[{"data":1,"prerenderedAt":210},["ShallowReactive",2],{"topic-page:\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-core-terms-models-training-and-responsibility":3},{"topic":4,"category":171,"seo":175,"breadcrumbs":180,"prerequisites":190,"nextTopics":191,"relatedTopics":199},{"id":5,"slug":6,"title":7,"summary":8,"canonicalPath":9,"categoryPath":10,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"generatedAt":14,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":16,"expectedKnowledge":25,"learningGoal":28,"keyTerms":29,"blocks":89},"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-ai-core-terms-models-training-and-responsibility","ai-core-terms-models-training-and-responsibility","AIの基本用語：モデル・学習・責任","モデル、アルゴリズム、学習、推論、ニューラルネットワーク、LLM、バイアス、公平性をAIF-C01 objective 1.1.1に沿って整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-core-terms-models-training-and-responsibility","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals","beginner","cert_candidate",6,"2026-08-06","ai_generated",[17,18,19,20,21,22,23,24],"AWS Certified AI Practitioner","AIF-C01","AI・機械学習の基礎","モデル","アルゴリズム","学習","推論","バイアス",[26,27],"AIという言葉を聞いたことがある","入力と出力の関係を日常的な例で考えられる","AIF-C01の基本用語を工程・能力・責任の三群に分け、モデルの学習から推論までと品質上の注意を説明できる。",[30,38,42,47,51,55,60,63,68,71,74,81,85],{"id":31,"label":32,"shortDefinition":33,"supplement":34,"role":37},"artificial-intelligence","人工知能（AI）","認識・推論・生成など、人が知的とみなす処理を計算機で実現する技術領域です。",{"kind":35,"text":36},"comparison","機械学習は、人工知能を実現する方法の一つです。","contextual",{"id":39,"label":40,"shortDefinition":41,"role":37},"deep-learning","深層学習","多層ニューラルネットワークを使って特徴を学ぶ機械学習の手法です。",{"id":43,"label":44,"shortDefinition":45,"role":46},"neural-network","ニューラルネットワーク","入力から出力への関係を、結合した層と重みで学習するモデル構造です。","primary",{"id":48,"label":49,"shortDefinition":50,"role":46},"computer-vision","コンピュータビジョン","画像や映像から物体・特徴・状態などを認識するAI分野です。",{"id":52,"label":53,"shortDefinition":54,"role":46},"natural-language-processing","自然言語処理","人が使う言語を分析・理解・生成するためのAI分野です。",{"id":56,"label":20,"shortDefinition":57,"supplement":58,"role":46},"model","学習で得た関係を保持し、新しい入力へ予測や生成を返す仕組みです。",{"kind":35,"text":59},"アルゴリズムは学習や計算の手順、モデルは得られた仕組みです。",{"id":61,"label":21,"shortDefinition":62,"role":46},"algorithm","問題を解くための計算手順や規則を明確に定めたものです。",{"id":64,"label":22,"shortDefinition":65,"supplement":66,"role":46},"training","データを使ってモデルのパラメータや規則を調整する過程です。",{"kind":35,"text":67},"学習済みモデルを使う推論とは段階が異なります。",{"id":69,"label":23,"shortDefinition":70,"role":46},"inference","学習済みモデルへ新しい入力を与え、予測や生成の出力を得る処理です。",{"id":72,"label":24,"shortDefinition":73,"role":46},"bias","データやモデルの偏りにより、出力が特定方向へ系統的にずれる状態です。",{"id":75,"label":76,"shortDefinition":77,"supplement":78,"role":46},"fairness","公平性","異なる集団への結果や影響が、用途に照らして公正である性質です。",{"kind":79,"text":80},"misconception","全員へ同じ出力を返すことだけを意味しません。",{"id":82,"label":83,"shortDefinition":84,"role":46},"model-fit","モデルの適合","モデルがデータの関係を適切な複雑さで捉えている程度です。",{"id":86,"label":87,"shortDefinition":88,"role":46},"large-language-model","大規模言語モデル","大量の言語データで学習し、文章の理解や生成を行う大規模モデルです。",[90,94,102,111,120,126,132,138,153,162],{"id":91,"type":92,"title":7,"subtitle":93,"shortDefinition":57},"hero","HeroBlock","作り方、使い方、品質の言葉を分ける",{"id":95,"type":96,"term":20,"definition":97,"plainExplanation":98,"presentation":99,"supportLabel":100,"keywords":101},"definition","DefinitionBlock","[[cloze:model|モデル]]とは、学習で得た関係を保持し、新しい入力へ予測や生成を返す仕組みです。","[[term:algorithm|アルゴリズム]]は問題を解く計算手順で、その手順とデータを使う段階が[[term:training|学習]]です。学習後に得た仕組みへ新しい入力を渡して結果を得る段階を[[term:inference|推論]]といいます。したがって、計算手順、学習、得られた仕組み、利用時の処理は同じものではありません。","natural","イメージすると",[21,22,23,24],{"id":103,"type":104,"steps":105,"title":110},"decision-steps","StepBlock",[106,107,108,109],"解きたい問題と評価条件を決める。","アルゴリズムと学習データを使ってモデルを作る。","独立データで[[term:model-fit|モデルの適合]]と誤りを評価する。","新しい入力へ推論し、本番の変化を監視する。","工程の言葉を並べる",{"id":112,"type":113,"title":114,"points":115,"body":119},"exam-cues","KeyPointBlock","能力と品質の言葉",[116,117,118],"モデル構造と[[term:artificial-intelligence|AI]]の利用分野を分ける","適合が弱すぎても強すぎても未知データに失敗し得る","バイアスと公平性は利用者への影響で評価する","[[term:neural-network|ニューラルネットワーク]]は層と重みで関係を学ぶモデル構造で、[[term:deep-learning|深層学習]]は多層の構造を使います。[[term:large-language-model|大規模言語モデル（LLM）]]は大量の言語データを扱い、[[term:natural-language-processing|自然言語処理]]は文章、[[term:computer-vision|コンピュータビジョン]]は画像や映像を扱う分野です。データや設計の[[term:bias|バイアス]]は集団ごとの誤りを生み得るため、全体指標だけでなく[[term:fairness|公平性]]を確認します。",{"id":121,"type":122,"src":123,"alt":124,"caption":125},"diagram","DiagramBlock","\u002Fassets\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-core-terms-models-training-and-responsibility\u002Fai-core-terms-models-training-and-responsibility.svg","データとアルゴリズムから学習してモデルを作り、推論結果を適合・バイアス・公平性で評価する循環図","作成工程、利用工程、品質確認を一方向にせず、評価結果を次の学習条件へ戻します。",{"id":127,"type":128,"scenario":129,"explanation":130,"result":131},"worked-example","ExampleBlock","過去の問い合わせを使って、請求・技術・解約へ分類するモデルを考えます。","担当者が付けた正解を学習データにし、分類アルゴリズムでモデルを作ります。新しい問い合わせを分類する処理が推論です。一部の言語や顧客層だけ誤りが多ければ、全体の正解率が高くてもデータのバイアスと公平性を再評価します。文章を扱うため自然言語処理の用途ですが、自由文を生成するLLMが必須とは限りません。","工程名と能力名を分け、最後に利用者への影響まで確認できます。",{"id":79,"type":133,"warningTitle":134,"message":135,"severity":136,"action":137},"WarningBlock","モデルとアルゴリズムを同一視しない","アルゴリズムは計算手順で、モデルは学習後に予測へ使う仕組みです。同じアルゴリズムでもデータや条件により異なるモデルになります。","warning","問題文が作り方、得られた仕組み、利用時処理のどれを指すか確認します。",{"id":139,"type":140,"title":141,"questions":142},"quiz","QuizBlock","AIF-C01 判断チェック",[143],{"question":144,"choices":145,"answerIndex":148,"choiceExplanations":149},"学習済みモデルへ新しい問い合わせを渡し、分類結果を得る段階はどれですか。",[23,146,147],"学習データの作成","アルゴリズムの発明",0,[150,151,152],"正解です。学習済みモデルを新しい入力へ使う段階です。","モデルを作る前の準備です。","既存モデルを利用する段階の説明ではありません。",{"id":154,"type":155,"title":156,"points":157},"summary","SummaryBlock","まとめ",[158,159,160,161],"アルゴリズムとデータでモデルを学習する","学習済みモデルを使う処理が推論","ニューラルネットワークやLLMはモデル側の概念","適合・バイアス・公平性を本番影響まで評価する",{"id":163,"type":164,"title":165,"nextTopics":166,"relatedKeywords":168},"next-action","NextActionBlock","次は「AI・ML・深層学習・エージェント型AI」へ",[167],"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-ai-ml-deep-learning-and-agentic-ai",[169,170,40],"AI","機械学習",{"path":10,"title":19,"description":172,"parentPath":173,"accentToken":174},"AI、機械学習、学習方式、代表ユースケース、開発ライフサイクルを、AIF-C01の判断問題に沿って整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner","cloud-amber",{"title":176,"description":177,"canonicalUrl":178,"ogImage":179},"AIの基本用語：モデル・学習・責任 | AWS Certified AI Practitioner","AIF-C01で問われるモデル、アルゴリズム、学習、推論、ニューラルネットワーク、LLM、バイアス、公平性を整理します。","https:\u002F\u002Fzeqnilo.com\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-core-terms-models-training-and-responsibility","https:\u002F\u002Fzeqnilo.com\u002Fassets\u002Fsite\u002Fdefault-og.svg",[181,184,187,188,189],{"title":182,"path":183},"IT","\u002Fit",{"title":185,"path":186},"AWS","\u002Fit\u002Faws",{"title":17,"path":173},{"title":19,"path":10},{"title":7,"path":9},[],[192],{"id":167,"title":193,"summary":194,"canonicalPath":195,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":196},"AI・ML・深層学習・エージェント型AI","AI・ML・深層学習・エージェント型AIを、AIF-C01の公式objective 1.1.2に沿って、包含関係、役割、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Fai-ml-deep-learning-and-agentic-ai",[17,18,19,169,170,40,197,198],"生成AI","エージェント型AI",[200],{"id":201,"title":202,"summary":203,"canonicalPath":204,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":205},"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-inference-modes-and-data-types","推論方式とデータの種類","推論方式とデータの種類を、AIF-C01の公式objective 1.1.3・1.1.4に沿って、用語、判断順序、例、誤解修正で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals\u002Finference-modes-and-data-types",[17,18,19,23,206,207,208,209],"バッチ","リアルタイム","非同期","データ型",1787370539397]