生成AIを、ビジネスで活用するにあたって知っておきたい「専門用語」とは

人工知能（AI）は、コンピュータが用意した「データ」から学びながらまるで人が考えるように推論し、自己改善までしていく技術のことです。その基盤はアルゴリズムとデータ処理能力であり、統計的手法、機械学習、深層学習などが組み合わさったものです。AIは、データをもとにした高度な分析や予測、自然言語処理による会話や文章生成、画像認識や音声認識、さらにはロボット制御や自動運転など、幅広い分野で応用されています。ビジネスにおいては、意思決定や業務自動化などにおいて利用されており、医療分野では病気の診断や新薬開発にも役立っています。教育分野では個別学習の提供など、エンターテインメントではコンテンツの生成やパーソナライズも可能にするなど、社会のさまざまな課題解決に貢献しています。

生成AIは、入力されたデータや指示（プロンプト）に基づいて、新しいコンテンツを自動的に創造するという人工知能のテクノロジー分野です。この技術は、極めて大量のデータを学習させたAIモデルを基盤として活用しており、入力された指示の文脈を理解しながら文章、画像、音声、プログラムコードなど、さまざまな生成を実現できます。また、生成AIは、クリエイティブな作業を支援するだけでなく、業務効率化や意思決定にも役立てることができます。ChatGPT（OpenAI）は生成AIの代表例で、人間が書いたような文章を徐々に作成できるようになりました。

機械学習とはAIを構成する技術のひとつで、データ学習していく工程の中で、一定のパターンを見つけたり、そこから予測をさせたりする技術手法です。学習のさせ方には、AIにあらかじめ答えを教えて学習させる方法もありますが、答えを教えずにAI自身でデータの中から特徴を見つけさせる方法もあります。いずれにせよ自己改良しながら精度を向上できるテクノロジーと言えます。この技術は、スパムメールの判定や、顧客の行動を分析しておすすめ商品を提示するシステムなど、さまざまな分野で活用されています。

深層学習は、機械学習の一分野で、人間の脳神経を模した「ニューラルネットワーク」という技術を使って、画像や音声、文章の複雑な特徴を自動的に解析をさせる手法です。学習のさせ方としては、大量のデータを何度かに分けながらAIに繰り返し学ばせる「反復学習」が大きな特徴で、この方法によってAIにどの部分が重要かを少しずつ理解させることができます。例えば、写真から顔を認識したり、話し声を文字に変換するシステムなど、日常的に触れるサービスに利用されています。

ニューラルネットワークとは、脳神経回路を模倣した数学的モデルで、AIにおける基盤技術です。多層構造でデータを学習・処理しながら特徴を抽出し、最終的な結果を出力します。ニューラルネットワークは、深層学習のもととなっており、画像認識、自然言語処理、音声認識など、AIのさまざまな分野で利用されています。

大規模言語モデル（LLM）は、膨大なテキストデータを基に自然言語処理を行うAIモデルです。LLMは、単語や文脈の意味を深く理解し、文法的に正確で流暢な文章を生成する能力を有します。このため、質問応答、文章の要約、翻訳、創作など、幅広いタスクに対応可能です。この基盤となるのは、機械学習・深層学習といった技術手法です。これらの技術を組み合わせることで、LLMは膨大なデータから言語の特徴や関係性を学び取り、自然言語処理を可能にしています。例えば、文章中の単語の意味や文脈を解析し、その結果を基に適切な文章や応答を生成します。そして、LLMは生成AIの根幹をなしており、例えばChatGPTには「GPT-4」などのLLMが中核として組み込まれています。

自然言語処理（NLP）は、人間が話したり書いたりする言語をコンピュータに認識させて、処理する技術です。この技術の進化によって文章・会話の意味を分析しながら意図を解釈し、文章生成や翻訳、音声アシスタントなどに活用できるようになりました。例えば、質問に答えるAIチャットボットや、話し言葉を文字に変換する音声認識技術も、この自然言語処理の一部です。

マルチモーダル（Multimodal）は、AIが異なる形式のデータ（テキスト・画像・音声など）を複合的に処理する技術です。単一の処理に限定したシングルモーダル（SingleModal）の方がスピーディな処理が可能ですが、例えば、テキストを基に画像を生成したり、画像を解析して説明文を生成するなど、複数のモードを組み合わせた応用を求める場合にはより進化したマルチモーダルの方が有効です。マルチモーダルAIは、ビジネス、教育、医療など、幅広い分野で新しい可能性を切り開いています。

RAGとは、生成AIにデータベースを統合し、特定の情報を含む回答を生成させる技術です。この手法では、AIがまずデータベースから関連情報を取得し、それを基にコンテンツを生成します。これにより、AIがハルシネーション（誤った情報生成）を発生させるのを減少させ、正確な結果を提供できるようになります。RAGは、カスタマーサポートや知識管理システムなどで主に利用されており、今後は多くの企業でも利用されることが予想されます。

ファインチューニングは、既存のAIモデルに追加で新たにデータを学習させることで、特定の用途に特化させる技術です。これにより、一般的なモデルが特定の業界やタスクに最適化されます。例えば、医療データを用いてファインチューニングすることにより、病気診断の精度を向上させるAIを作ることができます。ファインチューニングは、モデルを一から構築するよりもコストと時間を節約できる点が魅力とされています。

パラメータは、AIモデルの能力を決定づける要素で、学習時に最適化される数値です。AIに備わっているパラメータが多ければ多いほどモデルの表現力が高くなり、より複雑な問題を処理できます。例えば、ChatGPTは数十億のパラメータを持っており、それが故に高度な文章生成を実現しています。しかし、パラメータが多いほど計算コストも増加するため、実用性とのバランスが重要とされています。

プロンプトは、生成AIに対する指示や命令文のことで、AIの出力したもののクオリティを直接的に左右する要素です。適切なプロンプト設計（プロンプトエンジニアリング）をすることにより、AIの応答がより正確かつ有用になります。プロンプトでは具体的かつ明確な指示をすることが重要で、例えば「営業レポートを作成してください」よりも「2023年の売上データを基に、営業レポートを作成してください」とする方が、AIとしてもどのような出力をして良いかの判断がしやすく、結果として要望に近いものが生成されます。

ハルシネーションは、生成AIが「誤った情報」や「架空のストーリー」を生成してしまう現象です。これは、AIが学習データに基づく関連性を過信することで発生します。例えば、実在しない場所や出来事を回答に含めてしまう場合があります。現時点においては、生成AIが出力したものは、人間がチェックする工程を設けるのが賢明です。

シンギュラリティ（技術的特異点）は、AIが人間の知能を超えて自己進化する到達点をあらわした「概念」です。人工知能技術が今よりもずっと飛躍的に進化し、人間社会・経済・倫理などに意図的に大きく影響を及ぼすような未来を予言しています。このようなシンギュラリティが現実化すれば、医療、科学、教育などの分野で革命が起こる一方で、AIの暴走など脅威が発生するのではないかというおそれも議論されています。