AI・データのテーマ一覧
101件のテーマ
- AI・データ
ストリーム処理のウィンドウイングと時間意味論(イベント時間・ウォーターマーク・厳密に一度)
ウィンドウイングで無限データを有限単位にまとめ、イベント時間・ウォーターマークで集計の確定時点を定め、チェックポイントとトランザクションシンクで厳密に一度の処理を保証し、遅延・正確性・完全性のトレードオフを設計する。
- AI・データ
自動機械学習(AutoML)
前処理・モデル選択・HPO・ニューラルアーキテクチャ探索・アンサンブルを探索/最適化問題として自動化し生産性と接近性を高める技術で、ベイズ・進化・勾配ベース探索と効率的な性能推定を結合し、過適合・計算コスト・説明性のトレードオフをガバナンスで統制する。
- AI・データ
中心極限定理・t検定・z検定
CLT（標本平均の正規近似）と、母分散の既知／未知・標本サイズに応じたz検定・t検定の概念・違い・検定統計量。
- AI・データ
グラフニューラルネットワーク（GNN）
ノードが近傍情報を反復集約（メッセージパッシング）して表現を学習するニューラルネットワーク — GCN・GraphSAGE・GATなど集約方式の違いで発展し、推薦・新薬・不正検知などグラフが本質である問題で強みを持つ。
- AI・データ
生成AI評価（Evaluation）とLLM-as-a-Judgeによる品質管理
実業務とリスクに沿った評価データで、モデル・RAG・エージェントの品質を多層的に測定する方法を論述する。正確性・根拠性・安全性・運用指標、LLM-as-a-Judgeの偏りと人による補正、回帰評価と運用フィードバック、社内検索・顧客サポート・コード生成の事例、HELMとNIST AI RMFとの連携を扱う。
- AI・データ
大規模言語モデル推論の最適化：KVキャッシュ・連続バッチング・投機的デコード
大規模言語モデルのサービング性能をSLO中心で最適化する技法を論述形式で説明する。プリフィル・デコード、KVキャッシュのメモリ見積もりとページ型割当・共有・量子化・オフロード、連続バッチング・チャンクプリフィル・公平なスケジューリング、重み量子化・並列化・投機的デコードを比較する。顧客サポート・社内RAG・コード生成の事例、TTFT・ITLとコスト測定、キャッシュ分離や段階分離など技術士観点の運用・セキュリティ考慮事項を扱う。
- AI・データ
多重共線性（Multicollinearity）
独立変数間の強い相関により回帰係数の推定が不安定になる現象 — VIF・条件指数による診断と、変数除去・PCA・正則化による解決。
- AI・データ
TF-IDF（単語重要度の重み付け）
TF（文書内の頻度）×IDF（log N/df）で単語の重要度を計算する手法の計算過程・例・特徴と限界。
- AI・データ
異常検知(Anomaly Detection)
正常データが形成する分布・パターンを学習し、その境界を外れた希少・異常な観測値を識別する異常検知を論述形式で整理する。点・文脈・集団の異常類型と検知パイプライン、統計(Z·IQR)・距離密度(LOF)・隔離(Isolation Forest)・深層学習(オートエンコーダ·LSTM)技法の分類と比較、金融FDS・設備予知保全・AIOps/UEBAの事例、不均衡データの評価指標(PR-AUC)と誤検知・見逃しのトレードオフ、説明可能性・概念変化への対応など技術士観点の考慮事項を扱う。
- AI・データ
LangChainを活用した設備予知保全
設備予知保全(PdM)の概念・必要性と、LangChain・LLMの構成(チェーン・エージェント・ツール・メモリ・RAG)、異常検知(ML)とLLM解釈の役割分担で原因分析・保全指針を支援する方策、および幻覚・セキュリティの考慮事項。
- AI・データ
PLMからLLMへの発展過程
事前学習＋ファインチューニングの転移学習モデルPLMが、事前学習→SFT→RLHF/DPOのアライメントを経て、創発的能力を持つLLMへと発展する過程。
- AI・データ
プロセスマイニングによる業務プロセス分析・改善
イベントログから実際の業務フローを発見し、基準モデルとの適合性を検証し、時間・資源・データの観点から改善するプロセスマイニングを論述する。ケース・活動・イベントの構造、発見・適合性検査・モデル改善、IEEE XES 1849-2023、Petri Net・BPMN・DFG、適合度と精密度、仮想EC承認事例、ログ品質・プライバシー・成果統制を扱う。
- AI・データ
EU AI Actに基づくAIリスク分類とコンプライアンス設計
EU AI Actの禁止・透明性・高リスク・汎用AIに対する段階的義務を、AI一覧、提供者・配備者の責任、データとモデルのライフサイクル、人間の監督、適合証拠、事故対応、採用と生成AI顧客サービスの事例、2026年移行日程の確認方法から論述する学習ノート。
- AI・データ
画像データアノテーション（Image Data Annotation）
バウンディングボックス・ポリゴン・セグメンテーション・キーポイント・3Dなどの画像ラベリングの種類と、手動・半自動・能動学習・基盤モデルの手法、IAAによる品質管理・バイアス・プライバシーへの配慮。
- AI・データ
MapReduceによる大規模分散データ処理
大規模なキー・バリュー入力をMap・Combine・Partition・Shuffle/Sort・Reduceで並列処理するMapReduceのプログラミングモデルとHadoop実行構造、データ局所性・タスク再試行・Combiner・Partitioner・データスキュー・shuffle最適化、WordCount・転置索引・ログ集計の例、Spark・分散SQL・ストリーム処理との比較を論述形式で整理する。
- AI・データ
AIモデルリスク管理(Model Risk Management, MRM)
AIモデルの誤り・誤用・変更・データ偏りによる損失を、モデル台帳・リスク区分・独立検証・承認・運用監視・変更管理・ロールバックで統制するライフサイクルMRM、MLOps・AIガバナンスとの関係、金融相談・製造検査の事例、NIST AI RMF・ISO/IEC 42001との連携、技術士の導入ロードマップを論述形式で整理する。
- AI・データ
AI TRiSM(AI Trust, Risk and Security Management)による信頼できるAI運用
AIライフサイクルの信頼・リスク・セキュリティを統合管理するAI TRiSMについて、ガバナンス構造、データ・モデル・プロンプト・エージェントツールの系譜管理、公平性・説明可能性・プロンプトインジェクション・幻覚・個人情報・ドリフトの統制、NIST AI RMF・ISO/IEC 42001との連携、金融相談と製造検査の事例、技術士の観点からのリスクベース運用戦略を論述形式で整理する。
- AI・データ
埋め込み(Embedding、ベクトル表現)
単語・文章・画像などを意味的類似性が距離として保存される低次元の密なベクトルへ写像する表現学習の手法であり、ワンホットの限界を越えて静的・文脈・マルチモーダルへ発展し、セマンティック検索・RAG・推薦を支える。
- AI・データ
基盤モデル(Foundation Model)
大規模に事前学習された汎用AIモデルの概念・特徴・基盤技術(Transformer・自己教師あり学習・アラインメント)と、法・環境・社会的な考慮事項。
- AI・データ
SOM(Self Organizing Map、自己組織化マップ)
競合学習に基づく教師なしニューラルネットワークSOMの定義・特徴、構成要素(BMU・近傍関数)、教師ありニューラルネットワークとの相違点。
- AI・データ
AI倫理とガバナンスモデル
公平性・透明性・説明責任などのAI倫理原則と、原則→組織→影響評価→モニタリング→規制遵守のガバナンスモデル。
- AI・データ
データクリーンルーム(Data Clean Room)によるプライバシー保護型データ連携
原データを無制限に共有することなく、承認されたマッチング・分析・出力ポリシーの範囲内で共同インサイトを算出するデータクリーンルームの役割・信頼境界・統制型実行・差分プライバシー・暗号学的マッチング・出力ガバナンスと、広告・金融・製造への適用、相互運用性および技術士の観点からの設計上の考慮事項を論述形式で整理する。
- AI・データ
AIモデルカード(Model Card)とデータセットデータシート(Datasheet)に基づくAI透明性
AIモデルの目的・性能・限界・リスクを記録するモデルカードと、データセットの出所・構成・品質・権利を説明するデータシートを、データ来歴・モデルレジストリ・評価・モニタリングと連携させ、AI透明性・説明責任・変更管理および運用統制を実現する方法を整理する。
- AI・データ
データスペース(Data Space)とデータ主権に基づく信頼できるデータ共有
データ提供者が統制権を保持しながら、信頼サービス・カタログ・意味体系・契約・利用ポリシーを組み合わせて組織間でデータを共有する連合型データアーキテクチャと、ガバナンス・セキュリティ・普及戦略を整理する。
- AI・データ
データの次元削減(Dimensionality Reduction)
次元の呪いを緩和する次元削減の概念と、特徴選択・抽出(PCA・LDA・t-SNE・オートエンコーダ)の手法、目的別の選択戦略とトレードオフ。
- AI・データ
DSMLプロジェクトとMLOps
DSMLプロジェクトの循環型ライフサイクル(ビジネス→データ→モデリング→運用)と、データ・モデル・コードをバージョン管理し、パイプラインの自動化・監視・継続的学習(CT)でモデルの劣化を制御するMLOps。
- AI・データ
推薦システム(Recommendation System)
情報過多の中でユーザーが好む項目を予測・順位付けする情報フィルタリングシステム — コンテンツベース・協調フィルタリング・ハイブリッド(ディープラーニング)を候補生成→ランキング→再ランキングの多段階パイプラインで組み合わせる。
- AI・データ
リカレントニューラルネットワーク(RNN)とLSTM・GRU
隠れ状態で過去の文脈を再帰的に伝えて可変長シーケンスを処理するRNNと、ゲート・セル状態で勾配消失を克服して長期依存を学習するLSTM・GRUの構造・原理・比較、およびTransformer・状態空間モデルとのトレードオフ。
- AI・データ
データマイニング:K-means・DBSCAN・SVM
K-means(中心・距離)・DBSCAN(密度)による教師なしクラスタリングと、SVM(マージン最大の超平面)による教師あり分類の原理・パラメータ・比較と、実務上の選択基準。
- AI・データ
データ可視化(Data Visualization)
正確・明確・効率・審美の原理に従ってデータを知覚精度の高い視覚符号にマッピングし、目的別のチャート(比較・傾向・構成・関係・分布・空間)を選択して洞察を伝える手法——チャートジャンクの除去・インタラクティブ性・アクセシビリティ・可視化倫理・NL2Chartの動向。
- AI・データ
機械学習モデルレジストリ(Model Registry)と承認・デプロイガバナンス
機械学習モデルのバージョン・学習実行・データ・コード来歴・評価・承認・デプロイポインタを中央管理し、品質ゲート・カナリア・ロールバック・監査・サプライチェーンセキュリティでモデルを信頼できる運用資産として管理する戦略。
- AI・データ
合成データ(Synthetic Data)
元データの統計的特性をルール・シミュレーション・生成モデル(GAN・VAE・Diffusion・LLM)で模倣して人工生成したデータで、プライバシー保護・データ拡張・希少シナリオの補強を可能にしつつ、忠実度・有用性・プライバシーのトレードオフを差分プライバシーと継続的検証で管理する。
- AI・データ
ビッグデータプラットフォームアーキテクチャ設計
収集→格納→処理→分析を支える拡張可能な階層構造。分散インフラ・データレイク/ウェアハウス/レイクハウス・バッチとリアルタイム(ラムダ/カッパ)・MLOpsへの進化。
- AI・データ
AI学習データ汚染攻撃(Data Poisoning)とデータ完全性の防御
学習・ファインチューニング・埋め込み・フィードバックデータに悪性コンテンツを挿入または改ざんする汚染攻撃の種類と脅威モデル、出所・バージョン・権限・行動検証・ロールバックに基づく防御戦略を整理する。
- AI・データ
AIモデルドリフト(Model Drift)とデータドリフト(Data Drift)の管理
本番環境における入力・正解・予測の変化と性能劣化をデータ・概念・予測ドリフトに区分し、ベースライン・統計指標・ラベル遅延・再学習・ロールバックで管理するAIの全ライフサイクル戦略。
- AI・データ
データマイニング:統計との違い・構造化/非構造化・オピニオン/テキスト
データマイニングと統計の違い、構造化・非構造化マイニングの比較、オピニオンマイニングの手順とテキストマイニングの比較。
- AI・データ
AIエージェントオーケストレーションと自律業務実行ガバナンス
目標分解・エージェント選択・ツール実行・状態管理・検証を調整するオーケストレーション構造と、自律実行における権限・承認・監査・安全ガバナンスの設計。
- AI・データ
決定木(Decision Tree)
属性基準による反復分割でif-thenルールの木を作る解釈可能なモデルと、情報利得・ジニ・過学習・アンサンブル。
- AI・データ
検索拡張生成(RAG, Retrieval-Augmented Generation)
外部の文書・データを問い合わせ時点で検索してLLM生成に注入するRAGの参照アーキテクチャ、収集・チャンキング・埋め込み・ハイブリッド検索・再ランキング・引用検証、基本・高度・エージェント型の比較、評価・鮮度維持・権限・プロンプトインジェクション対応と導入戦略を論述形式で整理する。
- AI・データ
AI学習用データセットの品質管理
AI学習用データセットの収集→加工・ラベリング→検収→活用というライフサイクル段階別の品質確保活動と手順。
- AI・データ
畳み込みニューラルネットワーク（CNN, Convolutional Neural Network）
畳み込み・プーリングによって画像の局所特徴を階層的に抽出するニューラルネットワーク — 局所受容野・重み共有でパラメータを削減し、平行移動不変性を確保する画像認識の標準アーキテクチャ。
- AI・データ
データ中心AI（Data-Centric AI）と学習データ品質エンジニアリング
モデル構造よりもデータの品質・代表性・ラベル・系譜を体系的に改善して、AIの性能と信頼性を高めるDCAIの概念、品質指標、ライフサイクル、ガバナンスと適用戦略を整理する。
- AI・データ
デジタルスレッド（Digital Thread）に基づく全ライフサイクル情報連携
要求・設計・製造・検査・運用・保全のデータを共通識別子・標準的な意味・バージョン・系譜で結ぶデジタルスレッドの概念、参照アーキテクチャ、影響分析、標準化、品質・セキュリティ・ガバナンスと、製造・デジタルツインへの適用戦略を論述形式で整理する。
- AI・データ
プロンプトエンジニアリング(Prompt Engineering)
モデルを再学習させずに入力(役割・文脈・例示・形式)を設計してLLMの出力を制御する低コスト手法 — Zero/Few-shot・CoT・ReActなどの主要技法、RAG・ファインチューニングとの比較、プロンプトインジェクション対策と運用ガバナンス。
- AI・データ
メタバース倫理原則
メタバース倫理原則の3大志向価値(健全な自我・安全な経験・持続可能な繁栄)と8大実践原則、適用手順と共同責任、インターネット・AI倫理との比較および没入型データのプライバシー。
- AI・データ
機械学習の最適化アルゴリズム(Optimization)
損失を最小化する勾配降下法系(SGD・Momentum・AdaGrad・RMSProp・Adam)の種類と長短所。
- AI・データ
音声データマイニング(Voice Data Mining)
STT・話者/感情認識・NLP・パターン分析のパイプラインで、非構造化された音声から情報・パターンを網羅的に抽出する手法。処理方式・活用分野・生成AIによる発展方向と、音声の個人情報に関する課題まで。
- AI・データ
データ製品（Data Product）の設計と運用
分析・AI・業務の意思決定に独立した価値を提供できるよう、データ・メタデータ・コード・インフラ・運用責任を1つの製品としてまとめるデータ製品の設計と運用戦略 — データメッシュのドメイン所有権、発見可能性・アドレス指定・理解可能性・相互運用性・セキュリティ、品質契約・SLA・バージョン管理・廃棄までのライフサイクルと組織適用の方策を整理する。
- AI・データ
ラムダ（Lambda）アーキテクチャとカッパ（Kappa）アーキテクチャ
バッチ・スピード・サービングの3層で正確性とリアルタイム性を統合するラムダと、不変ログの単一ストリームでリアルタイム・再処理を統合するカッパを比較し、整合性の原理・再処理戦略・レイクハウスとの連携を整理する。
- AI・データ
機械学習とディープラーニングの違い
AI⊃機械学習⊃ディープラーニングの関係と、特徴抽出・データ量・リソース・解釈性の違いの比較。
- AI・データ
デジタルツイン（Digital Twin）アーキテクチャと実装戦略
現実の観測可能な対象とデジタル表現を同期させ、観測・予測・シミュレーション・最適化に活用するデジタルツインの概念と参照アーキテクチャ。物理・エッジ・統合・ツインコア・モデル・応用の各層、データ契約・リアルタイム性・相互運用性・セキュリティ、製造・建物・サプライチェーンの事例と、ISO 23247に基づく組み合わせ戦略を整理する。
- AI・データ
AI倫理基準の3大原則と10大要件
国家AI倫理基準(2020.12)における人間性の大原則の下、3大基本原則(人間の尊厳・公共善・合目的性)と10大中核要件。自律規範からAI基本法(2026.1施行)への流れと、設計段階での内在化。
- AI・データ
連合学習（Federated Learning）
データを集約せずにローカル学習モデルのみを集約する連合学習の動作原理・アルゴリズム（FedAvg）と、セキュリティ・プライバシー技術。
- AI・データ
敵対的生成ネットワーク（GAN, Generative Adversarial Network）
データを生成する生成器と真偽を判定する識別器をミニマックスゲームで競わせ、実際の分布を近似する生成モデル。敵対的学習の原理とDCGAN・cGAN・CycleGAN・StyleGANの変種、FID・IS評価指標、拡散モデルとの比較、モード崩壊・学習不安定への対応、ディープフェイクなど信頼性・ガバナンスの課題を詳細に整理する。
- AI・データ
アンサンブル学習 — バギングとブースティング
複数の弱学習器を結合して強いモデルを作る手法。バギング(並列・分散↓)とブースティング(逐次・バイアス↓)が相補的。
- AI・データ
LLM-as-a-Judge（大規模言語モデルによる評価）
LLMを評価者として活用し、正確性・関連性・根拠性・安全性をルーブリックに基づいて測定する手法 — 決定的指標・人手によるメタ評価・バイアス制御・RAG・エージェント評価から運用デプロイのゲートまでを整理する。
- AI・データ
独立標本t検定と対応標本t検定の比較
互いに異なる2集団(独立標本)と、同一対象の対にした差分値(対応標本)の平均差の検定。対応標本は個人差を相殺して検定力が高く、標本構造・仮定・効果量を考慮して選択する。
- AI・データ
ベルヌーイ分布と幾何分布
1回の試行の成功/失敗(ベルヌーイ)と、初めて成功するまでの試行回数(幾何)の分布の定義・期待値・分散・無記憶性、および二項・負の二項分布への拡張。
- AI・データ
データ可観測性（Data Observability）とデータ信頼性管理
鮮度・完全性・有効性・分布・系譜のシグナルを収集してデータ異常を検知し、影響分析・復旧・事後改善までつなげるデータ信頼性の運用体系。
- AI・データ
過学習（Overfitting）
過学習の発生原因（複雑度・データ不足・ノイズ・学習過多）と、正則化・ドロップアウト・早期終了・交差検証などの解決策、バイアス-バリアンスのトレードオフの深掘り。
- AI・データ
LLMOps（大規模言語モデル運用）と生成AIサービスライフサイクル管理
大規模言語モデルに基づくアプリケーションを実験から運用へ移行するための、プロンプト・モデル・検索拡張・ツール・評価・可観測性・セキュリティ・コスト管理と継続的改善の体系を技術士の答案形式で整理する。
- AI・データ
メタヒューリスティクス（Metaheuristics）
大規模最適化において優れた近似解を実用的な時間で見つける汎用探索戦略。遺伝的・焼きなまし・蟻コロニー・粒子群。
- AI・データ
データリネージ（Data Lineage）と影響分析
データが源泉から変換・保存・分析・サービスへと至る経路を、Dataset・Job・Runのグラフで追跡し、変更影響・障害原因・個人情報の伝播を分析するデータガバナンス体系を整理する。
- AI・データ
ISO/IEC 42001:2023 人工知能マネジメントシステム（AIMS）
AIを責任ある形で開発・提供・使用するための人工知能マネジメントシステム（AIMS）の要求事項、リスク・影響評価、ライフサイクル統制と構築ロードマップを整理する。
- AI・データ
ビッグデータ分析ツール選定の原則
分析目的→データ特性→拡張性・性能→TCO・人材の力量・ガバナンスを総合し、状況に合ったツールの組み合わせを選ぶ原則。クラウドマネージド・レイクハウスへの移行も反映。
- AI・データ
フィーチャーストア（Feature Store）と機械学習データ運用
機械学習フィーチャーの定義・変換・検証・系譜を集中管理し、オフライン学習とオンライン推論に一貫して提供するフィーチャーストアの構成要素、時点整合（point-in-time）・データリーク防止、バッチ・ストリーミング運用、品質・セキュリティ・ガバナンス戦略を技術士の論述形式で整理する。
- AI・データ
GraphRAG（グラフ検索拡張生成）
非構造化文書からエンティティ・関係・コミュニティを抽出し、階層的要約とグラフ探索を組み合わせて、一般的なRAGの局所検索の限界を補完するGraphRAGの構造、検索方式、構築手順、評価と運用戦略。
- AI・データ
正規分布（Normal Distribution）の特徴
平均を中心に左右対称の釣鐘型連続分布。68-95-99.7の法則、標準化（Z）、中心極限定理により統計的推論の基盤であり、ファットテール・リスクや正規性の検証も併せて扱う。
- AI・データ
オンデバイスAI（On-Device AI）
端末上で直接AI推論を行うオンデバイスAIの概念・HW/SW技術（NPU・軽量化）とクラウドAIとの比較。
- AI・データ
MCP（Model Context Protocol）
LLMアプリケーションと外部ツール・データ・プロンプトを、Host–Client–Server構造とJSON-RPC 2.0で標準的に接続し、M×Nの統合問題をM+Nへ削減するオープンプロトコルの構造・プリミティブ・トランスポート・セキュリティ脅威と、技術士の観点からの示唆。
- AI・データ
相関関係と因果関係
共に変化する相関関係と、原因-結果の因果関係の比較、相関≠因果の落とし穴と、実験・因果推論による検証。
- AI・データ
データ契約（Data Contract）とデータ製品の信頼性
データの生産者と消費者が、データの意味・スキーマ・品質・鮮度・アクセス・サービスレベルを明示的に合意し自動検証するデータ製品のインターフェースである。スキーマのみを固定する方式の限界を超え、契約の構成要素、ライフサイクル、互換性・バージョン戦略、dbtモデル契約とODCS連携、データメッシュ・DataOps環境の運用上の考慮事項を論述形式で整理する。
- AI・データ
デジタルツインとメタバース
現実を複製・予測するデジタルツインと、仮想体験・コミュニケーションのメタバースの比較、および産業メタバースへの融合。
- AI・データ
帰納的思考と機械学習
個別の事例から規則を一般化する帰納的思考と、それを自動化した機械学習との対応関係、仮説空間・帰納バイアス、一般化誤差・データバイアスの限界と、ニューロシンボリック・RAG・XAIによる補完。
- AI・データ
スパイキングニューラルネットワーク（SNN）
ニューロンのスパイク発火・発火タイミング（時間情報）を模倣した第3世代のイベント駆動型ニューラルネットワーク。スパイクがあるときのみ計算し超低消費電力・低遅延であり、誤差逆伝播が使いにくいため代理勾配・STDP・ANN変換などの専用学習技法とニューロモルフィックハードウェアとともに発展する。
- AI・データ
データコマース（Data Commerce）
顧客データをAIで分析し、個人化された商品・サービスを適時に推薦・販売するデータ基盤の商取引。
- AI・データ
ディープビュー(DeepView)
ディープラーニングに基づく知能型映像分析(VCA)技術ディープビューの概念・処理パイプライン(物体検出・追跡/再識別・行動分析・知能型検索)と活用事例、エッジAI・プライバシー・バイアスなどの深化課題。
- AI・データ
機械学習モデリングとModelOps
モデルを開発するモデリングと、デプロイ・監視・再学習(CT)・ガバナンスによりモデルを信頼できる資産として継続管理するModelOpsの違い・アーキテクチャ・成熟度と、LLMOpsへの拡張。
- AI・データ
拡散モデル（Diffusion Model）
データにノイズを段階的に加える前方拡散過程と、それをニューラルネットワーク（U-Net/DiT）で逆にたどる逆拡散過程から構成される生成型ディープラーニングモデル。生成を多段のノイズ除去問題に分解して学習の安定性と品質・多様性を同時に確保する原理、DDPMの前方・逆過程とノイズ・損失構造、条件付き生成（Classifier-Free Guidance）と潜在拡散（LDM/Stable Diffusion）の演算削減の原理、GAN・VAEとの品質・多様性・速度のトレードオフ比較、FIDなどの評価指標、著作権・ディープフェイク・ウォーターマーキングなどのガバナンス考慮事項を論述形式で整理する。
- AI・データ
知識蒸留（Knowledge Distillation）
大きく高性能な教師モデルのソフトターゲット（暗黙知・クラス間類似度）を、温度（Temperature）調整とKLダイバージェンス損失で小さな生徒モデルに転移し、精度を可能な限り保ちながらパラメータ・演算・遅延を削減する代表的なモデル軽量化手法。ソフトターゲットの原理と温度・損失の結合、応答/特徴/関係/自己蒸留の類型、プルーニング・量子化との比較と組み合わせ、教師-生徒の容量ギャップ・データライセンス・バイアス転移など技術士の観点からの考慮事項を論述形式で整理する。
- AI・データ
説明可能AI（XAI, eXplainable AI）
ディープラーニングなどブラックボックスモデルの予測根拠・寄与要因・意思決定過程を人間が理解できる形で提示（LIME・SHAP・Grad-CAM）し、透明性・信頼性・説明責任を確保する技術。精度-解釈性-コストのトレードオフを目的・リスクベースで調整し、AIの信頼性やEU AI Actなどの規制対応の中核をなす。
- AI・データ
マルチモーダルAI（Multimodal AI）
テキスト・画像・音声・映像など異質なモダリティを共通の意味空間に整列（CLIPの対照学習）し、初期・後期・クロスアテンションで融合することで、相互補完的な理解・生成を実現する技術。モダリティ間の異質性の克服とハルシネーション・バイアスの制御が課題であり、基盤モデルの標準形態かつVLA・身体化知能へ向かう中核的な経路である。
- AI・データ
混合エキスパートモデル（MoE, Mixture of Experts）
ゲーティングネットワークがトークンごとに少数のエキスパートのみを選択的に活性化する条件付き計算により、総パラメータ（知識容量）と活性パラメータ（演算量）を分離し、同じ演算予算ではるかに大きなモデルを実現する大規模AI拡張アーキテクチャ。ルーティング・負荷分散・エキスパート並列化とDenseモデルとの比較を扱う。
- AI・データ
AIエージェント（AI Agent）とエージェンティックAI
LLMという頭脳に計画・記憶・ツール・行動を組み合わせ、目標達成まで観察-思考-行動を自律的に反復するシステム。ReAct・マルチエージェント・MCP標準を軸に広がっており、自律性と統制・安全のバランス設計が鍵となる。
- AI・データ
ナレッジグラフ（Knowledge Graph）
エンティティをノード、関係をエッジとしてトリプル単位で表現し、意味とつながりを一級市民として扱う知識基盤。RDFとプロパティグラフモデル・オントロジー推論・グラフ埋め込みを軸に検索・レコメンド・不正検知に活用され、GraphRAGによってLLMのハルシネーションを抑制する説明可能な知識源として再び注目されている。
- AI・データ
強化学習（Reinforcement Learning）
エージェントが環境との試行錯誤を通じて、遅延した評価的報酬の累積を最大化する最適な方策を学習するパラダイム。価値ベース・方策ベース・アクタークリティック系、探索と活用のバランス、RLHFによるLLMアラインメントへの拡張を扱う。
- AI・データ
トランスフォーマー（Transformer）とアテンション（Attention）機構
再帰・畳み込みを用いず、Query・Key・Valueベースのセルフアテンションのみでシーケンス全体の関係を並列計算し、長距離依存・拡張性を確保したアーキテクチャ。マルチヘッド・位置エンコーディング・エンコーダ/デコーダ構造とO(n²)の効率化を扱う。
- AI・データ
データメッシュ（Data Mesh）と分散データアーキテクチャ
分析データの所有権を中央データチームから業務ドメインへ分権し、データを発見可能で信頼できるプロダクト（Data as a Product）として扱い、セルフサービスプラットフォームとポリシー・アズ・コードによる連合ガバナンスで相互運用性を維持する社会技術的な分散データアーキテクチャ。4大原則、レイクハウス・データファブリックとの違い、段階的な導入戦略まで掘り下げる。
- AI・データ
データレイクハウス(Data Lakehouse)アーキテクチャとガバナンス
データレイクの拡張性・開放性と、データウェアハウスの整合性・管理性を結合し、Bronze・Silver・GoldのデータプロダクトとACID・スキーマ・品質・系譜・個人情報ガバナンスを統合するアーキテクチャを整理する。
- AI・データ
人工知能の信頼性（AI Trustworthiness）
公平性・透明性・堅牢性・安全性・説明責任・プライバシーを中核属性とし、全ライフサイクルのガバナンスで確保するAIの信頼可能な性質。
- AI・データ
ベイズ最適化（Bayesian Optimization）
代理モデル（GP）と獲得関数（EI・UCB）で探索と活用をバランスよく調整し、少ない試行でブラックボックス関数の最適点を見つける手法。
- AI・データ
データ取引所（Data Exchange）
データを商品として登録・検索・取引・精算する仲介プラットフォーム — カタログ・価値評価・セキュリティ統制と、プライバシー・品質の課題。
- AI・データ
ディープフェイク（Deepfake）
GANなどの生成AIで本物のような偽メディアを合成する技術と、検知AI・ウォーターマーク・出所認証・法制度による対応。
- AI・データ
人工ニューラルネットワーク（Artificial Neural Network）
加重和＋活性化ニューロンの階層構造——FFNNの順方向予測、誤差逆伝播による学習、Sigmoid・ReLU・Softmaxなどの活性化関数。
- AI・データ
点推定と区間推定の比較
母数を単一の値で推定する点推定（不偏・効率）と、信頼水準とともに区間で推定する区間推定の概念・比較。
- AI・データ
線形SVMのマージン分類（ハード／ソフトマージン）
線形SVMのマージン最大化と、ハードマージン（誤分類を許さない）・ソフトマージン（スラック変数ξで誤分類を許容し、Cで制御）の2つの分類手法。
- AI・データ
AIファインチューニング（Fine-tuning）
事前学習モデルを特定タスクのデータで追加学習する転移学習手法——Full/PEFT（LoRA・QLoRA）、SFT・RLHF/DPOのアライメント、RAGとの比較。
- AI・データ
AIシステムの法的・倫理的・技術的課題と解決策
AIシステムの法的（責任・著作権）・倫理的（バイアス・透明性）・技術的（ハルシネーション・セキュリティ）課題と、ガバナンス・XAI・MLOpsによる解決策。
- AI・データ
機械学習（Machine Learning）の性能指標
分類（Accuracy・Precision・Recall・F1・ROC-AUC）と回帰（MAE・RMSE・R²）の性能指標の定義・数式・選択基準と、混同行列・Precision-Recallトレードオフ。
- AI・データ
マルチGPU技術（大規模ニューラルネットワークの学習）
マルチGPUの概念・利点と、データ・モデル・パイプライン・テンソル並列化、環境構築時の通信・メモリ・同期の考慮事項。
- AI・データ
RAG（Retrieval-Augmented Generation、検索拡張生成）
外部知識の検索結果をLLMのプロンプトに結合し、ハルシネーションを減らして最新かつ根拠に基づく回答を生成する手法とアーキテクチャ。