II-B11 非エンジニア向け技術用語集
II-Bで登場した技術用語を、実務で使える言葉でもう一度まとめて確認する
このレッスンの狙い：II-Bの技術用語を、専門家でない相手にも説明できる
最終更新: 2026-07-23
この記事の要点
- II-Bの技術用語を、専門家でない相手にも説明できる
- なぜ用語集が必要か
- 用語一覧
このレッスンでは、編II-Bで登場した技術用語を、専門家でない相手にもそのまま使える言葉でもう一度まとめて確認します。社内会議やクライアントに「結局それって何ですか」と聞かれたとき、一言で返せるかどうかが実務者としての差になります。LLMからgroundingまでの一連の用語を、ここで自分の言葉に落とし込み切りましょう。
なぜ用語集が必要か
AIOの実務では、エンジニアでない立場のまま「AIがなぜそう動くのか」を人に説明する場面が頻繁に発生します。技術用語をそのまま使うと相手に伝わらず、かといって間違った単純化をすると誤解を招きます。ここでは編II-Bの用語を「一言定義」と「説明するときのコツ」の2軸で整理します。
用語一覧
| 用語 | 一言定義 | 説明するときのコツ |
|---|---|---|
| LLM | 大量のテキストから統計パターンを学習し、文章を生成するAIモデル | 「大量の文章を読んで次に来そうな言葉を当てるのが得意なAI」と伝える |
| トークン | LLMが文章を処理する最小単位 | 「AIが文章を数えるときの最小の単位。日本語は英語より不利」と伝える |
| 学習と推論 | 学習はモデル調整の重い工程、推論は質問に答える軽い工程 | 「勉強する時間」と「テストに答える時間」の違いとして伝える |
| 学習データカットオフ | モデルが学習データの収集を締め切った時点 | 「AIの知識には締切日がある」と伝える |
| ハルシネーション | もっともらしいが誤った内容をAIが生成する現象 | 「自信満々に間違えることがある」と伝える |
| RAG | 回答前に外部情報源を検索し、それを根拠に組み立てる手法 | 「記憶だけで答えず、資料を調べてから答える方式」と伝える |
| エンベディング | 意味の近さを数値ベクトルで表したもの | 「言葉の意味を座標に変換したもの」と伝える |
| ベクトル検索 | 意味の近さで文書を探す検索方式 | 「キーワード一致でなく意味で探す検索」と伝える |
| チャンキング | 長い文書を扱いやすい単位に分割する前処理 | 「長い資料を読みやすい章立てに切り分ける作業」と伝える |
| リランキング | 検索候補をより精密に採点し直す2段階目の処理 | 「一次候補をもう一度、厳しい目で選び直す作業」と伝える |
| query fan-out | 1つの質問を複数のサブクエリに分解して並行検索する技術 | 「1つの質問を裏で何本もの質問に分けて調べている」と伝える |
| grounding | AIの回答を検証可能な外部情報に結び付ける仕組み | 「答えの根拠を示せる状態にすること」と伝える |
| ハイブリッド検索 | ベクトル検索とキーワード検索を組み合わせる方式 | 「意味で探す検索と、一致で探す検索を両方使うこと」と伝える |
5つの工程を1本の流れとして見る
編II-Bで扱った用語は、バラバラの知識ではなく1つのRAGパイプラインの中の各工程として並んでいます。整理すると次のような流れになります（出典: Pinecone, 2026年7月）。
① チャンキング（II-B7） → 長い文書を分割する
② エンベディング生成（II-B6）→ 各チャンクを意味のベクトルに変換する
③ インデックス化 → ベクトルDBに格納し検索可能にする
④ 検索・リランキング（II-B8）→ 候補を集め、精密に並び替える
⑤ 拡張と生成／grounding（II-B10）→ 取得した情報を根拠に回答を組み立てるこの流れのどこか1つの工程だけを理解していても、AIがなぜその回答・引用を返したのかを説明しきれません。5つの工程がひとつながりだと分かって初めて、自社コンテンツのどこを直せば引用されやすくなるかが見えてきます。query fan-out（II-B9参照）は、この一連の流れが「1つの質問に対して何度も並行に」実行される仕組みだと捉えると、位置づけがつかみやすくなります。
説明するときによくある失敗
専門用語をそのまま並べるだけの説明は伝わりません。「RAGとは検索拡張生成の略で」と正式名称から始めると、相手の理解はそこで止まってしまいます。先に身近な例えで全体像をつかんでもらい、その後で正式名称を添えるという順番のほうが伝わりやすくなります。要するに、相手が知りたいのは仕組みの名前ではなく「それで自分たちに何が起きるか」なのです。
実践ステップ
- 上記の用語一覧をブックマークするか、印刷して手元に置く
- 社内・クライアントへの説明前に、実際に使う用語を3つ以内に絞る
- 「一言定義」ではなく「説明するときのコツ」の例え方から話し始める練習をする
- 説明した後、相手に「今の説明で伝わりましたか」と一言確認する
- 伝わりにくかった用語があれば、自分なりの例えを考えてこの用語集に書き足す
まとめ
編II-Bでは、LLMの仕組みからRAG、チャンキング、リランキング、query fan-out、groundingまで、AI検索を支える技術基盤を一通り見てきました。専門用語を覚えること自体がゴールではなく、専門家でない相手にも一言で伝えられる状態にしておくことが実務では重要です。この用語集は保存版として、迷ったときにいつでも開き直してください。次の編II-Cからは、ChatGPT SearchやPerplexityなど、個別のAI検索エンジンの素顔に迫ります。
このレッスンはテキストとスライドで学べます。スライドは上のビューアからご覧ください。
確認テスト
選択肢をクリックすると、その場で正誤と解説が表示されます。
Q1. 本文は、専門用語をそのまま並べて正式名称から説明を始める方が、相手に伝わりやすいと述べている。
先に身近な例えで全体像をつかんでもらい、その後で正式名称を添える順番の方が伝わりやすいと本文は述べています。
Q2. 本文が示す5つの工程の順番として正しいものはどれか。
本文が示す流れは、チャンキング→エンベディング生成→インデックス化→検索・リランキング→拡張と生成/groundingの順です。
Q3. 本文が「学習と推論」の違いを人に伝えるときのコツとして挙げている例えはどれか。
用語一覧では、学習と推論の違いを「勉強する時間」と「テストに答える時間」の違いとして伝えるとよいとされています。
このレッスンのFAQ
Q. なぜ編II-Bの用語を1つずつ理解するだけでは不十分なのですか？
編II-Bで扱った用語はバラバラの知識ではなく1つのRAGパイプラインの中の各工程として並んでおり、5つの工程がひとつながりだと分かって初めて、AIがなぜその回答・引用を返したのかを説明しきれるからです。
Q. 専門用語を説明するときによくある失敗は何ですか？
「RAGとは検索拡張生成の略で」のように正式名称から始めると、相手の理解はそこで止まってしまいます。先に身近な例えで全体像をつかんでもらう順番の方が伝わりやすいとされています。
Q. この用語集はどう使うのが想定されていますか？
社内・クライアントへの説明前に実際に使う用語を3つ以内に絞り、「説明するときのコツ」の例え方から話し始める練習をするなど、保存版として迷ったときにいつでも開き直す使い方が想定されています。