な
内挿（Interpolation）
既知のデータの間を埋めるように値を推定する方法。
AIでは欠損データの補完や画像の拡大などに使われる。
ナレッジベース（Knowledge Base）
AIが参照する知識のデータベース。
FAQボットや企業の社内AIが、質問に答えるための知識源として利用する。
内部表現（Internal Representation）
AIが学習した特徴を内部でどう表現しているかを示す概念。
人間には見えない「AIの理解の仕方」を知るための重要な視点。
ナレッジ（Knowledge）
知識や情報のこと。
AIでは「知識ベース」や「知識蒸留」などの形で応用される。
に
ニューラルネットワーク（Neural Network）
人間の脳の神経回路を模倣したAIモデル。
画像認識や音声認識など、ほとんどのAI技術の基盤となっている。
入力データ（Input Data）
AIに与える情報のこと。
画像・音声・テキストなど、AIが学習や予測を行うための材料となる。
認識モデル（Recognition Model）
画像や音声から「これは何か」を判断するAIモデル。
顔認識や音声認識などで使われ、特徴量をもとに分類を行う。
の
ノイズデータ（Noisy Data）
誤りや不要な情報を含むデータ。
AIの精度を下げる原因となるため、学習前に除去や補正が行われる。
ノード（Node）
ニューラルネットワーク内の計算単位。
それぞれが入力を受け取り、重み付け計算をして次の層に情報を伝える。
ノンパラメトリックモデル（Non-Parametric Model）
データ量に応じて複雑さが変化するAIモデル。
事前にパラメータ数を固定せず、柔軟に学習できるのが特徴。
え
エポック（Epoch）
AIが訓練データを一通り学習し終えるまでの1サイクル。
AIの学習は、データを何度も繰り返し読み込んで進化する。1回のデータ全学習を1エポックと呼び、回数を重ねるほど精度が上がるが、やりすぎると過学習になることも。
エンコーディング（Encoding）
文字や画像などをAIが理解できる数値データに変換すること。
AIは文字や画像をそのままでは扱えないため、「ベクトル」と呼ばれる数値に変換して処理する。この工程がエンコーディング。
エンベディング（Embedding）
意味を数値の空間にマッピングして表す技術。
「犬」と「猫」は意味が近く、「車」とは離れている──そんな“意味の距離”を数値化して扱うのがエンベディング。AIの自然言語理解に不可欠な要素。
エージェント（Agent）
自律的に判断し、行動するAIのこと。
ユーザーの指示に従って情報を検索・処理し、最適な行動を取る仕組み。最近では「AIエージェント」がチャットや業務自動化で注目されている。
お
オプティマイザー（Optimizer）
AIが最適な結果を出せるように、重みを調整するアルゴリズム。
学習中に誤差を減らすため、AI内部の数値（ウェイト）を微調整する役割を持つ。代表的なものに「Adam」「SGD」などがある。
オントロジー（Ontology）
知識や概念を整理してAIが理解できる形にした構造。
人間の世界の「ものごとの関係性」をAIが理解するための設計図のようなもの。たとえば、「犬は動物の一種」「動物は生物である」などを体系的に表す。
オートエンコーダー（Autoencoder）
データを圧縮して特徴を抽出し、再構築するAIモデル。
画像や音声などの情報を小さな数値にまとめ、不要な部分を省いて本質だけを学ぶ。異常検知やノイズ除去などに使われる。
オーバーフィッティング（Overfitting）
AIが学習データに偏りすぎて、新しいデータに対応できなくなる現象。
「テストでは完璧なのに本番で使えない」状態。AIが訓練データを暗記してしまい、汎用性を失うことを指す。
オープンソース（Open Source）
ソフトウェアやAIモデルの中身を公開し、誰でも利用・改良できる仕組み。
GitHubなどで公開されるAIツールやモデルがこれにあたる。研究者や開発者が共同でAIを進化させる土台となる。