AI用語虎の巻: ビジネスのための生成AI用語集

※本記事は米国で公開された“AI From A to Z: The Generative AI Glossary for Business Leaders”の抄訳版です。本記事の正式言語は英語であり、その内容および解釈については英語が優先されます。

この生成AI用語集は定期的に更新されます。

周りの人々が「生成AI」、「大規模言語モデル」、「ディープラーニング」といった用語を何気なく使っているように感じていませんか？詳細について少し迷っていませんか？ここ数十年の内で登場した最新かつ最もインパクトのある技術である「生成AI」分野を理解するために必要なすべての知識をまとめた入門書を作成しました。これを活用して、生成AIの世界に飛び込んでみましょう。

本用語集は技術的なバックグラウンドに関係なく、あなたの会社の誰もが生成AIの力を理解できるよう、重要な用語を絞ってまとめました。それぞれの用語は、お客様とチームの両方にどのように影響するかに基づいて定義されています。

生成AIの実世界での応用を紹介するために、本記事の制作には生成AIが活用されています。当社の専門家が主要な用語について意見を述べた上で、生成AIツールが制作したこの用語集の土台がベースとなっています。各定義は公開にあたり最終的に専門家の確認を受けていますが、それでも0から制作することと比較すると、大いに時間を節約することができました。

生成AI用語

人工知能（AI）

AIは、機械が人間のように思考し、行動するという広範な概念です。生成AIは、AIの一種であり、以下で詳しく説明します。

• お客様にとっての意味：AIは、お客様が過去に何をしたかに基づいて、次に何を欲しがりそうかを予測することで、お客様のお役に立ちます。より適切なコミュニケーションや製品のレコメンドを行い、重要な今後のタスク（例：再注文の時期）を思い出させることができます。これにより、あなたの組織での体験のすべてが、より役に立ち、パーソナライズされ、効率的で、摩擦のないものになるのです。
• チームにとっての意味：AIは、ルーティンのタスクを自動化することで、チームがよりスマートかつ迅速に作業できるように支援します。これにより、従業員の時間が削減され、顧客への迅速なサービスが提供され、より個別化された対話が可能となり、すべてのことがビジネスを推進するために顧客の維持に役立ちます。

（トップへ戻る↑）

生成AI（Generative AI）

生成AIとは、既存のデータを学習し、その知識を基に新たな情報を創造するAIの一種です。人間が作成したデータを元に、新しいパターンやアイデア、コンテンツを生み出します。CRMシステムでは、生成AIを使用して個別のマーケティングコンテンツを作成したり、新機能や戦略をテストするために合成データを生成することができます。

• お客様にとっての意味：より良くターゲットされたマーケティングコンテンツにより、顧客は必要な情報だけを得ることができます。
• チームにとっての意味：マーケティングキャンペーンやセールス動作の迅速な構築、およびライブに移行する前に複数の戦略を合成データセット上でテストして最適化する能力を持つことができます。

（トップへ戻る↑）

人工ニューラルネットワーク（ANN）

ANNは、人間の脳が情報を処理する方法を模倣したコンピュータプログラムです。私たちの脳は数十億のニューロンがつながっており、ANN（「ニューラルネットワーク」とも呼ばれます）においても、たくさんの小さな処理ユニットが一緒に働いています。それは、同じ問題を解決するために働くチームのようなもので、各メンバーが自分の役割を果たし、その結果を受け継ぎ、そして、最終的に必要な答えが得られるのです。人間もコンピューターも、チームワークが大切なのです。

• お客様にとっての意味：顧客は、ANNが問題を解決し正確な予測を行う際にさまざまな利点を得ます。高度に個別化された推奨事項により、より適した、直感的で満足度の高い顧客体験が得られます。ニューラルネットワークはパターン認識に優れており、不正行為を示唆する可能性のある異常な振るまいを検出するための重要なツールとなります。これにより、顧客の個人情報と金融取引が保護されます。
• チームにとっての意味：チームも同様に利益を得ます。顧客離反を予測することで、積極的な顧客維持策が導かれます。ANNは顧客セグメンテーションにも役立ち、よりターゲットを絞った効果的なマーケティング活動が可能となります。CRMシステムでは、ニューラルネットワークを使用して顧客の行動予測やフィードバックの理解、製品の個別化推奨が行われる場合もあります。

（トップへ戻る↑）

Generative Pre-trained Transformer（GPT）

GPTは、コンテンツを生成するためにトレーニングされたニューラルネットワークのファミリーです。GPTモデルは大量のテキストデータで事前にトレーニングされており、ユーザーの提示やクエリに基づいて明確で関連性のあるテキストを生成することができます。

• お客様にとっての意味：顧客は特定のニーズに焦点を当てたよりパーソナライズされた会社との対話が可能になります。
• チームにとっての意味：GPTを使用して顧客向けコンテンツの自動生成や顧客フィードバックの分析、洞察の抽出を自動化することができます。

（トップへ戻る↑）

機械学習

機械学習とは、プログラムに明示的にプログラムされずに新しいことを学ぶコンピュータの方法です。例えば、子供に動物を識別させる場合、写真を見せてフィードバックを提供します。さまざまな例を見てフィードバックを受けることで、独自の特徴に基づいて動物を分類する方法を学習します。同様に、機械学習モデルはラベル付きのデータから学習し、正確な予測と意思決定を行います。彼らは一般化し、その知識を新しい例に適用します。

• お客様にとっての意味：企業が顧客の価値や要望をより良く理解することで、現行製品やサービスの向上、あるいは顧客のニーズにより適した新製品の開発につながります。
• チームにとっての意味：機械学習は、顧客の行動を予測したり、マーケティングコンテンツをパーソナライズしたり、ルーチンタスクを自動化するために使用することができます。

（トップへ戻る↑）

強化学習

強化学習（Reinforcement Learning）は、機械学習のひとつで、AIモデルに試行錯誤を通じて最良の結果を見つけるように教える方法です。AIモデルは、プロンプトからの出力に基づいてアルゴリズムから報酬または修正を受け取ります。

AIをトレーニングすることは、ペットに新しい芸を教えるのと同じように考えてみましょう。ペットはAIモデル、ペットトレーナーはアルゴリズム、そしてあなたはペットの飼い主です。強化学習では、AIはペットのようにさまざまなアプローチを試します。正解するとトレーナーからご褒美や報酬が与えられ、的外れになると修正されます。時間の経過とともに、どのアクションが報酬につながり、どのアクションがつながらないかを理解することで、AIはそのタスクが上手になっていきます。その後、飼い主であるあなたは、より具体的なフィードバックを提供でき、AIの反応をあなたの家やライフスタイルに合わせて洗練させることができます。

• お客様にとっての意味：顧客は、フィードバック、特に人間のフィードバックに基づいて継続的に改善および適応するAIシステムの恩恵を受けます。これにより、時間の経過とともにより関連性が高く正確なやり取りが保証されます。
• チームにとっての意味：チームは強化学習を使用してAIモデルをより効率的にトレーニングし、使用状況に合わせてカスタマイズされた実際のフィードバックに基づいて迅速な改善を実現できます。

（トップへ戻る↑）

ディープラーニング（深層学習）

ディープラーニングは、コンピュータがデータ内の複雑なパターンを認識するのに非常に優れたAIの高度な形式です。それは、私たちの脳の働きを模倣するために、層状のニューラルネットワークと呼ばれるものを使用します。各層は（例えば、動物の特徴のような）パターンであり、それに基づいて以前学習したパターンに基づいて予測を行うことができます（例：認識された特徴に基づいて新しい動物を識別する）。これは、画像認識、音声処理、自然言語理解などの分野に非常に役立ちます。

• お客様にとっての意味：ディープラーニングを活用したCRMは、積極的な関与の機会を創出します。セキュリティの強化、効率的な顧客サービス、パーソナライズされた体験などが可能です。たとえば、毎年のフットボールシーズンの前に新しいファングッズを購入している履歴がある場合、ディープラーニングがCRMに接続されていると、シーズン開始の1ヶ月前には、お気に入りのチームグッズの広告が表示され、マーケティングメールが送信されることで、お客様の購買行動を促し、試合の日には新しいファングッズを持って臨むことができます。
• チームにとっての意味：CRMシステムでは、ディープラーニングを使用して顧客の行動予測、顧客フィードバックの理解、製品のパーソナライズされた推奨が行われます。たとえば、特定の顧客セグメントで販売が急増している場合、ディープラーニングを活用したCRMはそのパターンを認識し、マーケティング予算を増やしてその顧客層により多くのアプローチを行うことを推奨することができます。

（トップへ戻る↑）

機械学習バイアス

「ゴミを入れれば、ゴミが出てくる」というフレーズを聞いたことがあるでしょうか？機械学習バイアスは、そのAIバージョンです。コンピュータにバイアスのある情報が与えられると、バイアスのある意思決定を行います。これは、コンピュータにデータを提供する人間の意図的な選択、バイアスのあるデータの誤って組み込まれること、またはアルゴリズムが学習プロセス中に誤った仮定を行い、バイアスのある結果を出すことによるものです。

例えば、ローン審査モデルが、特定の人口統計（性別や人種など）に対してローンを承認する傾向がある過去のデータでトレーニングされている場合、それはそのバイアスを学習し続ける可能性があります。これはシステム自体の偏見ではなく、トレーニングデータのバイアスに起因しています。これはシステムの正確性と効果に重大な影響を与え、顧客間の平等と信頼を構築するのに役立ちます。

• お客様にとっての意味：バイアスを克服しようと積極的に取り組む企業と一緒に作業することは、より公平で公正な体験をもたらし、信頼を築くことにつながります。
• チームにとっての意味：すべての顧客が公平かつ正確に扱われるようにするために、バイアスをチェックし対処することが重要です。機械学習のバイアスを理解し、組織の制御策を知ることで、チームはプロセスに自信を持つことができます。

（トップへ戻る↑）

擬人化

AIシステムに人間の動機、感情、特徴、行動を当てはめる傾向のことを言います。例えば、モデルまたは出力が感情を持つことができないにもかかわらず、その回答に基づいて「意地悪」だと考えたり、AIが人間の言葉を模倣するのが非常に得意であるため、AIが知覚力を持っていると潜在的に信じてしまう場合があります。

AIはなじみ深いと感じるかもしれませんが、どんなに進化しても感情や意識を持たないことを覚えておくことが重要です。AIは優秀なツールであり、人間ではありません。

• お客様にとっての意味：プラス面では、顧客は人間のような特性を示すAIシステムにより親近感や関わりを感じ、より親しみやすくパーソナライズされた体験につながる可能性があります。マイナス面では、顧客は無礼で思いやりのない対応に腹を立てたり、気分を害する可能性があります。
• チームにとっての意味：チームは、ユーザーにAIシステムの機能と限界を理解してもらうために、ユーザーの期待を管理しこの概念を常に認識しておく必要があります。

（トップへ戻る↑）

人間参加型（HITL）

自分をマネージャー、AIを新入社員と考えてください。非常に優秀な新入社員がいたとしても、その仕事を確認し、期待どおりの成果が得られるかレビューする必要がありますよね？これが「人間参加型」（HITL、ヒューマンインザループ）の意味です。

トレーニング段階とテスト段階の両方において、またシステムの積極的な使用中においても、AIの出力を監視し、モデルに直接フィードバックを与えるようにすることです。HITLは、AIと人間の知性を融合させ、可能な限り最高の結果を実現します。

• お客様にとっての意味： 顧客は、AIシステムが人間の監視によって改良されていることを信頼でき、より正確で倫理的な出力が保証されます。
• チームにとっての意味：チームは、組織の目標と価値観に一致するように、AIモデルとその応答を積極的に形成および洗練させることができます。HITLを維持することで、AIシステムは組織のニーズに合わせてよりよく適合するようになります。

（トップへ戻る↑）

拡張知能

拡張知能は、人間とコンピュータが最善の結果を得るために融合することを指します。コンピュータは大量のデータを処理し、複雑な計算を迅速に行うことが得意です。人間はコンテキストを理解し、不完全なデータでも関連性を見つけ、直感に基づいて意思決定することが得意です。拡張知能はこれらの2つのスキルセットを組み合わせます。コンピュータが人々を置き換えたり、仕事を完全に行ったりすることではありません。むしろ、非常にスマートで組織化されたアシスタントを雇うようなものです。

• お客様にとっての意味：拡張知能により、コンピュータが数値を処理し、その情報に基づいて人間がどのような行動を取るかを決定できます。これにより、顧客にとってより良いサービス、マーケティング、製品の推奨が可能となります。
• チームにとっての意味：拡張知能は、より良い戦略的な意思決定を支援することができます。例えば、CRMシステムは顧客データを分析し、営業やマーケティングチームが見込み顧客にアプローチする最適なタイミングを提案したり、顧客が興味を持つ可能性のある製品を推奨することができます。

（トップへ戻る↑）

ジェネレーティブCRM

CRMは、現在および潜在的な顧客関係を管理するためのすべての部門のための真実の唯一の情報源として顧客記録を保持するテクノロジーです。生成AIはCRMをさらに強力にします。営業チーム向けに事前に作成された個別化されたメール、画像のみに基づいて作成されたECサイトの商品説明、マーケティングキャンペーンのランディングページ、文脈に即した顧客サービスのチケットへの返信などを考えてみてください。

• お客様にとっての意味：CRMは、マーケティングから営業、顧客サービスなど、すべてのエンゲージメントチャネルにおいて顧客に一貫した体験を提供します。顧客自体はCRMを見ることはありませんが、ブランドとのすべての対話中にそのつながりを感じることができます。
• チームにとっての意味：CRMは、企業が顧客とのつながりを維持し、プロセスを効率化し、収益性を向上させるのに役立ちます。チームは顧客や見込み顧客の連絡先情報を保存し、営業の機会を特定し、サービスの問題を記録し、マーケティングキャンペーンを管理できます。たとえば、商談やクレームなど顧客とのあらゆる対話履歴を、社内の関係者に利用できるように管理できます。生成AIは、CRMを強化し、マーケティングチームが行う各種のキャンペーン施策をを自動的に翻訳して世界中の主要市場に展開したり、オペレーターがお客様の問題を迅速に解決し、将来の販売の機会につながるような対応を提供することで、顧客とのつながりを迅速かつ簡単にすることをお手伝いします。

（トップへ戻る↑）

敵対的生成ネットワーク（GAN）

敵対的生成ネットワーク（GAN）は、2つのニューラルネットワークで構成されるディープラーニングモデルの一つです。生成器(ジェネレーター)と識別器（ディスクリミネーター）の2つのネットワークが互いに競い合い、生成器は入力に基づいて出力を生成し、識別器は出力が実際のものか偽物かを判断しようとします。生成器は識別器のフィードバックに基づいて出力を微調整し、最終的にこの取り組みは生成器の出力が識別器を騙し通すまで続けられます。

• お客様にとっての意味：個別にカスタマイズされたマーケティングが可能になります。顧客ごとのカスタムプロモーション画像などです。
• チームにとっての意味：開発チームが顧客データが不足している場合に合成データを生成するのに役立ちます。実際の顧客データの使用に関するプライバシー上の懸念が生じる場合に特に有用です。

（トップへ戻る↑）

生成器（ジェネレーター）

生成器は、リクエストや入力に基づいて新しいコンテンツを作成するAIベースのソフトウェアツールです。提供されたトレーニングデータから学習し、そのパターンや特徴を模倣した新しい情報を生成します。OpenAIのChatGPTは、テキストベースの生成器のよく知られた例です。

• お客様にとっての意味：生成器を使用することで、実際の顧客との対話から学習し、より良く役立つコンテンツを継続的に作成することが可能です。
• チームにとっての意味：ジェネレーターを使用してテストやトレーニングのためのリアルなデータセットを作成できます。これにより、システムが稼働する前にチームがシステムのバグを見つけることや、新入社員が実データに影響を与えることなくシステムに慣れることができます。

（トップへ戻る↑）

GANの識別器（ディスクリミネーター）

敵対的生成ネットワーク（GAN）では、識別器は探偵のような存在です。識別器は画像（または他のデータ）を示されたときに、それが実際のものか偽物かを推測しなければなりません。 「実際」の画像はデータセットから取得されたものであり、「偽」の画像はGANの他の部分である生成器(ジェネレーター)によって作成されたものです。識別器の役割は、本物と偽物をより正確に区別するようになることであり、一方、生成器は偽物の作成をより上手になるように努めます。これは、常により優れた罠を作り続けるソフトウェアバージョンです。

• お客様にとっての意味：GANの識別器は、詐欺検出の重要な部分であるため、その使用はより安全な顧客体験につながります。
• チームにとっての意味：GANの識別器は、チームが合成データやコンテンツの品質を評価するのに役立ちます。詐欺検出やパーソナライズされたマーケティングに貢献します。

（トップへ戻る↑）

倫理的AI成熟度モデル

倫理的AI成熟度モデルは、組織がAI技術の使用における倫理的な実践を評価し向上させるのに役立つフレームワークです。組織が現在の倫理的なAIの実践を評価し、より責任ある信頼性の高いAIの使用に進む方法を示します。透明性、公平性、データプライバシー、説明責任、予測のバイアスに関連する問題をカバーしています。

• お客様にとっての意味：倫理的なAIモデルが導入され、AIの使用方法についてオープンにされることで、信頼を築き、顧客に対してデータを責任ある方法で使用していることを保証します。
• チームにとっての意味：定期的にAIの実践を評価し、AIの使用方法について透明性を保つことで、企業の倫理的考慮事項や社会的価値に合致することができます。

（トップへ戻る↑）

説明可能なAI（XAI）

数学の授業で解答の過程を示すように求められたことを覚えていますか？それがAIに求めていることです。説明可能なAI（XAI）は、AIの結果に影響を与えた要素を明らかにすることで、ユーザーがその出力を解釈（そして信頼！）するのを助けるべきです。このような透明性は、医療や金融などの敏感なシステムに関わる場合に重要であり、公平性、説明責任、場合によっては規制の遵守を確保するために必要です。

• お客様にとっての意味：AIシステムが顧客が理解できる方法で自身の意思決定を説明できる場合、信頼性と信憑性が高まります。特に医療や金融などの敏感な領域では、ユーザーの信頼を高めます。
• チームにとっての意味：XAIは、従業員がモデルが特定の予測を行った理由を理解するのに役立ちます。これにより、システムへの信頼が高まるだけでなく、意思決定の改善やシステムの改善にも貢献します。

（トップへ戻る↑）

ハルシネーション（幻覚）

ハルシネーションとは、生成AIが与えられたコンテンツを分析する際に誤った結論を出し、現実に対応しない新しいコンテンツを生成することです。例えば、何千もの動物の写真でトレーニングされたAIモデルに「動物」の新しい画像を生成するように要求すると、キリンの頭と象の鼻を組み合わせた画像を生成するかもしれません。興味深いかもしれませんが、ハルシネーションは望ましくない結果であり、生成モデルの出力に問題があることを示しています。

• お客様にとっての意味：企業がこの問題を監視し、ソフトウェアで対処することで、顧客の体験が向上し信頼性が高まります。
• チームにとっての意味：品質保証はAIチームの重要な部分となります。幻覚を監視し、対処することで、AIシステムの正確性と信頼性を確保するのに役立ちます。

（トップへ戻る↑）

AIのトキシシティ（有毒性）

AIのトキシシティ、つまり「有毒性」とは、AIが不適切、攻撃的、または偏見を含む言葉や行動を示す可能性のことを指します。これは、AIが人間の行動を学ぶ際に、ネガティブなパターンや有害な行動も学んでしまうことが原因です。

例えば、AIは大量のテキストデータを学習して言葉の使い方を理解していますが、その学習データには、人間の偏見や攻撃的な言葉が含まれている場合があります。結果として、AIはそのような偏った情報が含まれるデータから学習するため、結果としてAIも偏見を持ったり攻撃的な言葉を使ったりする可能性があります。

これはまるで、友人たちの悪い言葉遣いや行動を見て、それが普通だと思い込んでしまう子どものようなものです。友達が悪い行動をしているからと言って、それが正しいとは限らないのと同じように、AIが学習するデータが偏見や攻撃性を含んでいるからと言って、それが正しいとは限りません。

AIのトキシシティは、AIが社会全体の価値観や倫理観を反映するように設計されているため、問題となります。AIが公平で偏見のない情報を提供するためには、AIのトキシシティを理解し、それを制御する方法を見つけることが重要です。

• お客様にとっての意味：ブランドイメージの毀損や誤解を与えないように、学習データとプロセスを適切に管理する必要があります。
• チームにとっての意味：企業はAIの学習データとプロセスを適切に管理し、AIが公平で偏見のない行動をするようにする必要があります。また、AIの行動を定期的に監視し、問題が発生した場合には迅速に対応する体制を整えることも重要です。

（トップへ戻る↑）

モデル

これはデータのパターンを認識するためにトレーニングされたプログラムです。天気を予測するモデル、言語を翻訳するモデル、猫の写真を識別するモデルなど、さまざまなモデルが存在します。モデル飛行機が実際の飛行機の縮小版であるように、AIモデルは実世界のプロセスの数学的な表現です。

• お客様にとっての意味：モデルは顧客により正確な製品推薦を提供することができます。
• チームにとっての意味：これにより、チームは顧客の行動を予測し、顧客をグループに分けることができます。

（トップへ戻る↑）

自然言語処理（NLP）

NLPは、コンピュータが人間の言語を理解し、解釈し、生成するための人工知能の分野です。音声アクティブな仮想アシスタント、言語翻訳アプリ、チャットボットなどの技術の背後にあります。

• お客様にとっての意味：NLPにより、顧客は複雑なコマンドではなく通常の人間の言語を使用してシステムと対話することができます。音声アクティブなアシスタントはその最たる例です。これにより、テクノロジーがよりアクセスしやすく、使いやすくなり、ユーザーエクスペリエンスが向上します。
• チームにとっての意味：NLPは、顧客のフィードバックの分析、チャットボットの活用、顧客向けコンテンツの自動化に利用することができます。

（↑トップへ戻る）

パラメータ

パラメータは、モデルの予測と実際の結果の差を最小限に抑えるためにトレーニング中に調整される数値です。パラメータは、生成されたコンテンツを形成し、特定の基準または要件を満たすようにする上で重要な役割を果たします。

パラメータはLLMの構造と動作を定義し、パターンを認識するのに役立ちます。これにより、コンテンツを生成するときに次に何が来るかを予測できます。

パラメータの設定はバランスを取る作業です。パラメータが少なすぎると、AIの精度が低下する可能性がありますが、パラメータが多すぎるとAIが過剰な処理能力を使用し、特化しすぎる可能性があります。

• お客様にとっての意味：パラメータの数が多いAIモデルは、人間のようなテキストをより正確に予測および生成できるため、顧客はより正確で一貫性のある応答の恩恵を受けることができます。
• チームにとっての意味：チームはAIモデルをより効果的に微調整および最適化できるため、パフォーマンスが向上し、出力の信頼性が向上します。同時に、処理能力を不必要に浪費したり、特定のトレーニング データ セットに特化しすぎたりするシステムを作成することはありません。

（↑トップへ戻る）

大規模言語モデル（LLM）

LLMは、多くのテキストデータでトレーニングされたタイプの人工知能です。与えられたプロンプトに基づいて、人間らしいテキストを作成することができる、非常にスマートな会話パートナーのような存在です。一部のLLMは質問に答えたり、エッセイを書いたり、詩を作ったり、コードを生成することができます。

• お客様にとっての意味：人間らしい対話を提供するパーソナライズされたチャットボットにより、顧客は迅速かつ簡単に共感を持って一般的な問題の解決策を得ることができます。
• チームにとっての意味：チームは、顧客向けコンテンツの自動生成、顧客フィードバックの分析、および顧客の問い合わせに応えることができます。

（トップへ戻る↑）

プロンプトエンジニアリング

この項目にはエンジニアリングの専門性は必要ありません。プロンプトエンジニアリングは、必要な回答を得るための質問方法を見つけることを意味します。機械学習モデルに与える入力（プロンプト）を注意深く作成または選択することで、最良の出力を得ることができます。

• お客様にとっての意味：生成的AIツールが強力なプロンプトを受け取ると、強力な出力を提供することができます。プロンプトがより強力で関連性が高いほど、エンドユーザーエクスペリエンスが向上します。
• チームにとっての意味：これを使用することで、大規模な言語モデルに対して顧客への個別のメールを生成したり、顧客のフィードバックを分析して主要な洞察を抽出できます。

（トップへ戻る↑）

プロンプト防御

ハッカーや有害な出力から保護する方法の1つは、機械学習モデルに扱ってほしくない用語やトピックについて積極的になることです。「データや根拠のないコンテンツには対応しない、または回答を生成しない」や「エラーが発生した場合や回答の妥当性が不明な場合は、わからないと答える」などのガードレールを組み込むことは、問題が発生する前に防御するための優れた方法です。

• お客様にとっての意味：不快、混乱、または不正確な可能性のある情報、用語、トピックを含む回答は提供されません。
• チームにとっての意味： 顧客が望まない情報や、ブランドに関連付けたくないトピック、著作権に関する法的影響がある可能性のあるトピックを提供しないようにすることで、問題が発生する前に回避できます。

（トップへ戻る↑）

レッドチーミング

組織で新しいセキュリティシステムを導入する場合、専門家を雇ってテストを行い、潜在的な脆弱性を見つけますよね？「レッドチーミング」（Red-Teaming）という用語は、システムやプロセスの弱点をテストするグループを割り当てる軍事戦術に由来しています。

これを生成AIに適用すると、レッドチームはAIが潜在的に有害な応答を生成させることを目的とした課題やプロンプトを作成します。これにより、AIが安全に動作し、ユーザーに不注意でネガティブな体験をもたらさないようにします。これは、AIツールの品質と安全性を確保するためのプロアクティブな方法です。

• お客様にとっての意味：顧客は、潜在的な脆弱性に対してテストされた、より堅牢で信頼性の高いAIシステムの恩恵を受け、より安全で信頼性の高いユーザーエクスペリエンスを確保できます。
• チームにとっての意味：チームは、AIシステムの潜在的な脆弱性を特定して対処できるため、よりレジリエントで信頼性の高いモデルを実現できます。

（トップへ戻る↑）

安全性

AIの安全性は、AIシステムによって生じる可能性のある事故、誤用、その他の有害な結果を防ぐことに重点を置いた学際的な分野です。企業がこれらのシステムが確実に人間の価値観に沿って動作し、害を最小限に抑えてAIのメリットを最大化できるようにする方法です。

• お客様にとっての意味：顧客は堅牢な安全システムが導入されていることがわかれば、AIシステムが自分たちのウェルビーイングを優先し、より安全なユーザーエクスペリエンスを保証することを信頼できます。
• チームにとっての意味：チームは、潜在的なリスクが軽減され、システムが倫理基準と組織の価値観に沿っていることを認識しているため、自信を持ってAIシステムを開発および展開できます。

（トップへ戻る↑）

透明性

透明性（Transparency）はしばしば、説明可能性（Explainability）と同じ意味で使用されることがあります。透明性は、特定の決定が下される理由や、モデルの予測、推奨、または出力の原因となる要因を人々が理解するのに役立ちます。

また、透明性とは、AIシステム内でデータを使用する方法と理由について率直であることを意味します。明確かつ率直に伝えることで、信頼の基盤を築き、全員が同じ認識を持ち、AI 主導のエクスペリエンスに対する信頼が育まれます。

• お客様にとっての意味： 顧客がAI主導の決定を信頼して理解し、データの使用方法を理解できれば、製品やサービスに対する信頼も高まります。
• チームにとっての意味：チームはAI主導の意思決定をより適切に説明し正当化できるようになるため、利害関係者の信頼が向上し、組織内での反発リスクが軽減されます。

（トップへ戻る↑）

感情分析

感情分析は、話者やライターの態度、意見、感情を理解するために単語の背後にある感情のトーンを判断することを意味します。これは、CRMで顧客のフィードバックやブランドや製品についてのソーシャルメディアの会話を理解するために一般的に使用されます。

• お客様にとっての意味：顧客は新しいチャンネルを通じてフィードバックを提供することができ、それにより相互作用する企業からより情報のある意思決定が行われます。
• チームにとっての意味：感情分析は、顧客のフィードバックやソーシャルメディアの投稿に基づいて、製品やブランドに対する顧客の感情を理解するために使用されます。これにより、ブランドや製品の評判と管理の多くの側面に関する洞察が得られます。

（トップへ戻る↑）

トランスフォーマー

トランスフォーマーは、ディープラーニングモデルの一種であり、特に言語処理において非常に有用です。トランスフォーマーは、文章の中の単語の文脈を理解するのに非常に優れています。なぜなら、トランスフォーマーは文脈なしの単語のような個々のデータポイントではなく、連続データ（進行中の会話のような）に基づいて出力を生成するからです。”トランスフォーマー”という名前は、トランスフォーマーが入力データ（文のような）を出力データ（文の翻訳など）に変換できる方法から来ています。

• お客様にとっての意味：企業はパーソナライズされたAIチャットボットによって顧客サービス体験を向上させることができます。これらは過去の行動を分析し、パーソナライズされた製品の推奨を提供します。また、自動生成されたが人間らしい応答を生成し、顧客とのより魅力的なコミュニケーション形式をサポートします。
• チームにとっての意味：トランスフォーマーは、チームが顧客向けのコンテンツを生成し、基本的な顧客インタラクションを処理するチャットボットを活用するのに役立ちます。トランスフォーマーはまた、顧客のフィードバックに対して洗練された感情分析を実行することができ、顧客のニーズに応えるのに役立ちます。

（トップへ戻る↑）

教師あり学習

教師あり学習とは、モデルが例から学習することです。これは教師と生徒の関係のようなものです。教師（モデル）が生徒に質問と正解を提供します。生徒はこれらを学び、時間の経過とともに似たような質問に自己で答えることを学びます。画像の認識、言語の翻訳、可能性の予測などを行うシステムをトレーニングするのに非常に役立ちます（以下の教師なし学習も参照）。

• お客様にとっての意味：効率が向上し、過去の相互作用を通じて顧客のニーズを理解するシステムが学習することができます。
• チームにとっての意味：過去のデータに基づいて顧客の行動を予測したり、顧客をグループに分けたりするために使用することができます。

（トップへ戻る↑）

教師なし学習

教師なし学習とは、ガイダンスなしにAIがデータの中に隠れたパターンを見つけることです。これはコンピュータに自己探索し、興味深いことを見つけることを許すことです。まるでボックスの上の絵がないまま、ごちゃ混ぜのパズルのピースの大袋を持っているようなものです。教師なし学習は、ピースをどのように組み合わせるかを見つけ出し、最終的な絵が何であるかを知らないままに類似性やグループを探すことです。

• お客様にとっての意味：顧客データの隠れたパターンやセグメントを明らかにすることにより、顧客エクスペリエンスが最適化されます。これにより、個別のニーズに基づいた製品やサービスが提供されることがあります。
• チームにとっての意味：教師なし学習は、大量のデータを処理して顧客をセグメント化したり、製品やサービスの特徴を抽出したりするのに役立ちます。これにより、よりターゲットされたマーケティングキャンペーンや個別の製品推薦が可能になります。

（トップへ戻る↑）

バリデーション（検証）

機械学習において、バリデーションはモデルがトレーニングの途中または終了後にどれだけうまく機能しているかを確認するための手順です。モデルは、トレーニング中に見たことのないデータの一部（検証セット）でテストされます。これにより、モデルが実際に学習していて答えをただ覚えているだけではないかを確認します。これは、学期の途中でAIに行われる小テストのようなものです。

• お客様にとっての意味：より良くトレーニングされたモデルは、より使いやすいプログラムを作成し、全体的なユーザーエクスペリエンスを向上させます。
• チームにとっての意味：顧客の行動予測や顧客のセグメンテーションを行うモデルが意図した通りに機能することを保証するために使用できます。

（トップへ戻る↑）

発達の最近接領域（ZPD）

発達の最近接領域とは教育の概念です。例えば、生徒は毎年、足し算や引き算からかけ算、割り算、さらには複雑な代数や微積分の方程式まで、数学のスキルを進めていきます。上手く学習していくための鍵は、少しずつ段階的にそれらのスキルを学んでいくことです。AIについての学習も同じであり、モデルが徐々に難しいタスクでトレーニングされていくことで、その学習能力を向上させることを「発達の最近接領域」と呼びます。

• お客様にとっての意味：生成AIが適切にトレーニングされると、より正確な結果を生成する可能性が高くなります。
• チームにとっての意味：ZPDは従業員のトレーニングに適用することができ、従業員がより複雑なタスクを実行したり、CRMの機能をより効果的に活用したりすることができます。

（トップへ戻る↑）

ゼロデータ保持

ゼロデータ保持（Zero Data Retention）とは、プロンプトと出力が消去され、AIモデルに保存されないことを意味します。そのため、顧客がモデルと共有する情報を常にコントロールすることはできませんが、次に何が起こるかを制御することはできます（何を含めるべきでないか顧客に常に注意喚起することももちろん重要です）。

外部AIモデルとのセキュリティ制御とゼロデータ保持ポリシー契約を確立することで、その情報がチームや他の誰にも使用されないようにすることができます。

• お客様にとっての意味：顧客が共有する情報が他の目的に使用されないという信頼を構築します。
• チームにとっての意味：顧客がモデルと共有する情報（個人識別情報＝PII）が、顧客やチームが望まない方法で使用される可能性を排除します。

（トップへ戻る↑）

これらの概念やテクノロジーは、顧客とチームの両方にとって非常に重要です。顧客はよりパーソナライズされたエクスペリエンスを期待しており、チームは効果的な顧客サービスやマーケティング戦略を開発するために最新のAI技術を活用しています。これらの技術の進歩は、顧客とチームの双方にとって利益をもたらすことが期待されています。