概念 一番わかりやすい比喩
LLM 予測変換の超強化版
RAG 賢い友人に資料を渡す
LoRA 専門家パッチを貼る
プロンプト 優秀な部下への指示書
hallucination 知ったかぶり
マルチモーダル 五感を持ったAI
エージェント AI秘書
🟦 1. LLM とは何か？
■ 比喩：LLM は「超巨大な辞書付きの予測文章マシン」
「LLM は “知識を持った予測変換” です。
スマホの予測変換が “次の1語” を出すのに対し、
LLM は “次の1000語” を意味の通る形で生成できます。」
🟧 2. LLM の仕組み
■ 比喩：LLM は「圧縮された世界知識 ZIP ファイル」
「インターネットの大量テキストを読み込んで、
知識を“圧縮”した巨大ZIPファイルみたいなものです。
解凍（推論）すると回答が出ます。」
図：
Web情報 ──→ 「圧縮」学習 ──→ LLMモデル（圧縮知識）
↓ 解凍
回答を生成する
🟩 3. RAG（検索拡張生成）
■ 比喩：LLM は「物知りだけど記憶力が曖昧な友人」
「LLM は賢いけど“最新情報や社内情報は知らない”。
そこで RAG を使うと、
『友人に社内の資料を渡して、読んだ上で答えてもらう』
ような動きになります。」
図：
質問 → まず資料検索 → LLM に渡す → 正確な回答
🟥 4. ファインチューニング（LoRA / PEFT）
■ 比喩：LLM に「専門家の名刺を貼り付ける」
「LoRAは大規模な脳を作り直すのではなく、
小規模な“専門性パッチ”を貼り付けて性能を変える技術です。」
図：
[巨大モデル] + [小さな追加レイヤー（専門性）] = カスタムLLM
🟦 5. プロンプトエンジニアリング
■ 比喩：LLM は「高性能な部下」
「優秀だけど指示があいまいだと迷う部下」。
だから prompt（指示）を丁寧に書くほど結果が良くなる。
例）
NG：『資料まとめて』
OK：『3点に要約して、最後に要改善ポイントを出して』
🟨 6. LLM の hallucination（幻覚）
■ 比喩：自信満々で間違ったことを言う「知ったかぶり」
「LLM は時々“もっともらしい嘘”を作ります。
理由は『文章の続きを予測する仕組み』だから。」
図：
❌：事実を理解しているわけではない
⭕：もっともらしい文章を生成する
🟧 7. モデルデプロイ（運用）
■ 比喩：料理の“厨房”
「レストランで料理を出すように、
モデルもお客さん（ユーザー）のリクエストを処理する厨房が必要。」
厨房 = inference server
ウェイター = API
客 = ユーザーアプリ
🟪 8. 推論コスト
■ 比喩：文章生成の“電気代”
「長い文章を生成すると、その分だけ電気（GPU）が必要。
つまり『よくしゃべるほど高い』。」
例：
入力1,000 tokens → 数円
長文生成5,000 tokens → 数十円になることも
🟩 9. マルチモーダル LLM
■ 比喩：人間の「五感」を持ち始めたAI
「文字だけでなく、画像・音声・動画など
いろんな感覚を“読める・理解できる”モデルです。」
図：
画像 → 説明
音声 → 文字起こし
ファイル → 要約
🟦 10. エージェント型 LLM
■ 比喩：自律的に動く「AI秘書」
「LLM がツール操作（検索・計算・翻訳）を組み合わせて、
自動で目的を達成します。」
例：
Slack メッセージを読んで → 要約して → カレンダー調整
Web検索して → レポート作成
