拡散モデル

データに少しずつノイズを加えて完全なノイズにする過程を考え、その逆にノイズを段階的に取り除く過程をニューラルネットワークに学習させる生成モデル。生成時は純粋なノイズから出発して除去を繰り返し、画像などを作り出す。文章による条件付けで指示どおりの画像を作る画像生成AIの主流で、計算を軽くするため圧縮した潜在空間で処理する潜在拡散モデル（Stable Diffusionなど）が広く使われる。

画像などのデータに少しずつノイズを加えていく過程を学習し、その逆に、ノイズだけの状態から段階的にノイズを取り除いてデータを生成する生成モデル。高品質で多様な画像を生成でき、文章の指示から画像を作る画像生成AIの主流の方式となっている。

大規模言語モデル等を用いて、テキスト・画像・音声・プログラムコードなどの新たなコンテンツを自動生成するAI技術。業務効率化に活用される一方、ハルシネーション（事実に基づかない出力）やセキュリティリスク、著作権上の課題がある。

大量のテキストデータで学習された巨大なニューラルネットワークモデル。自然言語の理解・生成に優れ、生成AIの中核技術として文章作成・要約・翻訳・プログラミング支援などに活用される。プロンプトインジェクションなどのセキュリティリスクへの対策も重要となる。

生成AIが事実に基づかない情報を、あたかも正確であるかのように生成してしまう現象。AIの幻覚とも呼ばれる。AIの出力データを人間が確認することの重要性を示す課題であり、業務利用時のリスクとして認識する必要がある。

テキスト、画像、音声など複数の種類の情報を組み合わせて扱えるAI。図表を含む資料の読み取りなど、単一の形式では扱えない業務に適用できる。

外部の文書やデータベースを検索し、その内容を根拠として生成AIに回答させる仕組み。社内文書など学習に含まれない知識を反映でき、誤った内容の生成を抑えられる。

生成AIへの指示文を工夫し、目的に沿った出力を安定して得るための技術。前提条件や出力形式、役割を明示することで精度と再現性を高める。