0-9
- 1956年
- Phase 1 まとめ - AI基礎の総復習
- 2段階アプローチ
- 文章作成プロンプトのコツ
- 5大リスク
- Phase 7 まとめ - リスク・倫理の総復習
- 6本柱
- 責任あるAI(Responsible AI)
- 99言語
- 音声認識AI - 声をテキストに変える
A
- A/Bテスト
- プロンプトの反復改善 / マーケティングでのAI活用
- AIとの協働スキル
- AIが変える働き方の未来
- AIと人権に関する決議
- AIと人間の尊厳
- AIの冬
- AIの冬の時代 - なぜブームは終わったのか
- AIの意図しない動作を引き出す攻撃
- ジェイルブレイク - 安全機能の突破
- AIの推論過程を検証
- データ分析プロンプトのコツ
- AIの行動マニュアル
- システムプロンプトの設計
- AIエージェントと主要ツール
- Phase 5 まとめ - プロンプトの総復習
- AIセキュリティ専門家
- プロンプト防御の手法
- AIリスクマネジメント
- AIリスクマネジメント
- AIリテラシー教育
- AIとデジタルデバイド
- AI万能論
- AIにできること・できないこと
- AI利用の開示
- 研究分野でのAI活用
- AI利用ポリシー
- AI生成物の商用利用ルール / 企業のAI利用ポリシー
- AI安全性
- Claudeの活用法
- AI安全性エンジニア
- プロンプト防御の手法
- AI戦略会議
- 日本のAI規制動向
- AI翻訳人材
- AI活用チームの作り方
- APIキー
- AIのAPI連携とシステム統合
- Adobe Firefly
- 画像生成ツール - Midjourney・DALL-E
- Android
- Geminiの活用法
- Artifacts
- Claudeの活用法
- AutoGen
- マルチエージェント - AI同士の協調
C
- C2PA
- AI と偽情報・フェイクニュース
- CLIP
- Phase 4 まとめ - 生成AI技術の総復習
- CLIP テキストエンコーダ
- 画像生成のプロセス - テキストから画像へ
- Chinchilla則
- LLMの学習方法 - 事前学習の仕組み
- ChromaDB
- ベクトルデータベースの基本
- Code Interpreter
- データ分析プロンプトのコツ / ChatGPTの活用法
- ControlNet
- Stable Diffusion の仕組み
- CrewAI
- マルチエージェント - AI同士の協調
- Cursor
- コード生成プロンプトのコツ
D
- DARTS
- 文章作成プロンプトのコツ
- DPO/RLHF
- ファインチューニング応用 - 自社モデルを作る
- Debate Framework
- マルチエージェント - AI同士の協調
- DeepSeek R1
- Chain-of-Thought - 段階的に考えさせる
- Defense in Depth
- AIを狙うセキュリティ脅威
- Devin
- AIエージェントの基本概念
- Discord
- 画像生成ツール - Midjourney・DALL-E
- Duolingo
- ChatGPTの活用法
F
- FAQ自動生成
- カスタマーサービスでのAI活用
- FLAN
- インストラクションチューニング
- Function Calling
- Function Calling - AIがツールを使う / Phase 5 まとめ - プロンプトの総復習
G
- GPT-3
- GPTシリーズの進化 - GPT-1からGPT-4oまで
- GPT-3.5
- GPTシリーズの進化 - GPT-1からGPT-4oまで
- GPT-4
- GPTシリーズの進化 - GPT-1からGPT-4oまで
- GPTs
- ChatGPTの活用法
- Garbage In, Garbage Out
- 業務データ分析へのAI活用
- Gen-2
- 動画生成AI - SoraとGen-2
- Git
- プロンプトのバージョン管理・運用
- GitHub Copilot
- コード生成AI - Copilotの仕組み
- ジェイルブレイク - 安全機能の突破 / Geminiの活用法
- Google Workspace
- Geminiの活用法
- Googleサービスとの連携
- Geminiの活用法
- Google検索との統合
- Geminiの活用法
H
- Human in the Loop
- 模擬テスト4 - 総合問題
- Human-in-the-Loop
- AIエージェントの基本概念 / 会議支援 - 議事録・要約の自動化 / 医療分野でのAI活用 ほか 4 件
- HyDE
- RAG(検索拡張生成) - 外部知識で回答精度UP
I
- IBT
- 試験当日の心構え
- ITパスポート
- 合格後のステップアップ
- Imagen
- Text-to-Image - 言葉で絵を描く
- InstructGPT
- インストラクションチューニング
J
K
- KPI
- AI導入戦略の立て方 / AI投資のROI - 費用対効果
- Khan Academy
- ChatGPTの活用法
- k近傍法(k-NN)
- k近傍法(k-NN) - ご近所さんに聞く分類
L
- LLMガード
- プロンプト防御の手法
- LangGraph
- マルチエージェント - AI同士の協調
- Latent Diffusion
- 拡散モデルの基本 - ノイズから画像へ
- LlamaIndex
- プロンプトチェイニング - 複数ステップの連携
- Lost in the Middle
- コンテキストウィンドウ - 入力の上限
M
- MCP
- Function Calling - AIがツールを使う
- Many-shot
- ゼロショットプロンプティング
N
- Next Sentence Prediction
- BERTの概要 - 双方向で文脈を理解
- NovelAI
- 画像生成ツール - Midjourney・DALL-E
P
- P(Y|X)
- 生成モデルと識別モデルの違い
- Phi シリーズ
- エッジAI - 端末で動くAI
- Pinecone
- ベクトルデータベースの基本
- Plan-and-Execute
- AIエージェントの基本概念
- Prefix Tuning
- LoRA・アダプタ - 軽量な追加学習
- Projects
- Claudeの活用法
- PromptLayer
- プロンプトの反復改善
- PyTorch
- 深層学習フレームワーク - PyTorch・TensorFlow
Q
- QLoRA
- モデルの量子化 - 軽くして速くする
R
- ROI
- AI投資のROI - 費用対効果 / Phase 6 まとめ - 活用の総復習 / 生成AIの運用コスト管理
- Reinforcement Learning from Human Feedback
- RLHF - 人間のフィードバックで学ぶ
S
- SGD
- 最適化手法 - SGD・Adam・AdaGrad
- Self-Instruct
- インストラクションチューニング
- systemロール
- システムプロンプトの設計
T
- Temperature
- Temperature設定 - 創造性と正確性の調整 / ブレインストーミングプロンプト / Phase 5 まとめ - プロンプトの総復習
- TensorFlow
- 深層学習フレームワーク - PyTorch・TensorFlow
- Tool Use
- Function Calling - AIがツールを使う
- Tree-of-Thought
- Tree-of-Thought - 思考の木で探索する
- top-p
- 言語モデルとは - 次の単語を予測する
W
- Weaviate
- ベクトルデータベースの基本
あ
- あくまで参考
- データ分析プロンプトのコツ
- あらゆるツール
- Function Calling - AIがツールを使う
- アイデア出し
- クリエイティブライティングとAI
- アウトライン
- 文章作成プロンプトのコツ
- アカデミック・インテグリティ
- 教育分野でのAI活用
- アクションアイテム抽出
- 会議支援 - 議事録・要約の自動化
- アクセシビリティ
- AIとアクセシビリティ / Phase 6 まとめ - 活用の総復習
- アダプティブラーニング
- 教育分野でのAI活用
- アルゴリズムによる差別
- AIによる差別を防ぐには
- アルゴリズム取引
- 金融分野でのAI活用
- アンサンブル学習
- アンサンブル学習 - 三人寄れば文殊の知恵
- アンダーフィッティング
- 学習不足(アンダーフィッティング)
- アート・デザイン向き
- 画像生成ツール - Midjourney・DALL-E
い
- イノベーション促進
- 日本のAI規制動向
- イメージプロンプト
- 画像生成ツール - Midjourney・DALL-E
- インクルーシブデザイン
- AIとアクセシビリティ
- インシデント対応
- AIリスクマネジメント
え
- エスカレーション
- カスタマーサービスでのAI活用
- エッジケース
- テスト・デバッグ支援AI
- エラーハンドリング
- AIのAPI連携とシステム統合
- エンタープライズ契約
- プログラミング支援AI
お
- オプトアウト
- AIと個人情報 - プライバシーリスク
- オンデバイスAI
- エッジAI - 端末で動くAI
- オンプレミス
- 会議支援 - 議事録・要約の自動化 / プログラミング支援AI / Phase 6 まとめ - 活用の総復習
- オンプレミス型
- AI導入のインフラ要件
- オープンブック試験
- 検索拡張プロンプト - RAGとの連携
が
- ガイドラインベース
- 日本のAI規制動向
く
- クラウド
- 業務データ分析へのAI活用 / Phase 6 まとめ - 活用の総復習
- クラウド型
- AI導入のインフラ要件
- クラスタリング
- 教師なし学習 - 正解なしで構造を見つける / クラスタリング - データをグループ分け / Phase 2 まとめ - 機械学習の総復習
こ
- コミュニケーション
- AI導入と組織変革
- コミュニケーションの質
- プロンプトの重要性 - 聞き方で答えが変わる
- コンテンツウィンドウ
- Geminiの活用法
- コンテンツフィルタ
- ジェイルブレイク - 安全機能の突破
- コンテンツ生成
- マーケティングでのAI活用
- コンプライアンス
- AIツールの比較と選び方
- コーディネーションコスト
- マルチエージェント - AI同士の協調
- コードレビュー
- プログラミング支援AI / テスト・デバッグ支援AI
- コード特化モデル
- コード生成AI - Copilotの仕組み
- コード生成
- プログラミング支援AI
- コード補完
- プログラミング支援AI
- コード説明
- プログラミング支援AI
さ
- サポートベクターマシン(SVM)
- サポートベクターマシン(SVM)
し
- シークレット管理
- AIのAPI連携とシステム統合
す
- すべてのユーザー入力を信頼する
- プロンプト防御の手法
- スキーマ
- Function Calling - AIがツールを使う
- スタイルを指定する
- Text-to-Image - 言葉で絵を描く
- スタイル変換
- Image-to-Image - 画像を変換する
- ステップ数
- 画像生成ツール - Midjourney・DALL-E
- スモールスタート
- AI導入戦略の立て方
せ
- セキュリティ
- AIツールの比較と選び方
- セキュリティ脆弱性
- プログラミング支援AI / テスト・デバッグ支援AI
そ
- ソフトウェア開発の仕様書
- コード生成プロンプトのコツ
だ
- ダイナミックプライシング
- 小売・EC分野でのAI活用
- ダウンタイム
- 製造業でのAI活用
ち
- チェンジマネジメント
- AI導入と組織変革 / Phase 6 まとめ - 活用の総復習
- チャットボット
- Seq2Seq - 翻訳を可能にしたモデル / カスタマーサービスでのAI活用
て
- テストケース自動生成
- テスト・デバッグ支援AI
- テーマ・数・ターゲット・制約・出力形式
- ブレインストーミングプロンプト
で
- ディープフェイク
- 音楽・動画制作でのAI活用 / Phase 6 まとめ - 活用の総復習 / ディープフェイク - 偽の映像を見抜く
- デジタルツイン
- 製造業でのAI活用
- データ
- 転移学習 - 学んだ知識を別の問題に使う
- データの質と量
- データの重要性 - AIは燃料がないと動かない
- データクレンジング
- 業務データ分析へのAI活用
- データセットのドキュメンテーション
- 学習データに潜むバイアス
- データドリフト
- AIの社会実装 - 実験から現場へ
- データプライバシー
- AIツールの比較と選び方
- データポイズニング
- AIを狙うセキュリティ脅威 / データポイズニング - 学習データの汚染
- データ保持ポリシー
- AIと個人情報 - プライバシーリスク
- データ量
- スケーリング則 - 大きいほど賢くなる?
と
- トークンエコノミクス
- トークンの概念 - 文字数とコストの関係
- トークン単位で課金
- トークンの概念 - 文字数とコストの関係
- トークン数
- トークンの概念 - 文字数とコストの関係
- トーン・専門分野・対象読者
- 翻訳プロンプトのコツ
ど
- ドキュメント生成
- プログラミング支援AI
- ドメインエキスパート
- AI活用チームの作り方
ね
- ネガティブプロンプト
- 画像生成ツール - Midjourney・DALL-E
は
- ハイブリッド型
- AI導入のインフラ要件
ば
- バグの原因分析
- テスト・デバッグ支援AI
- バランス型
- 各国のAI規制比較
- バランス感覚
- Phase 7 まとめ - リスク・倫理の総復習
ぱ
- パラメータ効率型FT
- ファインチューニング応用 - 自社モデルを作る
- パーセプトロン
- Phase 3 まとめ - 深層学習の総復習
ふ
- ファクトチェック
- 文書作成の効率化 - 報告書・メール / 業務データ分析へのAI活用 / ハルシネーション対策 - ファクトチェック
- フィードバックループ
- Human-in-the-Loop - 人間の介在
- フィードバック型
- Human-in-the-Loop - 人間の介在
ぶ
- ブランドトーン
- マーケティングでのAI活用
- ブレインストーミング
- ブレインストーミングプロンプト
- ブースティング
- バギングとブースティング
ぷ
- プラグイン/ツール連携
- ChatGPTの活用法
- プロット構成
- クリエイティブライティングとAI
- プロバイダ責任制限法
- ディープフェイク - 偽の映像を見抜く
- プロンプトインジェクション対策
- プロンプトインジェクション - 悪用のリスク
- プロンプトエンジニア
- AIが変える働き方の未来
- プロンプトチェイニング
- 要約プロンプトのコツ / 文章作成プロンプトのコツ / ブレインストーミングプロンプト ほか 1 件
- プロンプトチューニング
- LoRA・アダプタ - 軽量な追加学習
- プロンプトログ
- プロンプトの反復改善
- プロンプト基礎
- Phase 5 まとめ - プロンプトの総復習
- プロンプト技法
- Phase 5 まとめ - プロンプトの総復習
- プロンプト設計
- Phase 5 まとめ - プロンプトの総復習
ほ
- ほとんど性能を落とさずに
- モデルの量子化 - 軽くして速くする
ま
- マスキング
- AIと個人情報 - プライバシーリスク / 企業のAI利用ポリシー
- マルチモーダルAI
- Geminiの活用法
め
- メディアリテラシー
- AI と偽情報・フェイクニュース
- メンバーシップ推論
- AIを狙うセキュリティ脅威
も
- モデルサイズ
- スケーリング則 - 大きいほど賢くなる?
- モデル・リスク管理
- 金融分野でのAI活用
- モデル抽出攻撃
- AIを狙うセキュリティ脅威
- モニタリング
- AIリスクマネジメント
ゆ
- ユーザビリティ
- Function Calling - AIがツールを使う
- ユーザー入力とシステム指示を明確に分離
- プロンプト防御の手法
ら
- ライセンス
- プログラミング支援AI
- ランキング
- RLHF - 人間のフィードバックで学ぶ
- ランダムフォレスト
- ランダムフォレスト - 木を束ねて精度アップ / バギングとブースティング
- ランダム性
- Temperature設定 - 創造性と正確性の調整
り
- リアルタイムの正確な情報
- Function Calling - AIがツールを使う
- リアルタイム文字起こし
- 会議支援 - 議事録・要約の自動化
- リスキリング
- AI導入と組織変革 / AIが変える働き方の未来 / Phase 6 まとめ - 活用の総復習
- リスク対応
- AIリスクマネジメント
- リスク特定
- AIリスクマネジメント
- リスク評価
- AIリスクマネジメント
- リランキング
- RAG(検索拡張生成) - 外部知識で回答精度UP
れ
- レコメンデーション
- 小売・EC分野でのAI活用
- レッドチーミング
- ジェイルブレイク - 安全機能の突破
- レビューして直せる能力
- プログラミング支援AI
- レート制限
- AIツールの比較と選び方
ろ
- ロジスティック回帰
- ロジスティック回帰 - 確率で分類する
- ローカライゼーション
- 翻訳プロンプトのコツ
- ロールプロンプティング
- ロールプロンプティング - 役割を与える / ブレインストーミングプロンプト
- ロール設定の悪用
- ジェイルブレイク - 安全機能の突破
漢字
- 不正検知
- 金融分野でのAI活用
- 不正競争防止法
- 著作権の基礎知識
- 並列計算
- Transformerアーキテクチャ - AIの革命児
- 予知保全
- 製造業でのAI活用 / Phase 6 まとめ - 活用の総復習
- 事実に基づいた回答
- 検索拡張プロンプト - RAGとの連携
- 人間がレビュー
- コード生成AI - Copilotの仕組み
- 人間とAIの協働
- 生成AIのビジネス活用 - 全体像
- 人間による確認
- ハルシネーション対策 - ファクトチェック
- 人間の尊厳
- AIと人間の尊厳
- 代表性
- 学習データに潜むバイアス
- 仮名加工情報
- 個人情報保護の基礎
- 仮説生成
- 研究分野でのAI活用
- 会話全体に一貫して適用
- システムプロンプトの設計
- 会話全体に一貫して適用される
- システムプロンプトの設計
- 但し書き
- 学習データの著作権問題
- 位置エンコーディング
- Transformerアーキテクチャ - AIの革命児
- 位置補間
- 位置エンコーディング - 語順を教える
- 併用パターン
- ファインチューニング応用 - 自社モデルを作る
- 使用言語・要件・制約・エラー処理
- コード生成プロンプトのコツ
- 例外処理型
- Human-in-the-Loop - 人間の介在
- 価値観
- 生成AIのリスク全体像
- 促進重視型
- 各国のAI規制比較
- 信頼性が大幅に向上
- 自己一貫性 - 複数回答から最良を選ぶ
- 個人識別符号
- 個人情報保護の基礎
- 個別規制型
- 各国のAI規制比較
- 倫理的問題
- ジェイルブレイク - 安全機能の突破
- 偽情報・フェイクニュース
- AI と偽情報・フェイクニュース
- 入力サニタイズ
- プロンプト防御の手法
- 具体的に描写する
- Text-to-Image - 言葉で絵を描く
- 再現性
- 研究分野でのAI活用
- 冒頭か末尾
- コンテキストウィンドウ - 入力の上限
- 出力テンプレート
- 出力形式の指定 - JSON・表・箇条書き
- 出力フィルタリング
- プロンプト防御の手法
- 出版社・広告業界ガイドライン
- AI生成物の商用利用ルール
- 分散学習
- 効率的な学習戦略の立て方
- 分析の目的・データの説明・出力形式
- データ分析プロンプトのコツ
- 分析の視点
- データ分析プロンプトのコツ
- 分類
- 教師あり学習 - 正解つきデータで学ぶ / 分類問題 - 犬か猫かを当てる
- 利用目的の範囲内
- 日本の個人情報保護法とAI
- 利用者
- AIの説明責任 - 誰が責任を取る? / 日本のAI規制動向
- 利用規約
- デザイン分野でのAI活用 / AI生成物の商用利用ルール
- 制約
- プロンプトの基本構造 - 指示・文脈・制約 / Phase 5 まとめ - プロンプトの総復習
- 創作の主体
- クリエイティブライティングとAI
- 創薬
- 医療分野でのAI活用
- 創造
- 生成AIとは - 新しいものを作り出すAI
- 加工・調整
- デザイン分野でのAI活用
- 動画生成
- 音楽・動画制作でのAI活用
- 動画編集支援
- 音楽・動画制作でのAI活用
- 匿名加工情報
- 個人情報保護の基礎 / 日本の個人情報保護法とAI
- 参加者の同意
- 会議支援 - 議事録・要約の自動化
- 双方向に
- BERTの概要 - 双方向で文脈を理解
- 反復改善
- プロンプトの反復改善
- 反復的なサイクル
- プロンプトの反復改善
- 口調・スタイル
- ファインチューニング応用 - 自社モデルを作る
- 品質指定を加える
- Text-to-Image - 言葉で絵を描く
- 商標権
- 著作権の基礎知識 / 知的財産権 - 特許・商標・肖像権とAI
- 商用利用
- デザイン分野でのAI活用 / Phase 6 まとめ - 活用の総復習
- 回帰
- 教師あり学習 - 正解つきデータで学ぶ / 回帰問題 - 明日の気温を予測する / k近傍法(k-NN) - ご近所さんに聞く分類
- 回答のトーン・深さ・視点
- ロールプロンプティング - 役割を与える
- 回答の視点やトーンを制御
- ロールプロンプティング - 役割を与える
- 国際協調
- 各国のAI規制比較
- 埋め込みベクトル
- ベクトルデータベースの基本
- 埋め込みモデル
- ベクトルデータベースの基本
- 基本理念
- AI倫理の基本原則
- 多層防御
- プロンプト防御の手法
- 多様なタスク
- 大規模言語モデル(LLM)とは
- 学習する組織
- AIリテラシー - 組織全体の底上げ
- 学習データ
- 学習データに潜むバイアス
- 学習データへの個人情報混入
- AIと個人情報 - プライバシーリスク
- 学習分析
- 教育分野でのAI活用
- 学習後量子化(PTQ)
- モデルの量子化 - 軽くして速くする
- 学習支援チャットボット
- 教育分野でのAI活用
- 安全性への注力
- Claudeの活用法
- 安全機能
- ジェイルブレイク - 安全機能の突破
- 完璧な防御は存在しない
- プロンプト防御の手法
- 定期的な再評価
- AIツールの比較と選び方
- 実在の人物の画像
- 画像生成ツール - Midjourney・DALL-E
- 実験設計支援
- 研究分野でのAI活用
- 対話のマナー
- インストラクションチューニング
- 専門チームのように分業
- マルチエージェント - AI同士の協調
- 専門性の高い小さなエージェント
- マルチエージェント - AI同士の協調
- 専門特化した複数のエージェントが協調
- マルチエージェント - AI同士の協調
- 専門知識の定着
- ファインチューニング応用 - 自社モデルを作る
- 小型軽量化
- エッジAI - 端末で動くAI
- 市場分析
- マーケティングでのAI活用
- 引用リンク付与
- ハルシネーション対策 - ファクトチェック
- 微調整
- LLMの学習方法 - 事前学習の仕組み
- 必要な情報を優先的に含める
- コンテキストウィンドウ - 入力の上限
- 必要十分な長さで明確に指示する
- トークンの概念 - 文字数とコストの関係
- 応対品質分析
- カスタマーサービスでのAI活用
- 性能・コスト・連携性・安全性・得意分野
- AIツールの比較と選び方
- 悪意のある指示を紛れ込ませて
- プロンプトインジェクション - 悪用のリスク
- 情報処理能力
- 要約プロンプトのコツ
- 情報漏えい
- AIと個人情報 - プライバシーリスク
- 意匠権
- 著作権の基礎知識 / 知的財産権 - 特許・商標・肖像権とAI
- 意味的な類似度
- ベクトルデータベースの基本
- 意思決定支援
- 生成AIのビジネス活用 - 全体像
- 手軽さ・テキストとの連携
- 画像生成ツール - Midjourney・DALL-E
- 承認型
- Human-in-the-Loop - 人間の介在
- 技術移転
- AIとデジタルデバイド
- 抽出型
- 要約プロンプトのコツ
- 抽象型
- 要約プロンプトのコツ
- 拡張する
- 教育分野でのAI活用 / Phase 6 まとめ - 活用の総復習
- 指示
- プロンプトの基本構造 - 指示・文脈・制約 / Phase 5 まとめ - プロンプトの総復習
- 探索
- 第一次AIブーム - 探索と推論の時代
- 探索が必要な問題
- Tree-of-Thought - 思考の木で探索する
- 探索が必要な複雑な問題
- Tree-of-Thought - 思考の木で探索する
- 推敲・校正
- クリエイティブライティングとAI
- 推論
- 第一次AIブーム - 探索と推論の時代 / MoE(Mixture of Experts) - 専門家AIの寄せ集め / 推論時計算 - 考える時間で賢くなるAI
- 推論の深さと幅
- Tree-of-Thought - 思考の木で探索する
- 推論過程
- Chain-of-Thought - 段階的に考えさせる / データ分析プロンプトのコツ
- 提供者
- AIの説明責任 - 誰が責任を取る? / 日本のAI規制動向
- 摂動 (perturbation)
- 敵対的攻撃 - AIを騙す方法
- 教師ありファインチューニング(SFT)
- ファインチューニング応用 - 自社モデルを作る
- 教材生成
- 教育分野でのAI活用
- 教育
- AIが教育に与える影響
- 数億〜数十億円
- LLMの学習方法 - 事前学習の仕組み
- 数学・論理・多段階の推論
- Chain-of-Thought - 段階的に考えさせる
- 敵対的攻撃
- AIを狙うセキュリティ脅威
- 文体のクセ
- 文章作成プロンプトのコツ
- 文体アドバイス
- クリエイティブライティングとAI
- 文化や慣習も含めて適切に変換する
- 翻訳プロンプトのコツ
- 文献調査
- 研究分野でのAI活用
- 文章のトーン一貫性
- 文章作成プロンプトのコツ
- 文脈
- プロンプトの基本構造 - 指示・文脈・制約 / Phase 5 まとめ - プロンプトの総復習
- 文脈付き表現
- エンコーダとデコーダの役割
- 料金体系
- AIツールの比較と選び方
- 既存コードとの整合性
- コード生成プロンプトのコツ
- 景表法
- マーケティングでのAI活用
- 最新情報
- ファインチューニング応用 - 自社モデルを作る
- 本番環境
- テスト・デバッグ支援AI
- 検索(Retrieval)
- RAG(検索拡張生成) - 外部知識で回答精度UP
- 検索拡張生成
- 検索拡張プロンプト - RAGとの連携
- 業務効率化
- 生成AIのビジネス活用 - 全体像 / Phase 6 まとめ - 活用の総復習
- 構造化プロンプト
- プロンプト防御の手法
- 機密情報
- 文書作成の効率化 - 報告書・メール / 会議支援 - 議事録・要約の自動化 / 法務分野でのAI活用
- 機械学習パイプライン
- 機械学習パイプライン - 自動化された学習工程
- 次元削減
- 教師なし学習 - 正解なしで構造を見つける
- 歌声合成
- 音楽・動画制作でのAI活用
- 正則化
- 正則化 - 過学習を防ぐブレーキ / Phase 2 まとめ - 機械学習の総復習
- 正確さが特に重要なタスク
- 自己一貫性 - 複数回答から最良を選ぶ
- 比較と選び方
- AIツールの比較と選び方
- 汎用AIモデル (GPAI)
- EU AI Act - 世界初のAI包括規制
- 決定木
- 決定木 - 質問を繰り返して答えを出す
- 法的助言
- 法務分野でのAI活用
- 注意重み
- アテンション機構 - 大事な部分に注目する
- 活用パターン
- Phase 5 まとめ - プロンプトの総復習
- 照合
- 個人情報保護の基礎
- 特化型AI
- 身近なAIサービス - スマホの中のAI
- 特定の形式で出力させる
- 出力形式の指定 - JSON・表・箇条書き
- 特徴量エンジニアリング
- 特徴量エンジニアリング - AIへの翻訳作業
- 特許権
- 著作権の基礎知識
- 現実の問題
- Function Calling - AIがツールを使う
- 理解系タスク
- BERTの概要 - 双方向で文脈を理解
- 環境負荷
- AIの環境負荷 - 電力消費問題
- 生成(Generation)
- RAG(検索拡張生成) - 外部知識で回答精度UP
- 生成AI元年
- ChatGPTの活用法
- 生成コードのレビュー
- プログラミング支援AI
- 生成モデル
- 生成モデルと識別モデルの違い
- 生産性
- AI投資のROI - 費用対効果
- 用途によって使い分ける
- AIツールの比較と選び方
- 用途に応じた使い分け
- AIツールの比較と選び方
- 画像を生成するAIツール
- 画像生成ツール - Midjourney・DALL-E
- 画像診断支援
- 医療分野でのAI活用
- 番号付きリスト
- 出力形式の指定 - JSON・表・箇条書き
- 異なる視点からの発想
- ブレインストーミングプロンプト
- 異常値検出
- データポイズニング - 学習データの汚染
- 目的の明確化
- 文書作成の効率化 - 報告書・メール
- 目的・対象読者・長さ
- 要約プロンプトのコツ
- 目的・対象読者・長さ・形式・重視する観点
- 要約プロンプトのコツ
- 目的・読者・トーン・長さ・構成
- 文章作成プロンプトのコツ
- 直接型
- プロンプトインジェクション - 悪用のリスク
- 相棒
- 文章作成プロンプトのコツ
- 知識カットオフ
- 事前学習データ - LLMは何を読んで育つ?
- 研究不正
- 研究分野でのAI活用
- 確率分布
- 生成モデルと識別モデルの違い
- 社内ナレッジベース
- RAG(検索拡張生成) - 外部知識で回答精度UP
- 端末(エッジデバイス)
- エッジAI - 端末で動くAI
- 第一次AIブーム
- 第一次AIブーム - 探索と推論の時代 / Phase 1 まとめ - AI基礎の総復習
- 第三者提供
- AIと個人情報 - プライバシーリスク / 日本の個人情報保護法とAI
- 第二次AIブーム
- Phase 1 まとめ - AI基礎の総復習
- 第四の波
- 第四の波 - 生成AI革命
- 箇条書き
- 出力形式の指定 - JSON・表・箇条書き
- 精度を向上
- Chain-of-Thought - 段階的に考えさせる
- 継続事前学習
- ファインチューニング応用 - 自社モデルを作る
- 継続的な学習
- AIリテラシー - 組織全体の底上げ
- 網羅性
- テスト・デバッグ支援AI
- 線形回帰
- 線形回帰 - 直線でデータを表す
- 翻訳スタイル
- 翻訳プロンプトのコツ
- 肖像権
- ロールプロンプティング - 役割を与える
- 背景
- 生成AIのリスク全体像
- 臨床試験
- 医療分野でのAI活用
- 自動意思決定に対する異議申立権
- GDPR - EUの個人情報保護規則
- 自動採点
- 教育分野でのAI活用
- 自動文字起こし
- 会議支援 - 議事録・要約の自動化
- 自己一貫性
- Chain-of-Thought - 段階的に考えさせる / 自己一貫性 - 複数回答から最良を選ぶ
- 自律的にタスクを計画・実行
- AIエージェントの基本概念
- 自然な日本語対応
- Claudeの活用法
- 自然言語クエリ
- 業務データ分析へのAI活用
- 著作権侵害
- デザイン分野でのAI活用
- 著作者の死後70年
- 著作権の基礎知識
- 薬機法
- 医療分野でのAI活用 / Phase 6 まとめ - 活用の総復習
- 行列計算
- 深層学習フレームワーク - PyTorch・TensorFlow
- 行動(Action)
- AIエージェントの基本概念 / Function Calling - AIがツールを使う
- 表
- 出力形式の指定 - JSON・表・箇条書き
- 表形式
- 出力形式の指定 - JSON・表・箇条書き
- 被写体・スタイル・雰囲気・構図・色調
- 画像生成ツール - Midjourney・DALL-E
- 複数の思考分岐を木のように展開
- Tree-of-Thought - 思考の木で探索する
- 複数の思考分岐を木構造で探索
- Tree-of-Thought - 思考の木で探索する
- 複数ツールの使い分け
- AIツールの比較と選び方
- 要約リレー
- コンテキストウィンドウ - 入力の上限
- 要約生成
- 会議支援 - 議事録・要約の自動化
- 要配慮個人情報
- 個人情報保護の基礎
- 規制産業
- 翻訳プロンプトのコツ
- 規制重視型
- 各国のAI規制比較
- 観察(Observation)
- AIエージェントの基本概念
- 言語ペア・トーン・専門分野・対象読者
- 翻訳プロンプトのコツ
- 言語・要件・制約・エラー処理
- コード生成プロンプトのコツ
- 計画(Planning)
- AIエージェントの基本概念
- 計算量
- スケーリング則 - 大きいほど賢くなる?
- 評価者バイアス
- RLHF - 人間のフィードバックで学ぶ
- 説明可能性
- 金融分野でのAI活用
- 誰のために・何の目的で・どんな形式で
- 要約プロンプトのコツ
- 論文執筆支援
- 研究分野でのAI活用
- 識別モデル
- 生成モデルと識別モデルの違い
- 責任ある利用者
- Phase 7 まとめ - リスク・倫理の総復習
- 追加学習
- 学習データの著作権問題
- 透かし
- 音楽・動画制作でのAI活用
- 途中で方向修正ができる
- プロンプトチェイニング - 複数ステップの連携
- 遠隔医療
- 医療分野でのAI活用
- 重視する観点
- 要約プロンプトのコツ
- 量子化対応訓練(QAT)
- モデルの量子化 - 軽くして速くする
- 長いコンテキストウィンドウ
- Claudeの活用法
- 長文コンテキスト
- コンテキストウィンドウ - 入力の上限
- 開発者
- AIの説明責任 - 誰が責任を取る? / 日本のAI規制動向
- 間接効果
- AI投資のROI - 費用対効果
- 間接的プロンプトインジェクション
- プロンプトインジェクション - 悪用のリスク
- 関係
- セルフアテンション - 文脈を理解する仕組み
- 関数呼び出し
- Function Calling - AIがツールを使う
- 防御の手法
- プロンプト防御の手法
- 階層構造
- AIガバナンスとは
- 階層的要約
- 要約プロンプトのコツ
- 雇用
- AIと雇用 - 仕事はなくなるのか
- 電子カルテ分析
- 医療分野でのAI活用
- 音声の著作権
- 音声合成AI - テキストを声に変える
- 音声クローン
- 音楽・動画制作でのAI活用
- 音声トークン化
- 音楽生成AI - AIが作曲する時代
- 音楽生成
- 音楽・動画制作でのAI活用
- 音楽生成AI
- 音楽・動画制作でのAI活用
- 頻繁に更新されるデータ
- ファインチューニング応用 - 自社モデルを作る
- 類似
- AI生成物の商用利用ルール
- 顧客対応
- 生成AIのビジネス活用 - 全体像
- 高度な技法とセキュリティ
- Phase 5 まとめ - プロンプトの総復習