AI・機械学習

主要LLM API料金比較(2026年Q1)。Claude Opus 4.7 $15/$75 (in/out M tok)・Sonnet 4.6 $3/$15・Haiku 4.5 $0.25/$1.25・GPT-5 Pro $30/$60・o3 Pro $20/$80・Gemini 2.5 Pro $3.5/$10.5・DeepSeek V3 $0.27/$1.10・Grok 4 $3/$15・Prompt Caching 90%削減・Batch API 50%割引対応、長時間対話+Agent運用コスト比較必須。

複数のLLM呼び出し・ツール連携・条件分岐・エラーハンドリングを統合的に管理し、複雑なAIワークフローを構築・実行する技術体系。

LLMオブザーバビリティとは、本番環境で稼働するLLMアプリケーションの挙動を可視化・トレース・評価するための技術群の総称である。プロンプトの入出力ログ、トークン使用量、レイテンシ、コスト、品質スコアなどを統合的に監視し、LLMアプリケーションの信頼性と品質を継続的に担保する。

LLM（大規模言語モデル）の学習を支える最適化アルゴリズムの総称。勾配降下法を基盤とし、数十億〜数兆パラメータを効率よく更新するための手法群を指す。Adam 系、符号ベース、スケジュールフリーなど多様な派生が研究されており、学習の安定性・収束速度・最終精度に直結する重要技術である。

LLM（大規模言語モデル）の学習開始時にニューラルネットワークの各パラメータ（重み）に与える初期値の設定方法。適切な初期化により勾配消失・爆発を防ぎ、学習の収束速度と最終精度に大きく影響する。

LLM（大規模言語モデル）の学習開始時にニューラルネットワークの各層パラメータへ初期値を設定する戦略の総称。Xavier・Kaiming・直交・ゼロ初期化など複数の手法があり、選択を誤ると勾配消失・爆発が起きて数十億パラメータ規模のモデルが収束しない。2026年現在の主要LLMでは層種別に最適な初期化を組み合わせるハイブリッド方式が標準となっている。

LLM Guardとは、LLMアプリケーションの入力と出力を検証・フィルタリングするためのオープンソースツールキットおよびガードレールフレームワークの総称である。代表的なプロジェクトとして、Protect AIのLLM Guard、NVIDIA NeMo Guardrails、Meta Llama Guard/Prompt Guardがあり、プロンプトインジェクション検出、有害コンテンツフィルタリング、PII（個人情報）検出、トピック制限などの機能をスキャナーパイプラインとして提供する。

LLMの入出力を監視・制御し、有害コンテンツや不適切な応答を防止するセーフティ機構の総称。プロンプトインジェクション防御やコンテンツフィルタリングなど複数の防御レイヤーで構成される。

LLMの入出力を監視・制御し、プロンプトインジェクション・有害コンテンツ生成・機密情報漏洩・ポリシー違反などを検出・防止するためのソフトウェア層。NVIDIA NeMo Guardrails・Guardrails AI・Lakera Guardなどの実装があり、LLMアプリケーションの安全なデプロイに不可欠な技術である。

LLMガードレールとは、大規模言語モデル（LLM）の入出力に対してプログラム的な制御・検証・フィルタリングを行うフレームワークおよびその設計パターンの総称である。モデル自体の重みを変更せずに、推論リクエストと応答の間にミドルウェア層を挿入することで、有害コンテンツの生成防止、トピック逸脱の抑止、構造化出力の検証、PII（個人識別情報）の除去、事実性チェックなどを実現する。NVIDIA NeMo Guardrails、Guardrails AI、LangChain Output Parsersが主要な実装として広く採用されている。

LLMの入出力を監視・制御するセーフティレイヤー。プロンプトインジェクション検出・有害コンテンツフィルタリング・トピック制限等をモデル外部から適用し、本番環境での安全運用を実現する。

LLMガードレール防御技術とは、大規模言語モデルの入出力を監視・制御し、有害コンテンツの生成やプロンプトインジェクション攻撃を防止するためのセキュリティレイヤー技術の総称である。NeMo Guardrails、LLM Guard、Lakera Guardなどが代表ツール。

LLM（大規模言語モデル）の訓練において、学習率を訓練ステップに応じて動的に変化させる戦略の総称。固定学習率では収束が不安定になりがちな数十億パラメータ規模のモデルに対し、ウォームアップ・コサインアニーリング・ワンサイクルなど多彩なスケジューラが開発され、訓練効率と最終精度を大幅に改善する。

LLMが誤答でも高い確信度を示す傾向。RLHF訓練後やfew-shot設定で顕著に現れ、ユーザーが誤情報を正しいと信じるリスクを高める。

LLM Cascade Routing（カスケードルーティング）とは、安価な軽量モデルで最初に応答を生成し、品質が閾値未満の場合に段階的により高性能なモデルへエスカレーションする推論戦略である。FrugalGPT の研究で提唱され、最大 98% のコスト削減を品質維持しつつ達成する。

カリキュラム学習（Curriculum Learning）とは、人間の教育課程に着想を得て、訓練データを簡単なサンプルから難しいサンプルへと段階的に提示する機械学習の訓練戦略である。LLM の文脈では、テキストの複雑度・長さ・ドメイン専門性などに基づいてデータ順序を最適化し、収束速度の向上と最終性能の改善を実現する。

LLMから特定の知識・訓練データの影響を除去する技術。著作権侵害・プライバシー保護・有害情報削除を目的とする。

LLMが論理規則・数式・アルゴリズムなど記号的表現を操作して推論する能力。演繹推論・数学的証明・アルゴリズム実行などを含み、ニューラルと記号AIの融合研究の核心。

LLM推論の結果やモデルの中間状態を保存・再利用する技術の総称。完全一致キャッシュ、セマンティックキャッシュ、KVキャッシュ、プロンプトキャッシュなど複数の手法を包含し、推論コスト削減・レイテンシ改善・スループット向上を目的とする。

LLMの推論コストと応答遅延を削減するためのキャッシュ技術群。KVキャッシュ、セマンティックキャッシュ、プロンプトキャッシュ、プレフィックスキャッシュなど複数のレイヤーで最適化を行い、同一・類似クエリへの再計算を回避する仕組み。