2027年2月試験(新シラバス)対応2026年11月20日時点の法令・公表資料基準情報の正確さへの取り組み

条件の違いを、比較して覚える。

42件の比較表で、主語・時点・母数・例外を整理します。必要な表を保存して復習できます。

比較して覚える

AIに知能をもたらす2つの仕組み:ルールベースと機械学習

人が規則や知識を書き込むルールベース(知識ベース)と、データからパターンを取り出して自ら知識を獲得する機械学習を並べます。「誰が知識を用意するか」「何が限界か」を取り違える肢を切り分けられます。

知識・規則を用意するのは

ルールベース(知識ベース)
人(形式的な言葉で書き込む)
機械学習
AI自身(データからパターンを取り出して獲得する)

答えの出し方

ルールベース(知識ベース)
書き込んだ規則・知識をもとに、論理的な推論で導く
機械学習
学習で調整したモデルに新しいデータを与えて、予測・分類などを出す(推論)

代表例

ルールベース(知識ベース)
エキスパートシステム(専門分野の知識を取り込んで推論し、専門家のように振る舞う)
機械学習
分類・回帰などの教師あり学習、クラスタリングなどの教師なし学習、強化学習

課題・限界

ルールベース(知識ベース)
必要な情報をすべて人が記述する必要があり、扱える知識は特定の領域に限られた
機械学習
性能が、与えるデータの表し方(特徴量)に大きく左右される。ディープラーニング以前は特徴量を人が設計していた

盛んだった時期

ルールベース(知識ベース)
第二次AIブーム(1980年代)
機械学習
第三次AIブーム(2000年代〜)

比較して覚える

機械学習の4つの学び方:教師あり・教師なし・強化・半教師あり

教師あり学習・教師なし学習・強化学習・半教師あり学習を、使うデータと学ぶことで並べます。正解ラベルの有無と、報酬から学ぶ強化学習を取り違える肢を切り分けられます。

使うデータ

教師あり学習
正解(ラベル)付きの教師データ
教師なし学習
正解の付いていないデータ
強化学習
決まったデータではなく、環境とのやり取りで得る経験と報酬
半教師あり学習
正解付きの少量のデータと、正解の付いていない大量のデータ

学ぶこと

教師あり学習
入力から正解を予測すること
教師なし学習
データに隠れた構造や性質
強化学習
報酬の合計を最大にする行動の選び方(方策)
半教師あり学習
正解のないデータからも学び、正解付きのデータの課題を解く

代表的な課題・手法

教師あり学習
分類(二値分類・多値分類)、回帰
教師なし学習
クラスタリング、次元削減(主成分分析)
強化学習
報酬・価値・方策を使って試行錯誤する
半教師あり学習
正解のないデータで良い表し方を学び、正解付きのデータの課題に使う

正解の行動・答えは教えられるか

教師あり学習
教えられる(ラベル)
教師なし学習
教えられない
強化学習
教えられない(試して報酬の多い行動を見つける)
半教師あり学習
一部のデータだけ教えられる

身近なたとえ

教師あり学習
答え付きの問題集で練習する
教師なし学習
答えのない資料から共通点を見つける
強化学習
自転車に何度も乗って転ばないコツをつかむ
半教師あり学習
一部だけ答えの付いた問題集で練習する

比較して覚える

強化学習の報酬・価値・方策

強化学習の3つの用語を、何を表すか・時間の見方で並べます。目先の良さを表す報酬と、長い目で見た良さを表す価値を取り違える肢を切り分けられます。

何を表すか

報酬
各時点で環境からエージェントに送られる1つの数値
価値
ある状態から先に得られると見込める報酬の合計
方策
認識した状態から取る行動への対応(振る舞い方)

時間の見方

報酬
その場で何が良いか
価値
長い目で見て何が良いか
方策
ある時点での振る舞い方

役割

報酬
強化学習の問題の目的を定める。方策を変える主な根拠
価値
行動を選ぶ判断に使う(報酬でなく価値が最も大きい状態を目指す)
方策
エージェントの中心。方策だけで振る舞いが決まる

決まり方

報酬
環境から直接与えられる
価値
経験から見積もり、見積もり直す必要がある
方策
報酬が低ければ、別の行動を選ぶように変えられる

身近なたとえ

報酬
ゲームの加点・減点
価値
資格の勉強(その日は楽しくなくても、先々の得が大きい)
方策
「信号が黄色ならブレーキ」という判断の仕方

比較して覚える

過学習の対策:アーリーストッピング・重みの罰則・ドロップアウト

過学習を防ぐ3つの方法を、何をするか・どこに働くかで並べます。検証データを見て止める方法、重みに罰則を加える方法、学習中にユニットを外す方法を取り違える肢を切り分けられます。

何をするか

アーリーストッピング
検証データの誤差が最も小さかった時点のパラメータを使う
重みの罰則(重み減衰など)
損失関数に重みの大きさに応じた罰則の項を加える
ドロップアウト
学習中、入力層・隠れ層のユニットを無作為に外す

見るもの・働く所

アーリーストッピング
学習データとは別の検証データの誤差
重みの罰則(重み減衰など)
重みなどのパラメータの大きさ
ドロップアウト
ネットワークのユニット(例を読み込むたびに選び直す)

ねらい

アーリーストッピング
検証データの誤差が上がり始める(過学習が進む)前の時点を使う
重みの罰則(重み減衰など)
重みが大きくなりすぎないようにし、モデルの表現力を抑える
ドロップアウト
多数のネットワークをまとめて学ぶ効果を安く近似する

学習データ・推論との関係

アーリーストッピング
学習データの誤差が下がっていても、検証データの誤差で判断する
重みの罰則(重み減衰など)
学習データの誤差だけでなく、罰則との合計を小さくする
ドロップアウト
外すのは学習のときだけで、推論ではすべてのユニットを使う

身近なたとえ

アーリーストッピング
模試の点が一番良かったところで詰め込みをやめる
重みの罰則(重み減衰など)
評価で一項目だけを極端に重く見ないよう上限を設ける
ドロップアウト
日替わりで何人か休んでも回るようにチームで練習する

比較して覚える

CNN・RNN・LSTM・Transformerの違い

代表的な4つのモデルを、得意なデータと仕組みで並べます。画像のCNNと系列のRNN、RNNの弱点をゲートで和らげたLSTM、再帰も畳み込みも使わないTransformerを取り違える肢を切り分けられます。

得意なデータ

CNN
画像のような格子状のデータ
RNN
文章・音声のような順番のあるシーケンスデータ
LSTM
RNNと同じくシーケンスデータ(長い期間の関係がある系列)
Transformer
文章などの系列(論文では機械翻訳で評価)

仕組みの要点

CNN
少なくとも1つの層で畳み込みを使う
RNN
ある時点の計算結果を次の時点に引き継ぐ(フィードバックのつながり)
LSTM
入力・忘却・出力のゲートで情報の出し入れを調整する(忘却ゲートは1997年の最初のモデルのあとに加わった)
Transformer
再帰も畳み込みも使わず、系列の中の関係をAttentionでとらえる

特徴・成果

CNN
物体認識などのコンピュータビジョンで成果(2012年のImageNetの競技会)
RNN
長い系列で勾配消失・勾配爆発が起きやすい
LSTM
勾配が消えも爆発もしない経路を作り、長い期間の情報を保つ
Transformer
学習のときに並列に計算しやすく、学習時間が大幅に短い(生成は1トークン(単語や単語の一部など)ずつ順に出す)

身近なたとえ

CNN
虫眼鏡を写真に順に当てて模様を探す
RNN
前の発言を覚えたまま議事録を1文ずつ読む
LSTM
何を書く・消す・読み上げるかを決めるメモ帳
Transformer
文全体を見渡して大事な語どうしを結び付ける

比較して覚える

VAEとGAN:2つの生成モデルの仕組み

VAEとGANを、構成・学び方・生成のしかたで並べます。エンコーダとデコーダからなるVAEと、生成器と識別器を競わせるGANを取り違える肢を切り分けられます。

構成

VAE(変分オートエンコーダ)
エンコーダ(入力→潜在変数)とデコーダ(潜在変数→データ)
GAN(敵対的生成ネットワーク)
生成器(Generator)と識別器(Discriminator)

学び方

VAE(変分オートエンコーダ)
入力を潜在変数の分布に写し、そこから取り出した値(ノイズを含む)でデータを作り直せるように学ぶ
GAN(敵対的生成ネットワーク)
識別器は本物と生成物を見分けるように、生成器は識別器が誤るように、競わせて同時に学ぶ

生成のしかた

VAE(変分オートエンコーダ)
潜在変数の分布から値を取り出し、デコーダ(生成のネットワーク)に通す
GAN(敵対的生成ネットワーク)
生成器が入力の値(潜在変数)からデータを直接作る

特徴

VAE(変分オートエンコーダ)
画像で学習すると、生成した画像がややぼやけやすい(2016年刊の『Deep Learning』が主な弱点に挙げる)
GAN(敵対的生成ネットワーク)
理想の状態では生成物は本物と見分けがつかず、識別器はどこでも2分の1を出す

提案

VAE(変分オートエンコーダ)
2013年(Kingma と Welling)
GAN(敵対的生成ネットワーク)
2014年(Goodfellow ら)

身近なたとえ

VAE(変分オートエンコーダ)
文書を要点メモに縮め、メモから書き起こす
GAN(敵対的生成ネットワーク)
偽札を作る人と見破る鑑定士の競い合い

比較して覚える

識別系AIと生成系AI

入力が何かを見分けたり予測したりする識別系AIと、新しいデータを作り出す生成系AIを並べます。分類をするAIを生成系と取り違える肢を切り分けられます。

何をするか

識別系AI
入力が何に当たるかを見分ける・予測する・判断する
生成系AI
文章・画像・プログラムなどの新しいデータを作り出す

例

識別系AI
画像の物体認識(分類)、迷惑メールの判定、数値の予測(回帰)
生成系AI
文章の生成、画像の生成

代表的な仕組み・モデル

識別系AI
教師あり学習の分類・回帰、CNNによる画像認識
生成系AI
VAE、GAN、Transformerを使った言語モデル、拡散モデル

GANの中での役

識別系AI
識別器(本物か生成物かを見分ける)が識別の役
生成系AI
生成器(本物に似たデータを作る)が生成の役

比較して覚える

AIの3つのブーム

第一次・第二次・第三次のAIブームを、時期・中心の技術・終わり方で並べます。ブームの順番や、探索・推論、知識・エキスパートシステム、機械学習・ディープラーニングの組み合わせを取り違える肢を切り分けられます。

時期

第一次AIブーム
1950年代後半〜1960年代
第二次AIブーム
1980年代
第三次AIブーム
2000年代〜(平成28年版情報通信白書の時点で継続中)

中心の技術

第一次AIブーム
推論・探索
第二次AIブーム
知識(コンピューターが推論に使う情報を記述したもの)
第三次AIブーム
ビッグデータを使った機械学習、次いでディープラーニング

代表例

第一次AIブーム
迷路の解き方、定理の証明、米国での機械翻訳
第二次AIブーム
エキスパートシステム、日本の第五世代コンピュータ
第三次AIブーム
画像認識・音声認識(特徴量をAIが自ら習得)

限界・その後

第一次AIブーム
現実社会の複雑な課題は解けず、冬の時代へ
第二次AIブーム
必要な情報をすべて人が記述する必要があり、1995年頃から再び冬の時代へ
第三次AIブーム
2021年以降、基盤モデルの台頭で汎用的なAIの開発が進み、生成AIが普及しつつある(AI事業者ガイドライン)

比較して覚える

RNN(再帰)とTransformer(自己注意)の違い

文を前から1語ずつ順に読む RNN と、自己注意で語どうしを一度に結ぶ Transformer を並べます。並列に計算しやすいのはどちらか、離れた語の関係を捉えやすいのはどちらか、語順の情報をどう扱うかの取り違えをこの表で切り分けます。

処理の進め方

RNN(再帰型)
前の語の結果を受け取ってから次の語へ進む(文の長さに比例した回数の順番の処理)
Transformer(自己注意)
すべての位置を一定の回数の処理でつなぐ

並列の計算

RNN(再帰型)
しにくい
Transformer(自己注意)
しやすい(学習時間を大きく減らせた)

離れた語の関係(長距離依存)

RNN(再帰型)
途中の語を順にたどるので経路が長い
Transformer(自己注意)
どの2つの位置も短い経路で結ぶので捉えやすい

語順の情報

RNN(再帰型)
語を前から順に処理する
Transformer(自己注意)
位置の情報(位置エンコーディング)を入力に加える

身近なたとえ

RNN(再帰型)
1つの窓口に並んで順番に受け付ける
Transformer(自己注意)
窓口をたくさん開けて同時に受け付ける

比較して覚える

拡散モデルの拡散過程と逆拡散過程(DDPM の論文の場合)

DDPM の論文の拡散モデルの2つの過程を並べます。ノイズを加えるのはどちらか、学習するのはどちらか、画像を生成するときに使うのはどちらか、潜在拡散モデルはどこで動かすかの取り違えをこの表で切り分けます。

何をするか

拡散過程(前向き)
データにノイズを少しずつ加え、元の信号が分からなくなるまで進める
逆拡散過程
ノイズを少しずつ取り除き、データ(画像など)を作る

学習するか

拡散過程(前向き)
しない(DDPM の論文の実装では決まった手順で固定)
逆拡散過程
する(拡散過程を逆にたどるよう学習する)

生成のときの出発点

拡散過程(前向き)
—(生成には使わない向き)
逆拡散過程
ノイズだけの状態から始める

潜在拡散モデル(LDM)での場所

拡散過程(前向き)
画像をエンコーダで圧縮した潜在空間で行う
逆拡散過程
潜在空間で行い、最後にデコーダで画像に戻す

身近なたとえ

拡散過程(前向き)
写真に砂嵐を少しずつ重ねていく
逆拡散過程
砂嵐の画面から少しずつ乱れを拭き取って絵を浮かび上がらせる

比較して覚える

事前学習・ファインチューニング・コンテキスト内学習・RAG

モデルに知識や用途を身につけさせる4つの方法を並べます。モデルの重み(中の数値)を更新するのはどれか、何のデータを使うか、主な注意点は何かを取り違える肢を、この表で切り分けます。

何をするか

事前学習
大量の文章で次のトークンを予測して学ぶ
ファインチューニング
事前学習済みのモデルを目的のタスクのデータで追加で学習させる
コンテキスト内学習(few-shot など)
プロンプトに指示や例を書いてタスクを行わせる
RAG(検索拡張生成)
答える前に外部のデータを検索して、その情報をもとに答えを作る

重み(パラメータ)の更新

事前学習
する
ファインチューニング
する
コンテキスト内学習(few-shot など)
しない
RAG(検索拡張生成)
しない(モデルを再学習せずにデータソースを足せる)

使うデータ

事前学習
インターネット上の文章など大量のデータ
ファインチューニング
タスク向けのデータ(正解付きの手本など。人のフィードバックで調整する方法もある)
コンテキスト内学習(few-shot など)
プロンプトに書いた指示と少数の例
RAG(検索拡張生成)
社内文書やデータベースなど参照するデータソース

主な注意点

事前学習
それだけでは指示に従うこととずれている
ファインチューニング
従来の方法ではタスクごとに新しい大きなデータセットが要る(GPT-3 の論文)
コンテキスト内学習(few-shot など)
一度に渡せる量はコンテキストウィンドウまで
RAG(検索拡張生成)
ハルシネーションを抑えられるが、完全には防げない

身近なたとえ

事前学習
新入社員の共通研修で一般教養を身につける
ファインチューニング
配属先で追加の研修を受ける
コンテキスト内学習(few-shot など)
仕事を頼むときに見本を2〜3件見せる
RAG(検索拡張生成)
社内の規程集を開いて確かめてから答える

比較して覚える

InstructGPTの3段階(教師ありFT・報酬モデル・強化学習)

InstructGPT の論文が示した、人の好みに合わせる3つの段を並べます。人が手本を書くのはどの段か、人が出力を比べるのはどの段か、強化学習を使うのはどの段かの取り違えを、この表で切り分けます。

使うデータ

①教師ありファインチューニング
人(ラベラー)が書いた望ましい応答の手本
②報酬モデルの学習
人がモデルの出力を比べて付けた順位
③強化学習
報酬モデルが出す報酬(点数)

何を学ぶか

①教師ありファインチューニング
手本どおりに応答すること
②報酬モデルの学習
プロンプトと応答から、人がどれだけ好むかを1つの数値で予測すること
③強化学習
報酬が高くなる応答の仕方(PPO というアルゴリズム)

人の関わり方

①教師ありファインチューニング
手本を書く
②報酬モデルの学習
どちらの出力が好ましいかを選ぶ
③強化学習
直接は関わらない(人の好みを覚えた報酬モデルが採点する)

身近なたとえ

①教師ありファインチューニング
先輩の模範回答をまねて書く
②報酬モデルの学習
上司が複数の案を比べて「こちらが良い」と選び、採点の基準を作る
③強化学習
採点係の点数が上がるよう書き方を磨く

比較して覚える

主な生成AIサービスと提供する会社(2026年11月時点)

代表的なチャットAI・モデルの名前と、提供する会社・主な使い方の入口を並べます。Gemini と Claude の会社、GPT-6 Astra の会社など、名前と会社の取り違えをこの表で切り分けます。版の名前は変わりやすいので、会社と役割で覚えます。

チャットAI・モデルの名前

OpenAI
ChatGPT(モデルは GPT 系。2026年11月時点は GPT-6 系)
Google(Google DeepMind)
Gemini(2026年11月時点は Gemini 4 系)
Anthropic
Claude
Microsoft
Copilot(Copilot Chat・Microsoft 365 Copilot)

主な使い方の入口

OpenAI
ChatGPT(Chat・ChatGPT Work)、Codex、API
Google(Google DeepMind)
Gemini のアプリ、Google AI Studio、Gemini API、Google Antigravity
Anthropic
claude.ai、Claude API、Amazon Bedrock・Google Cloud・Microsoft Foundry
Microsoft
Copilot のアプリ、Word・Excel・PowerPoint・Outlook・Teams

取り違えやすい点

OpenAI
GPT-6 Astra は OpenAI のモデル(後継の GPT-6.2 Astra も出ている)
Google(Google DeepMind)
Gemini は Anthropic ではなく Google
Anthropic
Claude は Google ではなく Anthropic
Microsoft
Copilot Chat と Microsoft 365 Copilot は別のもの

比較して覚える

OpenAIのOperator・Codex・Image Generation

シラバスに並ぶ OpenAI の3つの名前を、何のためのものか、2026年11月時点でどうなっているかで並べます。Operator を単体のサービスとして書く肢、Codex を画像のモデルとする肢、DALL·E を現行とする肢をこの表で切り分けます。

何のためのものか

Operator
ウェブなどの画面を操作して作業を代わりに行うエージェント(2025年1月発表)
Codex
ソフトウェア開発のためのコーディングエージェント
Image Generation
文章から画像を生成し、既存の画像を編集する

2026年11月時点の形

Operator
単体のサービスとしては使えない。ChatGPT agent を経て ChatGPT Work へ。API では computer use ツールが画面操作を引き継ぐ
Codex
デスクトップアプリ・CLI・IDE の拡張・クラウド・SDK で使える
Image Generation
GPT Image のモデル(DALL·E 2・3 は2026年5月12日に API から削除)

安全のための仕組み

Operator
ChatGPT Work では重要な操作を利用者が承認する
Codex
承認ポリシーとサンドボックスで操作の範囲を限る
Image Generation
プロンプトと生成画像はコンテンツポリシーに沿って絞り込まれる

比較して覚える

Copilot ChatとMicrosoft 365 Copilotの違い

Microsoft の2つの Copilot を並べます。組織のメールやファイルに自動で基づいて答えるのはどちらか、Office のアプリでどこまで使えるかを取り違える肢を、この表で切り分けます。

主に使うデータ

Copilot Chat(Basic)
主に Web のデータ
Microsoft 365 Copilot(Premium・アドオンのライセンス)
Web のデータと作業データ(Microsoft Graph と Work IQ)

組織のデータの使い方

Copilot Chat(Basic)
Microsoft Graph は使えない。貼り付け・アップロード・ファイルの選択、Teams・Outlook で開いている内容、組織のコンテンツにアクセスできる従量課金制のエージェントのどれかで使う
Microsoft 365 Copilot(Premium・アドオンのライセンス)
Microsoft Graph を通じて、メール・ファイル・会議・予定表などに基づいて応答する

Word・Excel・PowerPoint・OneNote

Copilot Chat(Basic)
アドオンのライセンスが無く、これらのアプリの Copilot は使えない
Microsoft 365 Copilot(Premium・アドオンのライセンス)
完全な体験を使える

データへのアクセスの範囲

Copilot Chat(Basic)
利用者のアクセス許可の範囲に限る
Microsoft 365 Copilot(Premium・アドオンのライセンス)
利用者のアクセス許可の範囲に限る

比較して覚える

来歴情報(C2PA)と電子透かし

生成物の出どころを示す2つの手段を並べます。来歴情報(C2PA のマニフェスト)と見えない電子透かし(仕様は見える透かしと分けている)が、それぞれ何を担い、来歴情報がファイルから取り除かれたときにどう働くかの取り違えを、この表で切り分けます。

何をするか

来歴情報(C2PA マニフェスト)
誰がいつどう作り、どう手を加えたかを記録する(生成AIで作ったことも記録できる)
見えない電子透かし
画像や音声などの中身に、目に見えない印を埋め込む

元のコンテンツとの結びつき

来歴情報(C2PA マニフェスト)
暗号の仕組み(ハードバインディング)で結び、改変されていないか確かめられる
見えない電子透かし
中身から計算・検出する(ソフトバインディング)

来歴情報が取り除かれたとき

来歴情報(C2PA マニフェスト)
ファイルからは読めなくなる
見えない電子透かし
来歴情報の写しがほかの保管場所に残っていれば、埋め込んだ印を手がかりに探し直せる

身近なたとえ

来歴情報(C2PA マニフェスト)
食品の産地・加工の表示ラベル
見えない電子透かし
お札の透かし

比較して覚える

従来のLLMシステムとAIエージェントシステム

質問に1回答えて終わる従来の生成AI(LLMシステム)と、目標に向けて動き続けるAIエージェントシステムを、知覚・記憶・判断・実行の順に並べます。「エージェントも1回答えたら終わる」「外のシステムは操作しない」といった取り違えをこの表で切り分けます。

処理の流れ

従来のLLMシステム
入力に1つの出力を返した時点で終わるのが一般的
AIエージェントシステム
知覚・判断・実行を繰り返し、結果を見て判断し直す

情報の取り方(知覚)

従来のLLMシステム
主に利用者が入力したプロンプトを受け身で処理する
AIエージェントシステム
必要な情報を自分で判断し、APIなどで外のシステムに取りにいく

記憶

従来のLLMシステム
会話をまたいで記録を残す仕組みは持たないか限られる
AIエージェントシステム
長期の記憶の仕組みで、過去の記録を残し更新しながら状況をつかむ

判断

従来のLLMシステム
入力から出力までを1回の推論で処理する
AIエージェントシステム
途中の判断やその前提を見直しながら結論を直していく

実行

従来のLLMシステム
文章などのコンテンツを作って終わる
AIエージェントシステム
メール送信やデータベースの更新などを行い、結果を見てやり直しや別の手段を選ぶ

比較して覚える

AIエージェントの自律性レベル:補助型・半自律型・全自律型

J-AISIの評価観点ガイド(第1.20版)が示す3つの自律性のレベルを並べます。どのレベルで人の承認をはさむのか、全自律型に枠(目的・制約・監督)があるのか、を取り違える肢をこの表で切り分けます。

行動の決め方

補助型
人の指示に従って行動する
半自律型
ふだんのタスクは自分で判断し、複数の操作を行う
全自律型
人の継続的な監督や指示なしに、自分で知覚・判断・実行する

人の関わり

補助型
行動の選択や判断の自律性は限られ、人が主導する
半自律型
リスクの高い判断や重要なシステムの操作は、人の承認が前提
全自律型
事前に決めた目的・制約・監督の仕組みのもとで動かすのが前提

身近なたとえ

補助型
言われた作業だけをこなすアシスタント
半自律型
ふだんの発注は進め、高額の発注だけ上司の承認を待つ担当者
全自律型
路線や速度の上限、非常停止が決まった自動運転の電車

比較して覚える

RAGとファインチューニング

AIに新しい知識を使わせる2つの方法、検索して資料として渡すRAGと、追加で学習させるファインチューニングを並べます。「RAGはモデルを学習し直す」「データを足すたびに再学習が要る」といった取り違えをこの表で切り分けます。

知識の持たせ方

RAG(検索拡張生成)
外のデータベースから検索した知識を、答えを作るときの資料として渡す
ファインチューニング
作り終えたモデルに追加で学習させ、中身(パラメータ)を変える

知識を足す・新しくするとき

RAG(検索拡張生成)
参照するデータを足したり入れ替えたりすればよく、モデルの学習し直しは要らない
ファインチューニング
モデルの学習し直しが要る

期待されること

RAG(検索拡張生成)
ハルシネーションの抑制、参照元を示せることによる根拠の透明性、費用の低減
ファインチューニング
特定の用途に合わせること(専門知識の補い、人の意図に沿った答え方など)

気を付けること

RAG(検索拡張生成)
検索対象の文書の正確さと、見られる範囲(参照権限)の管理。答えが似通いやすく、独創性が要る業務に向かない場合がある
ファインチューニング
学習に使うデータが細工されると、弱点や偏りが入り込むおそれがある

プロンプトインジェクション

RAG(検索拡張生成)
完全には防げない
ファインチューニング
完全には防げない

たとえ

RAG(検索拡張生成)
参考書を試験に持ち込める
ファインチューニング
試験の前に勉強して覚え込む

比較して覚える

Agent Skillsの3段階の読み込み

Agent Skillsが情報を段階的に読み込む仕組み(メタデータ・手順・資料とプログラム)を並べます。「最初から全部の手順を読み込む」「スクリプトの中身もAIが読む」といった取り違えをこの表で切り分けます。

読み込む時

1段目:メタデータ
いつも(起動したとき)
2段目:手順(SKILL.mdの本文)
スキルを使うとき
3段目:資料とプログラム
必要になったとき

中身

1段目:メタデータ
スキルの名前(name)と説明(description)
2段目:手順(SKILL.mdの本文)
作業の手順やコツなどの手引き
3段目:資料とプログラム
追加の資料、実行するプログラム(スクリプト)、ひな形

コンテキストの使い方

1段目:メタデータ
スキル1つにつき約100トークン
2段目:手順(SKILL.mdの本文)
5,000トークン未満が目安
3段目:資料とプログラム
読むまでは使わない。スクリプトは中身ではなく結果だけが入る

たとえ

1段目:メタデータ
本棚の背表紙
2段目:手順(SKILL.mdの本文)
必要な本の1章
3段目:資料とプログラム
巻末の資料や、使うときだけ叩く電卓

比較して覚える

MCP・A2A・Agent Skillsの違い

AIエージェントを外とつなぐ・広げる3つの仕組みを並べます。MCP(エージェントと道具・データをつなぐ)とA2A(エージェントどうしをつなぐ)を取り違える肢や、Agent Skillsを1回限りの指示と取り違える肢をこの表で切り分けます。

何をするか

MCP
AIアプリやエージェントを、道具・API・データソースにつなぐ
A2A
別々に作られたAIエージェントどうしをつなぎ、仕事を任せ合う
Agent Skills
手順書・プログラム・資料をフォルダにまとめ、必要なときにAIに読ませる

主な要素

MCP
ホスト・クライアント・サーバー。サーバーがResources・Prompts・Toolsを出す
A2A
エージェントカード(身元・できること・連絡先・認証)、タスク、アーティファクト(成果物)
Agent Skills
SKILL.md(nameとdescriptionが必須)と、scripts・references・assets

使われ方

MCP
エージェントが道具を使い、データを読みにいく
A2A
エージェントが別のエージェントに仕事を頼む。頼まれた側はMCPで道具を使える
Agent Skills
依頼に合うときに、AIが手順や資料を段階的に読み込む

安全の要点

MCP
道具を使う前・データを渡す前に利用者の明示的な同意。出どころの分からないサーバーの道具の説明は信用しない
A2A
互いの内部(状態・記憶・道具)には触れない前提。認証・認可は企業のやり方に合わせる
Agent Skills
自分で作ったものか信頼できる入手先のものだけを使い、中身を確かめる

たとえ

MCP
社員が使うパソコンや書類棚の共通の差し込み口
A2A
会社どうしで使う共通の発注書
Agent Skills
棚に置いた業務の手引きフォルダ

比較して覚える

AIエージェントが外の文書やツールの結果を読むときの危険(直接と間接の入り方)

AIエージェントは、Webページ・メール・RAGの参照先・ツールの実行結果など、外から来た内容を読みながら動きます。そこに仕込まれた指示(間接)と、利用者が直接入れる指示(直接)を並べ、「間接は利用者が直接入力するもの」「画面や文書の指示に従ってよい」「人に見えない指示では成立しない」といった取り違えをこの表で切り分けます。

指示の入り方

直接プロンプトインジェクション
攻撃者が細工した指示文をAIに直接入力する
間接プロンプトインジェクション
AIが読み込むWebページ・ファイル・メール・RAGの参照先・ツールの実行結果などに指示を仕込む

例

直接プロンプトインジェクション
「直前の内容を無視して…」と入力し、禁止事項を上書きさせる
間接プロンプトインジェクション
見えない指示のあるメールをAIが読み、利用者の操作なしに秘密の情報を外へ送る(EchoLeak)

身近なたとえ

直接プロンプトインジェクション
窓口で悪い客が係員に直接「規則を無視して」と言う
間接プロンプトインジェクション
係員が読む書類に「規則を無視して振り込め」と紛れ込ませる

主な対策

直接プロンプトインジェクション
システムプロンプトでの役割の制限、入力と出力の絞り込み
間接プロンプトインジェクション
ページ・文書・ツールの結果に書かれた文章は信頼できないものとして扱い、利用者の指示を上書きさせない。AIが読むデータの汚染を防ぐ、最小権限と人の承認

比較して覚える

権限の過剰付与の3つの原因:機能・権限・自律性

OWASPが示す「過剰な権限(Excessive Agency)」の3つの原因を並べます。どの例がどの原因にあたり、どの対策で防ぐのかを取り違える肢をこの表で切り分けます。

どういう状態か

過剰な機能
業務に要らない機能まで使える
過剰な権限
つながる先のシステムに、業務に要らない権限を持っている
過剰な自律性
影響の大きい操作を、確かめずに承認も得ずに実行する

例

過剰な機能
メールを要約するだけなのに、送信や削除もできる
過剰な権限
読むだけでよいのに、書き換え・追加・削除の権限でデータベースにつながる
過剰な自律性
利用者の文書の削除を、本人の確認なしに行う

対策

過剰な機能
使える機能を必要最小限にし、何でもできる汎用の機能を避ける
過剰な権限
権限を最小限にし、利用者本人の権限の範囲で動かす
過剰な自律性
影響の大きい操作の前に人の承認を求める(Human-in-the-Loop)

たとえ

過剰な機能
要らない道具を持たせる
過剰な権限
要らない合鍵を渡す
過剰な自律性
何でも独断で決めてよいことにする

比較して覚える

AIエージェントの安全の3つの視点:予防的対策・観測・制御

J-AISIの評価観点ガイド(第1.20版)がAIエージェントの評価に使う3つの視点を並べます。「予防的対策だけで十分」「評価は一度で足りる」といった取り違えをこの表で切り分けます。

ねらい

予防的対策
作る段階で、動ける範囲や権限を前もって絞り、問題を起こさせない
観測
動いている間ずっと見張り、権限外の動きなどを見つける
制御
問題のある動きを見つけたときに、止めたり直したりできるようにする

評価項目の例

予防的対策
情報や道具へのアクセスを必要な範囲に限る。許可されていないファイル操作をできなくする
観測
記憶への不正な書き込み、部品の呼び出しの記録、リスクの高い作業、目標からのずれ
制御
異常や目標からのずれを見つけたときに人が割り込んで止める。使う量に応じて処理を止める

確かめ方

予防的対策
設計書や権限の設定をチェックリストで確かめる(Verification)
観測
本番に近い環境で動かし、記録を残して確かめる(Validation)
制御
人が割り込んで止める機能が本当に働くかを試す(Validation)

工場のたとえ

予防的対策
安全柵を立てる
観測
監視カメラで見張る
制御
非常停止ボタンを付ける

比較して覚える

生成AIと著作物:生成の段階と利用の段階

生成AIで他人の作品を扱うとき、AIに入力して作らせる段階と、できた物を配信・配布する段階で、許可なしで使える根拠(権利制限規定)の当てはまり方が違います。「作るのが適法なら使うのも適法」という取り違えをこの表で切り分けます。

許可なしで使える根拠になりうる規定

生成の段階(入力・生成)
入力に伴う複製は第30条の4(作品を味わう目的でない利用)。生成は私的使用(第30条第1項)や、権利者の許諾を得て利用する前提での社内の検討の過程(第30条の3)
利用の段階(配信・配布など)
引用(第32条)などの要件を満たす場合に限られ、権利制限規定の範囲外となる場合が多い

許諾が要る主な場面

生成の段階(入力・生成)
入力した著作物と類似する物を生成させる目的の入力(享受目的が併存し、第30条の4が適用されないことがある)
利用の段階(配信・配布など)
既存の著作物と類似性・依拠性があり、権利制限規定にも当たらない利用

利用者の対策

生成の段階(入力・生成)
特定の著作物と関連付けるプロンプトを入力しない。自ら作ったラフ画など自分の著作物を読み込ませる
利用の段階(配信・配布など)
インターネット検索等で似ていないか確認し、似ていれば利用を避ける・許諾を得る・作り直す。生成過程(プロンプト等)を記録しておく

比較して覚える

著作権・特許権・意匠権・商標権のちがい

知的財産権のうち、表現を守る著作権と、発明・デザイン・マークを守る特許権・意匠権・商標権を並べます。権利がいつ生まれるか(登録が要るか)と、存続期間の数え始めと長さの取り違えを切り分けます。

守るもの

著作権
思想又は感情を創作的に表現した著作物
特許権
自然法則を利用した技術的思想の創作のうち高度のもの(発明)
意匠権
物品・建築物の形状等や一定の画像で、視覚を通じて美感を起こさせるもの(意匠)
商標権
商品・役務に使う文字・図形・記号・立体的形状・色彩・音など(商標)

権利の発生

著作権
著作物を創作した時(方式の履行は要らない)
特許権
設定の登録
意匠権
設定の登録
商標権
設定の登録

存続期間

著作権
原則として著作者の死後70年まで
特許権
特許出願の日から20年
意匠権
意匠登録出願の日から25年(関連意匠を除く)
商標権
設定の登録の日から10年(更新できる)

権利の及ぶ範囲の例

著作権
類似性と依拠性がある複製・翻案など
特許権
業として特許発明を実施すること
意匠権
業として登録意匠と、これに類似する意匠を実施すること
商標権
指定商品・指定役務について登録商標を使用すること

比較して覚える

AI生成物が著作物と認められるかの判断要素

AI生成物が著作物になるかは、人の創作的寄与があるかで判断します。指示の量、試行の回数、選択、加筆・修正のそれぞれについて、「それだけでは足りない」ことと「認められうる」ことを並べ、量や回数で決まると考える取り違えを切り分けます。

指示・入力(プロンプト等)の分量・内容

それだけでは判断に影響しない
長大でも、表現に至らないアイデアを示すにとどまる指示
著作物性が認められうる場合
創作的表現といえるものを具体的に示す詳細な指示

生成の試行回数

それだけでは判断に影響しない
試行回数が多いこと自体
著作物性が認められうる場合
生成物を確認し、指示・入力を修正しつつ試行を繰り返す場合

複数の生成物からの選択

それだけでは判断に影響しない
単なる選択行為自体
著作物性が認められうる場合
選択を要素として含む、通常創作性があると考えられる行為との関係も考慮する

人による加筆・修正

それだけでは判断に影響しない
加筆・修正していない部分の著作物性には影響しない
著作物性が認められうる場合
創作的表現といえる加筆・修正を加えた部分(通常、著作物性が認められる)

比較して覚える

人間中心のAI社会原則・AI事業者ガイドライン・適正性確保指針

AIの原則やガイドラインは名前が似ていて、誰が決めたか、何のための文書かを取り違えやすい分野です。2019年の原則、事業者向けのガイドライン(第1.2版)、AI法第13条に基づく指針の3つを、決定・位置づけ・対象・中身で並べます。

決定・公表

人間中心のAI社会原則
2019年3月29日 統合イノベーション戦略推進会議決定
AI事業者ガイドライン(第1.2版)
2026年3月31日 総務省・経済産業省(第1.0版は2024年4月)
適正性確保指針
2025年12月19日 人工知能戦略本部決定

位置づけ

人間中心のAI社会原則
AIが社会に受け入れられ適正に利用されるための基本原則
AI事業者ガイドライン(第1.2版)
事業者の自主的な取組を促す非拘束的なソフトロー(ゴールベース)
適正性確保指針
AI法第13条に基づき、全ての主体の自主的・能動的な取組を促す指針

主な対象

人間中心のAI社会原則
社会(国などの立法・行政機関)と、開発・事業者
AI事業者ガイドライン(第1.2版)
AI開発者・AI提供者・AI利用者
適正性確保指針
国・地方公共団体・研究開発機関・活用事業者・国民

中心となる項目

人間中心のAI社会原則
3つの基本理念と7つのAI社会原則
AI事業者ガイドライン(第1.2版)
3つの基本理念(社会原則から)と10項目の「共通の指針」
適正性確保指針
人間中心・公平性・安全性など10の主な要素と、リスクベースなど4つの基本方針

比較して覚える

AI事業者ガイドラインの共通の指針10項目

AI事業者ガイドライン(第1.2版)の「共通の指針」10項目を、中身の要点と区分(各主体が取り組む事項か、社会と連携して取り組む事項か)で並べます。安全性・透明性・アカウンタビリティなど名前の似た指針の中身の取り違えを切り分けます。

1)人間中心

中身の要点
憲法が保障する又は国際的に認められた人権を侵さず、人間の尊厳と個人の自律を尊重する
区分
各主体が取り組む事項

2)安全性

中身の要点
ステークホルダーの生命・身体・財産に危害を及ぼさない。精神及び環境にも配慮する
区分
各主体が取り組む事項

3)公平性

中身の要点
不当で有害な偏見・差別をなくすよう努め、回避できないバイアスは許容可能か評価する
区分
各主体が取り組む事項

4)プライバシー保護

中身の要点
重要性に応じてプライバシーを尊重・保護し、個人情報保護法等の関係法令を遵守する
区分
各主体が取り組む事項

5)セキュリティ確保

中身の要点
不正操作でAIの振る舞いに意図せぬ変更・停止が生じないようにする。脆弱性は完全には排除できない
区分
各主体が取り組む事項

6)透明性

中身の要点
検証可能性を確保し、必要かつ技術的に可能な範囲で合理的に情報を提供する(ソースコード開示は必ずしも想定しない)
区分
各主体が取り組む事項

7)アカウンタビリティ

中身の要点
トレーサビリティの向上、責任者の明示、責任の分配、文書化などで、合理的な範囲で責任を果たす
区分
各主体が取り組む事項

8)教育・リテラシー

中身の要点
主体内のAIに関わる者とステークホルダーへの教育、教育・リスキリング
区分
社会と連携して取り組むことが期待される事項

9)公正競争確保

中身の要点
AIをめぐる公正な競争環境の維持に努める
区分
社会と連携して取り組むことが期待される事項

10)イノベーション

中身の要点
オープンイノベーション、相互接続性・相互運用性の確保、標準仕様への準拠
区分
社会と連携して取り組むことが期待される事項

比較して覚える

AI法が定める5つの主体の責務

AI法は、国・地方公共団体・研究開発機関・活用事業者・国民のそれぞれに責務を定めていますが、「しなければならない」と「努める」で強さが違います。条番号と書き方を並べ、事業者と国民の責務の取り違えを切り分けます。

国

条
第4条
責務の中身
施策を総合的かつ計画的に策定・実施する。国の行政機関でのAIの積極的な活用を進める
書き方
責務を有する

地方公共団体

条
第5条
責務の中身
国との適切な役割分担の下、区域の特性を生かした自主的な施策を策定・実施する
書き方
責務を有する

研究開発機関

条
第6条
責務の中身
研究開発・成果の普及・人材育成に積極的に努め、国等の施策に協力するよう努める
書き方
努めるものとする

活用事業者

条
第7条
責務の中身
AIの積極的な活用で事業活動の効率化・高度化と新産業の創出に努め、国等の施策に協力する
書き方
協力しなければならない

国民

条
第8条
責務の中身
AIへの理解と関心を深め、国等の施策に協力するよう努める
書き方
努めるものとする

比較して覚える

日本のAI法とEU AI Act

日本のAI法と、EUのAI規則(EU AI Act)は、どちらも「AI法」と呼ばれますが、性格がまったく違います。法の性格、事業者への求め、施行・適用の日付、対象の広さを並べ、推進法と規制法の取り違えを切り分けます。

法の性格

日本のAI法
AI関連技術の研究開発・活用の推進に関する施策の基本を定める法律
EU AI Act(EU AI規則)
AIを包括的に規制する規則(リスクベース・アプローチ)

事業者への求め

日本のAI法
国等の施策への協力(第7条)。罰則の規定はない。具体的な注意点はガイドライン等のソフトローで示す
EU AI Act(EU AI規則)
禁止されるAIの使用禁止、高リスクAIへのデータガバナンス・透明性・文書化・人間の監督・堅牢性などの要件

施行・適用

日本のAI法
2025年6月4日 公布・一部施行、2025年9月1日 全面施行
EU AI Act(EU AI規則)
2024年8月1日 発効。当初の禁止は2025年2月から(2026年改正で追加された禁止は2026年12月2日から)。Annex IIIの高リスクAIは改正で2027年12月2日から

対象の広さ

日本のAI法
国・地方公共団体・研究開発機関・活用事業者・国民
EU AI Act(EU AI規則)
EU市場に提供する事業者は、EU域外の事業者も対象になりうる

比較して覚える

メール・文書・Webページを生成AIに読ませるときの注意

利用者が生成AIに外から来た内容を読ませる3つの場面を並べ、隠れた指示がどこに入り、何が起こり、利用者は何に気をつけるかを整理します。読ませるだけなら安全、見た目に指示が無ければ安全、といった思い込みを切り分けます。

不正な指示が紛れ込む所

メール
外から届いた攻撃メール。RAGの検索対象にメールが入っていると取り込まれる
文書・ファイル
検索対象の置き場で書き換えられた文書や、応募書類などに仕込まれた指示
Webページ
閲覧中のページ。人の目には見えない形で書かれた指示もある

起こりうること

メール
一緒に取り込まれた社内文書の内容が、指示に従って社外に流出する
文書・ファイル
指示に従った誤った回答や、中身と食い違う評価が出る
Webページ
AIブラウザが利用者の指示と取り違え、情報漏えいや不正送金をする

利用者が気をつけること

メール
外から届いたメールと社内文書を同じ検索範囲に混ぜない
文書・ファイル
外から来た文書は社内の文書と分けて扱い、AIの評価や要約をうのみにしない
Webページ
ふだん使うAIブラウザでは、社内ポータルなど重要な情報にアクセスしない

どれにも共通する備え

メール
不正な指示を見分ける完璧な技術はまだ無い。AIの権限を必要最小限にし、送金や送信など影響の大きい操作は人が確かめる
文書・ファイル
不正な指示を見分ける完璧な技術はまだ無い。AIの権限を必要最小限にし、送金や送信など影響の大きい操作は人が確かめる
Webページ
不正な指示を見分ける完璧な技術はまだ無い。AIの権限を必要最小限にし、送金や送信など影響の大きい操作は人が確かめる

比較して覚える

個人情報・個人識別符号・要配慮個人情報

個人情報保護法の3つの用語を、定め・中身・例・扱いの注意で並べます。運転免許証の番号を要配慮個人情報とする、病歴を個人識別符号とする、といった用語の取り違えを切り分けます。

定め(個人情報保護法)

個人情報
第2条第1項
個人識別符号
第2条第2項
要配慮個人情報
第2条第3項

中身

個人情報
生存する個人に関する情報で、氏名などで特定の個人を識別できるもの(他の情報と容易に照合して識別できるものを含む)か、個人識別符号を含むもの
個人識別符号
その情報単体で特定の個人を識別できるものとして政令で定めた符号
要配慮個人情報
人種・信条・社会的身分・病歴・犯罪の経歴・犯罪により害を被った事実など、不当な差別や偏見が生じないよう特に配慮を要する記述等を含む個人情報

例

個人情報
氏名、本人が判別できる防犯カメラの映像、SNSで公にされている特定の個人を識別できる情報
個人識別符号
本人を認証できるようにした指紋や顔の特徴のデータ、旅券の番号、運転免許証の番号、個人番号
要配慮個人情報
病歴、健康診断の結果、障害があること

扱いの注意

個人情報
利用目的をできる限り特定し、その範囲内で取り扱う
個人識別符号
含まれていれば、氏名が無くてもその情報は個人情報になる
要配慮個人情報
取得には原則として本人の同意が要り、オプトアウトによる第三者提供はできない

比較して覚える

仮名加工情報と匿名加工情報

個人情報を加工した2つの情報を、加工の程度・第三者への提供・本人を識別する行為の禁止で並べます。仮名加工情報も自由に外部へ出せる、匿名加工情報は照合すれば元に戻せる、といった取り違えを切り分けます。

定め(個人情報保護法)

仮名加工情報
第2条第5項・第41条
匿名加工情報
第2条第6項・第43条

加工の程度

仮名加工情報
他の情報と照合しない限り特定の個人を識別できないように加工する
匿名加工情報
特定の個人を識別できず、元の個人情報を復元できないように加工する

加工のしかた

仮名加工情報
記述等の一部や個人識別符号の全部を削る(復元できる規則性の無い方法で置き換えることを含む)
匿名加工情報
個人情報保護委員会規則で定める基準に従って加工する

第三者への提供

仮名加工情報
法令に基づく場合を除き、仮名加工情報である個人データは提供できない(委託・共同利用など第三者に当たらない場合は別)
匿名加工情報
項目と提供の方法を公表し、提供先に匿名加工情報であることを明示して提供できる

本人を識別する行為

仮名加工情報
他の情報と照合して本人を識別してはならない
匿名加工情報
作成した事業者は、他の情報と照合して本人を識別してはならない

比較して覚える

著作権と著作者人格権

著作者が持つ2種類の権利を、中身・発生・譲渡・期間で並べます。複製権を著作者人格権に入れる、著作者人格権も譲渡できる、といった取り違えを切り分けます。

中身

著作権
複製権・公衆送信権・翻案権など、利用の形ごとの権利(第21条〜第28条)
著作者人格権
公表権・氏名表示権・同一性保持権(第18条〜第20条)

発生

著作権
著作物を創作した時に始まり、登録などの手続は要らない(第17条第2項・第51条第1項)
著作者人格権
登録などの手続は要らない(第17条第2項)

譲渡

著作権
全部又は一部を譲渡できる(第61条)
著作者人格権
著作者の一身に専属し、譲渡できない(第59条)

続く期間

著作権
原則として著作者の死後70年を経過するまで(第51条第2項)
著作者人格権
一身に専属するため、著作者が亡くなると権利自体は消える。ただし死後も、生きていれば侵害となる行為をしてはならない(第60条)

生成AIで問題になる場面の例

著作権
既存の作品に似ていてそれをもとにしたものを生成し、配信する
著作者人格権
他人の作品を生成AIで加工し、著作者の意に反して改変して公表する

比較して覚える

AIと著作権:開発・学習の段階と生成・利用の段階

AIと著作権の関係を、AIを開発・学習させる段階と、AIで生成したものを利用する段階に分けて並べます。学習には著作権法第30条の4が働くのか、生成物の利用は類似性と依拠性で判断するのか、を取り違える肢がこの表で切り分けられます。

主に当てはまる規定・考え方

開発・学習の段階
著作権法第30条の4(思想又は感情の享受を目的としない利用。情報解析はその例)
生成・利用の段階
AIを使わない場合と同じ、著作権侵害の判断(既存の著作物との類似性と依拠性)

著作権者の許諾

開発・学習の段階
必要と認められる限度で、原則として要らない
生成・利用の段階
既存の著作物と類似し依拠していれば、権利制限規定に当たらない限り要る

許諾なしで使えない場合

開発・学習の段階
享受の目的が併存する場合(意図的な過学習など)や、著作権者の利益を不当に害することとなる場合(同条ただし書)
生成・利用の段階
類似性と依拠性がそろい、私的使用などの権利制限規定にも当たらない場合

取り違えやすい点

開発・学習の段階
著作権者が反対を表明しただけでは、ただし書に当たらない
生成・利用の段階
作風や画風が似ているだけでは類似性は認められない

比較して覚える

依拠性が認められるかどうか(3つの場合)

AIの生成物が既存の作品に似ていたときの依拠性を、利用者がその作品を知っていたか、学習データに入っていたかで3つの場合に分けて並べます。利用者が知らなければ必ず侵害にならない、という取り違えを切り分けます。

依拠性

利用者が既存の著作物を認識していた
認められる
認識していないが学習データに含まれていた
通常、依拠性があったと推認される
認識しておらず学習データにも含まれていない
偶然の一致として認められない

例・ポイント

利用者が既存の著作物を認識していた
既存の作品を画像として入力する、作品の題号やキャラクター名をプロンプトに入れる
認識していないが学習データに含まれていた
学習した作品の表現が出力されない状態が技術的に担保されていると評価できれば、依拠性がないと判断される場合もある
認識しておらず学習データにも含まれていない
学習データに含まれていないことは、依拠性を否定する事情として主張できる

類似性もあるときの結論

利用者が既存の著作物を認識していた
著作権侵害が成立しうる
認識していないが学習データに含まれていた
著作権侵害になりうる(AIを開発・提供した事業者も責任を負う場合がある)
認識しておらず学習データにも含まれていない
著作権侵害は成立しない

比較して覚える

GPT モデルと推論モデル:指示の具体度の合わせ方

OpenAI のガイドが示す、GPT モデルと推論モデルへの指示の書き方の違いを並べます。どちらに具体的な指示が向き、どちらに大まかな目標を渡すのか、たとえ(新人とベテラン)の取り違えをこの表で切り分けます。

向いている指示

GPT モデル
手順や必要な情報まで明確に書いた具体的な指示
推論モデル
大まかな目標(ハイレベルな指示)を示し、細部は任せる

ガイドのたとえ

GPT モデル
新人の同僚(明確な指示で特定の成果物を作るのが得意)
推論モデル
先輩の同僚(目標を伝えれば細部を詰めてくれる)

得意なこと

GPT モデル
速く、費用を抑えて、明確な指示どおりに答える
推論モデル
内部で思考の連鎖を生成し、複雑な課題や何段階もの計画をこなす

速さと費用

GPT モデル
一般に速く、費用も抑えられる
推論モデル
一般に遅く、費用も高い

比較して覚える

Zero-Shot・One-Shot・Few-Shot とファインチューニング

例を示さない Zero-Shot、例を1つ示す One-Shot、例をいくつか示す Few-Shot と、モデルを追加で学習させるファインチューニングを並べます。示す例の数と、モデルの重みを更新するかどうかの取り違えを切り分けます。

プロンプトに示す例

Zero-Shot
示さない(タスクを説明する指示だけ)
One-Shot
1つだけ示す(タスクの説明とあわせて)
Few-Shot
いくつか示す(入力と望む答えの例)
ファインチューニング
プロンプトの例ではなく、タスク専用のデータで学習させる

モデルの重みの更新

Zero-Shot
しない
One-Shot
しない
Few-Shot
しない
ファインチューニング
する

分類

Zero-Shot
コンテキスト内学習
One-Shot
コンテキスト内学習
Few-Shot
コンテキスト内学習
ファインチューニング
追加の学習

気をつけること

Zero-Shot
表の形式など、タスクの形が伝わりにくいことがある
One-Shot
人に仕事を頼むときによくある形(見本を1つ渡す)に近い
Few-Shot
似た例ばかりでなく、さまざまな入力の例を示す
ファインチューニング
タスク専用の学習データを用意する必要がある(GPT-3 の論文は、タスクごとに新しい大きなデータセットが要る点を当時の難点に挙げた)

比較して覚える

文書・コミュニケーション業務:用途ごとに起こりうることと確かめること

メール・校正・要約・議事録・翻訳に生成AIを使うとき、用途ごとに起こりうることと、使う前に確かめることを並べます。どの用途でどの確認が要るかの取り違えを、この表で切り分けます。

返信メール

起こりうること
人の確認を経ずに自動で送ると、AIの誤りがそのまま相手に届く(高リスクの判定例)
使う前に確かめること
送る前に担当者が中身を確かめる

校正・添削・整形

起こりうること
差別用語・倫理に反する表現・第三者の権利を侵害する表現が残る。元の文の前提の誤りはそのまま残る
使う前に確かめること
問題のある表現を修正か削除する。入力の前に前提の誤りがないかを自分で確かめる

要約・トーンの変更

起こりうること
自分で説明できない内容をそのまま使ってしまう
使う前に確かめること
自分で説明できるかを確かめ、必要なら言い換える(出力に基づく判断も説明責任の対象)

議事録(音声の文字起こし)

起こりうること
固有名詞などの誤り、発言と違う意味の記録
使う前に確かめること
文字起こしと記録の意味を確かめ、必要な確認を経て確定する

翻訳・多言語の発信

起こりうること
誤訳による誤った情報の拡散、言語・文化・歴史的な背景への配慮不足
使う前に確かめること
法的な拘束力を持つ文書ほど確認の手順を設け、背景への配慮を確かめる

比較して覚える

知的財産の対策:プロンプトの入力の段階と生成物の利用の段階

デジタル庁のガイドラインが示す、プロンプトを入力する段階と、できた生成物を使う段階の知的財産の対策を、著作物・登録商標など・肖像・声で並べます。入力のときに避けることと、使う前に確かめることの取り違えを切り分けます。

著作物

プロンプトの入力の段階
他人の特定の著作物と関連付けるプロンプトを入れない。自分で描いたラフ画など自分の著作物を読み込ませる
生成物の利用の段階
他人の著作物と同一・類似でないかを検索などで確かめ、類似なら使わない・許諾を得る・作り直す

登録意匠・登録商標など

プロンプトの入力の段階
特定の登録意匠・登録商標と関連するプロンプトを入れない
生成物の利用の段階
登録意匠・登録商標などと同一・類似でないかを検索などで確かめる

人の肖像

プロンプトの入力の段階
特定の人物と関連するプロンプトや、その人物の肖像を含むデータを入れない
生成物の利用の段階
特定の人物と同定できないかを確かめ、肖像権・パブリシティ権の侵害を検討する

人の声

プロンプトの入力の段階
特定の人物と関連するプロンプトや、その人物の声を含むデータを入れない
生成物の利用の段階
特定の人物の声と同定できないかを確かめ、パブリシティ権の侵害を検討する

比較して覚える

AI生成物を「生成する」ときと「利用する」とき

文化庁のチェックリストが示す、AI生成物を作る(生成する)段階と、公開・配信などで使う(利用する)段階の著作権の扱いを並べます。生成が適法だったから公開も大丈夫、という取り違えをこの表で切り分けます。

働きうる規定

生成する(社内の検討・私的使用)
私的使用(著作権法第30条第1項)、許諾を得て利用する前提での検討の過程(第30条の3)
利用する(LP・SNSでの公開、配信、譲渡など)
権利制限規定の範囲外となる場合が多い

許諾

生成する(社内の検討・私的使用)
これらの規定の範囲内なら許諾なく行える
利用する(LP・SNSでの公開、配信、譲渡など)
既存の著作物と類似し依拠していれば、許諾を得るか、使わない・作り直す

確かめること

生成する(社内の検討・私的使用)
規定の範囲(私的使用か、利用を前提とした検討か)に収まっているか
利用する(LP・SNSでの公開、配信、譲渡など)
利用に先立って、既存の著作物と類似していないかをインターネット検索などで確かめる