この用語集の使い方
AI転職の面接では技術用語の理解度を問われることがあります。「知ってはいるが説明できない」状態をなくすために、各用語を「一言で言うと」と「もう少し詳しく」の2段階で解説します。
基礎用語
機械学習（Machine Learning）
一言で： データからパターンを学習してタスクをこなすAIの手法
コンピュータが明示的にプログラムされることなく、データから自動的にルールを学習する技術。画像認識・翻訳・レコメンドなどに使われている。
深層学習（Deep Learning）
一言で： 脳の神経回路を模した多層構造で学習する機械学習の手法
ニューラルネットワークを多層に重ねることで、複雑なパターンを学習できる。画像認識・自然言語処理で特に高い精度を発揮する。
教師あり学習（Supervised Learning）
一言で： 正解ラベル付きのデータを使って学習する手法
入力と正解のペアを大量に与えて学習させる。スパムメール分類・画像認識・価格予測などに使われる。
教師なし学習（Unsupervised Learning）
一言で： 正解ラベルなしでデータのパターンを見つける手法
ラベルなしデータから構造・パターン・グループを発見する。顧客セグメンテーション・異常検知に活用される。
強化学習（Reinforcement Learning）
一言で： 報酬を最大化するように試行錯誤で学習する手法
エージェントが環境と相互作用しながら、報酬を最大化する行動方策を学習する。ゲームAI・ロボット制御に使われる。
モデル・アルゴリズム
線形回帰（Linear Regression）
一言で： 数値を予測する最もシンプルなモデル
入力変数と出力変数の線形関係をモデル化する。住宅価格予測・売上予測などに使われる基礎的な手法。
ロジスティック回帰（Logistic Regression）
一言で： 2値分類（Yes/No）を予測するモデル
名前に「回帰」とあるが分類問題に使われる。スパム判定・病気の診断などに使用。
決定木（Decision Tree）
一言で： 条件分岐を繰り返して予測するモデル
if-then形式の条件分岐ツリーで予測を行う。解釈しやすいが過学習しやすい欠点がある。
ランダムフォレスト（Random Forest）
一言で： 多数の決定木の多数決で予測するアンサンブル手法
複数の決定木を組み合わせて精度と安定性を高める。過学習に強く、実務でよく使われる。
XGBoost / LightGBM
一言で： 勾配ブースティングを使った高精度なアンサンブル手法
Kaggleのコンペで最もよく使われるアルゴリズム。表形式データに対して非常に高い精度を発揮する。
ニューラルネットワーク（Neural Network）
一言で： 脳の神経細胞を模した学習モデル
入力層・隠れ層・出力層から構成される。層を深くすることで深層学習になる。
CNN（畳み込みニューラルネットワーク）
一言で： 画像認識に特化したニューラルネットワーク
画像の局所的な特徴を抽出する畳み込み層を持つ。画像分類・物体検出に使われる。
RNN / LSTM
一言で： 時系列・順序データを扱うニューラルネットワーク
前の情報を記憶しながら処理できる。自然言語処理・株価予測・音声認識に使われる。
Transformer
一言で： 自己注意機構を使った現在の最先端モデルの基盤
GPT・BERTなど大規模言語モデルの基礎。「Attention Is All You Need」論文で提案された。
大規模言語モデル（LLM）関連
LLM（Large Language Model）
一言で： 大量テキストで学習した超大規模な言語モデル
GPT-4・Claude・Geminiなどが代表例。テキスト生成・質問応答・翻訳など多様なタスクをこなす。
プロンプト（Prompt）
一言で： LLMに与える指示・入力テキスト
LLMの出力品質はプロンプトの質に大きく依存する。「プロンプトエンジニアリング」はこの設計技術を指す。
RAG（Retrieval-Augmented Generation）
一言で： 外部知識を検索して参照しながら回答を生成する手法
LLMの知識の限界・幻覚問題を補うために、関連ドキュメントを検索して回答に活用する技術。
ファインチューニング（Fine-tuning）
一言で： 事前学習済みモデルを特定タスク向けに追加学習する手法
GPT・BERTなどの汎用モデルを、自社のデータで追加学習させて特定用途に特化させる。
ハルシネーション（Hallucination）
一言で： LLMが事実でない情報を自信満々に生成してしまう現象
「幻覚」とも呼ばれる。RAGやファクトチェックで対策する。
評価指標
精度（Accuracy）
一言で： 全データのうち正解した割合
最もシンプルな評価指標。ただしクラス不均衡データでは注意が必要。
適合率（Precision）と再現率（Recall）
一言で： 精度の2つの異なる側面を見る指標
スパムフィルター・医療診断などで重要。
F1スコア
一言で： PrecisionとRecallの調和平均
両方のバランスを取った指標。クラス不均衡データの評価によく使われる。
AUC-ROC
一言で： 分類モデルの総合的な性能を表す指標
1に近いほど良いモデル。クラス不均衡データの評価に有効。
RMSE（二乗平均平方根誤差）
一言で： 回帰モデルの予測誤差を表す指標
予測値と実際の値の差の二乗平均の平方根。小さいほど精度が高い。
MLOps・インフラ
MLOps
一言で： 機械学習モデルの開発・運用を効率化する実践手法
DevOpsの概念をMLに適用したもの。モデルの継続的な学習・デプロイ・監視を自動化する。
Docker
一言で： アプリケーションをコンテナ化して環境を統一する技術
「自分のPCでは動くが本番では動かない」問題を解決する。機械学習環境の再現に必須。
API（Application Programming Interface）
一言で： アプリケーション間のデータのやり取りを定義した仕組み
AIモデルをAPIとして公開することで、他のシステムから呼び出せるようになる。
まとめ
AI転職の面接では、これらの用語を「使ったことがある・理解している」レベルで説明できることが重要です。用語を覚えるだけでなく、実際にコードを書いてモデルを作る経験を積みましょう。
転職活動の準備と並行して、IT特化型のエージェントへの相談もお忘れなく。