人工知能用語集

エージェントAIとは、単にコマンドに応答するだけでなく、コンテンツを生成し、タスクを自律的に実行し、目標を達成する高度なAIシステムを指します。これらのシステムは、推論能力、記憶機能、フィードバックループを組み合わせて、独立してアクションを計画して実行します。多くの場合、さまざまなデジタルツールを活用し、学習を通じてアプローチを調整します。従来の AI とは異なり、エージェント AI は独立して、また他の AI エージェントと協力して動作し、複雑なタスクを完了するためにさまざまなプラットフォームやシステムと連携しながら自律的な意思決定を行うことができます。

産業分野では、Agentic AI には、予知保全、品質管理、在庫管理、生産プロセスの最適化など、産業運営のさまざまな側面を個別に監視、分析、制御できる AI システムを導入することが含まれます。

人工知能（AI）とは、学習して適応する能力を持つソフトウェアを指します。AI は、入力データの意味を解釈し、要件に適応する必要があるタスクを解決できます。通常、これらは以前は自然の知能でしか解決できなかったタスクです。人工知能の手法にはいくつかの種類があり、その応用分野、可能性、それに伴うリスクの点で大きく異なります。AI の基本原則は 20 世紀に開発されました。すべての AI 手法は大量のトレーニングデータを必要とするため、デジタル化とビッグデータを通じてテクノロジーの重要性が高まっています。

デジタル情報を現実世界の環境やオブジェクトに重ねることができるテクノロジーで、通常は没入感のある3Dバーチャルリアリティを使用します。AR は、デジタルビジュアル、サウンド、その他の感覚的要素を追加することで、現実世界の強化を可能にします。

自動運転車やドローンなど、人間の介入なしに運用できるシステム。

自動運転車やトラックなど、人間の介入なしに運転できる車両。

偏ったトレーニングデータやアルゴリズムが原因で AI システムで発生する可能性のある意図しない偏見や好意。

大規模で複雑なデータセット。多くの場合、（産業用）センサーによって生成されるだけでなく、企業、組織、および人々によっても生成されます。このデータは多くの場合、構造化されていない、不完全である、または不正確であるため、AI を搭載していないソフトウェアでは通常、意味のある方法で処理することができません。

テキストまたは音声通信を通じて人間と対話できるAI搭載プログラム。

知覚、推論、意思決定などの人間の認知プロセスを再現することを目的としたAIの一種。

コンピューターが画像や動画などのビジュアルから情報を抽出し、理解して解釈できるようにする AI のサブセット。

外部の攻撃者からデジタル情報を保護するのに役立つ戦略、測定、ツール。AI は、サイバー攻撃の検出と防止、およびセキュリティ侵害の特定と対応に使用できます。

データを分析および解釈して洞察を明らかにし、情報に基づいた意思決定を行うプロセス。

関連する情報と分析を提供することにより、人間が意思決定を行うのを支援するように設計されたコンピューターシステム。

機械学習のサブセットで、複数の層を持つニューラルネットワークを使用してマシンがデータから学習できるようにします。

物理オブジェクトまたはプロセスの動作を説明する数学モデル。シミュレーション環境では、デジタルツインを使用して、システムのパラメーターが変更された場合に現実世界で何が起こるかをシミュレートできます。デジタルツインは、設計、製造、運用、サービスの各段階を含む製品ライフサイクル全体で使用できます。デジタルツインの視覚的表現は、現実の世界を映し出し、そこで起きていることにリアルタイムで適応しながら、実際のデジタルツインと同じように見え、振る舞います。

エッジコンピューティングは、クラウドコンピューティングとは異なり、コンピューティングとデータストレージをデータソース（「エッジ」）に近づけるシステムアーキテクチャの一種です。応答時間を短縮し、データ転送に必要なエネルギー量を削減するのに役立ちます。エッジ AI システムは、実際の実行デバイスの近くに物理的に実装できます。これらのデバイスは、クラウドに接続しなくても AI アプリケーションを実行できます。

AI は、多くの場合ロボットや自動運転車を使用して、物理的な世界と相互作用したりナビゲートしたりするように設計されています。

バイアス、プライバシー、説明責任などの問題を含む、AIの開発と利用における道徳的原則の研究と適用。

透明性が高く説明しやすいように設計された人工知能により、機械が特定の決定を下した方法と理由を人間が理解できるようになります。

複数の異なるデバイスが独自の (個別の) データセットを使用して機械学習モデルをトレーニングする機械学習のトレーニング方法です。最終結果のみがネットワーク内の主役と共有されます。

既存のコンテンツを組み合わせて学習することにより、画像、動画、音楽などの新しいコンテンツを生成するように設計されたAI。

CADソフトウェアなどのアプリケーションで、一連の制約がある場合に多数の設計代替案を自律的に生成する機能。AI、最適化、シミュレーションなどの手法を使用する。

インダストリアルAIとは、経済のバックボーンを形成する業界（産業、インフラ、モビリティ、ヘルスケア）におけるAIの適用を指します。

産業基盤モデル（IFM）は、エンジニアリング、オートメーション、製造の「言語」を深く理解し、AIソリューションをより迅速かつ正確に導入できるように、業界固有のデータに基づいて事前にトレーニングされています。標準化された出発点となり、スケールメリットによって時間、リソース、エネルギーを節約できます。IFMは、実際の産業上の課題を解決するように調整されています。インダストリアル・コパイロットの背後にあるインテリジェンス・レイヤーの役割を果たし、セクター間の知識移転とコラボレーションを促進します。テキスト、画像、音声だけでなく、3D モデル、2D 図面、および業界固有の時系列データ (マルチモーダル LLM も参照) などのその他の複雑な構造もサポートします。

インダストリアルグレードのAIとは、最も要求の厳しいプロフェッショナル環境の厳しい要件と基準を満たすように設計された、信頼性、安全性、信頼性に優れた品質レベルのことです。

AI、IoT、その他の高度なテクノロジーを製造や産業に統合することを含む、第 4 次産業革命を表す用語です。

データ交換を可能にするセンサー、ソフトウェア、接続が組み込まれた技術デバイスのネットワーク。IoT はデジタル化とビッグデータの主要な推進力の 1 つです。

知識を相互に接続されたノードとエッジのグラフとして表すデータベースで、NLPや検索などのAIアプリケーションに使用されます。

GPT-3 などの大量のデータに基づいてトレーニングされた AI 言語モデルの一種で、人間のようなテキストを生成します。

アルゴリズムと統計モデルを使用して機械が経験やデータから学習できるようにする AI のサブセット。

カメラを取り付けたマシンが周囲の状況を理解したり解釈したりするための視覚情報を抽出できるようにする AI のサブセットです。

マルチモーダルLLMは、テキスト、画像、音声、センサーデータなど、複数のタイプのデータを同時に理解して処理できます。これらはコンピュータービジョン、自動運転車、ロボット工学などのアプリケーションに統合されています。これにより、物体の認識やシーンの理解が向上し、機械が複雑な指示に従うことが可能になります。マルチモーダルLLMは、従来のLLMがテキストや音声処理に影響を与えたのと同じように、時系列、2D、3Dモデル、マシンビジョン用のデータなど、業界固有のデータの処理と生成に影響を与える可能性があります。

コンピューターと人間の言語との相互作用に焦点を当てたAIのサブセット。

人間が自然なジェスチャー、スピーチ、その他の表現形式を使用してコンピューターと対話できるようにするインターフェイス。

人間の脳の構造をモデルにした機械学習アルゴリズムの一種で、データ内のパターンを認識するために使用されます。

複数のサブデバイスを構成する建物または機械の電圧と電流の変化を分析して、システム内の各デバイスの個々の寄与度を推定するプロセス。

フィジカルAIとは、環境を感知してその中で行動できる機械（ロボットなど）に人工知能を組み込むことを指します。人間の感覚運動サイクルにヒントを得たフィジカル AI は、感覚入力 (3D カメラや触覚センサーなど) を処理し、そこから制御コマンドを生成して、機械が物理的な 3D 環境で複雑なタスクを適応的かつ自律的に実行できるようにします。

物理情報に基づくAI（物理認識型AIとも呼ばれる）とは、物理法則をトレーニングプロセスに直接組み込む新しいクラスの人工知能手法を指します。行動の学習に大量のデータセットに大きく依存する従来の AI アプローチとは異なり、物理情報に基づく AI は物理ベースの制約を統合して学習を導きます。これにより、現実世界のデータが限られている場合でも、現実世界の仕組みに関する既存の知識を活用することで、AI システムが推論して予測を行うことができます。これらのモデルは、例だけから学ぶのではなく、物理学の知識を活用して、より最適で物理的に一貫性のあるソリューションへと学習を導きます。

予測型AIは、統計分析と機械学習を活用して、機械や機器からのリアルタイムおよび過去の運用データのパターンを特定します。これにより、将来の動作の予測、異常の検出、潜在的な障害の予測、および保守措置の推奨が可能になります。資産の健全性と信頼性を高め、計画外のダウンタイムを減らし、産業活動全体にわたるデータ主導型の意思決定の迅速化に役立ちます。

AIと統計モデルを使用して、過去のデータに基づいて将来の出来事や傾向を予測します。

AIを使用して、リアルタイムのデータに基づいて、機械のメンテナンスや修理が必要になる時期を予測します。

AIを使用して欠陥を検出し、製品が品質基準を満たしていることを確認します。

機械学習の一種で、訓練を受けていないエージェントが、アクションを実行した後のシステムのペナルティや報酬を通じて戦略を学習します。

定義された倫理的および道徳的基準を満たすAIアプリケーション。

ロボットの設計、構築、操作に焦点を当てたエンジニアリングとAIの分野。

AIを使用して、テキストまたは音声で表現された感情や意見を分析および解釈します。

AI やその他の高度なテクノロジーを使用して、発電、配電、消費を最適化する電力網です。

グラフィックスプロセッシングユニット（GPU）や言語処理ユニット（LPU）対応のエッジデバイスなどの特殊なハードウェアは、産業用AIにおける新たなトレンドです。これらのデバイスはエッジで高性能な計算能力を発揮し、AI アルゴリズムのリアルタイム処理を可能にします。これらの統合により並列処理が可能になり、パフォーマンスが向上し、複雑な AI タスクをより迅速に実行できます。このローカル処理はレイテンシーとクラウドリソースへの依存を減らすため、時間に敏感なアプリケーションにとっては非常に重要です。専用ハードウェアは高度な AI モデルもサポートしているため、洞察力の向上とパフォーマンスの向上につながります。さらに、大規模なクラウド・インフラストラクチャーとデータ転送の必要性を最小限に抑えることでコストを削減できます。

人間の音声を認識して解釈する機械の能力。

結果を予測するために、ラベル付けされた（既知の）データセットを使用して機械学習モデルをトレーニングする学習方法。

サプライチェーン内の商品や資材のフローを最適化して、コストを削減し、効率を向上させます。AIは、プロセスの自動化、非効率性の検出、商品の品質保証、需要予測によく使用されます。

機械学習モデルのトレーニングと検証に使用される、現実世界のイベントではなくアルゴリズムによって生成された人工データ。合成データの品質は非常に重要です。それによって、トレーニング後に AI が許容できる結果が得られるかどうかが決まります。

機械学習モデルが、これまで知られていなかった（ラベルが付いていない）データ内のパターンやグループを発見する学習方法。

バーチャルリアリティ（VR）は、実際の空間を再現したり、代替現実を作成したり、その2つを組み合わせたりできるデジタルレンダリング環境を提供します。ユーザーは、自宅、オフィス、または工場の床から仮想空間を探索できます。