[{"data":1,"prerenderedAt":210},["ShallowReactive",2],{"topic-page:\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Fgenai-primitives-tokens-embeddings-and-models":3},{"topic":4,"category":166,"seo":170,"breadcrumbs":175,"prerequisites":185,"nextTopics":186,"relatedTopics":194},{"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":26,"learningGoal":29,"keyTerms":30,"blocks":79},"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-genai-primitives-tokens-embeddings-and-models","genai-primitives-tokens-embeddings-and-models","生成AIの構成要素：トークン・埋め込み・モデル","生成AIの構成要素：トークン・埋め込み・モデルを、AIF-C01の公式objective 2.1.1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\u002Fgenerative-ai-fundamentals\u002Fgenai-primitives-tokens-embeddings-and-models","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals","beginner","cert_candidate",6,"2026-08-06","ai_generated",[17,18,19,20,21,22,23,24,25],"AWS Certified AI Practitioner","AIF-C01","生成AIの基礎","生成AI","トークン","チャンク","埋め込み","LLM","マルチモーダル",[27,28],"AWSクラウドの基本用語を聞いたことがある","AIを使う業務例を日常的な言葉で考えられる","生成AIの構成要素：トークン・埋め込み・モデルについて、試験で問われる違いと選択基準を説明し、短い業務例へ適用できる。",[31,38,44,48,53,57,61,65,71,75],{"id":32,"label":20,"shortDefinition":33,"supplement":34,"role":37},"generative-ai","学習したパターンに基づき、新しい文章・画像などの内容を生成するAIです。",{"kind":35,"text":36},"comparison","生成だけでは、目標分解やツール実行を行うとは限りません。","primary",{"id":39,"label":21,"shortDefinition":40,"supplement":41,"role":37},"token","モデルが文章などの入力と出力を処理するときの基本単位です。",{"kind":42,"text":43},"misconception","一つのトークンが、常に一単語とは限りません。",{"id":45,"label":46,"shortDefinition":47,"role":37},"chunking","チャンク化","長いデータを、検索や処理に適した意味のまとまりへ分割することです。",{"id":49,"label":23,"shortDefinition":50,"supplement":51,"role":37},"embedding","文章や画像などの意味・特徴を数値ベクトルへ写した表現です。",{"kind":35,"text":52},"埋め込みは回答文ではなく、比較しやすい数値表現です。",{"id":54,"label":55,"shortDefinition":56,"role":37},"vector","ベクトル","複数の数値を順序付きで並べ、特徴や意味を表す表現です。",{"id":58,"label":59,"shortDefinition":60,"role":37},"transformer","Transformer","入力内の語同士の関係を捉え、系列を処理するニューラルネットワーク構造です。",{"id":62,"label":63,"shortDefinition":64,"role":37},"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。",{"id":66,"label":67,"shortDefinition":68,"supplement":69,"role":37},"foundation-model","基盤モデル","大規模なデータで事前学習され、多様な下流タスクへ適応できるモデルです。",{"kind":42,"text":70},"すべての定型予測を、基盤モデルへ置き換える必要はありません。",{"id":72,"label":73,"shortDefinition":74,"role":37},"multimodal-model","マルチモーダルモデル","文章・画像・音声など、複数のデータ形式を扱えるモデルです。",{"id":76,"label":77,"shortDefinition":78,"role":37},"diffusion-model","拡散モデル","ノイズから段階的にデータを復元し、画像などを生成するモデル方式です。",[80,85,96,105,114,120,126,132,148,156],{"id":81,"type":82,"title":7,"subtitle":83,"shortDefinition":84},"hero","HeroBlock","文字列がトークン、ベクトル、モデル出力へ変わる流れをつかむ","学習データのパターンを基に、文章、画像、音声、動画、コードなど新しい内容を生成するAIです。",{"id":86,"type":87,"term":20,"definition":88,"plainExplanation":89,"presentation":90,"supportLabel":91,"keywords":92},"definition","DefinitionBlock","[[cloze:generative-ai|生成AI]]とは、学習したパターンに基づき、新しい文章・画像などの内容を生成するAIです。","文章モデルは入力を[[term:token|トークン]]へ分け、[[term:transformer|Transformer]]型の[[term:large-language-model|大規模言語モデル（LLM）]]が文脈に応じた次の単位を扱います。[[term:embedding|埋め込み]]は意味や特徴を数値で表し、検索で近い内容を比べやすくします。","natural","言葉を分けると",[93,94,95],"処理単位","数値表現","モデル方式",{"id":97,"type":98,"steps":99,"title":104},"decision-steps","StepBlock",[100,101,102,103],"入力文をモデルが扱うトークンへ分ける。","長い資料を[[term:chunking|チャンク化]]し、埋め込みを[[term:vector|ベクトル]]として保存して関連部分を探す。","LLMへ入力文脈を渡し、トークン列として応答を生成する。","文章以外を扱う場合はモダリティとモデル方式を確認する。","文章生成アプリの部品を追う",{"id":106,"type":107,"title":108,"points":109,"body":113},"exam-cues","KeyPointBlock","判断で押さえる境界",[110,111,112],"トークンはモデルの処理単位","埋め込みは意味的近さを表すベクトル","モデルごとに扱えるモダリティが異なる","トークンは必ず一単語ではなく、言語やモデルによって文字の一部や記号にも分かれます。[[term:foundation-model|基盤モデル]]は多用途の土台で、[[term:multimodal-model|マルチモーダルモデル]]は文章・画像・音声など複数形式を扱います。[[term:diffusion-model|拡散モデル]]はノイズから画像などを段階的に生成します。チャンクは細か過ぎると文脈を失い、大き過ぎると無関係部分が増えます。",{"id":115,"type":116,"src":117,"alt":118,"caption":119},"diagram","DiagramBlock","\u002Fassets\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Fgenai-primitives-tokens-embeddings-and-models\u002Fgenai-primitives-tokens-embeddings-and-models.svg","生成AIの構成要素：トークン・埋め込み・モデルについて文章→トークン、資料→チャンク、意味→埋め込み、LLM→応答の関係を文字ラベルと矢印で示した図","入力と資料が異なる表現へ変換され、文脈としてモデルへ入る流れです。トークンと埋め込みの役割を混同しないようにします。",{"id":121,"type":122,"scenario":123,"explanation":124,"result":125},"worked-example","ExampleBlock","製品マニュアルから関連段落を探し、その内容に基づく回答を生成します。","マニュアルを意味のまとまりでチャンク化し、各チャンクの埋め込みを保存します。質問の埋め込みに近いチャンクを取得し、質問と一緒にLLMへ渡します。LLMは入力をトークンとして処理して応答を生成します。埋め込み自体が回答文を作るわけではありません。","検索、文脈構築、生成の三役を分け、構成要素を正しい位置に置けます。",{"id":42,"type":127,"warningTitle":128,"message":129,"severity":130,"action":131},"WarningBlock","埋め込みは文章の要約ではない","ベクトルは意味的な比較に使う数値表現で、人が読む説明文ではありません。似たベクトルを探す処理と、回答を生成する処理は別です。","warning","データがトークン、チャンク、埋め込みのどの形で使われるかを矢印で確認します。",{"id":133,"type":134,"title":135,"questions":136},"quiz","QuizBlock","AIF-C01 判断チェック",[137],{"question":138,"choices":139,"answerIndex":143,"choiceExplanations":144},"意味の近い文書片を検索するために使う表現はどれですか。",[140,141,142],"埋め込みベクトル","回答文そのもの","合格点のスケール",0,[145,146,147],"正解です。意味的な近さの計算に使います。","検索結果を基にモデルが生成する出力です。","文書検索とは関係しません。",{"id":149,"type":150,"title":151,"points":152},"summary","SummaryBlock","まとめ",[153,110,154,155],"生成AIは新しい内容を作る","チャンクは長い資料を意味単位に分ける","埋め込みは意味的近さの検索に使う",{"id":157,"type":158,"title":159,"nextTopics":160,"relatedKeywords":162},"next-action","NextActionBlock","次は「生成AIユースケースと基盤モデルのライフサイクル」へ",[161],"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-genai-use-cases-and-foundation-model-lifecycle",[163,164,165],"生成AIユースケース","FMライフサイクル","評価",{"path":10,"title":19,"description":167,"parentPath":168,"accentToken":169},"生成AIの構成概念、ユースケース、エージェント型AI、モデル選択とAWS基盤をAIF-C01の範囲で整理します。","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner","cloud-amber",{"title":171,"description":172,"canonicalUrl":173,"ogImage":174},"生成AIの構成要素：トークン・埋め込み・モデル | AWS Certified AI Practitioner","AIF-C01対策として生成AIの構成要素：トークン・埋め込み・モデルの定義、判断軸、具体例、誤解しやすい境界を公式試験範囲に沿って学びます。","https:\u002F\u002Fzeqnilo.com\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Fgenai-primitives-tokens-embeddings-and-models","https:\u002F\u002Fzeqnilo.com\u002Fassets\u002Fsite\u002Fdefault-og.svg",[176,179,182,183,184],{"title":177,"path":178},"IT","\u002Fit",{"title":180,"path":181},"AWS","\u002Fit\u002Faws",{"title":17,"path":168},{"title":19,"path":10},{"title":7,"path":9},[],[187],{"id":161,"title":188,"summary":189,"canonicalPath":190,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":191},"生成AIユースケースと基盤モデルのライフサイクル","生成AIユースケースと基盤モデルのライフサイクルを、AIF-C01の公式objective 2.1.2・2.1.3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\u002Fgenerative-ai-fundamentals\u002Fgenai-use-cases-and-foundation-model-lifecycle",[17,18,19,163,164,165,192,193],"展開","フィードバック",[195],{"id":196,"title":197,"summary":198,"canonicalPath":199,"categoryPath":200,"categoryTitle":201,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":202},"it-aws-aws-certified-ai-practitioner-ai-ml-fundamentals-aws-ai-lifecycle-mlops-and-evaluation","AWSのAIライフサイクル・MLOps・評価","AWSのAIライフサイクル・MLOps・評価を、AIF-C01の公式objective 1.3.4・1.3.5・1.3.6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\u002Faws-ai-lifecycle-mlops-and-evaluation","\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fai-ml-fundamentals","AI・機械学習の基礎",[17,18,201,203,204,205,206,207,208,209],"MLOps","Amazon Bedrock","SageMaker AI","適合率","再現率","F1","ROI",1787370540088]