AWS の AI 入門資格 AIF（AI Practitioner）の用語190語を、生成AI時代に効くフラッシュ暗記で。
AWS AIF 用語ドリルに収録している語をレベル別に掲載します。ドリルでは以下の語を4択形式で出題し、正解後に意味・補足を表示します。全190語のうち代表的なものを抜粋しました。
AI/ML 基礎・生成AI・AWS AI サービス（Bedrock/SageMaker等）・責任あるAIまで100語。 ※ 収録138語のうち24語を抜粋して掲載しています。
| QUESTION | 意味 | ポイント |
|---|---|---|
| 人工知能Artificial IntelligenceAI | 人間の知的活動を模倣するコンピュータ技術別訳：AI | 人間の知的活動を模倣する技術の総称。機械学習や深層学習、生成AIを包含する一番広い概念として問われる。 |
| 大規模言語モデルLLMAI | （テキストに特化した基盤モデル）次の語を予測して文章を生成するモデル別訳：LLM | 大量のテキストで学習した言語モデル(LLM)。基盤モデルの一種で、生成AIの中核。 |
| 回帰RegressionAI | 数値を予測するタスク別訳：回帰 | 数値(連続値)を予測するタスク。価格予測などで、カテゴリ予測の分類と区別する。 |
| 学習TrainingAI | モデルパラメータを最適化する過程別訳：学習 | モデルのパラメータを最適化していく過程(訓練)。推論(予測)と対の概念。 |
| 精度（accuracy）AccuracyAI | 正解率別訳：精度 | 全体のうち正しく予測できた割合。不均衡データでは適合率・再現率も併せて見る必要がある。 |
| Zero-shot 学習Zero-shot LearningGENAI | 例を与えずタスクを実行別訳：Zero-shot | 例を与えずに指示だけでタスクを実行させる手法。Few-shotとの違いが問われる。 |
| セマンティック検索Semantic SearchGENAI | 意味で検索する手法別訳：セマンティック検索 | キーワードでなく意味で検索する手法。埋め込みを使い、関連性の高い結果を返す。 |
| RLHFRL with Human FeedbackGENAI | 人間のフィードバックを使う強化学習別訳：RLHF | 人間のフィードバックを使う強化学習。生成AIを人の好みに沿わせる調整に使う。 |
| オープンモデルOpen ModelGENAI | 重みが公開されたモデル別訳：オープンモデル | 重みが公開されたモデル。自前環境で動かせ、クローズドモデルと対比される。 |
| Amazon QAmazon QAWS | AWS版生成AIアシスタント別訳：Amazon Q | AWS向けの生成AIアシスタント。業務やコードの質問に答える。 |
| SageMaker PipelinesSageMaker PipelinesAWS | MLパイプライン自動化別訳：SM Pipelines | MLのワークフローを自動化する仕組み。MLOpsの実現に使う。 |
| Amazon TranslateAmazon TranslateAWS | 機械翻訳別訳：Translate | 文章を多言語へ機械翻訳するサービス。多言語対応を自動化する。 |
| Amazon KendraAmazon KendraAWS | エンタープライズ検索別訳：Kendra | 自然言語で社内文書を検索するエンタープライズ検索。質問形式で資料を探せる。 |
| Bedrock GuardrailsBedrock GuardrailsAWS | 出力フィルタリング別訳：Bedrock Guardrails | 生成AIの出力を制限・フィルタする機能。不適切応答を抑止する。 |
| 責任あるAIResponsible AIRAI | 公平性・透明性・説明性を重視するAI別訳：Responsible AI | 公平性・透明性・説明性・安全性を重視するAIの考え方。AIFで重要な得点源。 |
| セキュリティ（AI）SecurityRAI | モデルの不正利用防止別訳：Security | モデルの不正利用や攻撃を防ぐこと。プロンプトインジェクション対策などを含む。 |
| バイアス検査Bias AuditRAI | モデルの偏りを検査別訳：Bias Audit | モデルの偏りを検査すること。AWSではSageMaker Clarifyが使える。 |
| データシートDatasheet for DatasetsRAI | 学習データの仕様書別訳：Datasheet | 学習データの内容や収集方法を記した仕様書。データの透明性を高める。 |
| 損失関数Loss FunctionAI | 予測と正解の誤差を測る関数 | 予測と正解の誤差を測る関数。これを最小化するよう学習する。 |
| 再現率RecallAI | 実際の陽性を捉えられた割合 | 実際の陽性をどれだけ捉えたか(Recall)。見逃しの少なさを表す。 |
| 感情分析Sentiment AnalysisAI | 文章の感情を肯定/否定で判定する | 文章の感情を肯定/否定などで判定すること。口コミ分析に使う。 |
| AIエージェントAgentGENAI | 道具を使い自律的にタスクを進めるAI | ツールを使い自律的にタスクを進めるAI。複数手順を自動実行する。 |
| チャットボットChatbotGENAI | 対話形式で応答するアプリ | 対話形式で応答するアプリ。生成AIで高度化している。 |
| Amazon Q BusinessAmazon Q BusinessAWS | 社内データを活用する業務向け生成AI | 社内データを活用する業務向け生成AI。社内文書に基づき回答する。 |
ML詳細・生成AI応用・AWS AIサービス・ガバナンスの発展レベル。 ※ 収録52語のうち24語を抜粋して掲載しています。
| QUESTION | 意味 | ポイント |
|---|---|---|
| エポックEpochAI | 訓練データを一巡する学習単位 | 訓練データを一巡する学習の単位。多すぎると過学習につながる。 |
| 特徴量エンジニアリングFeature EngineeringAI | 有効な入力変数を作り出す作業 | 有効な入力変数を作り出す作業。精度向上の要だが、深層学習では自動化される。 |
| 混同行列Confusion MatrixAI | 予測と正解の対応を示す表 | 予測と正解の組合せを表にしたもの。適合率や再現率の算出根拠になる。 |
| 平均二乗誤差MSEAI | 回帰の誤差を二乗平均で測る指標 | 回帰の誤差を二乗平均で測る指標(MSE)。小さいほど予測が正確。 |
| アンサンブル学習EnsembleAI | 複数モデルを組み合わせて精度を上げる | 複数モデルを組み合わせて精度を高める手法。多数決や平均で予測する。 |
| ランダムフォレストRandom ForestAI | 多数の決定木を束ねたモデル | 多数の決定木を束ねたモデル。過学習に強く安定する。 |
| ドロップアウトDropoutAI | 一部のニューロンを無効化し過学習を防ぐ | 一部のニューロンを無効化し過学習を防ぐ手法。汎化性能を高める。 |
| MLOpsMLOpsAI | ML運用を自動化・継続化する考え方 | ML運用を自動化・継続化する考え方。開発と運用を橋渡しする。 |
| 再学習RetrainingAI | 新しいデータで学習し直すこと | 新しいデータで学習し直すこと。ドリフトへの対策になる。 |
| AutoMLAutoMLAI | モデル構築を自動化する仕組み | モデル構築を自動化する仕組み。専門知識が少なくても作れる(SageMaker Autopilot等)。 |
| デコーダDecoderGENAI | 内部表現から出力を生成する部分 | 内部表現から出力を生成する部分。文章生成で中心的役割を持つ。 |
| プロンプトテンプレートPrompt TemplateGENAI | 再利用する定型のプロンプト | 変数を差し込んで再利用する定型プロンプト。運用を効率化する。 |
| バッチ推論Batch InferenceGENAI | 大量の入力をまとめて推論する | 大量の入力をまとめて推論する方式。コスト効率が良く、即時性は要らない用途向け。 |
| 評価指標BLEU/ROUGEBLEU/ROUGEGENAI | 生成文の品質を測る指標 | 生成文の品質を測る指標。翻訳や要約の評価に使う。 |
| プロンプトリークPrompt LeakingGENAI | 内部プロンプトを盗み出す攻撃 | 内部のシステムプロンプトを盗み出す攻撃。機密指示の漏えいに注意する。 |
| SageMaker AutopilotSageMaker AutopilotAWS | 自動でモデルを構築するAutoML | 前処理からモデル選定まで自動化するAutoML。コードなしで高精度を狙える。 |
| SageMaker Data WranglerData WranglerAWS | データ前処理をGUIで行う | データ前処理をGUIで行うツール。コードなしで整形できる。 |
| Amazon Augmented AIAmazon A2IAWS | 人間のレビュー工程を組み込む | 人間のレビュー工程を組み込む仕組み(A2I)。低信頼な推論を人が確認する。 |
| Amazon DevOps GuruDevOps GuruAWS | 運用の異常をMLで検知する | 運用の異常をMLで検知するサービス。障害の予兆を知らせる。 |
| AWS Deep Learning AMIDL AMIAWS | ML環境構築済みのマシンイメージ | ML環境が構築済みのマシンイメージ。すぐに学習を始められる。 |
| Bedrock モデル評価Bedrock Model EvaluationAWS | 基盤モデルの品質を比較評価する | 基盤モデルの品質を比較評価する機能。用途に合うモデルを選ぶ。 |
| データ系譜Data LineageRAI | データの来歴を追跡する仕組み | データの来歴(どこから来てどう変換されたか)を追跡する仕組み。再現性と監査に役立つ。 |
| 人間中心設計Human-Centered DesignRAI | 利用者の価値観・体験・意思決定を起点にAIを設計する考え方 | 人を中心に据えたAI設計の原則。利用者の利益を優先する。 |
| 制御性ControllabilityRAI | 出力を意図通りに制御できる性質 | 出力を意図通りに制御できる性質。ガードレール等で高める。 |
上記は収録内容の抜粋です。全190語はドリルを開始すると順に出題されます。
AWS の AWS AIF Vocabulary Drill で問われる頻出用語を中心に、合計190語にまとめています。試験勉強の 最初の1〜2週間の語彙基盤づくり と、過去問演習の合間の 復習補助 としての利用を想定しています。
AWS の用語が分かっていると、提案書レビュー・要件定義・運用設計で会話の解像度が大きく変わります。資格を取らなくても、用語だけ押さえておくと損はしません。
AWS AIF（AI Practitioner）は入門レベルに位置する試験です。
生成AI・機械学習の基礎、AWSの代表的AIサービス（Bedrock/SageMaker/Comprehend等）の役割、責任あるAI（公平性・透明性）が問われます。65問・90分・700点合格。
本ドリルで190語を一巡。LLM、トークン、埋め込み、ファインチューニングといった生成AI固有の語彙が壁になりやすいので、最初に潰しておきます。
Bedrock=基盤モデルAPI、SageMaker=MLライフサイクル、Comprehend=NLPなど、ユースケースとサービスの対応表を自分で書き出します。
公平性、説明可能性、プライバシー保護といった非技術領域は丸暗記より、なぜ重要かを言語化する練習が効きます。
Bedrock・SageMakerなど生成AI／ML系サービスは、手を動かす前に用語と使いどころを動画で押さえると理解が速くなります。新しい試験のため、書籍より講座のほうが情報が新しいのが利点。Udemyは年に何度もセールを開催しており、セール中は多くの講座が数千円台になります。
Udemyで講座・模試を見る →AIFはAWSのAI/機械学習の入門資格で、生成AIの基礎、機械学習の用語、そして「責任あるAI」の考え方が大きな比重を占めます。新しい試験のため対策教材が少なく、生成AI周辺の用語（基盤モデル、プロンプト、ファインチューニングなど）の整理でつまずく人が多い領域です。
機械学習の一般用語とAWS固有のサービス名が混在するため、どちらの層の話かを意識して整理すると、混乱せずに進められます。
SageMakerとBedrockの役割の違い、責任あるAI（公平性・説明可能性）の用語は頻出。まず用語を即答化し、概念の地図を先に作るのが近道です。覚え方は暗記中心の資格に効く戦略を参考に。
AIプラクティショナー（AIF）は、AI/MLの基礎・生成AI・Bedrock/SageMaker・責任あるAIを広く問う入門資格です。技術の深さより、用語と概念の地図を持っているかが問われます。生成AI案件の要件定義で会話がかみ合うかは、この語彙の有無で決まります。
BedrockとSageMaker、ファインチューニングとRAGとプロンプトエンジニアリング、基盤モデルと従来型ML、教師ありと教師なし、ハルシネーションとバイアス。
AI Practitionerは2024年に新設された、AWSでは最も新しいファウンデーショナル資格です。問われるのはAI・機械学習・生成AIの基礎概念と、それをAWSで実現するサービスの対応関係。コードや数式は不要で、営業・企画・マネジメント層の受験者も想定されています。新しい資格ゆえに対策書がまだ少なく、用語ドリルでの独習が相対的に有効な試験です。
出題の中心は、基盤モデルを呼び出すAmazon Bedrock、機械学習基盤のSageMaker、そしてプロンプトエンジニアリング・RAG・ファインチューニング・ハルシネーションといった生成AI特有の概念語です。「精度を上げたい場面でRAGとファインチューニングのどちらを選ぶか」のような使い分け問題が定番で、概念語を対で判別できるかが得点を分けます。責任あるAI（バイアス・透明性）の用語も必ず出ます。
AWS自体が初めてならCLF（クラウド全般）→AIFの順が学びやすいですが、AI領域だけ先に押さえたい人はAIFから受けても支障ありません。合格後は、実装寄りに進むならMachine Learning Engineer Associate、インフラ全般ならSAAへ、というのが典型的な次の一手です。どの経路でも、ここで覚えた生成AI用語は今後のAWS学習全体で使い回せます。