人工知能用語集

エージェントAIとは、単なるコマンドへの応答にとどまらず、コンテンツを生成し、自律的にタスクを実行し、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、自律的に行動を計画・実行します。多くの場合、様々なデジタルツールを活用し、学習を通じてアプローチを適応させていきます。従来のAIとは異なり、エージェント型AIは単独で動作するだけでなく、他のAIエージェントと協調して動作することも可能です。異なる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い、複雑なタスクを完遂します。

産業分野において、エージェント型AIとは、予知保全、品質管理、在庫管理、生産プロセスの最適化など、Industrial Operationsの様々な側面を自律的に監視、分析、制御できるAIシステムの導入を指します。

人工知能（AI）とは、学習し、適応する能力を持つSoftwareを指します。AIは、入力データの意味を解釈し、要件に合わせて適応する必要がある課題を解決することができます。通常、これらは従来、人間の知能によってのみ解決可能だった課題です。AIの手法にはいくつかの種類があり、その応用分野、可能性、および関連するリスクにおいて大きく異なります。AIの基本原理は20世紀に確立されました。あらゆるAI手法には大量の学習データが必要であるため、デジタル化やビッグデータの進展に伴い、この技術は現在、ますます重要な位置を占めるようになっています。

通常、没入型の3D拡張現実（VR）を用いて、現実世界の環境や物体にデジタル情報を重ね合わせる技術です。ARは、デジタルによる視覚、音、その他の感覚的要素を加えることで、現実世界を拡張した体験を実現します。

自動運転車やドローンなど、人の操作を必要とせずに動作するシステム。

自動運転車やトラックなど、人の操作なしに走行できる車両。

偏ったトレーニングデータやアルゴリズムによって、AIシステムに生じうる意図しない偏見や偏り。

（産業用）Sensorsによって生成されることが多いが、企業、組織、あるいは個人によっても生成される、大規模かつ複雑なデータセット。こうしたデータは非構造化であったり、不完全であったり、不正確であったりすることが多いため、AIを活用していないSoftwareでは通常、有意義な形で処理することができません。

テキストや音声によるコミュニケーションを通じて人間とやり取りできるAI搭載プログラム。

知覚、推論、意思決定といった人間の認知プロセスを再現することを目指すAIの一種。

コンピューターが画像や動画などの視覚情報から情報を抽出し、それらを理解・解釈できるようにするAIの一分野。

外部からの攻撃者からデジタル情報を保護するための戦略、測定基準、およびツール。AIを活用することで、サイバー攻撃の検知と防止、ならびにセキュリティ侵害の特定と対応が可能になります。

データを分析・解釈し、洞察を引き出し、情報に基づいた意思決定を行うプロセス。

関連する情報や分析を提供することで、人間の意思決定を支援するように設計されたコンピュータシステム。

機械学習の一分野であり、多層ニューラルネットワークを用いて、機械がデータから学習できるようにするものです。

物理的な物体やプロセスの挙動を記述する数学的モデル。シミュレーション環境において、デジタルツインを使用することで、システムのパラメータを変更した場合に現実世界で何が起こるかをシミュレートすることができます。デジタルツインは、設計、製造、運用、保守の各段階を含む、製品のライフサイクル全体を通じて活用できます。Digital Twinの視覚的表現は、実物の外観や挙動を忠実に再現しており、現実世界を反映するとともに、そこで起きている事象にリアルタイムで適応します。

エッジコンピューティングとは、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」）の近くに配置するシステムアーキテクチャの一種です。これにより、応答時間の短縮やデータ転送に必要なエネルギーの削減が可能になります。エッジAIシステムは、実際の実行デバイスに物理的に近い場所に導入できます。これらのデバイスは、クラウドに接続していなくてもAIアプリケーションを実行することができます。

ロボットや自動運転車などを通じて、現実世界と相互作用し、その中を移動するように設計されたAI。

AIの開発および利用における道徳的原則の研究と適用で、これには、バイアス、プライバシー、説明責任といった問題が含まれます。

透明性と説明可能性を重視して設計されたAIであり、機械が特定の判断を下した経緯や理由を人間が理解できるようにします。

機械学習におけるトレーニング手法の一つで、複数の独立したデバイスが、それぞれ独自の（別々の）データセットを用いて機械学習モデルを学習させるものです。最終結果のみが、ネットワークの中心となる主体と共有されます。

既存のコンテンツを組み合わせて学習し、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 Softwareなどのアプリケーションが、一連の制約条件に基づいて、複数の設計案を自律的に生成する機能です。AI、最適化、シミュレーションなどの技術を活用します。

Industrial AIとは、製造業、インフラ、モビリティ、医療など経済の基盤を成す産業におけるAIの活用を指します。

産業用基盤モデル（IFM）は、業界固有のデータを用いて事前学習されており、エンジニアリング、オートメーション、製造の「言語」を深く理解することで、AIソリューションのより迅速かつ正確な導入を可能にします。これらは標準化された出発点を提供し、規模の経済を通じて時間、リソース、労力を節約します。IFMは、現実の産業上の課題を解決するために最適化されています。これらは「Industrial Copilots」の背後にあるインテリジェンス層として機能し、セクターを超えた知識の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、さらには業界固有の時系列データなどの複雑な構造もサポートします（マルチモーダルLLMも参照）。

産業グレードのAIとは、信頼性が高く、安全で、信頼に足る品質レベルを指し、最も厳しい要件や基準が求められるプロフェッショナルな環境に対応できるよう設計されています。

AIやIoT、その他の先端技術を製造業や産業に統合する「第4次産業革命」を表す用語です。

Sensors、Software、およびデータ交換を可能にする接続機能を組み込んだ技術機器のネットワークで、IoTは、デジタル化とビッグデータの主要な推進要因の一つです。

知識を相互接続されたノードとエッジのグラフとして表現するDatabaseで、NLPや検索などのAIアプリケーションに使用される。

GPT-3など、膨大なデータを用いて学習させ、人間のような文章を生成するAI言語モデルの一種。

アルゴリズムや統計モデルを用いて、機械が経験やデータから学習できるようにするAIの一分野。

カメラを搭載した機械が視覚情報を抽出し、周囲の状況を理解・解釈できるようにするAIの一分野。

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、複数の種類のデータを同時に理解・処理することができます。これらは、コンピュータビジョン、自動運転車、ロボット工学などのアプリケーションに組み込まれています。これにより、物体認識やシーン理解が向上し、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与えた影響と同様に、時系列データ、2Dおよび3Dモデル、マシンビジョン用データといった業界固有のデータの処理や生成に大きな影響を与える可能性を秘めています。

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の一分野。

人間が自然なジェスチャーや音声、その他の表現方法を用いてコンピュータとやり取りできるようにするインターフェース。

人間の脳の構造を模倣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用いられます。

複数のサブデバイスで構成される建物や機械の電圧および電流の変化を分析し、システム内の各デバイスの個別の寄与度を推定する手法。

フィジカルAIとは、ロボットなどの機械に人工知能を統合し、環境を感知してその中で行動できるようにする技術を指します。人間の感覚運動サイクルに着想を得たフィジカルAIは、3Dカメラや触覚センサーなどの感覚入力を処理し、そこから制御コマンドを生成することで、機械が物理的な3D環境において、適応的かつ自律的に複雑なタスクを実行できるようにします。

物理情報を利用したAI（物理認識型AIとも呼ばれる）とは、物理法則を学習プロセスに直接組み込んだ、新しい種類の人工知能手法を指します。行動の学習において大規模な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、物理学に基づくAIは、物理学に基づく制約を統合して学習を導きます。これにより、AIシステムは、物理世界がどのように機能するかという既存の知識を活用することで、実世界のデータが限られている場合でも、推論を行い、予測を立てることが可能になります。これらのモデルは、単に例から学習するだけでなく、物理学の知識を用いて、より最適かつ物理的に整合性のあるSolutionsへと学習を導きます。

予測AIは、統計分析と機械学習を活用して、機械や設備から得られるリアルタイムおよび過去の運用データからパターンを特定し、将来の挙動を予測したり、異常を検知したり、潜在的な故障を予見したり、メンテナンス措置を提案したりします。これは、資産の状態と信頼性を向上させ、予期せぬダウンタイムを削減し、Industrial Operations全般においてデータに基づいた迅速な意思決定を支援するために活用されています。

過去のデータに基づいて将来の出来事や傾向を予測するために、AIや統計モデルを活用すること。

リアルタイムのデータに基づき、機械のメンテナンスや修理が必要な時期を予測するためにAIを活用すること。

AIを活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。

学習していないエージェントが、行動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する機械学習の一種。

定められた倫理的・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、製造、および運用に焦点を当てた工学および人工知能の分野。

テキストや音声に表れた感情や意見を分析・解釈するためにAIを活用すること。

AIやその他の先進技術を活用して、発電、送配電、および電力消費を最適化する電力網。

グラフィックス処理ユニット（GPU）や言語処理ユニット（LPU）を搭載したエッジデバイスなどの専用ハードウェアは、Industrial AIにおける新たなトレンドとなっています。これらのデバイスはエッジ側で高性能な演算能力を提供し、AIアルゴリズムのリアルタイム処理を可能にします。これらを統合することで並列処理とパフォーマンスの向上が図られ、複雑なAIタスクの実行速度が向上します。このローカル処理により、レイテンシが低減され、クラウドResourcesへの依存度が低下するため、時間的制約の厳しいアプリケーションにおいて極めて重要となります。また、専用ハードウェアは高度なAIモデルにも対応しており、より深い洞察とパフォーマンスの向上をもたらします。さらに、大規模なクラウドインフラやデータ転送の必要性を最小限に抑えることで、コスト削減にもつながります。

機械が人間の言葉を認識し、解釈する能力。

機械学習モデルを、ラベル付けされた（既知の）データセットを用いて学習させ、結果を予測する学習手法。

サプライチェーンにおける商品や資材の流れを最適化し、コスト削減と効率向上を図ります。AIは、プロセスの自動化、非効率性の検出、商品の品質保証、需要予測などに広く活用されています。

機械学習モデルの学習や検証に使用される、現実世界の事象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極めて重要であり、学習後にAIが許容できる結果を生成できるかどうかを左右します。

機械学習モデルが、事前に未知（ラベル付けされていない）のデータの中からパターンやグループ化を発見する学習手法。

バーチャル・リアリティ（VR）は、実際の空間を再現したり、別の現実を作り出したり、あるいはその両方を融合させたりできる、デジタルで生成された環境を提供します。ユーザーは自宅やオフィス、あるいは工場の現場にいながら、その仮想空間を探索することができます。