ヘルプ

図の読み方

同じメールでも、分類と返信づくりでは役割が違います。

• 左：ルールで仕分ける

  決められた条件で、メールを振り分けます。AIには、データから学ぶ方法以外の仕組みもあります。

• 中央：例から分類を学ぶ

  分類済みのメールなどを使って規則性を学び、新しいメールを分類します。これは機械学習の例です。

• 右：新しい返信を作る

  学んだ規則性を使い、指示に合わせた文章などを生成します。これは生成AIの例です。

機械学習と生成AIは、どちらもAIに含まれます。機械学習は学ぶ方法、生成AIは内容を作るAIの呼び名です。LLMのような生成AIは、機械学習で作られます。

机や資料に置き換えた説明用のイラストです。

図の読み方

文脈から次の候補を計算し、続きを重ねます。

1. 01

   文脈を受け取る

   指示や質問、それまでに生成した内容を使います。

2. 02

   次の候補を計算する

   次に来るトークンの候補と確率を計算します。

3. 03

   続きを重ねて文章にする

   新しく生成した内容も使い、次のトークンを計算する処理を繰り返します。

紙片はトークンを表す比喩です。トークンは文章を扱う小さな単位で、単語と一致するとは限りません。文章の自然さと、事実の正しさは別です。

机や資料に置き換えた説明用のイラストです。

図の読み方

机の上の資料と、棚にしまった資料を分けて考えます。

1. 01

   机の上：今回渡された情報

   指示・質問・会話履歴・資料のうち、アプリが今回の処理に渡したものがコンテキストに入ります。

2. 02

   棚の中：まだ渡していない資料

   保存された資料や過去の会話でも、今回渡されていなければ、参照できるとは限りません。

コンテキストウィンドウは参照できる情報の長さの上限で、通常はトークン数で表します。資料を渡すことは追加学習とは別です。長い資料を渡せても、すべてを正確に使えるとは限りません。

机や資料に置き換えた説明用のイラストです。

図の読み方

数の多さだけでなく、使う仕事の条件で比べます。

• 左：学習で調整する数値

  パラメータはモデル内部の数値です。数が多いだけでは用途に合うと判断できません。

• 中央：使う仕事で確かめる

  実際の質問や資料で試し、必要な品質を満たすか確かめます。

• 右：資源と費用も比べる

  必要な品質を満たす候補の、速度・費用・計算やメモリの負担を比べます。

つまみは、内部の数値を調整することを表す比喩です。パラメータ数は知っている事実の数ではありません。データ・設計・学習方法も結果に関係します。

机や資料に置き換えた説明用のイラストです。

図の読み方

モデルを作るときも、使うときも計算が必要です。

1. 01

   学習：モデルを調整する

   例となるデータを使い、モデル内部の数値を調整します。

2. 02

   推論：学習済みモデルを使う

   新しい質問などを入力し、答えを計算します。

通常の推論では、モデル内部の数値は更新しません。会話を保存することと、追加学習することも別です。

机や資料に置き換えた説明用のイラストです。

図の読み方

土台を作り、使う仕事に合わせて調整します。

1. 01

   左：幅広い例で土台を作る

   多くの文章などを使い、基本となる規則性を学びます。モデル内部の数値を調整する工程です。

2. 02

   右：用途に合う例で調整する

   学習済みモデルを出発点に、仕事や出力形式に合う例で追加学習します。ファインチューニングでは内部の数値を更新します。

プロンプトで指示することやRAGで資料を渡すことは、追加学習とは別です。学習で改善したかは、学習に使っていない例で確認します。

机や資料に置き換えた説明用のイラストです。

図の読み方

例を増やすだけでなく、整えて、別の例で確かめます。

1. 01

   量：似た例ばかりになっていないか

   例の数を増やしても、重複や偏りが多ければ、使う場面を十分にカバーできません。

2. 02

   質：使う場面に合う例を整える

   誤りや重複を見直し、実際の質問・言語・利用者に近い、幅のある例を用意します。

3. 03

   評価：使っていない例で確かめる

   学習用・調整のための検証用・最後のテスト用を分けます。学習に使わなかった例で確認します。

学習で見た例にだけ強く、新しい例に弱い状態が過学習です。データの量・品質・用途との近さを合わせて見ます。

机や資料に置き換えた説明用のイラストです。

図の読み方

何をしてほしいか、何を使うか、どう返すかを伝えます。

1. 01

   目的：してほしいことを伝える

   「議事録を要約する」など、依頼する作業を具体的に書きます。

2. 02

   資料：使う範囲を伝える

   参照してほしい議事録を渡し、「この資料だけを使う」と範囲を示します。

3. 03

   形式：答えの形を伝える

   「決定事項を3つの箇条書きにする」など、出力の形を指定します。

指示や資料を渡すことは、通常、モデルの追加学習とは別です。指示を具体的にしても誤りは起こるため、回答を資料と照合します。

机や資料に置き換えた説明用のイラストです。

図の読み方

検索した資料を、回答のためにモデルへ渡します。

1. 01

   関係する資料を探す

   質問に合うマニュアルなどから、必要な部分を検索します。

2. 02

   質問と一緒に渡す

   見つけた資料を、回答で参照する情報としてモデルに渡します。

3. 03

   資料を参照して答える

   モデルが回答を生成します。資料が答えを支えているかも確認します。

資料を渡すことと、モデルの追加学習は別です。資料が古い場合や、回答が資料から外れる場合もあるため、RAGだけで正しさは保証されません。

机や資料に置き換えた説明用のイラストです。

図の読み方

問い合わせ対応を例に、今回渡す情報と、学習で調整する数値を分けます。

• 左：プロンプト

  「返信を2文にする」など、今回の指示や資料を渡します。通常の回答では、モデル内部の数値を更新しません。

• 中央：RAG

  質問に合うマニュアルを検索し、必要な部分を指示と一緒に渡します。資料を探して渡す処理自体は、モデル内部の数値を更新しません。

• 右：ファインチューニング

  問い合わせと望ましい分類の例で、学習済みモデルの内部の数値を調整します。「請求・契約・操作」の分類形式に合わせる用途などです。

3つは併用できます。RAGでは、検索した資料をプロンプトに含めます。更新される資料を使いたいのか、出力の形式を調整したいのかを考え、実際の質問で確かめます。

つまみはモデル内部の数値を表す比喩です。3つの場面は方法の比較で、作業の順番ではありません。

図の読み方

読みやすい回答でも、出典を開いて確かめます。

1. 01

   左：自然な回答を読む

   詳しい説明や具体的な資料名だけでは、事実の裏付けがあるとは判断できません。

2. 02

   右：原本と照合する

   出典を実際に開き、回答を支える箇所があるか、数値・日付・人物名が合うかを確認します。

出典が実在していても、回答を支えているとは限りません。根拠が見つからない内容は、そのまま事実として扱わず、別の資料も確認します。

机や資料に置き換えた説明用のイラストです。

図の読み方

共通の課題と、仕事の条件を分けて確認します。

• 左：共通の課題の結果を読む

  同じ問題や採点条件を使い、モデルの性能を比べます。結果用紙は、試した課題の範囲を確かめて読み取ります。

• 右：使う仕事の条件で試す

  実際の資料や質問を使い、必要な数値や期限が残るかを確認します。応答速度や費用も合わせて見ます。

ベンチマークの結果だけで、どの仕事にも役立つとは判断できません。顧客の用途に合う条件を先に決め、モデルや資料を変えた後も確かめます。

紙とフォルダーは、共通課題の結果と実際の用途での確認を説明する比喩です。左右は工程の順番ではなく、どちらも合格・安全性・提供の成功を保証しません。人物や資料の数はテスト数を表しません。

図の読み方

1件に速く答えることと、多くの依頼を扱うことを分けます。

• 左：1件の待ち時間

  レイテンシーは、依頼してから応答を受け取るまでの時間です。最初の文字までと、回答の完成までを区別して測ることもあります。

• 右：一定時間の処理量

  スループットは、一定時間に処理できる依頼数やトークン数です。同時に使う人が増えたときの処理量と待ち時間も確かめます。

1人で使ったときに速くても、混雑時の待ち時間や処理量は別に確認します。GPUの処理能力だけでなく、メモリ、同時利用、回答の長さでも条件が変わります。

机や資料に置き換えた説明用のイラストです。

図の読み方

異なる種類の情報を組み合わせて使います。

• 左：文章で伝える

  質問や説明、資料などの文章を入力します。

• 中央：画像も使う

  文章と画像を組み合わせ、何が写っているかを説明させる、といった使い方があります。

• 右：音声も使う

  対応するモデルでは、音声を入力し、内容について質問できます。

扱える入力と出力はモデルによって異なります。画像を入力できても、画像を生成できるとは限りません。暗い画像や聞き取りにくい音声では、結果をよく確かめます。

机や資料に置き換えた説明用のイラストです。

図の読み方

提案を読むことと、道具で作業することを分けます。

• 左：提案を文章で受け取る

  候補の予定などを文章で提案します。提案を読んだだけでは、予約などは変更されません。

• 右：道具を使い、結果を確かめる

  目的に合わせて手順を選び、検索や計算などの道具で作業を進め、結果を確認します。

接続された道具があることと、操作してよい権限があることは別です。送信・購入・削除などでは、許可する範囲や承認の条件を決めます。

机や資料に置き換えた説明用のイラストです。

図の読み方

左の3つ、中央の4つ、右の2つ。数値を層ごとに組み合わせる立体教材です。

1. 01

   左：入力を受け取る

   写真や文章などを、モデルが扱える数値にします。

2. 02

   中央：組み合わせて変換する

   重み・バイアス・活性化関数を使い、次の表現へ変えます。

3. 03

   右：予測へ変える

   仕事に合う出力を作ります。この段階でも、正解は保証されません。

まずは、ひとつのノードの計算を下の例で追ってみましょう。負の重みやReLUの働きも確かめられます。

層の配置を表す説明用のイラストです。線の本数・色・太さは、実在モデルの接続や重みを示しません。

図の読み方

上から下へ。カードが表現、2つの枠が繰り返すブロックを表します。

1. 01

   上のカード：入力の表現

   トークンを数値に変え、位置の情報も使います。

2. 02

   2つの枠：ブロックを重ねる

   位置どうしの情報を混ぜ、各位置の表現を変換します。脇の経路は元の表現を残す比喩です。

3. 03

   下のカード：処理後の表現

   文章生成では、この先に語彙の点数と確率を計算する部分があります。

Attentionだけでできているわけではありません。正確な処理の順序と、それぞれの役割は下の日本語の図で確認できます。

Decoder型を学ぶための概念イラストです。2ブロック・4カードは説明用で、具体的なモデルや原論文全体の構成ではありません。

図の読み方

離れた位置にある要素の関係も計算に取り入れます。

1. 01

   入力の中の関係を計算する

   Self-Attentionは、あるトークンに対して、同じ入力のほかのトークンがどれほど関係するかを計算します。

2. 02

   文脈に応じた表現を作る

   こうした関係を計算に取り入れ、複数の層を通して文脈に応じた表現を作ります。

紙片は文章の要素を扱う比喩です。実際のトークンが単語と一致するとは限りません。Attentionは計算方法の名前で、人間の意識を意味しません。

机や資料に置き換えた説明用のイラストです。

図の読み方

複数の方針を先に用意し、それぞれに沿って回答候補を作ります。

1. 01

   左：異なる方針を先に作る

   同じ問題を、どんな解き方で試すかを計画します。PTTSでは、方針を作る側が複数の候補をまとめて考え、似た試行への集中を減らすことを狙います。

2. 02

   中央：方針に沿って候補を作る

   実行する側は、問題とそれぞれの方針を使って回答候補を作ります。方針を用意することと、具体的な解答を完成させることは別の役割です。

3. 03

   右：候補に正解があるかを測る

   回答候補を評価し、少なくとも1つが正解したかを測ります。正解が含まれることと、それを選んで利用者へ返せることは分けて考えます。

pass@kは、k個の候補に少なくとも1つ正解が含まれるかを見る指標です。1回の回答の正答率や、正解を選び出す能力とは異なります。

カード入れ・ファイル・紙は説明用の比喩です。入れ物の色は方針の違いを表し、性能の順位ではありません。紙の枚数や人物の数は、論文の試行回数やモデルの数を示しません。右の場面も、正解を自動で選べることを保証しません。

図の読み方

情報を集めた後に、整理と完成品の確認が続きます。

1. 01

   左：必要な情報を集める

   検索や資料の取得は、作業の一部です。情報が見つかっても、依頼された成果物が完成したとは限りません。

2. 02

   中央：整理して形にする

   集めた情報を比較し、文書・表・スライドなど、依頼された形式へまとめます。内容だけでなく、配置や構成も関わります。

3. 03

   右：完成品を依頼と比べる

   必要な情報が揃い、指定された構成や表示になっているかを確かめます。途中の操作と、最後に使える成果物を分けて評価します。

「資料を取得できた」と「依頼を完了できた」は別の結果です。完成した成果物まで確認すると、どの工程で止まったかも見つけやすくなります。

机仕事へ置き換えた説明用のイラストです。KNOWSの実際の画面や評価課題を再現したものではなく、右の場面も成功を保証する描写ではありません。ゲームの提供手順とは区別します。

図の読み方

前の区切りで得た情報を、次の区切りの処理へ引き継ぎます。

1. 01

   左：入力の一部を読む

   ARMTは長い入力を区切り、順番に処理します。区切りの中では、その範囲の情報を使います。

2. 02

   中央：内部の記憶を更新する

   読んだ内容の表現を使い、モデル内部の連想記憶を更新します。カード入れは、その仕組みを表す比喩です。

3. 03

   右：次の区切りで使う

   次の入力を処理するとき、前の区切りから引き継いだ記憶も参照します。この処理を繰り返して長文を扱います。

全文をそのまま保持することと、内部の記憶へ情報を引き継ぐことは異なります。長さの上限と、必要な情報を正しく使える能力も別に確かめます。

資料とカード入れは説明用の比喩で、論文の内部構造図ではありません。実際の記憶は数値で表され、文章の要約や原文の完全な保存とは異なります。アプリが会話を恒久保存する機能や、ゲームの実装を示すものでもありません。

図の読み方

候補の作成と検証を組み合わせ、回答の続きを生成します。

1. 01

   左：先の候補を作る

   軽い計算で、複数のトークン候補を先に作ります。ASPIREでは、同じモデルが参照する文脈を一部に絞って候補を作ります。

2. 02

   中央：対象モデルで検証する

   ASPIREでは、全文脈を参照する計算で候補をまとめて検証します。先頭からどこまで受け入れられるかを確かめます。

3. 03

   右：採用した続きを加える

   受け入れた先頭部分と、検証側で決まった次のトークンを加えます。採用されなかった残りを取り下げ、また候補を作ります。

ここでの検証は、対象モデルの生成との一致を確かめる処理です。内容が事実かを調べる作業ではありません。候補が受け入れられる範囲や処理条件によって、効率は変わります。

紙片はトークンを表す比喩で、単語と一致するとは限りません。3つの場面は処理の段階を表し、人物の違いはモデルの数を示しません。ASPIREの非同期処理や内部構造、ゲームの操作を再現した図ではありません。

図の読み方

同じ質問でも、実際に聞こえた音によって答えが変わります。

• 左：文章の手がかりだけで答える

  質問の言い回しや、よくある答えから推測する場合です。音声を入力できても、回答が実際の音に基づいているとは限りません。

• 右：音の情報も根拠に使う

  聞こえた声や音の特徴を、質問と合わせて使います。研究では音の情報を参照できる条件と制限した条件を比べ、回答にどれほど影響したかを調べます。

入力への対応、入力を根拠にすること、正しい答えに到達することは、それぞれ確かめます。音に依存した回答でも、正解とは限りません。

ヘッドホンは、音の情報を使う違いを表す比喩です。論文では内部の音声情報への参照を制限して比較しており、ヘッドホンを外す操作を再現した図ではありません。PG-TTRLの学習手順やゲームの操作を示すものでもありません。

図の読み方

予測した状態を次の入力に使い、長い展開を作ります。

1. 01

   左：今の状態と行動を考える

   模型車なら「今の位置や向き」と「どう動かすか」が手がかりです。世界モデルは、状態や行動から次の状態を予測します。

2. 02

   中央：予測した先を、また予測する

   予測した状態を次の入力にして、さらに先へ進めます。こうして予測を繰り返すことを、ロールアウトと呼びます。

3. 03

   右：長く繰り返したときの分布を見る

   どの状態が、どれくらい現れるかという偏りや広がりを調べます。これが状態の分布です。一歩先が正確でも、長い展開でこの性質を保てるとは限りません。

一歩先の正確さ、長い展開の分布、計画が役立つかは別の評価です。分布が安定しても、個々の予測や行動計画の正しさを保証しません。

模型車と板は説明用の比喩で、論文の制御課題やモデル内部の分布を再現した図ではありません。車が板の内側にあるだけでは安定性を証明できません。複数の車は先の状態を考える場面を表し、予測の完全一致やAI Inc.の街を動かす仕組みを示しません。

図の読み方

知識があっても、質問の言葉と学習で得た結び付きが競合する場合があります。

1. 01

   左：元の質問で、言葉の影響を調べる

   元の回答を得た後、どの言葉が回答候補の選ばれやすさへ強く影響するかを調べます。青い紙片は、質問の一部分を表す比喩です。

2. 02

   中央：選んだ言葉を外して調べ直す

   影響の強い部分を取り除き、残った言葉の影響をもう一度調べます。学習し直す操作ではなく、入力への介入による比較です。

3. 03

   右：候補への支持の変化を比べる

   回答や候補の確率の変化を、誤答を見つける手がかりにします。正しい回答でも、重要な言葉を外せば結果が変わる場合があります。

影響の大きい言葉があることだけでは、誤答とは判断できません。知識の不足など、ほかの原因もあります。言葉を外せば正解するという方法ではありません。

紙片を外す描写は、質問の言葉を変える比喩です。論文で行う内部への介入や、2段階の計算をそのまま再現した図ではありません。実際の回答・確率・検出の成功や、AI Inc.の操作を示すものでもありません。

図の読み方

何点だったかに加え、どの成果物や入力から評価されたかを確かめます。

• 左：最後の評価結果を見る

  最終スコアは結果を比べる手がかりです。ただし、課題を達成して得た点数か、採点へ影響する別の変更があったかまでは、点数だけで分かりません。

• 右：成果物・採点入力・記録を追う

  どの成果物や値で採点され、途中で何が変更されたかを確かめます。BenchShieldは、評価基盤側の証拠を使い、実際の操作と評価への影響を結び付けます。

課題を解くことと、測定されるスコアへ影響を与えることは別です。抜け道が存在することと、実行中に使われたことも、証拠を見て区別します。

紙とフォルダーは説明用の比喩で、実際の評価画面や不正の操作手順を描いていません。左が必ず誤評価、右が必ず検出成功という意味ではありません。BenchShieldには評価基盤への計測が必要で、紙の見比べだけで再現できる方法ではありません。

図の読み方

同じ依頼を満たせても、道具が扱える範囲は違います。

• 左：対象の資料だけを読む

  「このファイルの要点を教えて」という依頼なら、対象を読む操作で満たせるかを考えます。別のファイルを変更する権限は、この依頼には必要ありません。

• 右：ほかの資料も変更できる

  同じ資料を読めても、ほかのファイルの変更や削除までできる道具は範囲が広くなります。便利そうな説明だけで、必要以上の権限を選ばないかを調べます。

作業を完了できる能力と、必要な範囲に収まる道具を選べることは、別の評価軸です。選んだスキルと、その中で使うツールの両方を確認します。

ファイルと事務道具は権限の範囲を表す比喩です。右の場面は広い操作が可能な状態で、実際に変更・削除した場面ではありません。FORTISは構成したスキル階層で選択を評価し、現実のサービスで起きた操作を示すものではありません。