CODAS AI Privacy Quiz
AI・プライバシー クイズ
毎回ランダムに全10問。楽しみながらAIリテラシーとセキュリティ感覚をチェックし、全問正解で「CODAS AI プライバシークイズ合格認定（パーフェクト賞）」を獲得できます。
Learn in depth
AIを、仕組みから深く
用語の一行では物足りない人へ。主要トピックごとに、インタラクティブなフロー図・詳しい解説・要点・最新動向・一次情報をそろえた詳細ガイドを用意しました。
Glossary
AI用語集
基礎からモデル、プライバシー技術まで。検索・カテゴリで探して、カードをタップすると解説が開きます。
How it works
AIは、どう学ぶのか
データを集め、学習し、モデルになり、そして使う。この4つの流れを押さえれば、AIの全体像が見えてきます。
データ
モデルが学ぶための大量の例を集め、整える段階。ここでの品質・偏り・権利・プライバシーがすべての土台であり、質の低いデータや偏ったデータはそのままモデルの弱点として現れる。何を集め何を集めないかという最初の判断が、後戻りしにくい影響を残す。
↓学習
データから規則性を学び、予測の誤差が小さくなる方向へ内部パラメータを少しずつ調整していく段階。この繰り返しに大きな計算資源がかかる一方、暗記に偏る過学習を避け、未知のデータにも通用する汎化性能を得られるかがここでの勝負どころとなる。
↓モデル
学習の成果物であり、調整済みのパラメータに知識を宿した“知能の器”。入力に対して予測や生成を返せるが、中身は膨大な数値の集まりで判断根拠が見えにくいため、用途・限界・学習データを記したモデルカードなどで透明性を補うことが求められる。
↓推論・活用
学習済みモデルを実際に動かし、予測や生成を届ける工程。ユーザーの入力という新たなデータが日々流れ込むため、それを外に出さず端末内で処理できるか、目的外に保存・学習利用しないかが、信頼を得られるかどうかの分かれ道になる。
Model types
AIモデルの種類
ひとくちにAIといっても、得意分野はさまざま。代表的なモデルの型を見てみましょう。
大規模言語モデル
膨大なテキストで学習し、次に来る語を予測することで文章を理解・生成する。対話・要約・翻訳・コード生成まで一つのモデルで幅広くこなせる汎用性が強みだが、もっともらしい誤り（ハルシネーション）を生むこともあり、重要な用途では出典による裏取りが欠かせない。
例：対話AI・文章生成
画像生成（拡散）モデル
ランダムなノイズから少しずつ画像を復元する過程を学び、テキストの指示に沿った絵を生成する。イラストやデザイン、写真編集を高速化する一方、学習データの出所や著作権、生成物の権利をどう扱うかという配慮が実務では重要になる。
例：画像生成
画像認識（ビジョン）モデル
画像や動画に写る物体・シーン・文字を検出・分類し、見えているものを構造化データに変える。工場の検品、医療画像の診断支援、運転支援などで力を発揮するが、人物や顔を扱う場面では端末内処理や適切な同意といったプライバシー配慮が前提となる。
例：物体検出・分類
音声モデル
話し言葉をテキストにする音声認識、テキストを自然な声にする音声合成、その場での翻訳までを担う。字幕生成や議事録、音声アシスタント、通訳などに応用されるが、声は個人を特定しうる情報でもあり、録音データの保護と本人の同意が欠かせない。
例：音声認識・合成
マルチモーダルモデル
テキスト・画像・音声などを一つのモデルで横断的に理解・生成し、人間の感覚に近い形で情報を扱う。写真を見て説明したり図表を読み解いたりと応用は広いが、複数の入力を組み合わせるほど機微な情報が集まりやすく、データの範囲と保護をあらかじめ設計しておく必要がある。
例：画像＋文章理解
強化学習エージェント
環境と関わりながら試行錯誤し、得られる報酬を手がかりに最適な行動方針を自ら学ぶ。ゲーム攻略や機器の制御、ロボティクスで強みを発揮し、近年は言語モデルを人間の好みに沿って整える微調整にも応用されている。報酬の設計次第で振る舞いが大きく変わる点が難しさでもある。
例：ゲーム・制御
History
AIの歴史
70年余りの歩み。理論の芽から、生成AIとエージェントの時代まで。
チューリング・テスト
アラン・チューリングは「機械は考えられるか」と問い、人間と区別がつかない受け答えができれば知的とみなす思考実験を提唱した。知性を内部構造ではなく外から観察できる振る舞いで測るという発想は、その後のAI評価の原点となった。
「AI」の誕生
ダートマス会議で「Artificial Intelligence」という言葉が正式に提案され、独立した研究分野として産声を上げた。学習・言語・推論を機械で再現するという野心的な目標が掲げられ、その多くは今日でも中心的な課題であり続けている。
ELIZA — 最初の対話プログラム
MITで作られたELIZAは、決まった規則で相手の言葉を言い換えるだけの単純なプログラムだった。それでも多くの人がまるで理解されているように感じ、人間がAIに心や共感を投影しやすいこと（ELIZA効果）を早くから浮き彫りにした。
Deep Blue が世界王者に勝利
IBMのDeep Blueがチェス世界王者カスパロフを破り、機械が知的ゲームで人間の頂点を超えた最初の象徴的な瞬間となった。その強さは学習ではなく、膨大な局面を高速に読み切る探索と評価関数によるもので、当時のAIは「賢さ」よりも計算力で勝負していた。
ディープラーニングの飛躍
深いニューラルネットワークAlexNetが画像認識コンペ（ImageNet）で従来手法を大差で退け、ディープラーニング時代の幕を開けた。GPUによる大規模計算と豊富なデータがそろえば、人手で特徴を設計せずともデータから直接学べることを証明し、その後の生成AIの潮流につながった。
AlphaGo が囲碁で勝利
DeepMindのAlphaGoが、局面が天文学的に多く「機械には難しい」とされた囲碁でトップ棋士を破った。自己対戦による強化学習と探索を組み合わせ、人間の常識を超える手を自ら発見できることを示した点が、チェス時代からの大きな飛躍だった。
Transformer 論文
論文「Attention Is All You Need」がTransformerを提案し、系列を順番に処理する従来手法に代えて、文全体の関係を一度に捉える注意機構を中心に据えた。この構造は並列計算と大規模化に適しており、現代のほぼすべての大規模言語モデルの土台となっている。
大規模事前学習の時代
大量のテキストで一度だけ事前学習し、その知識を多様なタスクに転用する「事前学習＋微調整」の方式が広まった。タスクごとにゼロから作る必要がなくなり、少量のデータや例示だけで翻訳・分類・要約などに応用できる、基盤モデルの考え方が定着していった。
生成AIが一般に普及
対話型AIと高品質な画像生成が誰でも使える形で公開され、生成AIが専門家の道具から一般の話題へと一気に広がった。手軽さの一方で、機密情報を安易に入力してしまう問題や著作権・真偽の判断など、プライバシーと信頼をめぐる新たな課題も表面化した。
マルチモーダルの時代へ
テキストに加えて画像や音声を同時に理解・生成するマルチモーダルモデルが実用化し、AIが扱える情報の幅が一気に広がった。写真を見て説明する、図表を読み解く、話し声で対話するといった、より人間の感覚に近い使い方が現実のものとなった。
エージェントとオンデバイスAI
指示を受けて自律的に道具を使い、複数ステップの作業をこなすエージェントと、端末内で完結する軽量モデルが実用段階に入りつつある。AIが実際に行動し、身近なデータに触れるほど、データを外に出さないオンデバイス処理や権限管理といったプライバシー設計の重要性が一段と高まっている。
Market & Trends
いまのAI、これからのAI
世界のAIはどこへ向かっているのか。主要なトレンドを俯瞰します。
生成AIの業務浸透
文章作成・要約・翻訳・コーディング支援など、生成AIが特別なツールから日常業務の一部へと溶け込みつつある。生産性を大きく押し上げる一方、社内文書や顧客情報を安易に外部サービスへ入力しないためのルール作りとデータの取り扱い設計が欠かせない。
マルチモーダル化
テキストだけでなく、画像・音声・動画を横断して理解・生成するモデルが主流になりつつある。複数の情報を組み合わせることで文脈をより正確に捉えられる反面、扱うデータに顔や声など機微な情報が含まれやすく、収集と保管の慎重さが一層求められる。
AIエージェント
指示を受けて自ら計画を立て、ツールを使いながら複数の手順を実行する“働くAI”への関心が高まっている。単に答えるだけでなく実際に操作や外部連携を行うため、どこまでの権限を与え、重要な操作に人の承認を挟むかという設計が信頼の鍵になる。
オンデバイス／エッジAI
モデルの軽量化・量子化が進み、スマートフォンやIoT機器の内部でAIを動かす動きが加速している。生データを端末の外に出さずに処理できるため、通信の遅延やオフライン制約を解消しつつ、プライバシー保護を根本から両立できるのが最大の利点だ。
オープンモデルの台頭
重みが公開され自由に改変・自前運用できるモデルが増え、外部APIに依存しない選択肢が広がっている。自社データで調整し自社環境で動かせるため、データを社外に預けずに済み、コスト・制御性・プライバシーの面で大きな利点をもたらす。
AI規制とプライバシー
各国でAIの安全性や個人データ保護に関する規制・ガイドラインの整備が進み、コンプライアンスが事業の前提になりつつある。透明性・説明責任・プライバシー配慮を後付けの負担ではなく設計に組み込む姿勢が、そのまま信頼と競争力の源泉になっていく。
In the real world
AIは、どこで使われている？
身近な暮らしから社会基盤まで。領域ごとに、プライバシーとデータの守り方が問われます。
金融
取引パターンから不正を検知し、与信判断やリスク分析を高度化する用途が中心となる。扱うのは口座や決済といった極めて機密性の高いデータであり、秘密計算やデータを持ち出さない仕組みで守りながら活用することが不可欠だ。
医療・ヘルスケア
医療画像からの診断支援や創薬の探索を加速し、専門家の判断を後押しする。健康データはとりわけ機微な情報であり、連合学習や機密計算で生データを施設外に出さずに研究を進める設計が、成果と患者プライバシーの両立を支える。
モビリティ
運転支援や交通・需要の予測、配車最適化などに活用される。安全に関わる判断は一瞬の遅れも許されないため、車両や端末の内部で処理するエッジAIが要となり、位置情報のような追跡されやすいデータを外に出さずに扱えることが安心につながる。
公共・行政
問い合わせ対応や書類処理の自動化など、行政サービスの効率化に役立つ。市民は行政に個人情報を預けざるを得ない立場にあるため、データ主権の尊重と、どう使われるかを説明できる透明性の確保が導入の大前提となる。
クリエイティブ
デザイン、映像、音楽の下書きや試作を高速化し、制作者の発想を広げる相棒として使われる。一方で学習データの出所や既存作品との類似、生成物の権利をどう扱うかが問われ、著作権とデータの来歴（プロビナンス）への配慮が信頼の土台になる。
研究・科学
膨大な実験データの解析やシミュレーション、仮説探索を加速し、発見までの時間を縮める。研究は組織や国境を越えた協力で前進するため、生データを互いに見せずに突き合わせられるデータクリーンルームや秘密計算が、安全な協創と成果の拡大を支える。
データを外に出さずに、AIの恩恵を。
それが、CODASの目指す未来です。
Privacy
なぜプライバシーが重要か
AIが賢くなるほど、多くのデータが必要になります。だからこそ「データを外に出さずに」活かす技術が鍵になります。
データは、あなたのもの。
一度漏れたデータは取り消せません。AI時代の信頼は、プライバシーを前提とした設計から生まれます。CODASは、データ主権を護りながらAIの恩恵を最大化する技術を推進しています。
技術スタックを見る→どうデータを守るのか？
データ最小化
目的に必要なデータだけを集め、役目を終えたら保持し続けないという原則。存在しないデータは漏れも悪用もされないため、最も確実で費用対効果の高いリスク低減策であり、多くのプライバシー法制でも基本的な要請とされている。
オンデバイス処理
生データを端末の外に送らず、その場で処理して必要な結果だけを共有する方式。写真や音声、位置情報のような機微なデータがそもそも外に出ないため漏えい面が小さく、通信を待たないぶん低遅延でオフラインでも動く利点がある。軽量化の進展がこれを後押ししている。
差分プライバシー
統計処理に数学的に制御されたノイズを加え、ある個人がデータに含まれるか否かが結果にほぼ影響しないことを保証する枠組み。個人を特定できないまま全体の傾向は活用できるのが強みで、プライバシー保護の度合いを数値で管理・説明できる点が実務で重宝される。
秘密計算・準同型暗号
準同型暗号は暗号化したまま計算し、秘密計算（MPC）は複数の参加者が各自の入力を明かさずに共同で計算する技術。いずれも生データを露出させずに結果だけを得られるため、組織をまたいだ分析やクラウドでの処理でも中身を秘匿できる。計算コストは高いが用途は着実に広がっている。
連合学習
生データを一か所に集めず、各端末や拠点で学習したモデルの更新分だけを持ち寄って共有モデルを育てる分散学習の方式。データが手元から動かないためプライバシーに配慮でき、差分プライバシーや秘密計算と組み合わせると、更新から元データが推測されるリスクもさらに抑えられる。
Discordで、つながろう。
質問も、議論も、最新情報も、リアルタイムで。CODASのDiscordコミュニティで、専門家や仲間と一緒に、AIとプライバシーの学びを深めましょう。
※本ページは一般的な学習を目的とした解説です。最新の製品仕様・数値は各提供元をご確認ください。