用語集

A/B テストは、ウェブページまたはアプリの 2 つのバージョンを比較して、どちらが優れているかを判断する方法です。トラフィックを 2 つのバージョンに分けることで、企業はパフォーマンス指標を分析して、どちらのバリアントがより良い結果をもたらすかを判断できます。これにより、情報に基づいた意思決定が可能になり、ユーザーエクスペリエンスの向上とビジネス目標の達成が可能になります。

先進運転支援システム（ADAS）は、安全性を高め、運転の快適性を高め、ヒューマンエラーを減らすために車両に組み込まれた技術的機能です。ADASは、センサー、カメラ、レーダー、ソフトウェアを使用して、ドライバーが周囲の状況を監視し、意思決定を行い、事故を回避するのを支援します。これらのシステムは、完全自動運転車への重要な足がかりとなり、より安全で効率的な運転を支援するために、現代の自動車に標準装備されるようになりました。

アクティブサンプリングは、機械学習とデータ分析で使用される戦略であり、大規模なデータセットから最も有益なデータポイントを選択してラベル付けや分析を行います。アクティブサンプリングの目標は、モデルトレーニングに最も大きな影響を与えるデータに焦点を当てて学習プロセスの効率を高め、それによって高いパフォーマンスを達成するために必要なラベル付きデータの量を減らすことです。

アクティブデータセットとは、機械学習モデルのトレーニングと改善の過程で積極的に使用されるデータの動的なサブセットを指します。通常、データセットはモデルの学習の進捗状況や不確実性に基づいてデータセットが発展するアクティブラーニングのコンテキストで、モデルのトレーニング用に選択またはサンプリングされた、最も有益で関連性の高いデータポイントが含まれます。

アクティブ・アノテーション・ラーニングは、アクティブ・ラーニングとデータ・アノテーションを組み合わせてデータのラベル付けプロセスを最適化する機械学習アプローチです。このアプローチでは、モデルが最も有益で不確実なデータポイントを積極的に選択して注釈を付け、それを人間のアノテーターまたは自動システムによってラベル付けします。目標は、モデルの精度と効率を向上させながら、必要なラベル付きデータの量を減らすことです。

アクティブラーニングサイクルは、機械学習で使用される反復プロセスで、最も情報量の多いデータポイントを選択してラベル付けすることでモデルのパフォーマンスを向上させます。このアプローチは、最も価値のあるデータに焦点を絞ることで、学習プロセスの効率と効果を高め、トレーニングに必要なラベル付きデータの量を減らすことを目的としています。

アクティブラーニングは、アルゴリズムが学習元のデータを選択的に選択する機械学習アプローチです。利用可能なすべてのデータを受動的に使用するのではなく、モデルは最も有益な特定のデータポイントを積極的に特定して要求します。具体的には、モデルが不確実なデータポイントや、データによってパフォーマンスが向上する可能性が最も高いデータポイントです。

アスペクト比とは、画像、画面、またはビデオフレームの幅と高さの比例関係を指します。一般的には、幅と高さの比率を示す 16:9 や 4:3 のように、コロンで区切られた 2 つの数値で表されます。アスペクト比の定義を理解することは、さまざまなプラットフォームでビジュアルコンテンツを扱う人にとって非常に重要です。

アスペクト比の意味は、写真、ビデオグラフィー、グラフィックデザイン、ディスプレイテクノロジーなど、さまざまな分野の基本です。画像や動画をどのようにフレーム化して画面に表示するかを定義し、コンテンツが視聴者にどのように表示されるかに影響します。

適応型データ収集とは、変化する分析ニーズ、環境、またはデータソースの動作に基づいてリアルタイムで調整されるデータを収集するための動的なアプローチです。この方法では、データ収集戦略を継続的に改良して、最も関連性が高く、タイムリーで高品質なデータを確実に収集できるようにすることで、データ収集プロセスの全体的な効率と効果を最適化できます。

アダプティブ・ラーニングとは、各学習者の個々のニーズ、長所、短所に合わせて学習体験を調整する教育的アプローチまたはテクノロジーです。アダプティブ・ラーニング・システムは、学習教材の内容、ペース、難易度を動的に調整することで、学習者一人ひとりの教材に対する理解と習熟度を最適化することを目的とした個別の指導を行います。

アノテーションの信頼度とは、アノテーションプロセス中にデータポイントに付けられた特定のラベルまたはタグに、アノテーターまたは自動システムが割り当てる確実性または確率のレベルを指します。この指標は、ラベルがデータの本質を正確に反映していることをアノテーターがどの程度確信しているかを示し、低いものから高いものまでさまざまで、パーセンテージやスコアで表されることがよくあります。

アノテーションタクソノミーとは、アノテーションを階層的なフレームワークまたはシステムに構造化して分類することを指します。この分類法は、カテゴリ、サブカテゴリ、およびさまざまなタイプのアノテーション間の関係を定義し、データセット全体のデータに明確かつ一貫した方法でラベルを付けて分類できるようにします。これにより、アノテーションのプロセスが体系的に行われ、すべてのデータポイントに明確に定義されたスキーマに従ってアノテーションが付けられるようになります。

アノテーションパイプラインは、機械学習モデルのデータにラベルを付けるプロセスを管理するために設計された構造化されたワークフローです。データ収集や前処理から、注釈、品質管理、トレーニングデータセットへの最終的な統合まで、一連のステップ全体を網羅しています。アノテーションパイプラインの目標は、データに効率的、正確かつ一貫性のあるラベルを付けることです。

アノテーションプロジェクト管理とは、データアノテーションプロセスを計画、整理、監視して、プロジェクトが予定どおりに、予算内で、必要な品質基準を満たしていることを確認するプロセスを指します。これには、アノテーターの取り組みの調整、リソースの管理、タイムラインの設定、進捗状況の監視に加え、アノテーションが機械学習モデルのトレーニングや分析用データの準備など、プロジェクトの特定の目標を満たしていることを確認することが含まれます。

アノテーション・ベンチマークとは、データ・アノテーションの品質、正確性、一貫性を、あらかじめ定義された一連の標準またはベスト・プラクティスと照らし合わせて評価し、比較するプロセスです。このベンチマークプロセスは、アノテーション作成者のパフォーマンス、アノテーションプロセスの信頼性、およびアノテーションが付けられたデータセットの全体的な品質を評価し、機械学習モデルのトレーニングやデータ分析の実施などの使用目的の要件を満たしていることを確認するのに役立ちます。

注釈品質管理とは、データ注釈の正確性、一貫性、および信頼性を確保するために使用される体系的な手順と慣行を指します。アノテーションの品質はモデルのパフォーマンスと妥当性に直接影響するため、機械学習モデルのトレーニングに使用されるデータセットを高水準に保つためには、これらの対策が不可欠です。

アノテーション合意とは、同じデータにラベルを付ける際の複数のアノテーター間の一貫性とコンセンサスのレベルを指します。これは、同じように異なるアノテーターが特定のデータセットをどの程度分類またはラベル付けするかを示す尺度であり、アノテーションプロセスの信頼性と正確性を評価するためによく使用されます。

注釈密度とは、特定のデータセット内でラベル付けまたは注釈が付けられたデータの割合を指します。これは、ラベル付けプロセスの深さと徹底性を反映して、データセット内のデータポイントに注釈が付けられている度合いを測定したものです。

アノテーターバイアスとは、機械学習モデルのデータにラベルを付ける際に、人間のアノテーターによって生じる体系的なエラーや不整合を指します。この偏りは、個人的な信念、文化的背景、主観的な解釈、明確なガイドラインの欠如が原因で、完全に客観的でも一貫性もないデータ注釈につながる可能性があります。

オートエンコーダーは、教師なし学習に使用される人工ニューラルネットワークの一種で、通常は次元削減、特徴学習、またはデータ圧縮を目的として、データの効率的な表現を学習することを目的としています。オートエンコーダーは、入力データを潜在空間表現に圧縮し、この圧縮表現から出力を再構築することで機能します。理想的には、元の入力とできるだけ一致するようにします。

オートパイロットとは、特定の運転またはナビゲーションタスクを自動化し、車両または航空機が最小限の人的介入で運用できるようにするシステムを指します。もともと航空用に開発された自動操縦システムは、現在では自動車、船舶、ドローンに広く組み込まれています。高度なセンサー、ソフトウェア、人工知能を活用することで、自動操縦システムは安全性を高め、ドライバーの疲労を軽減し、利便性を高めます。車両に関しては、自動運転機能は自動運転技術の基礎となります。

データセットの自動ラベル付けは、アルゴリズム、機械学習モデル、またはその他の自動ツールを使用して、手動操作を必要とせずにデータセット内のデータポイントにラベルまたはタグを割り当てるプロセスです。このプロセスは、画像、テキスト、音声、動画などの大量のデータを迅速かつ効率的に分類できるように設計されており、機械学習、データ分析、その他のデータ主導型アプリケーションでの使用に適しています。

メタデータの自動生成は、アルゴリズム、機械学習モデル、またはその他の自動化ツールを使用して、データ資産に関する説明情報またはメタデータを自動的に作成するプロセスです。このメタデータには通常、データの出所、構造、内容、使用状況、コンテキストなどの詳細が含まれているため、データの整理、検索、管理、および効果的な利用が容易になります。

人工ニューラルネットワーク（ANN）は、人間の脳の構造と機能に触発された計算モデルです。ネットワークは相互に接続されたノード、つまり「ニューロン」の層で構成されており、これらが連携してデータの処理と分析を行い、ネットワークがパターンを学習し、予測を行い、画像認識、自然言語処理、意思決定などの分野における複雑な問題を解決できるようにします。

人工知能（AI）とは、人間のように考え、学習するようにプログラムされた機械における人間の知能のシミュレーションを指します。これらのインテリジェントシステムは、自然言語の理解、パターンの認識、問題の解決、意思決定など、通常は人間の認識を必要とするタスクを実行できます。

属性クラスタリングは、データセットの属性 (フィーチャ) を類似点または相関関係に基づいてグループ化するデータ分析手法です。目標は、共通の特性またはパターンを共有する属性のクラスターを特定することです。これにより、データセットを簡略化し、次元を減らし、フィーチャ間の関係をより深く理解できるようになります。

属性ラベリングは、データセット内のデータの属性または機能に特定のラベルまたはタグを割り当てるプロセスです。このラベル付けは、データの特性やプロパティを識別して説明するのに役立ち、機械学習モデルやその他のデータ駆動型アプリケーションでの整理、分析、使用が容易になります。

属性正規化（フィーチャスケーリングとも呼ばれる）は、データセット内の数値属性の範囲または分布を調整するために使用されるデータ前処理手法です。このプロセスでは、通常、値を [0, 1] などの共通の範囲に変換するか、平均が 0 で標準偏差が 1 になるように調整することで、すべての属性の縮尺が同等になります。

拡張データとは、追加情報またはコンテキストを追加することによって強化または強化されたデータを指します。このプロセスでは通常、既存のデータセットをさまざまなソースからの新しいデータと組み合わせて、より包括的な洞察を提供し、意思決定能力を向上させる必要があります。

敵対的例とは、モデルに誤りを起こすように意図的に設計された機械学習モデルへの入力です。これらの例は通常、正規の入力に注意深く作り上げられた小さな摂動を加えたものですが、人間には認識できないことが多いものの、モデルを著しく誤解させる可能性があります。

アテンションメカニズムは、入力データの特定の部分に動的に焦点を合わせるニューラルネットワークコンポーネントです。これにより、モデルはテキスト、画像、音声などのシーケンスを処理する際に重要な情報に優先順位を付けることができます。このメカニズムは、特に長い入力シーケンスや複雑な入力シーケンスを伴うタスクにおいて、関連性に応じて入力のさまざまな部分を異なる方法で評価できるようにすることで、モデルのパフォーマンスを向上させるのに役立ちます。

アノテーションの一貫性とは、データアノテーションがデータセット全体に均一かつ確実に適用される度合いを指します。これは、同じアノテーターによって、時間の経過とともに、または複数のアノテーターにまたがって適用されます。アノテーションの一貫性が高いと、該当する場合にはいつでも同じラベルやタグを同じように使用できるため、ばらつきが減り、アノテーションが付けられたデータの品質と信頼性が向上します。

注釈エラー分析は、データ注釈処理中に発生するエラーまたは不一致を体系的に特定、調査、および理解するプロセスです。この分析は、注釈ミスの原因を診断し、ラベル付けされたデータの品質を向上させ、将来のエラーを減らすために注釈のガイドラインやプロセスを改良するのに役立ちます。

アノテーションガイドラインとは、データに一貫性のある正確なラベルを付けるためにアノテーターに提供される詳細な指示とベストプラクティスをまとめたものです。これらのガイドラインは、データセット全体で統一性を確保するために、データに注釈を付ける方法、さまざまなラベルの基準、およびさまざまなシナリオで従うべきプロセスを定義しています。

アノテーションスキーマとは、データアノテーションの整理、ラベル付け、保存方法を定義する構造化されたフレームワークまたはブループリントを指します。このスキーマは、注釈付きデータに関連するメタデータを記述する標準化された方法を提供し、さまざまなデータセットやアプリケーション間での一貫性と相互運用性を確保します。

注釈スケーラビリティとは、データ量の増加に応じてデータ注釈プロセスを効率的に拡張できる機能を指します。これには、多くの場合、自動化ツール、分散システム、または合理化されたワークフローを使用して、品質、一貫性、速度を損なうことなく、アノテーションプロセスが大規模なデータセットを処理できるようにすることが含まれます。

注釈タスクメトリックは、データ注釈プロセスのパフォーマンス、精度、および効率を評価するために使用される定量的指標です。これらの指標は、注釈の品質、注釈者の一貫性、注釈タスクを完了するのにかかる時間、および注釈ワークフローの全体的な有効性を評価するのに役立ちます。これらは、注釈付きのデータセットが、機械学習、データ分析、またはその他のデータ駆動型アプリケーションでの使用目的に必要な基準を満たしていることを確認するために不可欠です。

アノテーションツールは、データのラベル付けと分類を容易にするために設計されたソフトウェアアプリケーションで、機械学習やデータ分析のコンテキストでよく使用されます。これらのツールを使用すると、ユーザーは画像、テキスト、音声、動画などのデータ要素をマークアップしたりタグ付けしたりして、機械学習モデルのトレーニング用の注釈付きデータセットを作成できます。

注釈フィードバックとは、データセット内で作成された注釈に対する評価コメント、修正、またはガイダンスを提供するプロセスを指します。このフィードバックは通常、注釈の品質、正確性、一貫性を向上させるために、査読者、専門家、または自動システムによって提供されます。目標は、機械学習モデルのトレーニングなど、データがその使用目的に必要な基準を満たしていることを確認することです。

アノテーション形式とは、機械学習プロジェクトでラベル付けされたデータを保存および整理するために使用される特定の構造と表現を指します。ラベル、カテゴリ、バウンディングボックスなどの注釈をどのように文書化して保存するかを定義し、データとそれに対応する注釈の両方を機械学習アルゴリズムで簡単に解釈して処理できるようにします。

アノテーションプラットフォームは、機械学習、データ分析、またはその他のデータ駆動型アプリケーションで使用するデータのラベル付けやタグ付けのプロセスを容易にするように設計されたソフトウェアツールまたはシステムです。これらのプラットフォームは、ユーザーフレンドリーなインターフェースとさまざまな機能を備えているため、アノテーターはテキスト、画像、音声、動画などのさまざまな種類のデータに効率的かつ正確にラベルを付けることができます。

アノテーションメタデータとは、データセットのプライマリアノテーションに付随する補足情報または説明データを指します。このメタデータは、アノテーションの実行者、実行日時、アノテーションの信頼度、処理中に従った具体的なガイドラインなどの重要なコンテキストを提供します。アノテーションメタデータは、ラベル付けされたデータの品質とコンテキストに関するより深い洞察を提供することで、アノテーションの理解、管理、効果的な利用に役立ちます。

アノテーションリコールは、アノテーションプロセスがデータセット内のラベルまたはタグの関連インスタンスをすべてどの程度うまくキャプチャしたかを示す指標です。これは、対象となる要素のすべてのインスタンスを正しく識別してラベル付けし、アノテーション処理中に関連データポイントが見落とされないようにするアノテーターの能力を反映しています。

注釈精度とは、注釈処理中にデータに適用されるラベルまたはタグの正確性と特異性を指します。あらかじめ定義された基準に従ってデータポイントがどの程度正確かつ一貫してラベル付けされているかを測定し、意図した情報を取り込む際に関連性が高く正確であることを確認します。

自動データ検証とは、ソフトウェアツールまたはアルゴリズムを使用して、データが事前定義されたルール、標準、または品質基準を満たしていることを自動的にチェックして確認してから、その後の処理、分析、または意思決定に使用するプロセスです。このプロセスは、データ内のエラー、不一致、および異常を検出して修正し、データセットが正確、完全、かつ信頼できるものであることを保証するのに役立ちます。

自動データ統合とは、自動化されたツールとテクノロジーを使用して、さまざまなソースからのデータを統合し、統一された一貫した形式にするプロセスを指します。このプロセスにより手作業が不要になり、シームレスかつ効率的な方法で、データを自動的に抽出、変換、データウェアハウスなどの中央リポジトリにロード (ETL) できるようになります。

自動フィードバックループは、出力または結果を継続的に監視、分析し、システムにフィードバックして、手動による介入を必要とせずに自動的に調整または改善を行うシステムです。このループにより、システムは受け取ったデータに基づいてリアルタイムでパフォーマンスを調整および最適化できるため、プロセスの効率と効果が高まります。

自動ラベル付けは、アルゴリズムと機械学習技術を使用してデータにラベルまたはカテゴリを自動的に割り当てるプロセスです。このプロセスにより、手動でラベルを付ける必要性が減り、機械学習モデルのトレーニングに使用される注釈付きデータセットの作成が速くなります。

自動化されたワークフローとは、システムまたはソフトウェアによって自動的にトリガーされて実行される一連のタスクまたはプロセスであり、手動による介入は必要ありません。この自動化により、事前定義されたルールや条件に従ってタスクを一貫して予定どおりに完了させることができるため、業務が合理化され、人為的ミスが減り、効率が向上します。

AutoML（自動機械学習）は、現実世界の問題への機械学習のエンドツーエンドの適用を自動化するプロセスです。AutoML を使用すると、専門家でなくても現場での幅広い知識がなくても機械学習のモデルや手法を活用できるようになり、データの準備からモデルの展開までのすべてを合理化できます。

自動注釈ワークフローは、アルゴリズム、機械学習モデル、またはその他の自動化ツールを使用して、最小限の人的介入でデータ注釈タスクを実行する合理化されたプロセスです。このワークフローは、画像、テキスト、音声、動画などの大量のデータに効率的かつ一貫してラベルを付けるように設計されており、機械学習、データ分析、その他のデータ駆動型アプリケーション向けの高品質なデータセットの準備を可能にします。

自動運転レベルとは、自動運転車の自動化の度合いを定義するために自動車技術者協会（SAE）によって確立された分類システムを指します。このシステムは、車両の自動化システムが運転タスクをどの程度制御できるか、また人間の介入がどの程度必要かによって、車両をレベル 0 (自動化なし) からレベル 5 (完全自動化) まで分類します。この分類は、メーカー、規制当局、消費者が開発の各段階における自動運転車の能力と限界を理解するのに役立ちます。

自動音声認識 (ASR) は、コンピュータプログラムによって話し言葉をテキストに変換する技術です。このテクノロジーは、アルゴリズムと機械学習モデルを使用して人間の音声を解釈および書き起こし、音声コマンド、文字起こしサービス、音声起動システムなどのさまざまなアプリケーションを容易にします。

自律ナビゲーションとは、車両または機械が人間の介入なしに環境を独立してナビゲートする機能を指します。センサー、人工知能 (AI)、機械学習などの高度なテクノロジーを組み合わせて、複雑な環境における経路計画、障害物回避、ナビゲーションに関する意思決定をリアルタイムで下します。

自動運転車（AV）は、自動運転車とも呼ばれ、人間の介入を必要とせずに操作およびナビゲートできる車両です。センサー、カメラ、レーダー、人工知能 (AI) を搭載した高度なアルゴリズムを組み合わせて、環境を理解し、意思決定を行い、運転タスクを実行します。自動運転車は、人為的ミスを減らし、すべての人のアクセシビリティを向上させると同時に、安全性、モビリティ、輸送効率を向上させることを目的としています。機械学習、リアルタイムデータ処理、意思決定システムなどのテクノロジーを採用することで、自動運転車は複雑な道路、交通状況、都市環境をナビゲートできます。

補助データとは、分析対象の一次データをサポートおよび強化するために使用される補足データまたは追加データを指します。このデータは、コンテキストを追加し、精度を向上させ、メインデータセットの解釈を助けるため、データ全体の品質と分析が向上します。

非同期データ収集とは、データをすべて同時にまたはリアルタイムで収集するのではなく、さまざまなソースからさまざまなタイミングでデータを収集するプロセスを指します。この方法では、各ソースを時間的に同期したり調整したりしなくても、複数のソースからデータを独立して、多くの場合並行して取得できます。