AIの基礎概念の用語（26語）

AIは「Artificial Intelligence（人工知能）」の略で、文章を読む・絵を見分ける・先を予測するといった、これまで人間にしかできなかった判断をコンピューターにさせる技術をまとめて指す言葉です。ひとつの決まった製品の名前ではなく、新人社員に仕事を覚えさせるのと似て、大量の事例を見せて賢くしていく考え方そのものを指します。2026年現在は、後で出てくる機械学習や生成AIがAIの中心になっています。

機械学習は「Machine Learning（マシンラーニング）」とも呼ばれ、今のAIの中心になっている技術です。たとえば優秀なベテラン営業が、たくさんの商談を経験するうちに「この客層はこの提案が刺さる」と肌で覚えていくのに似ています。人間が「こういう場合はこうしなさい」と細かく指示を書く代わりに、過去のデータを大量に見せて、そこにある傾向をコンピューターに自分で学ばせるのが特徴です。

ディープラーニング（深層学習、Deep Learning）は機械学習の一種で、後で出てくるニューラルネットワークを何層にも深く積み重ねているのが名前の由来です。層を深くすることで、画像や音声、文章のような「ルールにしづらいもの」をうまく扱えるようになりました。複数の部署を通すほど一つの案件をきめ細かく検討できるのと似ていて、層が増えるほど細かいニュアンスをとらえられます。2026年に普及している生成AIも、この技術が土台になっています。

ニューラルネットワーク（Neural Network、神経回路網）は、たくさんの小さな計算役（ノード）を網の目のようにつないだ仕組みで、ディープラーニングの中身そのものです。一人ひとりの担当者が情報を少しずつ処理して次の人に渡し、みんなで連携して一つの結論を出す社内のチームに似ています。つなぎ目の重みづけを調整することで、だんだん正しい答えを出せるようになっていきます。

アルゴリズム（Algorithm）とは、問題を解くための決まった手順のことで、料理のレシピや業務マニュアルとほとんど同じ意味合いです。AIの世界では「どうやってデータから法則を学ぶか」「どうやって答えを選ぶか」という計算の段取りを指します。同じデータでも、使うアルゴリズムが違えば結果の精度や速さが変わるため、AIの良し悪しを左右する大事な部品です。

モデル（Model）とは、機械学習でたくさんのデータを学んだ結果できあがる「判断のかたまり」のことです。研修を終えて一人前になった社員が、仕事のコツを身につけた状態に例えられます。一度作ったモデルは保存して何度でも使え、新しいデータを入れると予測や分類の答えを返してくれます。ChatGPTなどの生成AIも、巨大なモデルが裏側で動いています。

学習（トレーニング、Training）とは、AIにデータを与えて、答えを当てられるように中身を少しずつ調整していく作業です。新人が先輩のお手本を見ながら間違いを直し、だんだん上達していくのとそっくりです。この段階で大量のデータと計算時間を使うため、AI開発でいちばん手間とコストがかかる部分でもあります。学習が終わると、次の「推論」の段階で実際に使えるようになります。

推論（インファレンス、Inference）とは、学習でできあがったモデルに新しいデータを入れて、予測や答えを出させることです。研修を終えた社員が、現場で実際にお客様対応をする段階にあたります。学習が一度きりの準備なのに対し、推論は使うたびに何度も行われます。生成AIにチャットで質問して返事が返ってくるのも、この推論が動いているからです。

教師あり学習（Supervised Learning）とは、データに「これが正解です」というラベル（答え）を付けて学習させるやり方です。問題集を解いて、すぐ答え合わせをしながら覚えていく勉強法に似ています。正解を用意する手間はかかりますが、その分「これは成約／失注」「これは迷惑メール／通常メール」のように、はっきり分けたい仕事で高い精度が出せます。AIの学習の中でもっとも基本的で広く使われる方法です。

教師なし学習（Unsupervised Learning）とは、正解ラベルを付けずにデータを渡し、AIに自分で傾向やグループ分けを発見させるやり方です。新しく担当になった顧客リストを眺めて「なんとなくこの層とこの層に分かれそうだ」と自分で気づくのに似ています。正解を用意しなくてよい代わりに、出てきた結果の意味は人間が解釈する必要があります。隠れたパターンの発見に向いています。

強化学習（Reinforcement Learning）とは、AIにいろいろ試させて、良い結果には報酬（プラス評価）、悪い結果には罰を与え、より高い得点を狙うよう自分で学ばせるやり方です。成果に応じてインセンティブを出すと、社員が自然と成果の出る動き方を覚えていくのに似ています。囲碁や将棋で人間を超えたAI、ロボットの動作習得などで有名で、生成AIの応答を人間好みに整える調整にも使われています。

特徴量（Feature、フィーチャー）とは、AIが答えを出すときに参考にする一つひとつの判断材料のことです。お客様の与信を見るとき「業種・年商・取引年数」を手がかりにするのと同じで、AIにとっての着眼点にあたります。どの特徴量を選ぶかで予測の精度が大きく変わるため、何を手がかりにさせるかの設計はとても重要です。良い特徴量を選ぶ作業は専門家の腕の見せどころでもあります。

ラベル（Label）とは、教師あり学習でデータに添える正解の情報のことです。過去の問い合わせメール一通ずつに「クレーム」「注文」「質問」と付箋を貼っておくイメージで、この付箋を手本にAIが分類を覚えます。ラベルが間違っていたり付け方がバラバラだったりすると、AIも間違った覚え方をするため、ラベル付け（アノテーション）は地味でも品質を左右する大切な作業です。

データセット（Dataset）とは、AIの学習やテストに使うデータを一式そろえたもののことです。新人研修で使う教材一式に例えられ、これが充実しているほどAIはしっかり育ちます。逆に量が少なかったり偏っていたりすると、AIの判断も偏ります。「AIは集めたデータ以上には賢くならない」と言われるほど、どんなデータセットを用意するかが結果を左右します。

AIを作るとき、データセットを役割ごとに3つに分けます。訓練データ（Training Data）はAIに覚えさせる練習問題、検証データ（Validation Data）は設定を調整するための小テスト、テストデータ（Test Data）は本番の実力を測る最終試験です。研修で習った問題ばかり解けても意味がなく、初見の問題で点が取れて初めて一人前と認めるのと同じ考え方です。テストデータで学習させてしまうと実力を見誤るので、必ず分けて扱います。

過学習（オーバーフィッティング、Overfitting）とは、AIが学習データに合わせ込みすぎて、未知のデータでは精度が落ちてしまう状態です。過去問だけを丸暗記した受験生が、少し違う出題には手も足も出ないのと同じです。研修のときは満点でも現場で使えない、という困った状態なので、AI開発では過学習を起こさせないことがとても重要です。データを増やしたり、複雑になりすぎないよう調整したりして防ぎます。

汎化性能（はんかせいのう、Generalization Performance）とは、学習に使っていない新しいデータでもAIが正しく答えられる力のことです。研修で習っていない場面でも臨機応変に対応できる、応用のきく社員の力に例えられます。過学習の反対の概念で、AIの本当の実力はこの汎化性能で測ります。練習データでの成績がいくら良くても、汎化性能が低ければ実務では役に立ちません。

パラメータ（Parameter）とは、AIが学習しながら自動で調整していく内部の数値のことです。ラジオの周波数を少しずつ合わせて、ちょうど良い音にする無数のつまみのようなもので、この値が決まることでAIの判断が定まります。最近の生成AIはこのつまみが何千億個もあり、「パラメータ数が多い＝表現力が高い」目安とされます。人が手で決めるのではなく、学習の過程でAI自身が調整する点がポイントです。

ハイパーパラメータ（Hyperparameter）とは、AIに学習を始めさせる前に人間が手で決める設定のことです。研修を始める前に「期間は何か月にするか」「一度に何人教えるか」を決めるのに似ています。AIが自分で調整するパラメータとは違い、こちらは人が選ぶ点が違いです。この設定の良し悪しでAIの仕上がりが変わるため、いろいろ試して一番良い組み合わせを探す作業が必要になります。

重み（Weight、ウェイト）とバイアス（Bias）は、ニューラルネットワークの中でパラメータの代表格となる数値です。重みは「この手がかりはどれくらい大事か」という重要度の調整役で、商談を評価するとき「予算は重く見て、見た目はあまり気にしない」と力加減を変えるのに似ています。バイアスはそこに加える下駄のような底上げ値で、全体の判断の傾きを整えます。この2つが学習で少しずつ調整され、AIの判断がだんだん正確になります。

分類（Classification）と回帰（Regression）は、AIによる予測の代表的な2つの型です。分類は「成約か失注か」「クレームか質問か」のようにどのグループに入るかを当てるもの。回帰は「来月の売上は何円か」「使用量は何キロワットか」のように連続する数字を当てるものです。やりたいことが仕分けなのか数当てなのかで、使うべき型が変わります。この区別がAI活用の入口で役立ちます。

クラスタリング（Clustering）とは、教師なし学習の代表的な手法で、データを似た者どうしのかたまりに自動で分けることです。あらかじめ「この層」と決めるのではなく、データの近さからAIがグループを見つけます。雑然とした名刺の山を、なんとなく業種や規模ごとに自然と仕分けていくイメージです。分類との違いは、行き先のグループを人間が事前に決めていない点にあります。

AGIは「Artificial General Intelligence（汎用人工知能）」の略で、決まった一つの仕事だけでなく、人間のように幅広い分野を自分で考えてこなせるAIを指します。今あるAIは翻訳なら翻訳、画像判定なら画像判定と得意分野が限られていますが、AGIは何でも屋の優秀な社員のように分野を越えて対応できる存在をイメージしたものです。2026年時点では研究段階の概念で、まだ実現していません。実現時期には専門家の間でも幅広い見解があります。

弱いAI（Weak AI）と強いAI（Strong AI）は、AIを能力で区別する考え方です。弱いAIは翻訳や画像判定など決められた仕事をこなす、現在実用化されているAIのこと。強いAIは人間と同じように自分で考え、意識を持つとされる仮想的なAIで、まだ存在しません。一芸に秀でた専門スタッフが弱いAI、何でも自分で判断できる経営者のような存在が強いAI、と考えるとイメージしやすくなります。2026年に使われているのはすべて弱いAIです。

シンギュラリティ（Singularity、技術的特異点）とは、AIが人間の知能を超え、人には予測できないほど技術が一気に進むと想定される未来の節目を指す言葉です。これは確定した予定ではなく、あくまで一つの予測・仮説です。市場が一夜で様変わりするような大きな構造変化のたとえとして語られますが、本当に起きるのか、いつ起きるのかは専門家の間でも意見が大きく分かれています。煽り文句として使われることも多いので、冷静に受け止めるのが賢明です。

ルールベースAI（Rule-Based AI、従来型AI）とは、データから学ばせるのではなく、人間が条件と対応を一つずつ書き込んで判断させる仕組みです。「もし在庫が10個を切ったら発注する」といった社内マニュアルをそのままプログラムにしたものに近く、Excelの条件分岐の延長と考えるとわかりやすいです。動きが明確で説明しやすい反面、想定外のケースには対応できません。機械学習が普及する前の主流で、今でも条件がはっきりした業務では現役で活躍しています。