検索

複数の思考の道筋を木構造で枝分かれさせ、有望な経路を探索する推論手法。

文章の指示から画像を生成する方式。画像生成の基本形。

既存の画像をもとに、別の画像へ変換・加工する生成方式。

自然言語の質問を、データベース照会用のSQLに変換する技術。

プロンプト内に入出力の手本を数例示すことで、AIに望む形式や傾向を学ばせる手法。

テキストを自然な音声に変換する技術。読み上げや音声アシスタントに使う。

人の話し声を文字に変換する技術。文字起こしや音声入力に使う。

確率の高い上位k個の候補だけに絞り、その中から次の語を選ぶ手法。

人の作業に寄り添い、提案・補助するAI。「副操縦士」の比喩。

手本を一切示さず、指示だけでタスクを解かせるプロンプト手法。

手本を1例だけ示してタスクを解かせるプロンプト手法。

確率の高い候補を累積pまで残してその中から選ぶ、出力の絞り込み手法。

GitHubが提供する、コード補完・生成のAIアシスタント。

「憲法」と呼ばれる原則のリストに基づき、AI自身が応答を評価・改善する、Anthropic独自の訓練手法。

AIモデルを外部ツールやデータソースに接続するための、Anthropic提唱のオープンな標準規格。

文章を[[token]]という処理の最小単位に分割すること。言語モデルが文を扱う最初のステップ。

言語モデルがテキストを処理する際の最小単位。単語や単語の一部、記号などに相当する。

入力の中で「どこに注目すべきか」を動的に重み付けする仕組み。Transformerの心臓部。

同一の文の中で、各単語が他のすべての単語との関連度を計算するアテンションの一種。

モデルが単純すぎて、訓練データのパターンすら十分に捉えられていない状態。

文章をトークンに分割する処理プログラム。LLMの入口を担う。

訓練データに過剰に適合し、未知のデータに対する予測性能(汎化性能)が低下してしまう現象。

数値を一列に並べたもの。AIはあらゆるデータをベクトルとして扱う。

稼働中のモデルの性能・コスト・異常を継続的に監視すること。

対話形式でユーザーの質問に自動応答するプログラム。

AIに結論だけでなく途中の推論過程を順を追って書かせることで、複雑な問題の正答率を高める手法。

複数のアテンションを並列に走らせ、多様な観点から単語間の関係を捉える仕組み。

モデルの学習データが収集された最終時点。それ以降の出来事は基本的に知らない。

データをベクトル化し、意味の近さで検索する手法。RAGの基盤。

人の逐次指示なしに、自ら計画・実行して目標を達成するAI。

既存データに変形を加えて学習データを水増しし、性能を高める手法。

処理で使われたトークンの総量。API料金の算定基準になる。

1回の応答で生成できるトークン数の上限設定。出力の長さを制御する。

[[embedding]]で数値化したデータを保存し、意味の近さで高速に検索できるデータベース。RAGの基盤。

変数を埋め込める定型プロンプト。同じ形式の依頼を量産・再利用できる。

これまでのやり取りの記録。マルチターン対話で文脈を保つために使う。

定型業務の一連の流れを、AIやツールの連携で自動的に処理すること。

負荷に応じて計算資源を自動で増減させる仕組み。

個人情報がAIの学習・利用で漏れたり悪用されたりしないよう守ること。

あらゆるタスクを「テキスト→テキスト」の形に統一して扱うモデル。

元のモデルを固定し、小さな追加行列だけを学習する代表的なPEFT手法。

AIが計算・検索・API呼び出しなど、外部の機能(ツール)を呼び出して回答を補強する仕組み。

文章から人名・地名・組織名などの固有名詞を抽出する技術。

長い文章の要点をAIが短くまとめること。

会話中だけ保つ短期記憶と、セッションを越えて残す長期記憶の区別。

データを潜在空間に圧縮・復元しながら、新しいデータを生成するモデル。

[[attention]]機構を中核とする深層学習アーキテクチャ。現代のLLMの基盤となっている。

言語モデルが一度に処理・記憶できる[[token]]の最大量。会話や文書の「視野の広さ」。

大量のデータから規則やパターンをコンピュータ自身に学ばせ、予測や分類を行わせる手法。

学習中のモデルの性能を確認し、ハイパーパラメータの調整に使うデータ。訓練には直接使わない。