AI開発・データ・インフラの用語（22語）

API（正式名称：アプリケーション・プログラミング・インターフェース）は、あるサービスの機能を別のソフトから呼び出すための「注文窓口」です。レストランでお客さんが厨房に直接入らずウェイターに注文を頼むのと同じで、中身のしくみを知らなくても「これをお願い」と頼めば結果が返ってきます。自社のシステムにChatGPTやAIの機能を組み込むときも、このAPI経由でつなぎます。

APIキーは、AIサービスに「これは正規の契約者からの依頼です」と証明するための、長い文字列の合鍵のようなものです。マンションのオートロックの暗証番号と同じで、これがないとサービスは反応してくれず、また他人に知られると勝手に使われて料金を請求されてしまいます。だからメールやチャットに貼り付けたり、画面に映したりしてはいけません。

多くのAIサービスは、定額ではなく「使った分だけ払う」従量課金です。文章はAI内部で「トークン」という小さなかたまりに分けられ、入力（渡した文章）と出力（返ってきた文章）のトークン数の合計で料金が計算されます。電気やガスのメーター料金、あるいはタクシーの距離メーターと同じイメージで、使えば使うほど積み上がります。長い資料を何度も読ませると、意外と金額がふくらむので注意が必要です。

エンドポイントは、APIを呼ぶときの送り先の住所にあたるものです。郵便で荷物を届けるには正しい住所が要るのと同じで、AIに「要約して」と頼むなら「要約用のエンドポイント」へ、「画像を作って」なら「画像生成用のエンドポイント」へ送ります。やりたいことごとに宛先が分かれていると考えると分かりやすいです。

SDK（正式名称：ソフトウェア・デベロップメント・キット）は、あるサービスを組み込むのに必要な部品やサンプルをまとめた工具箱です。家具を一から木を切って作るのではなく、ネジ・板・組み立て説明書がそろった組み立てキットを使うようなもので、開発者はゼロから書かずに早く正確に機能を組み込めます。APIを「素手で」叩く代わりに、SDKを使うと手間とミスが減ります。

レイテンシは、AIに質問してから返事が来るまでの反応の速さを指します。お店で注文してから料理が出てくるまでの時間と同じで、短いほど快適、長いほど「遅いな」とストレスになります。AIは賢いモデルほど考える時間が長くなりがちで、正確さと速さはしばしばトレードオフ（あちらを立てればこちらが立たず）の関係になります。

GPU（正式名称：グラフィックス・プロセッシング・ユニット）は、もともと画像処理用に作られた部品ですが、同じような計算を一斉に大量にこなすのが得意なため、AIの学習や応答に欠かせない存在になりました。一人で順番に作業する事務職員（通常のCPU）に対し、GPUは大人数で一斉に手分けする工場のラインのようなものです。AIが高性能化するほどGPUの需要が高まり、2026年現在も高価で取り合いになりやすい資源です。

クラウドAIは、ネット越しに他社の高性能サーバーを借りてAIを使う方式で、レンタカーのように初期費用が少なく手軽に始められます。一方オンプレミス（自社設置）AIは、自社の建物・サーバーにAIを持ち込んで動かす方式で、マイカーのように購入費はかかるものの、データを外に出さずに済み、自由にカスタマイズできます。機密データを社外に出したくない場合はオンプレミスが、すぐ使いたい場合はクラウドが向きます。

エッジAIは、スマホ・カメラ・センサーなど現場の機器そのものの中でAIの処理を行うやり方です。本社に逐一お伺いを立てる店員ではなく、その場で判断できる現場スタッフのようなもので、ネットにつながっていなくても動き、応答も速いのが強みです。データを外に送らないのでプライバシー面でも有利ですが、機器の計算力が限られるため、載せられるAIの規模には制約があります。

ローカルLLM（LLMの正式名称：ラージ・ランゲージ・モデル＝大規模言語モデル）は、ChatGPTのような文章を扱うAIを、外部に頼らず自分の手元の機械で動かす形を指します。出前を頼む代わりに自宅のキッチンで料理するようなもので、データが社外に出ない安心感と、使い放題（追加のトークン課金がない）という利点があります。ただし高性能なGPUなどの設備が必要で、最高峰のクラウドAIに比べると賢さは一歩譲ることが多いです。

データ前処理は、集めたままのバラバラなデータを、AIが読み取りやすいようにそろえて整える作業です。料理の前に野菜を洗って皮をむき、食べやすく切る下ごしらえと同じで、ここを丁寧にやるかどうかでAIの結果の質が大きく変わります。表記がバラバラだったり、空欄だらけのデータをそのまま渡すと、AIも正しく学べません。

アノテーション（日本語ではラベリング、つまり「ラベル付け」）は、AIに学ばせるデータに人間が正解の目印を付けていく作業です。たとえば大量の写真に「これは犬」「これは猫」と一枚ずつ付せんを貼るようなもので、子どもにフラッシュカードで物の名前を教える光景に似ています。この正解付けが正確であるほど、AIは賢く育ちます。地道で人手のかかる工程ですが、AIの質を左右する土台です。

データクレンジングは、汚れたデータをきれいにする掃除と整頓の作業です。同じお客さまが二重に登録されていたり、電話番号が抜けていたり、表記がゆれていたりするのを直します。机の上の書類を整理して、いらない紙を捨て、ダブりをまとめるイメージです。汚れたデータのまま分析すると「ゴミを入れればゴミが出る」状態になり、AIでも人でも正しい判断ができません。

構造化データは、エクセルの表のように行と列にきちんと収まったデータで、金額・日付・件数など集計しやすいものです。一方の非構造化データは、メール本文・写真・音声・PDFなど形が決まっていないデータで、そのままでは集計できません。引き出しに仕切りがあって整然と入っている文房具（構造化）と、段ボールにまとめて放り込まれた雑多な資料（非構造化）の違いに近いです。世の中のデータは大半が後者で、ここをAIで扱えるようにするのが近年の大きなテーマです。

MLOps（正式名称：マシン・ラーニング・オペレーションズ）は、AI（機械学習モデル）を作る・動かす・直し続ける一連の流れを、滞りなく回すための運用の考え方です。車は買って終わりではなく、定期点検・オイル交換・部品交換をして初めて長く安全に走れるのと同じで、AIも作った後の手入れが欠かせません。放っておくと精度が落ちていくため、見張り役と整備の仕組みをあらかじめ用意しておくわけです。

デプロイとは、出来上がったAIを本番の現場へ送り出して稼働させることを言います。試作品の段階から一歩進み、お店をいよいよ開店してお客さまを迎え入れる「グランドオープン」に近いイメージです。社内テストでうまく動いたAIも、実際にユーザーが使える形でつながって初めて役に立ちます。開店後にトラブルが出ることもあるので、慎重に段階を踏んで出すのが定石です。

モデルのバージョン管理は、AIを更新するたびに第○版と名前を付けて記録し、過去の版もとっておく考え方です。資料を「企画書_最新」「企画書_v2」と保存し、間違えたら前の版に戻すのと同じで、新しいAIに入れ替えたら逆に調子が悪くなった、という時に元へ戻せる安心が得られます。「今どの版が動いているか」が分かることは、トラブル対応や監査の場面でも重要です。

function calling（日本語で「関数呼び出し」、別名ツール使用）は、AIが文章を作るだけでなく、必要に応じて外部の道具や機能を自分で呼び出して使えるようにするしくみです。料理人が自分の手だけでなく、必要な調理器具を取りに行って使うようなもので、たとえば「今日の天気は？」と聞かれたAIが天気サービスを呼び出し、その結果を答えに織り込めます。これにより、AIは社内データの検索やカレンダー登録など、実際の作業まで踏み込めるようになります。

MCP（正式名称：モデル・コンテキスト・プロトコル）は、AIにさまざまな外部ツールやデータをつなぐときの共通の規格です。機器ごとに専用ケーブルを用意する代わりに、どれでも挿せるUSBの差込口を用意するようなもので、つなぎ方を一本化することで連携がぐっと楽になります。2026年現在、AIに自社のカレンダー・ファイル・業務システムをつなぐ際の標準的なやり方として広まりつつあります。

ノーコードはコードを一切書かず、画面上で部品をマウスで並べるだけでアプリや自動化を作る方式、ローコードは少しだけコードを足して仕上げる方式です。プラモデルを部品の組み合わせで完成させるようなもので、専門のエンジニアでなくても現場担当者が自分の業務に合った道具を作れます。スピードと手軽さが魅力ですが、複雑なことや細かい作り込みには限界もあります。

データドリフトとは、AIが学んだ当時の状況と今の現実がだんだんズレていくことです。古い地図のまま走ると、新しい道路や撤去された建物に対応できず迷うのと同じで、世の中や顧客の傾向が変わると、過去のデータで作ったAIの判断は少しずつ的外れになっていきます。AIの精度が「いつの間にか落ちている」原因の多くがこれで、定期的な見直しが欠かせません。

モデルカードは、そのAIが何を得意とし、何が苦手で、どんなデータで作られたかをまとめた説明書きです。家電に付いてくる取扱説明書や食品の成分表示に似ていて、「どんな用途を想定しているか」「使ってはいけない場面はどこか」などが書かれています。AIを業務に取り入れる側にとっては、安全に正しく使うため、また説明責任を果たすために目を通しておきたい資料です。