AI 用語 100
ソフトウェアテストと QA の実践的な視点から解説した、100 の重要な AI 用語を紹介します。
QA のための一般的な AI 用語 100
A2A プロトコル
アプリケーション間の通信方式。QA は、こうした自動化されたやり取りが安全で、期待どおりに動作するかをテストします。
受け入れ閾値（メトリクス）
リリースに必要な最低限の性能レベル。プロダクトチームがこの閾値を定義し、QA はモデルがデプロイ可能な状態かを評価します。
正解率（メトリクス）
正しい予測の割合。QA はテストセットにおけるモデル全体の正確さを評価するために使用します。
適応型テスト
AI の進化に合わせて変化するテスト。QA は、進化するモデルの振る舞いを検証するためにテストシナリオを継続的に調整します。
敵対的（Adversarial）
モデルを誤らせるための意図的な入力操作。QA はこうした攻撃に対するモデルの堅牢性をテストします。
AGI
汎用人工知能（Artificial General Intelligence）：人間のようにあらゆるタスクを理解し実行できる理論上の AI。AI の進化を理解するうえで重要です。
AI エージェント
人の介入なしに意思決定し、タスクを実行できる自律的なコンポーネント。QA は自律性、信頼性、安全性をテストする必要があります。
AI アライメント
AI の振る舞いが人間の目標や倫理的な期待と一致し続けるようにすること。QA は多くの場合、安全性、公平性、意図しない振る舞いを確認します。
AI モデル
入力を出力に対応づける学習済みのシステム（例：ニューラルネットワーク）。テスターは、期待される性能、正確さ、エッジケースに照らして検証します。
AI ラッパー
AI モデルへのアクセスを簡単にするソフトウェアレイヤーやアプリケーション。QA は、AI 駆動の機能という文脈で、他のソフトウェアアプリケーションと同様にテストします。
アルゴリズム
AI が従う根底のルールやロジック。テスターは論理的な一貫性とトレーサビリティを検証することがあります。
ANN（人工ニューラルネットワーク）
脳に着想を得た機械学習モデル。QA は、出力の正確さ、エッジケースの処理、過学習／未学習の問題などをテストします。
人工知能
人間の知能を模倣して問題を解決するコンピューターシステム。QA テスターは、タスクをどれだけ確実かつ安全に実行するかを評価します。
アシスタントロール（プロンプトエンジニアリング）
AI の応答の振る舞い。QA は、正確さ、トーン、タスクへの追従の正確さをテストします。
自律型
独立して動作するシステムを指します。QA は、エージェントが予測どおり、期待どおり、かつ安全に動作するかを検証するためにテストします。
バイアス
モデルが不公平な偏りを示すこと。QA は、多様なグループにわたる性能をテストしてバイアスを検出します。
双方向テスト
入力が出力にどう影響するか、そして出力がその後の入力やプロンプトにどう影響しうるかを評価します。QA は両方向をテストし、不整合や循環依存を検出します。
Chain-of-Thought（CoT）プロンプティング
AI に段階的に推論させる手法。QA は各推論ステップの正確さと一貫性を確認します。
チャットボット
自然言語でユーザーとやり取りする AI システム。テスターは、言語理解、エッジケース、インテントのカバレッジを評価します。
CNN（畳み込みニューラルネットワーク）
画像処理に最適なニューラルネットワーク。QA は画像分類の正確さと、歪みに対する堅牢性をテストします。
コンピュータービジョン
視覚的な入力を解釈する AI。QA のテストには、エッジ検出、物体認識の正確さ、ノイズへの堅牢性が含まれます。
コンセプトドリフト
モデルが予測している対象の意味が、時間とともに変わってしまうことです。たとえば、新しい詐欺の手口によって金融データにおける「不正」の意味が変わる場合などです。QA テスターは、モデルの予測が現在の現実と一致しているか、ラベルを更新する必要があるかを確認します。
コンテキスト
AI が意思決定に使う関連データの履歴。テスターは、それが適切に維持・使用されているかをテストします。
コンテキストインジェクションテスト
コンテキスト入力がシステムプロンプトを操作・妨害しうるシナリオをシミュレートします。QA はプロンプトの分離と防御レイヤーを検証します。
コンテキストウィンドウ
LLM が考慮できる入力テキストの最大量。QA は切り捨ての影響と応答品質の低下を確認します。
継続学習
AI が新しいデータから学習して改善すること。QA は、モデルの更新がリグレッションを引き起こしていないかをテストします。
コパイロット
AI による開発やテストの支援。QA は、提案の正確さ、有用性、ワークフローへの統合を検証します。
ChatGPT のカスタマイズ
システム指示を使って ChatGPT の振る舞いを変更すること。より質の高い出力を得るために ChatGPT をカスタマイズする便利な方法です。
データ依存性
AI は学習データに大きく依存します。QA は、データセットが多様で、代表性があり、高品質であるかをテストします。
データドリフト
入ってくるデータが学習データからずれること。QA は、性能や正確さの低下につながりうるずれを検出します。
データサイエンス
データから洞察を引き出すことに焦点を当てた分野。QA は、データサイエンティストが構築したモデルやデータパイプラインの正確さを検証することがあります。
データセット
モデルの学習やテストに使われるデータの集まり。QA はデータ品質、ラベル付けの正確さ、バイアスを確認します。
ディープラーニング
多層ニューラルネットワークを用いる機械学習の一分野。QA は汎化性能、過学習、推論の正確さをテストします。
埋め込み（Embedding）
単語やフレーズを表す数値ベクトル。QA はクラスタリング、類似度スコア、意味的な一貫性を検証します。
倫理・倫理的配慮
責任ある AI の利用。QA はバイアス、誤用、有害な結果をテストします。
説明可能性
人間が AI の判断をどれだけ理解できるか。QA は、説明が提供され、正確で、有用であるかを確認します。
F1 スコア（メトリクス）
適合率と再現率のバランス。QA は不均衡なデータセットでの性能評価に使用します。
公平性
ユーザー間でモデルの出力が公平であること。QA は、どのグループも不当に不利になっていないかをテストします。
Few-shot プロンプティング
回答の前に AI にいくつかの例を与える手法。QA は、少数の例から学習できているか、出力形式が一致しているかを検証します。
ファインチューニング
特定のデータで追加学習すること。QA はファインチューニング前後の性能を比較します。
基盤モデル
多くのタスクに適応できる大規模な事前学習済みモデル。QA は適応性、効率、過度な汎化のリスクを評価します。
頻度ペナルティ
繰り返し出現する単語の確率を下げることで、反復を減らします。QA は冗長性と一貫性への影響を評価します。
G.U.I.D.E. プロンプティング公式
効果的なプロンプトを設計するための構造化された方法（Goals-Users-Instructions-Details-Examples）。QA はこれを使ってより良いプロンプトを作成し、一貫性があり関連性の高い AI の出力を引き出します。
生成 AI
コンテンツ（テキスト、画像など）を生成する AI。QA は、創造性と制御のバランス、安全性、事実性を検証します。
GPU
AI を効率的に実行するために使われるグラフィックスハードウェア。QA は負荷時の GPU 使用率と性能を監視することがあります。
グラウンドトゥルース
テスト時に正解として使われるラベル付きデータ。テスターはモデルの出力をグラウンドトゥルースと照らし合わせて検証します。
ハルシネーション
モデルが誤った、または誤解を招く内容を生成すること。テスターは不正確または意味をなさない出力を特定し、報告します。
Human-in-the-Loop（HITL）テスト
人間がモデルの判断を検証・修正すること。QA は正確性保証の一環として HITL を取り入れます。
推論（Inference）
モデルが入力から予測を行うこと。QA は予測が正確で、高速で、説明可能であるかをテストします。
指示衝突テスト
複数の指示が矛盾したときに何が起きるかをテストします。QA は、モデルが矛盾する指示を責任を持って優先順位付け、または調和させているかを確認します。
LLM（大規模言語モデル）
GPT-4 のような、大量のテキストで学習された大規模モデル。QA は出力の正確さ、信頼性、制約の遵守をテストします。
機械学習
データから学習する AI。QA はさまざまなデータセット、分布、ユースケースにわたって ML システムをテストします。
最大トークン数
AI が生成できる単語や文字の最大数。QA テスターは、応答がこの上限を守り、予期せず途切れないことを検証します。
MCP（Model Context Protocol）
ユーザー履歴、設定、タスクデータなどの背景情報を AI モデルに渡し、より正確に応答できるようにするためのプロトコルフレームワーク。QA テスターは、このコンテキストが正しく渡され、モデルがそれに基づいて適切に振る舞うかを検証します。
MLOps
ML ライフサイクルのための運用プラクティス。QA はデプロイの安定性、バージョン管理、監視プロセスをテストすることがあります。
モデルアーキテクチャ
AI モデルの設計や構造。QA はアーキテクチャ間の性能差をテストすることがあります。
モデルドリフト
モデルの振る舞いが時間とともに変化すること。QA は正確さの低下や予期しない予測を監視します。
マルチモーダルテスト
複数の入力タイプ（例：テキスト＋画像）を使うモデルを検証します。QA はシステムが入力を正しく処理・統合しているかを確認します。
自然言語処理（NLP）
人間の言語を処理・理解する AI。テスターは、インテント認識、言語の正確さ、文脈に沿った応答を検証します。
ニューラルネットワーク
人間の脳に着想を得たモデルの一種。QA は、学習が効果的で、可能な範囲で解釈可能であるかをテストすることがあります。
過学習
モデルが学習データでは良い性能を示すのに、新しいデータでは性能が低いこと。QA はホールドアウトセットやテストセットを使って検出します。
パラメータ
モデルが学習する内部の重み。QA が直接テストすることはありませんが、出力品質に影響します。
適合率（メトリクス）
陽性と予測したもののうち正しかった割合。QA は偽陽性の確認に使用します。
存在ペナルティ
すでに出現した単語の使用を抑制します。QA は結果の新規性と論理的な流れを確認します。
事前学習済み Transformer
大量のデータですでに学習され、新しいタスクに適応されたモデル。QA は適応の品質と残存する知識をテストします。
事前学習
汎用データを使った最初の大規模な学習。QA はファインチューニング時の知識の転移をテストすることがあります。
プライバシー
ユーザーデータの保護。QA はデータ漏洩、ログの問題、データ取り扱いポリシーへの準拠を確認します。
確率的な出力
AI はさまざまな確信度で出力を返します。QA は確信度の閾値と結果のばらつきを評価します。
プロンプトエンジニアリング
モデルの振る舞いを導くために入力プロンプトを作り込むこと。QA はプロンプトスイートを作成し、一貫性と準拠性をテストします。
プロンプト干渉テスト
以前のプロンプトが後の応答に意図せず影響していないかを調べます。QA はプロンプトセッションのスコープが正しく設定されていることを確認します。
RAG（検索拡張生成）
検索結果を使って出力を強化するモデルアーキテクチャ。QA は根拠付け、検索の正確さ、出典の明示を検証します。
推論モデル
論理的なタスク向けに設計されたモデル。QA は思考の連鎖、演繹の正確さ、推論の堅牢性をテストします。
再現率（メトリクス）
関連する陽性をすべて見つける能力。QA は偽陰性の確認に使用します。
強化学習
報酬シグナルを通じた学習。QA は安定性、収束、ポリシーの安全性を検証します。
再現性テスト
同じ条件で複数回実行したときに、モデルが一貫して同じ出力を返すかを確認します。QA は決定性とデバッグの信頼性を評価するために使用します。
応答形式
モデルの出力の構造やスキーマ（例：JSON、Markdown）。QA は、形式がアプリケーションの要件を満たし、パース可能であることを検証します。
RNN（再帰型ニューラルネットワーク）
系列データ（例：テキスト、時系列）のためのネットワーク。QA は過去の入力の記憶と、系列の予測が適切かを確認します。
堅牢性
ノイズの多い入力、多様な入力、敵対的な入力に対するモデル出力の安定性。QA はエッジ条件やまれなケースでストレステストを行います。
半教師あり学習（アルゴリズム）
ラベル付きデータとラベルなしデータの両方を使う手法。QA は汎化性能をテストし、性能差を監視することがあります。
感度分析
入力のわずかな変化が出力にどう影響するかを分析します。QA は、脆い振る舞いや過度に敏感な振る舞いを特定するために使用します。
停止シーケンス
AI にどこで生成を止めるかを伝えるテキスト。QA は、余計な応答や不完全な応答を避けるために、適切に打ち切られているかを検証します。
教師あり学習
ラベル付きデータによる学習。QA はテストセットとメトリクス（正解率、F1）を使って検証します。
システムロール（プロンプトエンジニアリング）
AI の振る舞いの文脈（例：専門家、アシスタント）を定義します。QA はロールの一貫性と出力の整合性をテストします。
Temperature
ランダム性に影響します。値が高いほど、より創造的で多様な応答になります。QA は出力の一貫性と創造性のバランスを取るためにこれを調整します。
テキストから画像生成
テキストプロンプトから画像を生成すること。QA は画像の品質、プロンプトとの整合性、潜在的な害を評価します。
トークン化
処理のためにテキストをトークンに分割すること。QA はトークン上限と構造が壊れていないかをテストします。
Top P
累積確率によってトークンを制限し、ランダム性を制御します。QA はこれが出力の多様性と決定性にどう影響するかをテストします。
TPU
Tensor Processing Unit – Google の AI チップ。
学習（Training）
モデルが学習するプロセス全体。QA は学習の進捗、収束、汎化を確認します。
学習データ
モデルに教えるために使われるデータセット。QA は品質、多様性、ラベル付けの正確さを評価します。
Transformer
ほとんどの LLM で使われているモデル設計。QA はアテンションの振る舞い、コンテキストの上限、生成の安定性に注目します。
Transformer モデル
アテンション機構を使うモデル。QA は長い系列の処理と正しい解釈をテストします。
Tree-of-Thought（ToT）プロンプティング
AI が決定木のように複数の推論経路を探索する手法。QA は網羅性をテストし、経路の質を評価します。
教師なし学習
ラベルなしデータによる学習。QA は発見されたパターンと、下流タスクでの活用を確認します。
ユーザーロール（プロンプトエンジニアリング）
人間のユーザーからのプロンプトや質問。QA は AI の理解を検証するために多様なプロンプトを設計します。
ばらつき／設定テスト
設定（例：temperature、top_p）の変更がモデルの振る舞いにどう影響するかをテストします。QA は設定ごとの性能と安定性を評価します。
バイブコーディング
自然言語で駆動するコーディングツール。QA は IDE との統合、コードの正確さ、開発者のプロンプトをテストします。
重み
学習中にモデルが調整する数値。QA は出力品質を通じて間接的に評価します。
ゼロショット学習
タスク固有の学習なしに予測を行うこと。QA は汎化性能と失敗ケースを評価します。
ゼロショットプロンプティング
具体的な例なしに AI がタスクを実行すること。QA は汎化を効果的に扱えているかを評価します。