[{"data":1,"prerenderedAt":210},["ShallowReactive",2],{"topic-page:\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Fgenai-use-cases-and-foundation-model-lifecycle":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":83},"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-genai-use-cases-and-foundation-model-lifecycle","genai-use-cases-and-foundation-model-lifecycle","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","\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],"AWS Certified AI Practitioner","AIF-C01","生成AIの基礎","生成AIユースケース","FMライフサイクル","評価","展開","フィードバック",[26,27],"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ユースケースと基盤モデルのライフサイクルについて、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。",[30,35,39,43,47,50,53,60,68,74,80],{"id":31,"label":32,"shortDefinition":33,"role":34},"fm-lifecycle","基盤モデルのライフサイクル","データ選択から調整・評価・展開・フィードバックまでを循環させる工程です。","primary",{"id":36,"label":37,"shortDefinition":38,"role":34},"data-selection","データ選択","目的・品質・権利・代表性に照らし、利用するデータを選ぶ工程です。",{"id":40,"label":41,"shortDefinition":42,"role":34},"pretraining","事前学習","広いデータから一般的なパターンを、利用前にモデルへ学習させる工程です。",{"id":44,"label":45,"shortDefinition":46,"role":34},"fine-tuning","微調整","事前学習済みモデルを、追加データで特定用途へ適応させる学習です。",{"id":48,"label":22,"shortDefinition":49,"role":34},"evaluation","定めたデータと基準で、モデルやアプリの品質・安全性・価値を測る活動です。",{"id":51,"label":24,"shortDefinition":52,"role":34},"feedback","利用結果や修正内容を収集し、評価や改善へ戻す情報です。",{"id":54,"label":55,"shortDefinition":56,"supplement":57,"role":34},"retrieval-augmented-generation","検索拡張生成（RAG）","関連情報を検索し、その結果を文脈に加えて回答を生成する方式です。",{"kind":58,"text":59},"misconception","検索結果が正しいか、回答の根拠確認は必要です。",{"id":61,"label":62,"shortDefinition":63,"supplement":64,"role":67},"generative-ai","生成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":65,"text":66},"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。","contextual",{"id":69,"label":70,"shortDefinition":71,"supplement":72,"role":67},"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":58,"text":73},"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":75,"label":76,"shortDefinition":77,"supplement":78,"role":67},"model-selection","モデル選択","用途の能力・制約・費用・統制条件に合うモデルを比較して選ぶ活動です。",{"kind":58,"text":79},"最大のモデルが、すべての用途で最適とは限りません。",{"id":81,"label":23,"shortDefinition":82,"role":67},"deployment","評価済みモデルを、利用者が推論へ使える環境に配置する工程です。",[84,89,100,109,118,124,130,136,152,161],{"id":85,"type":86,"title":7,"subtitle":87,"shortDefinition":88},"hero","HeroBlock","利用目的を決め、データ選択からフィードバックまで追う","データ選択、モデル選択または事前学習、追加調整、評価、展開、利用者フィードバックを経てモデル活用を改善する循環です。",{"id":90,"type":91,"term":32,"definition":92,"plainExplanation":93,"presentation":94,"supportLabel":95,"keywords":96},"definition","DefinitionBlock","[[cloze:fm-lifecycle|基盤モデルのライフサイクル]]とは、データ選択から調整・評価・展開・フィードバックまでを循環させる工程です。","用途ごとに必要な能力と安全策を定め、[[term:data-selection|データ選択]]と[[term:model-selection|モデル選択]]を行います。モデルを一から[[term:pretraining|事前学習]]するか既存モデルを使い、必要な場合だけ[[term:fine-tuning|微調整]]します。","natural","イメージすると",[97,98,99],"データから運用","継続評価","統制した改善",{"id":101,"type":102,"steps":103,"title":108},"decision-steps","StepBlock",[104,105,106,107],"利用者と、生成物を使う具体的な仕事を定義する。","データ、モダリティ、モデル能力、利用条件を照合する。","プロンプト、[[term:retrieval-augmented-generation|検索拡張生成（RAG）]]、微調整など必要最小の適応方法を選ぶ。","[[term:evaluation|評価]]後に[[term:deployment|展開]]し、統制した[[term:feedback|フィードバック]]を改善へ戻す。","ユースケースから運用まで",{"id":110,"type":111,"title":112,"points":113,"body":117},"exam-cues","KeyPointBlock","判断で押さえる境界",[114,115,116],"用途ごとにモダリティと品質条件が違う","適応方法は必要最小限にする","評価とフィードバックを改善へ戻す","『文章を作れる』だけではユースケース設計になりません。顧客返信案なら人が送信前に確認できるか、検索なら根拠を示せるか、コード生成ならテストとレビューを通すかまで決めます。フィードバックは無条件に再学習へ入れず、個人情報、誤り、攻撃的入力を選別します。",{"id":119,"type":120,"src":121,"alt":122,"caption":123},"diagram","DiagramBlock","\u002Fassets\u002Fit\u002Faws\u002Faws-certified-ai-practitioner\u002Fgenerative-ai-fundamentals\u002Fgenai-use-cases-and-foundation-model-lifecycle\u002Fgenai-use-cases-and-foundation-model-lifecycle.svg","生成AIユースケースと基盤モデルのライフサイクルについて目的・データ、モデル選択、適応・評価、展開、フィードバックの関係を文字ラベルと矢印で示した図","ユースケース定義から利用者フィードバックまでを一周させる図です。展開後の検証を終点にしません。",{"id":125,"type":126,"scenario":127,"explanation":128,"result":129},"worked-example","ExampleBlock","問い合わせメールの返信案を作る社内支援機能を企画します。","メール本文という入力、返信案という出力、担当者による送信前確認を定義します。まず適切な[[term:foundation-model|FM]]と明確なプロンプトを評価し、社内規程が必要ならRAGを追加します。担当者の修正量、根拠の正しさ、応答時間、費用を測り、個人情報を除いた失敗例を改善へ戻します。","デモの生成品質だけでなく、安全な業務工程と継続評価まで含めて設計できます。",{"id":58,"type":131,"warningTitle":132,"message":133,"severity":134,"action":135},"WarningBlock","フィードバックをそのまま学習データにしない","利用者入力には個人情報、機密情報、誤情報、攻撃的な指示が含まれ得ます。収集目的、同意、品質確認、保持期間を決めず再利用するとリスクが増えます。","warning","生成物の利用者、確認者、成功指標、改善に戻せるデータを明示します。",{"id":137,"type":138,"title":139,"questions":140},"quiz","QuizBlock","AIF-C01 判断チェック",[141],{"question":142,"choices":143,"answerIndex":147,"choiceExplanations":148},"FMアプリを展開した後の適切な活動はどれですか。",[144,145,146],"品質・利用状況・修正フィードバックを統制して再評価する","モデルは固定し失敗を記録しない","すべての入力を確認せず学習へ戻す",0,[149,150,151],"正解です。統制された改善循環を作ります。","品質変化を発見できません。","機密性とデータ品質の危険があります。",{"id":153,"type":154,"title":155,"points":156},"summary","SummaryBlock","まとめ",[157,158,159,160],"[[term:generative-ai|生成AI]]は多様な生成・支援用途を持つ","用途から必要能力と安全策を決める","モデル選択・適応・評価を段階化する","統制したフィードバックを改善へ戻す",{"id":162,"type":163,"title":164,"nextTopics":165,"relatedKeywords":167},"next-action","NextActionBlock","次は「トークン費用とコンテキストエンジニアリング」へ",[166],"it-aws-aws-certified-ai-practitioner-generative-ai-fundamentals-token-economics-and-context-engineering",[168,169,170],"トークン","コンテキストエンジニアリング","費用",{"path":10,"title":19,"description":172,"parentPath":173,"accentToken":174},"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":176,"description":177,"canonicalUrl":178,"ogImage":179},"生成AIユースケースと基盤モデルのライフサイクル | AWS Certified AI Practitioner","AIF-C01対策として生成AIユースケースと基盤モデルのライフサイクルの定義、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-use-cases-and-foundation-model-lifecycle","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":166,"title":193,"summary":194,"canonicalPath":195,"categoryPath":10,"categoryTitle":19,"difficulty":11,"targetAudience":12,"estimatedMinutes":13,"publishedAt":14,"updatedAt":14,"reviewStatus":15,"tags":196},"トークン費用とコンテキストエンジニアリング","トークン費用とコンテキストエンジニアリングを、AIF-C01の公式objective 2.1.4・2.1.5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\u002Ftoken-economics-and-context-engineering",[17,18,19,168,169,170,197,198],"遅延","文脈",[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-generative-ai-fundamentals-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",[17,18,19,62,168,206,207,208,209],"チャンク","埋め込み","LLM","マルチモーダル",1787370540106]