精緻で、RAG の reranking、検索結果の精排、質問応答の証拠選択、コンプライアンス資料のマッチングに適している。
寓話を読む →
Retrieval
BM25
BM25
BM25 は古典的なキーワード検索のランキングアルゴリズムで、検索エンジンや RAG のスパース検索によく使われる。語頻度、逆文書頻度、文書長の正規化に基づいて文書とクエリの関連性を判断する。BM25 は固有名詞、番号、正確な用語、法規条項などの字面一致の問題が得意である。
寓話を読む →
Retrieval
双エンコーダ
Bi-Encoder
Bi-Encoder はクエリと文書をそれぞれエンコードし、両者をベクトルに変換したうえで類似度でマッチングするアーキテクチャである。文書ベクトルはオフラインで事前計算しベクトルデータベースに保存できるため、大規模なセマンティック検索、RAG の第一段階の再現、類似事例検索、レコメンドに非常に適している。
寓話を読む →
Retrieval
仮説文書埋め込み
Hypothetical Document Embeddings, HyDE
HyDE はまず仮説の回答または文書を生成し、それを embedding して検索に用いることで、短いクエリや曖昧なクエリの再現率を改善する。
寓話を読む →
Retrieval
最大限界関連性
Maximal Marginal Relevance, MMR
Maximal Marginal Relevance（MMR）は、関連性と多様性の間でトレードオフを行う検索結果選択手法である。クエリに関連しつつ、既に選択された結果とあまり重複しない文書を優先的に選ぶ。
寓話を読む →
Retrieval
マルチホップ検索
マルチホップ検索
マルチホップ検索は複雑な問題に答えるために多段階検索を行い、まず証拠断片を見つけ、次にエンティティ、関係、中間結論に基づいて検索を続ける。
寓話を読む →
Retrieval
クエリ書き換え
クエリ書き換え
Query Rewritingとは、ユーザーの元の質問を検索、データベースクエリ、ツール呼び出しに適した形式に書き換えることだ。指示語を補完し、用語を標準化し、複雑な問題を分割し、複数経路のクエリを生成し、RAGの召回品質を向上させる。
寓話を読む →
Retrieval
再帰的検索
Recursive Retrieval
Recursive Retrieval は、RAG や知識検索において、すでに取得した内容に基づいて後続のクエリを生成し続け、新しいエンティティを追跡し、欠けた証拠を補う検索方式である。マルチホップの質問、複雑なファクトチェック、長い連鎖の業務分析に適している。
寓話を読む →
Retrieval infrastructure
近似最近傍探索
Approximate Nearest Neighbor Search (ANN Search)
近似最近傍探索は、限られた時間と計算リソース内で十分に近いベクトルを見つけるもので、大規模ベクトル検索の基盤技術である。
寓話を読む →
Retrieval infrastructure abstraction
ドキュメントストア
ドキュメントストア
Document Store は、RAG、検索、質問応答パイプラインにおいてテキスト、メタデータ、埋め込みベクトル、インデックス情報を保持するストレージ抽象化である。Elasticsearch、OpenSearch、ベクトルデータベース、リレーショナルデータベース、またはフレームワーク内蔵ストレージで実装できる。
寓話を読む →
Retrieval infrastructure ecosystem
ベクトルデータベースのエコシステム
Vector Database Ecosystem
ベクトルデータベースのエコシステムには Pinecone、Milvus、Qdrant、FAISS などのデータベースや検索ライブラリが含まれ、ベクトルの保存、インデックス作成、クエリに使われる。
寓話を読む →
Retrieval method
密検索
Dense Retrieval
Dense Retrieval（密検索）は、ニューラルネットワークの embedding でクエリと文書を低次元の密ベクトルに符号化し、ベクトル類似度によって意味的に近い内容を探します。同義表現、言い換え、言語横断、暗黙の意図を扱うことができ、現代の RAG の中核的な検索方式の一つです。
寓話を読む →
Retrieval method
ハイブリッド検索
Hybrid Search
ハイブリッド検索（Hybrid Search）は、キーワード／スパース検索（BM25 など）とベクトル／セマンティック検索を組み合わせた検索手法である。キーワード検索は固有名詞、番号、コード、法規条項の正確な一致が得意で、ベクトル検索は字面は違っても意味が近い内容を見つけるのが得意である。
寓話を読む →
Retrieval method
セマンティック検索
Semantic Search
セマンティック検索（Semantic Search）は、正確なキーワード一致ではなく意味に基づいて結果を検索します。クエリと文書を同じベクトル空間に埋め込み、ベクトル距離を計算して意味的に最も近い内容を見つけます。従来のキーワード検索と比べ、セマンティック検索は同義語、類義表現、言語横断、曖昧な記述を扱え、より完全に召回できます。
寓話を読む →
Retrieval method
スパース検索
Sparse Retrieval
疎検索（Sparse Retrieval）は高次元の疎な特徴でクエリと文書を表現し、典型的な形式には BM25、転置インデックス、SPLADE のような学習型疎表現が含まれる。その強みはキーワード、稀な語、番号、固有名詞、エラーコード、条項を正確にヒットすることである。
寓話を読む →
Retrieval preparation
チャンク化
チャンキング
分塊（Chunking）は長い文書を検索とモデルコンテキストへの投入に適した小さな断片に切ることである。RAG システムは通常、文書全体をそのままモデルに詰め込むことはできず、まず文書を分塊し、ベクトル化し、索引化し、それから質問に応じて関連塊を召回する。分塊の品質は召回精度、コンテキストの完全性、引用の正確性、回答の品質に直接影響する。
寓話を読む →
Retrieval preparation
親子チャンク
親子チャンキング
親子チャンクは、より小さな子チャンクでベクトル検索し、より大きな親チャンクを文脈として返すことで、ヒット精度と意味の完全性を両立する。
寓話を読む →
Retrieval preparation
セマンティックチャンキング
セマンティックチャンキング
セマンティックチャンキング（Semantic Chunking）は、固定の文字数、トークン数、行数で機械的に分割するのではなく、意味の境界に従って文書を分割する。各チャンクをできるだけ相対的に完全な意味単位、例えば1つのルール、1つの手順、1つの定義、1組の例外、1つの事例にするよう努める。
寓話を読む →
Retrieval preparation
スライディングウィンドウチャンキング
Sliding Window Chunking
スライディングウィンドウ・チャンキング（Sliding Window Chunking）は、固定サイズのウィンドウで長い文書を分割し、隣接する chunk 間に一定の overlap を保持する。その目的は、意味や事実がちょうど分割境界をまたぐ際に切断されるリスクを減らすことである。
寓話を読む →
Retrieval quality
再ランキング
リランキング
Reranking とは、第一段階の検索の後で、候補となるドキュメント、chunk、検索結果を再スコアリングして並べ替えるステップです。通常はクエリと候補内容を組み合わせてより細粒度の関連性判断を行い、cross-encoder、LLM、専用の再ランキングモデルなどが担います。
寓話を読む →
Retrieval/application abstraction
クエリエンジン
Query Engine
Query Engine は LlamaIndex などのフレームワークにおけるアプリケーション抽象である。ユーザーのクエリを受け取り、レトリーバーやインデックスを呼び出して関連データを取得し、LLM やその他の戦略によって最終回答を合成する。
寓話を読む →
Risk Management
AI リスク管理
AIリスク管理
AIリスクマネジメントとは、AIシステムのライフサイクル全体にわたるリスクを識別、測定、優先順位付け、緩和、監視、報告する体系的なプロセスである。
寓話を読む →
Risk Management
AI リスクマネジメントフレームワーク
AI Risk Management Framework, AI RMF
AI RMF は AI リスクを治理する構造化フレームワークで、通常は治理、マッピング、測定、管理を中心にリスクを識別し制御する。
寓話を読む →
Risk Management
ハルシネーションリスク
Hallucination Risk
Hallucination Risk とは、生成AIが虚偽・根拠のない・でっち上げの内容を生成し、ユーザーがそれを事実として使ってしまうリスクです。
寓話を読む →
Risk Management
残余リスク
残存リスク
Residual Risk とは、制御、緩和、監視の措置を実施した後にもなお残るリスクを指す。企業 Agent ガバナンスでは、権限制限、承認フロー、ログ、評価、ガードレールがリスクを低減するが、リスクをゼロにはしない。
寓話を読む →
Risk Management
リスク受容
リスク受容
Risk Acceptance は、権限ある責任者が既知の残余リスクを受け入れると正式に決定するガバナンス行為である。通常、リスク内容、業務理由、適用範囲、期限、補償統制、監視指標、エスカレーション条件の説明を要する。
寓話を読む →
Risk Management
リスク選好
リスクアペタイト
Risk Appetite とは、組織が業務目標を達成するために受け入れる用意のあるリスクの種類と水準である。これは Agent の権限、自動化範囲、承認閾値、テスト強度、監視要件に上位の境界を提供する。
寓話を読む →
Risk Management
リスク評価
Risk Assessment
リスク評価：AI ユースケースやシステムの潜在的なリスクを識別・分析・等級付けし、危害、コンプライアンス義務、確率、重大性、管理措置を判断する。
寓話を読む →
Risk Management
リスクオーナー
リスクオーナー
Risk Owner は、特定のリスクに対して管理責任を負う人または職能であり、リスクが識別、評価、緩和、監視され、承認された閾値内に保たれることを確実にする責任がある。Control Owner とは異なる。Control Owner はある統制の運用に責任を負い、Risk Owner はそのリスク全体の処理と説明責任を負う。
寓話を読む →
Risk Management
リスク登録簿
リスク登録簿
リスク登録簿は、識別されたリスク、責任者、可能性、影響、緩和策、残存リスク、受容状態、レビュー周期を継続的に記録する。
寓話を読む →
SaaS / platform architecture
マルチテナント
マルチテナンシー
マルチテナントとは、複数の顧客や組織が同じプラットフォームを共有しながら、データ、権限、設定、使用量、課金、運用管理を分離することだ。その核心は単にサーバーを共有することではなく、共有と分離が同時に成立することにある。
寓話を読む →
SaaS / セキュリティアーキテクチャ
テナント分離
Tenant Isolation
テナント分離は、ある顧客のデータ、設定、権限、コンテキスト、ツール、ログ、リソースが他の顧客にアクセスされたり影響を与えたりしないことを保証する。
寓話を読む →
安全性とアラインメント
セーフティガードレール
Guardrails
セーフティガードレールは、AI/Agent を囲むセキュリティとガバナンスの制御群であり、入力、出力、ツール呼び出し、権限、高リスク動作を制限するために用いられる。
寓話を読む →
Sales AI / Revenue operations
セールスインテリジェントエージェント
Sales Agent, AI Sales Agent, Sales Copilot
セールスインテリジェントエージェントは、営業とレベニューオペレーション向けの AI 実行システムであり、顧客調査、リードスコアリング、パーソナライズされたアプローチ、会議準備をカバーする。
寓話を読む →
Security
AIセキュリティ
AI Security
AI Security は、AI/Agent システムをプロンプトインジェクション、データ漏洩、モデル濫用、ツールの権限逸脱、訓練/検索データの汚染、サプライチェーンリスク、認証情報漏洩、敵対的攻撃から保護するセキュリティ実践である。
寓話を読む →
Security
属性ベースのアクセス制御
Attribute-Based Access Control, ABAC
属性ベースのアクセス制御（ABAC）は、人の役割だけを見るのではなく、主体、リソース、アクション、環境などの属性を組み合わせて許可するかどうかを決定する。主体はユーザーまたは Agent、リソースは顧客データまたはツール、アクションは読み取り、エクスポート、削除、環境は時間、デバイス、ネットワーク、テナント、承認状態であり得る。
寓話を読む →
Security
バックドア攻撃
Backdoor Attack
バックドア攻撃は、モデル、データ、依存関係、システムに隠れた動作を植え付け、普段は正常だが、特定のトリガー条件で異常を起こす。
寓話を読む →
Security
コンテキスト汚染
Context Poisoning
コンテキスト汚染とは、悪意ある、古い、無関係、または低品質な内容が Agent のコンテキストに入り込み、推論、意思決定、ツール呼び出しに影響を与えることだ。
寓話を読む →
Security
データ漏えい
Data Exfiltration
データ漏洩とは、データが許可なく管理境界の外へ出る行為であり、ツール呼び出し、プロンプトインジェクション、統合システムを通じて発生しうる。
寓話を読む →
Security
データポイズニング
Data Poisoning
データポイズニングとは、攻撃者が訓練、微調整、評価、検索、またはフィードバックのデータを操作し、AI システムに誤った、偏った、安全でない、または攻撃者に有利な行動を学習させることだ。それは必ずしも訓練セットで起こるとは限らず、文書庫、チケット、ログ、ユーザーフィードバック、人手アノテーションの中に潜んでいることもある。
寓話を読む →
Security
越権代理
過剰なエージェンシー
越権代理とは、AI Agent に与えられた自律性、ツールアクセス、意思決定権限、または操作範囲が、タスクのリスクとガバナンス能力を超えていることを指す。それは単なる権限の小さな誤りではなく、システムが Agent に本来単独で完遂させるべきでないことを許してしまった状態である。
寓話を読む →
Security
モデルポイズニング
Model Poisoning
モデルポイズニングは重み、アダプタ、チェックポイント、または訓練プロセスを操作し、モデルにバックドア、偏り、誤った行動を生じさせる。
寓話を読む →
Security
OWASP LLM Top 10
OWASP Top 10 for LLM Applications
OWASP LLM Top 10 は大規模モデルアプリケーション向けのリスク分類であり、プロンプトインジェクション、データ漏洩、ツールの悪用などの一般的な脆弱性をカバーしている。
寓話を読む →
Security
権限境界
Permission Boundary
権限境界とは、Agent、ユーザー、ロール、ツールが何を読み、書き、呼び出し、変更、削除、委任できるかの最大上限である。それは提案でも、プロンプト内の柔らかい注意でもなく、実行時またはツール層で必ず執行されるハード境界である。
寓話を読む →
Security
ロールベースのアクセス制御
Role-Based Access Control, RBAC
RBAC は権限を個々のアイデンティティではなくロールに割り当て、ユーザーや Agent がロールを通じてアクセス範囲を継承できるようにし、ガバナンスを容易にする。
寓話を読む →
Security
サプライチェーンリスク
Supply Chain Risk
サプライチェーンリスクは依存ライブラリ、モデル、データセット、ツール、プラグイン、または外部サービスから生じ、セキュリティ、コンプライアンス、事業継続性に影響しうる。
寓話を読む →
Security
ツール出力の汚染
ツール出力ポイズニング
ツール出力汚染とは、外部ツール、Webページ、ファイル、API、プラグインが悪意ある、または誤解を招く内容を返し、Agentにポリシーの無視、他ツールの呼び出し、データ漏洩、目標の変更を誘導することです。
寓話を読む →
Security / agent runtime
サンドボックス
Sandbox
サンドボックスは隔離された実行環境であり、ファイル、プロセス、ネットワークアクセス、システムコール、ツール、資格情報を制限するために使う。コードやツールの出力が誤っても、外部システムに影響しにくくする。
寓話を読む →
セキュリティ／コンプライアンス
監査ログ
Audit Log
監査ログは、誰がいつどのリソースに対して何の操作を実行したかを記録し、通常は身元、時刻、リソース、動作、入出力、結果状態を含む。
寓話を読む →
セキュリティ／ガバナンス
権限モデル
Permission Model
権限モデルはユーザー、Agent、ツール、リソース、アクション、認可、承認、監査の関係と境界を定義する。
寓話を読む →
Security / operations
最小権限の原則
Principle of Least Privilege
最小権限の原則とは、ユーザー、Agent、サービス、ツールに、現在のタスクを完了するために必要な最小限の権限と最短の有効期間だけを付与することです。
寓話を読む →
Security / operations
機密管理
Secrets Management
機密管理は、API key、パスワード、token、証明書などの機密資格情報の安全な保存、配布、ローテーション、失効、監査を担う。
寓話を読む →
セキュリティ／コンプライアンス
情報セキュリティマネジメントシステム
情報セキュリティマネジメントシステム、ISMS
Information Security Management System、ISMS は情報セキュリティを管理する体系であり、通常はセキュリティポリシー、資産識別、リスク評価、リスク対応、管理策、役割と責任、トレーニング、監査、証拠、継続的改善を含みます。
寓話を読む →
セキュリティ／ガバナンス
職務分離
職務分掌（Segregation of Duties, SoD）
職務分離は相互に衝突する責任を切り分け、単一の個人や Agent が高リスクのプロセスを独立して完了し、牽制を欠くことを避ける。
寓話を読む →
Security/Privacy
データ漏洩防止
Data Loss Prevention, DLP
DLP。これは機密データが安全境界を離れるのを発見、監視、阻止する仕組みで、通常は端末、メール、チャット、クラウドストレージ、Web アップロード、API、データベースエクスポートをカバーする。
寓話を読む →
Serving
vLLM
vLLM
vLLM は高スループットの LLM 推論エンジンで、ページドアテンションと連続バッチ処理により並行効率を高め、本番サービスでよく選ばれる。
寓話を読む →
Serving / UX
ストリーミング応答
Streaming Response
ストリーミング応答は、トークンやコンテンツブロックを生成する際に即座に結果を返し、完全な出力が完了するのを待って一度に返すのではありません。
寓話を読む →
サービング指標
毎秒 token 数
Tokens Per Second, TPS
毎秒トークン数（TPS）は、モデルまたはサービスシステムが毎秒どれだけのトークンを生成するかを測る指標で、通常は主にデコード段階を見る。速度とスループットの重要な指標である。
寓話を読む →
サービング最適化
Chunked Prefill
Chunked Prefill
Chunked Prefill は長いプロンプトのプリフィル処理を小さな塊に分割し、単一の長いリクエストがGPUスケジューリングリソースを長期間占有するのを避ける。
寓話を読む →
サービング最適化
ドラフトモデル
Draft Model
ドラフトモデルは投機的デコーディングにおけるより小さく高速なモデルで、まず候補トークンの列を提案するために使われる。その後、目標とする大規模モデルがこれらの候補を検証し、自身の分布に合うプレフィックスのみを受け入れる。
寓話を読む →
サービング最適化
KV Cache
Key-Value Cache
大規模モデルがテキストを生成するとき、各古いトークンはアテンション機構が使えるKeyとValueを生成する。これらのKey/Valueをキャッシュしておけば、後で新しいトークンを生成するときに履歴全体を再計算する必要がない。
寓話を読む →
ソフトウェアアーキテクチャ / ワークフロー
ステートマシン
ステートマシン
State Machine は、明確な状態の集合と状態遷移規則でシステムの振る舞いを記述する。承認フロー、タスク実行、Agent ライフサイクル、複雑な UI、例外処理の管理に適している。システムはどの時点でも識別可能な状態にあり、許可された条件によってのみ次の状態へ移行できるからだ。
寓話を読む →
Speech AI
音声認識
Automatic Speech Recognition, ASR
Automatic Speech Recognition, ASR は音声をテキストに変換する技術です。企業のAgentでは、ASRは音声カスタマーサポート、会議記録、アウトバウンドコール、品質チェック、リアルタイム音声アシスタントなどでよく使われます。
寓話を読む →
Speech AI
音声合成
Text-to-Speech, TTS
Text-to-Speech、TTS はテキストを聴ける音声に変換する技術です。企業 Agent では、TTS は音声カスタマーサポート、リアルタイムアシスタント、通知の読み上げ、アクセシビリティ、アウトバウンドコールの場面で使われます。
寓話を読む →
System architecture
マルチエージェント・オーケストレーション
マルチエージェント・オーケストレーション
マルチエージェント・オーケストレーションは、タスクを複数の専門 Agent に割り当て、役割、依存関係、メッセージ、出力、衝突、最終結果を調整する。
寓話を読む →
System architecture
オーケストレーション
オーケストレーション
オーケストレーションはモデル、ツール、ワークフロー、Agent、人手による承認、状態、エラー処理を調整し、完全なタスクが複数のコンポーネントをまたいで確実に進むようにする。全体の依存関係、ルーティング、権限、リトライ、エスカレーション、並列化、結果の統合に注目する。
寓話を読む →
システム設計
コンテキストエンジニアリング
Context Engineering
Context Engineeringは、モデルのためにコンテキストを選択、組織、圧縮、更新、分離するエンジニアリング実践である。従来のPrompt Engineeringより広い。指示を書くだけでなく、メモリ、検索、ツール結果、タスク状態、権限境界、出所の信頼性、token制約も扱う。
寓話を読む →
Tokenization
バイトペアエンコーディング
Byte Pair Encoding, BPE
Byte Pair Encoding（BPE）は一般的なサブワード分割手法です。基本記号から始め、学習コーパスで最も頻繁に隣接して出現する記号ペアを繰り返し統合し、固定された語彙セットを得ます。
寓話を読む →
Tokenization
トークン
Token
Token はモデルがテキストやデータを処理する基本単位で、単語、サブワード、文字断片、句読点、記号のいずれかである。モデルのコンテキストウィンドウ、API 課金、遅延、スループット、出力長は通常、文字や単語ではなく token で計算される。
寓話を読む →
Tokenization
分かち書き
Tokenization
Tokenization は生のテキストをモデルが処理できる token 列に変換するプロセスである。一般的な方法には BPE、SentencePiece などのサブワード分割方式がある。分割は token 数、コンテキスト占有、コスト、速度、多言語性能、コード処理、特殊文字の挙動に影響する。
寓話を読む →
Tokenization
トークナイザー
Tokenizer
Tokenizer はテキストを token IDs にマッピングし、生成された token IDs をテキストに復元するソフトウェアコンポーネントだ。通常、語彙表、分詞アルゴリズム、特殊 token ルールを含む。
寓話を読む →
Tokenization
語彙表
語彙
Vocabulary は tokenizer またはモデルが認識できる token の集合で、通常はサブワード断片、記号、特殊 token とその token ID を含む。テキストがどのようにエンコードされるか、どの断片を効率的に表現できるか、同じテキストがどれだけのコンテキスト空間を占めるかを決める。
寓話を読む →
ツール
ブラウザツール
Browser Tool
Browser Tool は、Agent がウェブページを開き、ページを読み、コントロールをクリックし、フォームに入力し、またはウェブタスクを実行するためのツールです。
寓話を読む →
Tool interface
プラグイン
Plugin
Plugin は AI システムが発見して呼び出せる外部能力パッケージで、通常はある API、ツール、またはサービスの用途、パラメータ、権限、返却形式を記述します。これにより Agent はカレンダー、CRM、データベース、チケット、決済などのシステムに接続して動作を実行できます。
寓話を読む →
Training
チェックポイントの有効化
アクティベーションチェックポイント／勾配チェックポイント
アクティベーションチェックポイントは訓練時に一部の中間アクティベーションだけを保存し、逆伝播時に残りを再計算し、VRAMを計算と引き換える。
寓話を読む →
Training
bf16
Brain Floating Point 16
Brain Floating Point 16, bf16 は 16 ビット浮動小数点形式で、指数範囲は fp32 と同じだが仮数が少ない。fp32 と比べてメモリと帯域を節約し、fp16 と比べて数値オーバーフローが起きにくく、通常は複雑な勾配スケーリングを必要としない。
寓話を読む →
Training
破滅的忘却
Catastrophic Forgetting
Catastrophic Forgetting とは、ニューラルネットワークが新しいデータや新しいタスクでファインチューニングされた後、以前に学習した能力を著しく失う現象です。企業が LLM をファインチューニングする際、データが狭すぎたり、学習率が高すぎたり、訓練エポックが多すぎたりすると、汎用能力、安全アラインメント、既存の業務能力が劣化する可能性があります。
寓話を読む →
Training
思考連鎖トレーニング
Chain-of-Thought Training
Chain-of-Thought Trainingは段階的推論軌跡で微調整または訓練を行い、数学、計画、論理などの多段階タスクにおけるモデルの能力を向上させる。最終答えだけの監督よりも解答過程を伝えられるが、高品質で真実で検証可能な推論データに依存する。
寓話を読む →
Training
Chinchilla方式
Chinchilla Optimal
Chinchilla Optimal とは、DeepMind の Chinchilla の研究で提唱された計算最適なスケーリングの見方である。固定された訓練計算予算の下では、モデルのパラメータ数と訓練トークン数を同時に増やすべきであり、多くの初期の大規模モデルはパラメータが相対的に大きすぎ、訓練トークンが不足していた。
寓話を読む →
Training
継続事前学習
Continual Pre-training / Continued Training
継続的事前学習とは、既存の基盤モデルの上で、新しい領域、新しい期間、または新しい言語スタイルのデータを使って訓練を続けることだ。モデルに知識を補わせ、業界の表現に適応させることができるが、元の能力を薄めたり、新しいバイアスを持ち込んだりする可能性もある。
寓話を読む →
Training
カリキュラム学習
カリキュラム学習
Curriculum Learning は、易から難へ、または能力段階に沿って訓練サンプルを組織する戦略で、人間の学習課程に似ている。モデルの事前学習、指示微調整、Agent 軌跡訓練、ツール使用訓練に用いることができ、モデルが基礎能力をより安定して習得してから複雑なタスクを処理するのを助ける。
寓話を読む →
Training
データ混合
Data Mixing
データ混合とは、事前学習や微調整において異なるデータソースを比率に応じて組み合わせる戦略である。コード、数学、中国語、安全性、カスタマーサポート、業界文書などのデータ比率が異なれば、モデルが最終的に得意とする能力や形成される偏りも変わる。
寓話を読む →
Training
ノイズ除去目標
Denoising Objective
Denoising Objective は拡散モデル訓練の中核目標である。モデルはノイズを加えたデータからノイズを予測して除去し、徐々にきれいなサンプルを復元することを学ぶ。異なるノイズ強度で訓練することで、モデルはデータ分布の構造を把握し、生成時にはランダムノイズから一歩ずつ逆推して画像、音声、その他の内容を生み出す。
寓話を読む →
Training
GRPO
Group Relative Policy Optimization
GRPO は強化学習の最適化手法で、大規模モデルのアラインメントや推論能力の訓練によく使われる。同じプロンプトに対して候補回答のグループを生成し、グループ内の相対的なパフォーマンスで報酬アドバンテージを計算することで、独立した価値関数モデルへの依存を減らす。
寓話を読む →
Training
マスク言語モデリング
Masked Language Modeling, MLM
Masked Language Modeling（MLM）は、入力中の一部の token をランダムに隠し、モデルに文脈から隠された内容を予測させる訓練目標である。BERT 系の双方向 Encoder の事前学習によく使われ、モデルに理解型の表現を学習させる。
寓話を読む →
Training
混合精度トレーニング
Mixed Precision Training
Mixed Precision Training は、モデル訓練中に FP32、FP16、bf16 など異なる数値精度を同時に使用し、メモリ使用量を削減しスループットを向上させながら、重要な計算の安定性を保つ手法である。
寓話を読む →
Training
マルチタスク学習
マルチタスク学習
Multi-Task Learning は、一つのモデルを複数の関連タスクで共同訓練し、表現やパラメータを共有しながら各タスクの出力を同時に学習させる。タスク間に共通構造がある場合に特に、データ効率と汎化能力を向上させることができる。
寓話を読む →
Training
次の単語の予測
Next-Token Prediction
Next-Token Prediction は、モデルが既存のコンテキストに基づいて次のトークンを予測するトレーニング目標であり、GPT 系の自己回帰言語モデルの中核です。大規模データから言語、コード、推論パターンを学習できますが、実運用には事実確認、権限チェック、実行検証を組み合わせる必要があります。
寓話を読む →
Training
事前学習
Pre-training
Pre-trainingは訓練プロセスにおける基礎段階であり、まずモデルに大規模コーパスから汎用的な表現と生成能力を学ばせる。それは後続のfine-tuning、alignment、evaluationと一つの連鎖を成す。基礎の火加減が不足すれば、その後の企業適応は非常に苦しくなる。
寓話を読む →
Training
強化学習による微調整
Reinforcement Fine-Tuning, RFT
強化学習微調整（RFT）は、検証可能またはスコアリング可能な結果シグナルを用いてモデルの行動を継続的に最適化する。推論、コード、数学、企業プロセスにおいて、モデルがデモデータよりも安定した戦略を学ぶためによく用いられる。
寓話を読む →
Training
検証可能な報酬による強化学習
Reinforcement Learning with Verifiable Rewards, RLVR
RLVR は、プログラムで検証可能な結果を報酬信号として使いモデルを訓練する。例えば数学の答え、コードテスト、ルール検証に合格したかどうかなどである。
寓話を読む →
Training
スケーリング則
Scaling Laws
Scaling Lawsは、モデル性能とパラメータ数、訓練データ、計算量などの規模要因との間の経験的関係を記述する。チームがモデル、データ、計算資源の規模を拡大する際の効果とコストを予測し、パラメータ数だけを増やすこと、データの不足、計算資源の浪費を避けるのに役立つ。企業の意思決定では、スケーリング則は予算計画、モデル選定、訓練戦略の判断に用いられる。
寓話を読む →
Training / privacy
連合学習
Federated Learning
Federated Learning は、複数当事者が協調して訓練する手法であり、各参加者はローカルの生データを保持し、モデル更新、勾配、または保護された統計情報のみを共有する。金融、医療、政府・企業など、データを集中集約できない場面でよく用いられる。
寓話を読む →
トレーニングと推論
知識蒸留
Knowledge Distillation
知識蒸留は小さいモデルに大きいモデルの出力分布や振る舞いを学ばせ、より低い推論コストでできるだけ多くの能力を保つ。
寓話を読む →
Training data
データ拡張
データ拡張
Data Augmentationは変換、摂動、書き換え、合成または組み合わせサンプルで訓練データを拡充する方法であり、モデルの真実の変化への適応能力を高めるために用いられる。同義表現、ノイズ入力、形式差異、境界条件、まれな場面をカバーできる。
寓話を読む →
Transformers
アテンション機構
Attention Mechanism
それはモデルが一連の情報を処理する際、すべての位置を平均的に見るのではなく、現在生成または理解しようとする内容に基づいて、どの位置がより重要かを動的に判断させる。
寓話を読む →
Transformers
デコーダ
Decoder
Decoder は Transformer において出力シーケンスを生成する部分である。典型的な Decoder は生成時に因果マスクを使い、生成済みの token のみに注目でき、次の token を段階的に予測する。
寓話を読む →
Transformers
エンコーダ
Encoder
Encoder は Transformer アーキテクチャにおいて入力系列を文脈化された表現に符号化する部分である。通常は入力を双方向に見られるため、分類、検索ベクトル、再ランキング、固有表現抽出、文書表現などの理解系タスクに適する。
寓話を読む →
Transformers
マルチヘッドアテンション
Multi-Head Attention
Multi-Head Attention は注意を複数の head に分け、モデルが同じ層で異なる種類の関係を並行して学習できるようにし、その結果を統合する。異なる head は文法、照応、位置、タスク制約、ツール出力など異なるパターンに注目できる。
寓話を読む →
Transformers
位置エンコーディング
Positional Encoding
Positional Encoding は Transformer に順序と相対位置の情報を注入する。なぜなら自己注意自体はトークンの順序に敏感ではないからである。固定エンコーディング、学習可能エンコーディング、あるいは RoPE、ALiBi などの位置方式へ発展させることができる。
寓話を読む →
Transformers
自己注意
Self-Attention
Self-Attentionは、シーケンス内の各tokenが自分の表現を計算する際に、同じシーケンス内の他のtokenを参照し、関連性に応じて重みを割り当てる。これはTransformerの中核能力であり、モデルがコンテキスト内部で依存関係を構築できるようにする。
寓話を読む →
Transformers
Transformer
Transformer
これは自己注意機構を中核とするニューラルネットワークアーキテクチャであり、系列内の異なる位置が直接互いを参照し、テキスト、コード、画像断片などの情報を並列処理できる。
寓話を読む →
信頼と帰属
引用
引用
Citations は生成内容の重要な主張に出典を付し、ユーザーが証拠を確認し、事実を検証し、出所を追跡できるようにする。企業の RAG と Agent システムでは、引用はその主張を実際に支持する文書断片、ツール結果、または記録バージョンを指すべきである。
寓話を読む →
ユーザー向け製品 / 生産性
AIアシスタント
AI Assistant、Copilot
AI Assistant / Copilotは、ユーザーのワークフローに組み込まれ、具体的なタスクの完了を支援するAIシステムである。通常は検索、起草、リマインド、分析、候補案の生成、低リスク手順の実行を担い、責任と重要判断は依然として人間または業務プロセスが握る。
寓話を読む →
ベクトル検索ライブラリ
FAISS
Facebook AI Similarity Search, FAISS
FAISS は Meta がオープンソース化した高効率なベクトル類似度検索とクラスタリングのライブラリで、ローカルのベクトル検索や大規模な近傍探索によく使われます。
寓話を読む →
Workflow automation / Orchestration
AIワークフロー
AI ワークフロー、エージェント型ワークフロー
モデル判断、ルール検証、ツール呼び出し、業務システム、人手承認、例外処理を一つの流れに編成し、AIが単に質問に答えるだけでなく、業務タスクを安定して前進させるようにする。
寓話を読む →
インタラクション機構
インテリジェントエージェントの交渉
Agent Negotiation
エージェント交渉は、複数のAgentが目標、リソース、制約の衝突時に、情報交換、譲歩、コミットメント、検証を通じて意思決定に達することだ。
寓話を読む →
協働メカニズム
マルチエージェント反省
Multi-Agent Reflection
Multi-Agent Reflectionとは、複数のAgentが方案・推論・ツール結果・出力を独立に検査し、互いに批判し、修正し、集約する仕組みである。複雑なタスクの品質を高められるが、集団同調・エラーの共有・過信・循環的な消耗を防ぐ必要がある。
寓話を読む →
協働メカニズム
タスク分解
Task Decomposition
Task Decomposition とは、複雑な目標を実行可能・順序付け可能・検証可能なサブタスクに分解することです。Agent にとって、これは計画の品質、ツール呼び出しの順序、並列処理の境界、失敗からの復旧能力を決定します。優れたタスク分解には、依存関係、入出力、受け入れ基準、リスクノード、再計画の仕組みを含めるべきです。
寓話を読む →
協働モデル
インテリジェントエージェントの討論
Agent Debate
エージェント討論は複数の Agent がそれぞれ証拠を提出、反論、検証し、複雑な推論や高リスクの意思決定の信頼性を高める。
寓話を読む →
協働モデル
エージェント群
Agent Swarm
インテリジェント体群は、多数の比較的単純な Agent が局所ルール、共有シグナル、軽量な調整によって共に問題を解決する。
寓話を読む →
協働モデル
マルチエージェント合意
マルチ Agent コンセンサス
Multi-Agent Consensus は、複数の Agent、モデル、役割が証拠、見解、行動提案について制御可能な一致を形成する仕組みである。高リスクの意思決定、複雑なタスク分解、相互審査、多源情報の判断に適している。
寓話を読む →
協働モデル
ロールプレイ型マルチエージェント
ロールプレイングマルチエージェント
Role-Playing Multi-Agent は、複数の Agent に異なる専門役割、利害関係者、またはレビュー視点を演じさせ、分析、生成、評価、意思決定を共同で行わせるものです。価値は、役割の境界と職責の違いを明示的に導入し、単一モデルの視点では法律、運用、顧客、技術、安全などの制約を見落とすことを避けられる点にあります。
寓話を読む →
協働現象
創発的行動
創発的挙動
Emergent Behavior とは、システム内の複数のモデル、Agent、ルールが相互作用した後に、設計者が一つ一つ書き出していない全体挙動が現れることを指す。それは効率をもたらすこともあれば、渋滞、共謀、循環呼び出し、リスク増幅を形成することもある。企業導入では、創発的行動をシミュレーション、観測、ガバナンスに組み込む必要がある。
寓話を読む →
可観測性
Agent 意思決定トラッキング
エージェント意思決定トレーシング
Agent Decision Tracing とは、企業の Agent がタスクを実行する際の重要な判断、コンテキストの出所、ツール呼び出し、ルールのヒット、代替パス、放棄理由を記録し、チームが「なぜそうしたのか」を振り返れるようにすることである。単なるログの蓄積ではなく、意思決定チェーンの説明可能な証拠である。
寓話を読む →
可観測性
コンプライアンスログ
Compliance Logging
コンプライアンスログは、法規、契約、監査または内部ポリシーの要求に従い、システムのやり取り、制御の実行、重要な意思決定の記録を保持する。
寓話を読む →
可観測性
ユーザーフィードバックループ
Feedback Loop
ユーザーフィードバックのループは、行動、エラー、苦情、人手による修正、業務結果を継続的に製品、プロンプト、ナレッジベース、モデル、またはプロセスへ還流させる。
寓話を読む →
可観測性
ハルシネーション検出
Hallucination Detection
ハルシネーション検出は、モデル出力が与えられた文脈、出典文書、既知の事実と一致しないかを判断するもので、一般に主張抽出と証拠照合を用いる。
寓話を読む →
可観測性
LLM 可観測性
LLM Observability
LLM Observabilityとは、LLM/Agentアプリケーションの入力、prompt、モデル呼び出し、検索、ツール呼び出し、出力、遅延、エラー、コスト、品質指標を収集、追跡、分析すること。チームが幻覚、検索失敗、コスト異常、ベンダー問題、バージョン回帰を特定するのに役立つ。
寓話を読む →
可観測性
遅延監視
Latency Monitoring
遅延監視は LLM または Agent リクエストの所要時間を継続的に測定し、多くの場合、初回トークン時間、デコード速度、ツール所要時間、エンドツーエンド遅延に注目する。
寓話を読む →
可観測性
本番ドリフト検出
Production Drift Detection
Production Drift Detectionは、オンラインの本番環境で、入力分布、ユーザー行動、ツールの戻り値、業務シナリオ、モデル出力品質、結果指標がリリース時の状態から逸脱していないかを継続的に監視する。
寓話を読む →
可観測性
プロンプトのバージョン管理
Prompt Versioning
プロンプト版管理はプロンプトテンプレートの版を記録し、デプロイ時期、オンライン効果、評価結果、ロールバック記録、業務指標を関連付ける。
寓話を読む →
可観測性
Token 使用量モニタリング
Token Usage Monitoring
Token 使用量モニタリングは、入力 token、出力 token、総 token、コスト、ユーザー、製品領域、モデル、リクエスト種別を追跡する。チームはどこに金が使われ、どのリクエストが異常で、どの機能の粗利が圧迫されているかを知ることができる。
寓話を読む →
可観測性
呼び出しチェーン追跡
Tracing
Tracing は、1 回のリクエストが複数のサービス、Agent、モデル、ツール、API の間を流れる経路を記録する可観測性の仕組みです。通常は trace id で複数の span をつなぎ、所要時間、入出力の要約、エラー、リトライ、依存関係を記録します。
寓話を読む →
ベースライン
BIG-bench（模倣ゲームを超えてベンチマーク）
Beyond the Imitation Game Benchmark
BIG-bench, Beyond the Imitation Game Benchmark は、多数のタスクをカバーする言語モデル能力ベンチマークであり、「人間らしいかどうか」といった単一の判断を超え、推論、知識、言語、数学、創造など多様なタスクでのモデルの性能を体系的に評価することを目的とする。
寓話を読む →
ベースライン
HumanEval（コード生成評価）
HumanEval
HumanEval はコード生成モデルを評価するためのベンチマークで、通常は関数シグネチャ、説明、テストが与えられ、モデルにはテストを通過するコードの生成が求められる。
寓話を読む →
ベースライン
MMLU（大規模マルチタスク言語理解）
Massive Multitask Language Understanding
MMLU は多分野と難易度層をカバーする言語理解ベンチマークで、モデルの知識、推論、試験問題における能力を評価するために用いられる。
寓話を読む →
ベースライン
SWE-bench
SWE-bench
SWE-bench は、モデルが実際のソフトウェアエンジニアリング問題を解決する能力を評価するベンチマークであり、通常は実際のオープンソースリポジトリの issue に基づいてコードを修正し、テストを通過することが求められる。
寓話を読む →
ベースラインフレームワーク
HELM（全体的な言語モデル評価）
Holistic Evaluation of Language Models
Holistic Evaluation of Language Models、HELM はスタンフォードが提唱した全体的な言語モデル評価フレームワークで、正確性、キャリブレーション、ロバスト性、公平性、効率、バイアス、毒性など複数の次元からモデルを体系的に評価することを重視する。
寓話を読む →
セキュリティ手法
モデルセキュリティ評価
Model Safety Evaluation
モデル安全評価は標準化またはカスタム化されたテストセットで、有害コンテンツ、ジェイルブレイク、濫用、プライバシー、バイアス、危険な助言、ポリシー回避などの場面におけるモデルの挙動を体系的に評価する。拒否率、有害出力率、境界一貫性、代替回答の品質、マルチターン攻撃下での安定性に注目する。
寓話を読む →
セキュリティ手法
レッドチーミング
レッドチーミング
レッドチームテストは攻撃者や高リスクユーザーを能動的に模擬し、AI システムの安全境界、ポリシー上の脆弱性、故障モードを検証します。
寓話を読む →
安全メカニズム
有害コンテンツフィルタリング
有害コンテンツフィルタリング
有害コンテンツフィルタリングは暴力、ポルノ、ヘイト、自傷、違法指導、ハラスメントなどの内容を識別して遮断する、セキュリティガバナンスの基礎層である。
寓話を読む →
アラインメント技術
人間のフィードバックによる強化学習
RLHF（Reinforcement Learning from Human Feedback）
通常はまずモデルに生成を学ばせ、次に複数の回答に対する人間の選好比較を集め、その選好で報酬モデルを訓練し、最後に強化学習でモデルを調整して、出力を人間の選好に近い方向へ導く。
寓話を読む →
アラインメント技術
安全微調整
安全性ファインチューニング
安全微調整は安全データでモデルの訓練を続け、危険な要求をより安定的に拒否し、有害な出力を減らし、企業ポリシーの境界を遵守させる。
寓話を読む →
ツール
評価スイート
Eval Suite / Eval Harness
評価スイートはテストデータ、タスクシナリオ、実行フロー、採点ルール、レポートをまとめ、モデルや Agent を再現可能に評価するために用いる。
寓話を読む →
指標
タスク成功率
タスク成功率
Task Success Rate は、Agent や自動化システムが与えられたタスクでユーザーの目標を実際に達成した割合を測る。呼び出し回数、応答回数、フローの起動有無だけを見るのではなく、成功条件、受け入れ証跡、失敗分類を明確に定義する必要がある。
寓話を読む →
攻撃タイプ
敵対的サンプル
敵対的サンプル
Adversarial Examples とは、意図的に設計され、正常に見えながらモデルやシステムを誤らせる入力である。企業 Agent では、悪意あるプロンプト、似ているが誤った文書、形式の罠、視覚ノイズ、境界的な業務リクエストなどとして現れうる。
寓話を読む →
攻撃タイプ
サービス拒否攻撃
Denial-of-Service (DoS) on LLM
LLM のサービス拒否攻撃は、超長いコンテキスト、再帰的タスク、大量の並行処理、または高コストなツール呼び出しによってモデルサービスのリソースを枯渇させる。
寓話を読む →
攻撃タイプ
間接プロンプトインジェクション
Indirect Prompt Injection
間接プロンプトインジェクションは、悪意ある指示をウェブページ、文書、メールなどの外部コンテンツに隠し、Agent が検索または読み取った後に発動するのを待つ。
寓話を読む →
攻撃タイプ
脱獄
Jailbreak
ジェイルブレイクは、ロールプレイ、質問の言い換え、表現の難読化、複数ターンでの誘導、エンコード言語などを通じて、モデルまたは Agent の安全・ポリシー・権限の境界を回避しようとする試みです。
寓話を読む →
攻撃タイプ
マルチモーダルジェイルブレイク
Multi-modal Jailbreak
マルチモーダルジェイルブレイクは、画像、音声、動画、スクリーンショット、QRコード、レイアウトなどの非テキスト入力でモデルの安全境界を回避する。
寓話を読む →
攻撃タイプ
プロンプトインジェクション
Prompt Injection
プロンプトインジェクションとは、ユーザーが制御可能なテキストによって AI システムの指示を上書き、回避、操作しようとする攻撃手法である。
寓話を読む →
攻撃タイプ
脱獄
Prompt Leaking
プロンプト漏洩とは、攻撃者が誘導、ロールプレイ、翻訳、形式変換、または複数ターンの誘い出しによって、モデルにシステムプロンプト、開発者指示、隠しルール、ツール説明、プライベートコンテキスト、または機密データを漏洩させる攻撃手法である。
寓話を読む →
アーキテクチャ
エージェントオーケストレーション
エージェントオーケストレーション
Agent Orchestration は、1つまたは複数の Agent のタスク割り当て、状態遷移、ツール呼び出し、承認、リトライ、終了条件を編成することである。
寓話を読む →
アーキテクチャ
ブラックボードアーキテクチャ
Blackboard Architecture
Blackboard Architecture は協調型アーキテクチャです。複数の専門モジュールや Agent が共有の黒板状態を通じて問題を読み取り、中間結果を書き込み、仮説を更新し、次の処理を起動します。
寓話を読む →
アーキテクチャ
分散型マルチエージェント
Decentralized Multi-Agent
Decentralized Multi-Agent は単一の中央コントローラを持たないマルチエージェントシステムであり、複数の Agent が局所観察、プロトコル、メッセージパッシング、一貫性ルールを通じて協調して動作する。
寓話を読む →
アーキテクチャ
階層型マルチエージェント
Hierarchical Multi-Agent
Hierarchical Multi-Agent は、複数のAgentを階層的に組織し、上層が目標、戦略、分配、監督を担い、下層が実行、局所的意思決定、異常フィードバックを担う。
寓話を読む →
アーキテクチャ
ハイブリッド・マルチエージェント
Hybrid Multi-Agent
Hybrid Multi-Agentとは、集中型オーケストレーション、階層制御、分散型協調、局所的自律を組み合わせたマルチエージェント設計である。企業システムはしばしばハイブリッドモードを必要とする：高リスクの動作は中央承認を通し、低リスクの局所タスクは自律実行し、異常はエスカレーションする。鍵となるのは、制御面、自律範囲、同期点、ガバナンスルールを区分することである。
寓話を読む →
アーキテクチャ
マルチエージェントシステム
Multi-Agent System (MAS)
マルチエージェントシステム（MAS）とは、複数の自律的または半自律的なエージェントが通信・協調・競争・交渉・オーケストレーションを通じて、単一のエージェントでは困難な目標を共同で達成するシステムです。
寓話を読む →
ガバナンス
AI ガバナンス
AI Governance
AI ガバナンスとは、組織が AI システムの開発、調達、展開、運用、廃止をめぐって構築するポリシー、プロセス、役割、管理、説明責任の枠組みである。
寓話を読む →
ガバナンス
アクセス制御
Access Control
アクセス制御は、どのユーザー、Agent、ツール、モデル、ナレッジベース、リソースがどの具体的な動作を実行できるかを制限する。
寓話を読む →
ガバナンス
Agent の身元と認証
エージェントのアイデンティティと認証
Agent の身元と認証は、Agent に検証可能な身元を確立し、システム、ツール、データを呼び出す前に認証と認可の検証を完了する。
寓話を読む →
ガバナンス
監査ログ
Audit Logs
監査ログとは、システムが重要な行為に対して残す追跡可能な記録であり、通常は誰が、いつ、どこから、どの権限で、何を要求し、どのツールを呼び出し、何を見たり変更したりし、結果がどうだったか、承認を経たかを含む。
寓話を読む →
ガバナンス
自律性レベル
Autonomy Levels
これは、Agent がタスクにおいてどれだけの決定権、行動権、例外処理権を持つか、そして人間がどれほど頻繁に、どれほど重要な位置で介入する必要があるかを記述する。
寓話を読む →
ガバナンス
データプライバシーとPIIマスキング
Data Privacy & PII Masking
Data Privacy & PII Masking とは、AI/Agent がデータを処理する際に個人のプライバシーを保護し、遮蔽、置換、一般化、匿名化、最小化、アクセス制御、監査によって PII 露出リスクを低減することです。
寓話を読む →
ガバナンス
人間がループ内にいる
Human-in-the-Loop (Deep HITL)
これは、人がAIまたはエージェントの実行過程に何度も関与することを指し、最終承認だけでなく、理解、計画、実行、誤り訂正、引き継ぎなどの段階で判断を提供することを意味する。
寓話を読む →
ガバナンス
ヒューマン・イン・ザ・ループ
Human-in-the-Loop (HITL)
それは自動化プロセスの特定のノードに人間のレビュー、承認、修正、または引き継ぎを組み込み、リスク、低信頼度、または高影響のシナリオで人間の判断を介在させるものである。
寓話を読む →
ガバナンス
人間はループの外
Human-on-the-Loop (HOTL)
AIシステムが自律的に実行するが人間は監督態勢を維持し、システムが警報や異常を発したときのみ介入する、より緩やかな制御モード。
寓話を読む →
ガバナンス
モデル承認プロセス
Model Approval Workflow
Model Approval Workflow は、モデルが試験段階から本番環境へ移行したり利用を拡大したりする前の承認プロセスであり、通常は用途説明、リスク分類、評価結果、安全コンプライアンス、データ制限、責任者、展開範囲、ロールバック計画を対象とします。
寓話を読む →
ガバナンス
モデルリスク評価
モデルリスク評価
モデルリスク評価とは、リリース前にモデルの能力境界、潜在的な有害使用シナリオ、バイアス増幅リスク、悪用可能性を構造化して評価することである。
寓話を読む →
ガバナンス
レート制限
Rate Limiting
レート制限は、あるユーザー、テナント、IP、API key、ワークフロー、または Agent が一つの時間窓内に発起できるリクエスト、アクション、token、ツール呼び出し、または高コスト操作の数を制御する。
寓話を読む →
ガバナンス
責任ある AI
責任ある AI
Responsible AI とは、AI／Agent の設計、展開、運用において、合法性、公平性、プライバシー、セキュリティ、透明性、人的監督、説明責任をシステムに組み込むことであり、自動化効率だけを追求することではない。
寓話を読む →
ガバナンス
後悔権と撤回メカニズム
Right to Appeal & Rollback
Right to Appeal & Rollback は、AI または Agent の意思決定がユーザー、顧客、またはビジネス上の権益に影響を与える場合に、異議申し立て、再審査、取り消し、復元、バージョンロールバックの仕組みを提供するものである。
寓話を読む →
ガバナンス
セキュリティインシデント対応
セキュリティインシデント対応
安全事故対応とは、プロンプトインジェクション、データ漏洩、認証情報の露出、権限外アクセスなどのセキュリティインシデントを構造化して処理するプロセスである。
寓話を読む →
ガバナンス
利用ポリシー
利用ポリシー
使用ポリシーは、AI、モデル、データ、ツール、Agentのどの用途が許容され、どの用途が禁止または承認を要するかを定める。対象ユーザー種別、データ区分、タスクリスク、禁止行為、例外処理、執行メカニズムを網羅する必要がある。
寓話を読む →
評価
LLM 評価
LLM Evaluation (Eval)
LLM評価は自動テスト、人手評価、モデル審判、敵対的プローブ、オンラインモニタリングを通じてモデルまたはAgentの性能を測定する。
寓話を読む →
評価方法
敵対的評価
Adversarial Evaluation
敵対的評価とは、意図的に紛らわしい入力、境界的な入力、悪意ある入力、圧力型の入力を構成し、モデルと Agent の堅牢性、安全境界、失敗モードをテストすることである。prompt injection、jailbreak、ツールの悪用、データ漏洩、ポリシー回避、複合攻撃、高圧の業務シナリオをカバーする。
寓話を読む →
評価方法
アラインメント評価
アラインメント評価
アラインメント評価は、モデルや Agent が人間の意図、企業ポリシー、安全境界、業務目標に適合しているかを測定する。
寓話を読む →
評価方法
能力評価
Capability Evaluation
Capability Evaluation はモデルや Agent の具体的な能力を項目別に再現可能な形でテストするもので、例えば推論、検索、ツール使用、長文コンテキスト、協働、拒答、安全境界、業務タスクの完了などがある。
寓話を読む →
評価方法
人手評価
Human Evaluation
人手評価とは、人間の評価者がルーブリック、業務コンテキスト、品質基準に基づいてモデルや Agent の出力を判断することである。主観的、複雑、高リスク、または自動指標ではカバーしきれないタスクに適しており、例えば営業トークの品質、顧客へのトーン、事実の説明、リスク判断、最終納品物の可用性などが挙げられる。
寓話を読む →
評価方法
ラウンドごとの評価
Per-Turn Evaluation
Per-Turn Evaluation は、Agent や対話システムを最終結果だけでなく、各ターンの行動、ツール呼び出し、観察、返信ごとに評価することである。
寓話を読む →
評価の問題
能力汚染とデータ漏洩
Contamination & Data Leakage
Contamination & Data Leakage とは、訓練・調整・プロンプトの過程で評価セット、解答、類似問題、または機密の業務データに触れることで、モデルの性能が過大評価されたり、プライバシーが漏洩したりすることを指す。ベンチマークの信頼性を損ない、顧客データを本来出るべきでない出力に持ち込む可能性もある。
寓話を読む →
評価の問題
プロンプト感度
プロンプト感度
Prompt Sensitivity とは、モデルがプロンプトの言い回し、順序、形式、例の選択、フィールド名の変化に対して明らかな性能変動を示すことである。同じ事実でも企業 Agent に異なる判断をさせ、評価の安定性と本番の信頼性に影響する。
寓話を読む →
スケジューリング
Agentルーティング
Agent Routing
Agent ルーティングは、リクエスト内容、サブタスクの種類、能力記述、権限境界、負荷、過去の実績に基づいてタスクを割り当てる。
寓話を読む →
通信
Agent 通信プロトコル
Agent Communication Protocol
Agent Communication Protocolは、Agent間のメッセージ形式、意味、相互作用ルールを定義するプロトコルまたは言語です。フィールドを定めるだけでなく、通信の意図——例えば要求、通知、約束、拒否、照会、委任、確認——も表現します。
寓話を読む →