生成AIパスポートの学習で、
多くの人がつまずくのが
「似たような用語の区別」です。
私自身、文系・非エンジニアとして
学習する中で、
何度も用語の混同に悩まされました。
・Few-shot と Chain-of-Thought
・シード値 と CFGスケール
・VAE と GAN
これらは「なんとなく分かる」
レベルだと、試験の選択肢で
確実に引っかかります。
この記事では、
私が実際に混同した用語を
「対比」の形で整理します。
暗記ではなく、
「何が違うのか」を
理解することを目指します。
■ Few-shot vs CoT(思考の連鎖)
この2つは最も混同しやすい
用語の一つです。
| 技法 | 何をするか | 例 |
|---|---|---|
| Few-shot | 例をいくつか見せる | 「例:りんご→果物。では犬は?」 |
| CoT | 考える過程を出させる | 「順を追って考えてから答えて」 |
Few-shotは「お手本を見せる」手法。
CoTは「途中の思考を書かせる」手法です。
重要なのは、この2つは
両立できるということ。
例を見せながら(Few-shot)、
考える過程も出させる(CoT)ことも
可能です。
■ システムプロンプト vs メタプロンプト
| 技法 | 役割 |
|---|---|
| システムプロンプト | AIの役割・前提を設定する |
| メタプロンプト | プロンプト自体を生成させる |
システムプロンプトは、
会話が始まる前に
「あなたはプロの編集者です」
のようにAIの立場を決めるもの。
メタプロンプトは、
「良いプロンプトを作って」と
AIにプロンプト作りを
手伝ってもらうものです。
■ ICIOフレームワーク
プロンプトを構造化する
考え方の一つです。
| 要素 | 意味 |
|---|---|
| Instruction(指示) | 何をしてほしいか |
| Context(文脈) | 背景・前提情報 |
| Input(入力) | 処理してほしいデータ |
| Output(出力) | 出力形式の指定 |
この4つを意識すると、
AIへの指示が明確になります。
■ VAE vs GAN
どちらも「新しいデータを生成する」
モデルですが、仕組みが違います。
| モデル | 仕組み | 特徴 |
|---|---|---|
| VAE | 圧縮して再生成 | 安定・滑らか |
| GAN | 生成役と判定役が競う | 高品質・不安定 |
VAEは、データを一度
「特徴の塊」に圧縮してから
再生成する仕組み(エンコーダー+
デコーダー)。
GANは、偽物を作る「生成者」と、
本物か見抜く「識別者」を
競わせることで精度を上げる仕組み。
贋作師と鑑定士が
競い合うイメージです。
■ 自己回帰モデルとは
過去の出力を使って
次を予測するモデルです。
「今日は天気が_」
というとき、
「今日は」「天気が」を参照して
「良い」を予測する。
これを繰り返して
文章を生成します。
GPTもこの自己回帰モデルの
一種です。
■ RNN → Transformer の進化
現代のLLMに至るまでの
技術の流れを押さえると、
一気に理解が深まります。
| モデル | 特徴 | 課題 |
|---|---|---|
| RNN | 記憶を持って処理 | 長文で記憶が薄れる |
| LSTM | 長期記憶を改善 | 並列処理できない |
| Transformer | 全単語を同時処理 | (現在の主流) |
RNNは前の出力を記憶しながら
処理しますが、長い文章だと
最初の情報が薄れる
「勾配消失問題」がありました。
それを解決したのが
Transformerです。
■ シード値 vs CFGスケール
画像生成AIで混同しやすい
2つのパラメータです。
| パラメータ | 役割 |
|---|---|
| シード値 | 構図・再現性を固定する乱数の種 |
| CFGスケール | プロンプトへの忠実度を調整 |
シード値は「同じ絵を再現するための
番号」。同じシード値なら
同じ構図が再現されます。
CFGスケールは「指示にどれだけ
忠実にするか」のダイヤル。
高いほどプロンプトに忠実、
低いほど自由な生成になります。
■ Temperature
テキスト生成AIの
出力のランダム性を調整する
パラメータです。
| 値 | 出力の特徴 |
|---|---|
| 低い(0に近い) | 確実・保守的 |
| 高い(1に近い) | 創造的・多様 |
AIの「体温」のようなもの。
低いと冷静で堅実な答え、
高いと自由奔放な答えになります。
■ Transformer・アテンション機構
Transformerの核心が
「アテンション機構」です。
文章の中で「どの単語が重要か」を
動的に計算する仕組みです。
「私はカフェでコーヒーを飲んだ」
この文で「コーヒー」を理解する時、
「カフェ」「飲んだ」に注目(アテンション)します。
■ LLM・コンテキストウィンドウ
| 用語 | 意味 |
|---|---|
| LLM | 大規模言語モデル |
| コンテキストウィンドウ | 一度に処理できる最大トークン数 |
コンテキストウィンドウは
「UIの大きさ」ではなく、
AIが一度に記憶・処理できる
情報量のことです。
AIの「作業机の広さ」と
イメージすると分かりやすいです。
■ RAG・ファインチューニング
どちらもLLMの精度を
上げる手法ですが、
アプローチが違います。
| 手法 | やること |
|---|---|
| RAG | 外部データを検索して参照させる |
| ファインチューニング | モデル自体を追加学習させる |
RAGは、モデルはそのままで
外部の最新情報を参照させる仕組み。
ハルシネーション(もっともらしい嘘)の
低減に有効です。
ファインチューニングは、
モデル自体を特定の用途向けに
再学習させる手法です。
AI用語を暗記しようとすると、
似た言葉が多くて混乱します。
大切なのは、
「単語単体」ではなく
「何と何が違うのか」という
対比で理解することです。
・Few-shot ⇔ CoT
・VAE ⇔ GAN
・シード値 ⇔ CFGスケール
・RAG ⇔ ファインチューニング
この「対比」の視点を持つと、
試験の紛らわしい選択肢にも
対応できるようになります。
私自身、この整理をしてから
模擬試験の正答率が
安定しました。
これから受験する方の
参考になれば嬉しいです。
関連記事:
生成AIパスポートの勉強法|19日間の学習スケジュール
生成AIパスポートの難易度は?実体験レポート
【受験記③】生成AIパスポート、合格しました
コメント