生成AIアドバイザー認定試験 用語集
生成AIアドバイザー認定試験でよく問われる重要用語を、短い定義つきでまとめました。各用語は出題分野（問題と完全解説）にリンクしています。
他の資格の用語集も見るよくある質問
3件Q生成AIアドバイザー認定試験用語集は何語収録されていますか？
A
現在7語を3分野に分けて収録しています。
Q用語集はどう使うのが効果的ですか？
A
気になる用語をクリックすると、定義や関連する分野の解説ページへ移動できます。演習中に迷った用語をその場で確認する使い方もできます。
Q用語の定義はどこを根拠に作成していますか？
A
各資格の公式シラバス・公式試験要項の範囲内で作成しています。本試験の問題・図表の転載はしていません。
分野から用語を探す3分野
- GAN（敵対的生成ネットワーク）
- データの分布を捉えて偽のデータを作る生成モデルGと、あるデータが学習データ由来か生成モデル由来かを見分ける識別モデルDの2つを同時に学習させる枠組み。Gは識別モデルDが間違える確率を最大にするよう学習し、2人のプレイヤーが競うミニマックスゲームに対応する。原論文（2014年）は、GとDを多層パーセプトロンで定義すれば誤差逆伝播法で全体を学習できると述べる。公式シラバスでは第2課題の第1章「生成AIの仕組み」で、大規模言語モデル・拡散モデルと並べて比較される3つの仕組みの1つに挙がる。
- 拡散モデル
- 非平衡熱力学の考え方に着想を得た潜在変数モデルの一種（拡散確率モデル）で、画像の合成に使われる。2020年の論文（Denoising Diffusion Probabilistic Models）は、拡散確率モデルとノイズ除去スコアマッチングの結びつきに基づく重みつき変分下界で学習し、CIFAR10の無条件生成でFIDスコア3.17、256x256のLSUNでProgressiveGANに近い品質を得たと報告している。公式シラバスでは第2課題の第1章「生成AIの仕組み」で、大規模言語モデル・GANと並べて比較される3つの仕組みの1つに挙がる。
- 大規模言語モデル
- 大量の文章で事前に学習させた言語モデルで、規模を大きくするほど、例題を数個示すだけで新しい言語の課題をこなす力が上がるとされる。2020年の論文は、パラメータ数1,750億（従来の疎でない言語モデルの10倍）の自己回帰型言語モデルGPT-3を学習させ、勾配の更新や追加の学習をせず、課題と例題を文章で与えるだけで、翻訳・質問応答・穴埋めなど多くの自然言語処理の課題で高い性能を得たと報告している。公式シラバスでは第2課題の第1章「生成AIの仕組み」で、拡散モデル・GANと並べて比較される3つの仕組みの1つに挙がる。
- トークン
- 言語モデルが文章を処理するときの単位。単語そのものではなく、単語より小さい部分（サブワード）に分けて扱う方法がある。2015年の論文は、まれな単語や未知の単語をサブワード単位の並びとして符号化することで、固定された語彙のままでも未知の単語を含む翻訳（オープン語彙の翻訳）ができるとし、バイト対符号化（byte pair encoding）に基づく分割も検討した。英独・英露の翻訳課題（WMT 15）で、辞書に頼る方法よりBLEUが1.1・1.3高くなったと報告している。公式シラバスでは第2課題の第2章「トークン・パラメータ」で、パラメータ・学習データと並べて三要素の関係が問われる。
- Chain of Thought
- 答えに至るまでの途中の推論の手順（中間の推論ステップ）を、モデルに順に書き出させる方法。算術、常識、記号に関する推論の課題で、大規模言語モデルの性能が上がることが報告されている。例題として途中の推論つきの答えをプロンプトに示すやり方（chain of thought prompting）が代表的である。
- Few-shot
- 課題の例（デモンストレーション）を少数だけプロンプトに文章で示し、モデルの重みを更新せず（勾配の更新や微調整なしに）新しい課題を解かせる使い方。GPT-3（1,750億パラメータの自己回帰型言語モデル）の論文では、翻訳や質問応答などで、この設定の性能が言語モデルの大規模化で大きく上がると報告されている。公式シラバスでは「例を提示する（Few-shot/In-context learning）」として、よく利用されるプロンプトテクニックに挙がる。
- ハルシネーション
- 深層学習による文章生成で、入力や元の情報に基づかない意図しない文章（hallucinated text）が出力される問題。システムの性能を下げ、利用者の期待を満たさない原因になるとされる。研究では、これを測る評価指標と、減らす緩和手法が整理されている。公式シラバスでは第5課題の第1章「ハルシネーション（誤情報生成）」として出題項目に挙がる。
執筆: ミナト編集部（運営者情報を見る）