AIの種類：包括的ガイド

人工知能（AI）が突然あらゆるところに現れたように感じるなら、それは事実です。マッキンゼーの最新市場調査によると、世界のAI導入率は2020–2021年に約50–60%だったものが、2025年には驚異の88%に達しています。

しかし、この爆発的な成長は言語面での問題を生みました。「AI」という言葉が、まったく異なる技術を指す総称的なバズワードになっているのです。単純なルールベースのチャットボット、画像生成器、そしてSFに出てくるようなロボットまで、同じ言葉で語られます。

データの実務家にとって、このあいまいさは障害です。関係者が「AIソリューション」を求めたとき、それは単純な回帰モデルなのか、生成エージェントなのか、あるいはコンピュータビジョンのシステムなのかを見極める必要があります。

この包括的なガイドでは、この用語法を整理します。単なる定義の羅列ではなく、どのように構築されるか、何ができるか、どのように意思決定するか、そして現実のワークフローにどう適合するかという、4つの異なるレンズで見ていきます。

このトピックが初めてなら、Understanding Artificial Intelligence コースの受講をおすすめします。

AIとは何か？

人工知能（AI）は、問題解決、音声認識、意思決定など、本来は人間の知能を要するタスクを実行できる知的エージェントを作ることに焦点を当てたコンピュータサイエンスの一分野です。

AIは多様なアプローチを持つ学際的な科学です。事前に定義された条件のもとで動くルールベースのものもあれば、機械学習アルゴリズムを用いてデータから学習し、予期せぬ状況に適応できるシステムもあります。

ただし、AIを厳密に定義するのは意外に難しく、研究者が「AI効果」と呼ぶ現象が背景にあります。これは、技術が成熟するにつれ社会のAIに対する認識が変化し、ある能力が一般化すると人々はそれを「AI」とは呼ばず、普通のソフトウェアだと見なす傾向を指します。

この定義の揺れと広範な射程のため、単一の分類では不十分です。全体像をつかむには複数のレンズが必要です。

• テクノロジー：基盤となるアルゴリズムやアーキテクチャ。
• 能力：限定的から超知能までの知性レベルの測定。
• 機能性：システムがどのように情報を処理し、記憶を維持するか。

例えば、自動運転車は同時に3つの観点から分類できます。

• 狭義のAI（Narrow AI）（能力に基づく）。
• ディープラーニング（基盤技術に基づく）。
• 限定的記憶（機能性に基づく）。

以下のセクションで、これらの具体的なタイプを掘り下げます。

技術的ではない入門としては、まずはAI初心者向けガイドをお読みください。

テクノロジー別のAIの種類

AIを最も厳密に分類する方法は、システムを駆動する「エンジン」、すなわち基盤技術で分けることです。この分類では、データの処理と学習のしかたに基づいてシステムを区別します。さまざまなタイプを見ていきましょう。

機械学習

機械学習（ML）はAIの一分野で、データから学習し、すべてのルールを明示的にプログラムしなくても改善していくシステムに焦点を当てます。「もしAならB」とコード化する代わりに、アルゴリズムにデータを与え、パターンを見つけさせます。

機械学習は主に3つの学習パラダイムに分かれ、それぞれ異なる問題に適しています。

• 教師あり学習：ビジネスで最も一般的な形です。ラベル付きデータ（入力と出力のペア）でアルゴリズムを訓練します。例えば、「スパム」「スパムでない」とラベルづけされた1,000通のメールを見せると、次のメールを分類できるようになります。代表的なアルゴリズムには、線形回帰、K近傍法（KNN）、決定木があります。
• 教師なし学習：ラベルのないデータを与え、アルゴリズムが自力で潜在的な構造やパターンを見つけます。顧客セグメンテーション（クラスタリング）によく使われます。代表的なアルゴリズムは、K-meansクラスタリングや主成分分析（PCA）です。
• 強化学習（RL）：まったく別のアプローチで、報酬と罰を用いた試行錯誤でエージェントを学習させます。RLエージェントは環境との相互作用に関するフィードバックを受け取り、時間とともに累積報酬を最大化する行動を学びます。これはロボットやAlphaGoのような高度なゲームAIの訓練に使われます。

機械学習の基礎を固めるには、Machine Learning Fundamentals with Python スキルトラックに取り組むことをおすすめします。

ディープラーニング

ディープラーニング（DL）は、人間の脳の構造に着想を得た機械学習の専門領域です。多数の層（「深い」）を持つ人工ニューラルネットワークを用いて、巨大なデータセットにおける複雑な非線形関係をモデル化します。従来のMLがデータ量の増加で頭打ちになる一方、DLは改善が続くことが多いのが特徴です。

主要なアーキテクチャには次のようなものがあります。

• 畳み込みニューラルネットワーク（CNN）：画像処理の標準。画像を自動的に走査する「フィルター」を用いて、エッジ、形状、質感といった空間的階層を検出します。
• 再帰型ニューラルネットワーク（RNN）：時系列や音声などの系列データ向け。過去の入力の「記憶」を保持し、現在の出力に反映します。
• トランスフォーマー：現代の大規模言語モデル（LLM）（GPT 5.2やGemini 3など）の基盤。アテンション機構を用いて系列全体を同時に処理し、単語同士の相対的重要度を評価します。
• 敵対的生成ネットワーク（GAN）：「生成器」と「識別器」という2つのネットワークが競い合う枠組み。生成器が偽データを作り、識別器が偽物を見破ろうとします。この競争により非常にリアルな合成出力が得られます。
• 拡散モデル：Midjourneyのようなツールのエンジン。ランダムノイズから鮮明で視覚的に判別しやすい画像へと段階的に逆変換することを学習し、高品質な画像を生成します。

これらのモデルを自分で構築したい場合は、Introduction to Deep Learning with PyTorch コースから始めるとよいでしょう。

自然言語処理

自然言語処理（NLP）は、コンピュータが人間の言語を意味のある形で理解・解釈・生成できるようにすることに焦点を当てています。自然言語に内在するあいまいさ、文脈依存性、複雑さを扱うことで、人間のコミュニケーションと機械の理解の溝を埋めます。

代表的な手法には以下があります。

• 感情分析：フレーズの背後にある感情を分析（例：レビューがポジティブかネガティブかの分類）
• 固有表現抽出（NER）：テキスト中の人物や地名の特定
• トークナイゼーション：テキストを単語、音節、文字などの小さな単位に分割

Pythonでtransformersを使った感情分析の例を見てみましょう。

# Example: Sentiment analysis using transformers
from transformers import pipeline
# Load pre-trained sentiment analysis model
sentiment_analyzer = pipeline("sentiment-analysis")
# Analyze multiple texts
texts = [
    "This product exceeded my expectations!",
    "Terrible customer service, very disappointed.",
    "The quality is okay, nothing special."
]
results = sentiment_analyzer(texts)
for text, result in zip(texts, results):
    print(f"Text: {text}")
    print(f"Sentiment: {result['label']}, Confidence: {result['score']:.2f}\n")

Text: This product exceeded my expectations!
Sentiment: POSITIVE, Confidence: 1.00

Text: Terrible customer service, very disappointed.
Sentiment: NEGATIVE, Confidence: 1.00

Text: The quality is okay, nothing special.
Sentiment: NEGATIVE, Confidence: 0.98

コンピュータビジョン

コンピュータビジョンは、デジタル画像や動画から有益な情報を抽出し、コンピュータが人間の知覚に近い形で視覚データを理解できるようにします。物体の識別、距離の測定、人間の観察では見えないパターンの認識まで扱います。

コンピュータビジョンは、画像処理手法と機械学習、特にディープラーニングを組み合わせて、生の視覚データからより抽象的な表現を段階的に抽出します。主なタスクには以下があります。

• 画像分類：画像に何が写っているかの識別（例：「これは猫です」）。
• 物体検出：物体がどこにあるかの特定（例：「座標x,yに歩行者がいる」）。
• 顔認識：顔の特徴に基づく本人確認。

医用画像はコンピュータビジョンの最も影響力のある応用の一つで、X線、CT、MRIにおける腫瘍の検出で、人間の放射線科医に匹敵する、あるいは上回る精度を実現しています。こうしたシステムは医療従事者を置き換えるのではなく、例えば疑わしい異常を専門家のレビューに回すなどの形で支援します。

音声・オーディオ処理

オーディオ処理は、人間の音声や環境音を含む聴覚信号の認識・解釈・合成に取り組みます。目的は、機械が「聞き、理解し、音を生成する」ことを可能にし、音波と意味の橋渡しをすることです。

自動音声認識（ASR）は話し言葉をテキストに変換し、音声アシスタント、文字起こし、アクセシビリティツールを支えます。最新のASRはトランスフォーマーを用いて音声波形からテキスト列へ直接マッピングし、クリアな音声では人間に近い精度を達成し、雑音や訛りといった難条件でも着実に改善しています。

Text-to-Speech（TTS）エンジンであるAmazon Pollyのような技術は逆の処理を行い、テキストから自然な音声を合成します。ニューラルボコーダーにより、抑揚、イントネーション、感情表現をリアルに生成します。現代のTTSは数分の音声から声のクローンを作れるため、創造的可能性と倫理的懸念の双方をもたらしています。

応用は音声処理を越えてクリエイティブかつ実務的な領域にも広がります。ボイスクローンは、パーソナライズされたバーチャルアシスタント、一貫した声でのオーディオブック制作、そして議論を呼ぶディープフェイク音声を可能にします。

ロボティクスとエンボディドAI

これはAIと工学の交差点です。エンボディドAIは、先進的な「頭脳」（ビジョン・言語モデルなど）を物理的なロボットボディに搭載します。多くのAIがデジタル空間にとどまるのに対し、エンボディドAIは重力や摩擦、物理環境の予測不能な複雑性に対処しなければなりません。

この現実への根ざしは純粋に計算的なAIにはない課題をもたらす一方、物理世界との直接的な相互作用を可能にします。従来のロボットは各タスクに対して明示的なプログラミングが必要で、エンジニアが精密な動作や意思決定木を手作業で組み上げていました。

現代のエンボディドAIは「そのリンゴを拾って」「あのドアを開けて」といった自然言語の指示を理解し、視覚認識で対象物を特定し、タスク固有のプログラミングなしに適切な行動を計画できます。

これはモラベックのパラドックス（人間にとって容易な洗濯物を畳む、ドアを開ける、散らかった部屋を移動するといった作業はロボットには極めて難しく、一方で人間が難しいチェスや微積分はAIにとって比較的容易であるという観察）への対応でもあります。

基盤モデルを用いたエンボディドAIは、ロボットに人間が当然視する知覚理解と適応的計画を与えることで、このギャップを埋えつつあります。応用例として、家庭用のロボット掃除機、産業用の協働ロボット（コボット）、Boston DynamicsのAtlasのような高度なヒューマノイドが挙げられます。

能力別のAIの種類

テクノロジーがAIの作り方を規定するのに対し、能力は人間の知能に対して何ができるかを規定します。この分類は、現在の限界から理論上の未来へと至るAIの進化のタイムラインでもあります。

人工狭義知能

人工狭義知能（ANI）、別名Weak AIは、現在存在するAIを指します。特定の事前定義されたタスクで優れる一方、訓練範囲外のことをさせるとまったく機能しません。チェスのボットは車を運転できず、医療診断ツールは詩を書けません。

ただし、「狭い」という定義は拡張しつつあります。現在の最先端は、高度なマルチモーダル大規模言語モデル（LLM）です。GPT-5.2やGemini 3のように、テキスト・音声・画像を同時に処理できるモデルが登場しています。

これらは推論を模倣しますが、世界に対する真の理解は依然として欠きます。開発者はAPIを通じてこうしたANIシステムとやり取りし、アプリケーションに統合します。

ANIの次のステップがエージェンティックAIです。受け身のチャットを超え、例えばフライト予約のためにウェブを自律的に閲覧するといった多段の行動を実行でき、より広い知能への架け橋となります。

人工汎用知能

人工汎用知能（AGI）はAI研究の究極の到達点です。互いに無関係な領域を横断して学習・推論・問題解決ができ、人間の認知的柔軟性に匹敵する機械の理論的段階を指します。

決定的な違いは汎化能力です。ポルトガル語を話すよう訓練されたANIは、その知識を流用してスペイン語の習得を早めることはできません。AGIであれば、分野をまたいで論理を適用でき、手作業の再訓練を要しません。

AGIの到来時期は激しい議論の的です。楽観派は2026–2029年を予測する一方、懐疑派は（特に正確な「世界モデル」といった）根本的アーキテクチャが欠けているとし、2040年以降と見積もります。

人工超知能

人工超知能（ASI）は、科学的創造性、一般的叡智、社会的スキル、問題解決など、ほぼあらゆる分野で最も賢い人間を凌駕する仮説上の段階を指します。ASIはアインシュタインやダ・ヴィンチに匹敵するだけでなく、彼らが平均的な人間知能を凌駕したのと同程度、あるいはそれ以上に彼らを上回るでしょう。

ASIを巡る最大の懸念は、再帰的自己改善です。ASIが自らのアーキテクチャを設計し直してより賢くなり、その強化された知性でさらに改善を進める—この暴走的なフィードバックループにより、知能が指数関数的に加速する恐れがあります。

この知能爆発は、人間の理解を遥かに超えるシステムを急速に生み、その挙動の予測を不可能にしかねません。これにより、アラインメントや制御に関する深刻な安全性の問題が生じます。ASIの目標が人間の価値とわずかでも不一致であれば、その優れた知性が人類に有害な形で目標追求を行う可能性があります。

ASIを構築するための信頼できるロードマップは存在せず、超知能が実現可能か、概念として首尾一貫しているかについて疑問を呈する研究者も多くいます。それでも、ASIの理論的可能性は、より強力になるシステムが有益かつ制御可能なままであることを保証するためのAIアラインメントに関する学術研究を後押ししています。

機能性別のAIの種類

能力がパワーを測るのに対し、機能性はシステムが世界とどう相互作用し、データをどう処理するかを測ります。この分類により、1990年代のチェスコンピュータと未来のソーシャルロボットを区別できます。各タイプを見ていきましょう。

反応型マシン

反応型マシンは、最も基本的で古典的なAIの形です。これらのシステムには過去や未来の概念がなく、事前にプログラムされたルールに基づいて、目の前の入力にのみ反応して動作します。

反応型AIの特徴は、状態を持たず決定論的であることです。同一の入力を10回与えれば、10回とも同じ出力を返します。記憶を保持しないため、経験から学習することはできません。

このタイプの好例が、ガリー・カスパロフを破ったチェスコンピュータIBMのDeep Blueです。カスパロフの心理を学んだわけではなく、現在の盤面に基づいて最善手を計算しただけです。メール履歴を分析せず、キーワードでフラグを立てる標準的なスパムフィルタもこのカテゴリに含まれます。

限定的記憶AI

限定的記憶AIは現代のアプリケーションの主流です。最近のデータやコンテキストを一時的に保存して意思決定に活用することで、動的な振る舞いを実現します。反応型マシンと異なり、限定的なコンテキストウィンドウの中で履歴情報を参照します。

今日使われている予測AIや生成AIのほとんどはこのカテゴリに属します。Claude Opus 4.5のようなLLMは会話履歴を保持し、数分前の発言を覚えて、一貫性のある応答を返し、過去のやり取りを踏まえて回答を構築します。どれだけの履歴を参照できるかはコンテキストウィンドウが決めます。

自動運転車は周囲車両の速度や軌跡を数秒にわたって追跡し、現在位置に反応するだけでなく、将来位置を予測します。

心の理論（Theory of Mind）AI

心の理論AIは、研究プロトタイプと実用的能力の間に位置づけられる議論の多い領域です。このカテゴリのシステムは、人間の心的状態、信念、意図、感情、欲求をモデル化し、行動を正確に予測します。

これは自然な社会的相互作用に不可欠で、暗黙の合図を解釈し、欺瞞を検出し、ユーザーの気分に合わせて応答を適応させることを可能にします。

OpenAIのGPT-4のような先端モデルはすでに偽信念課題で人間レベルの結果を示しており、スタンフォードの研究者Michal Kosinskiの2024年PNAS論文で示されたように、誤った信念に基づく行動予測などに成功しています。

とはいえ、現代のLLMを真の心の理論システムとみなせるのか、単に言語訓練からのパターンマッチングを適用しているだけなのかは専門家の間で議論があります。プロトタイプとしては、シミュレーション環境で他のエージェントの信念を推定することを目的としたDeepMindのToMnetなどがあります。

自己意識を持つAI

自己意識を持つAIは、意識や感受性を有し、自分の存在を周囲の世界から切り分けて明確に理解する機械という概念を指します。

これは単なる知性ではなく主観的体験を意味します。そのような機械は自己に関する情報を処理するだけでなく、「自分は存在する」という実感と、それに伴う感情・欲求・ニーズを持つことになります。

このレベルは計算能力を超え、意識の本質そのものに関する哲学的領域に踏み込みます。自己意識を持つAIは痛みや快楽、停止に対する恐怖を感じるのか。もしそうなら、道徳的配慮や権利が与えられるべきか。議論は工学から倫理へと移ります。

現存するシステムでこのレベルに近いものはありません。2001年宇宙の旅のHAL 9000や、スタートレックのデータのような架空の例が概念を示しますが、到達できるのかは依然として推測の域を出ません。

主要なAIモデルの種類

高次の理論を超えて、データの実務家は本番で遭遇する具体的アーキテクチャを理解しておく必要があります。大まかに言えば、今日の産業で使われるAIモデルは、創り出すものと分析するものに分類できます。この区別については、生成モデルと識別モデルに関する記事で詳しく解説しています。

生成AI：クリエイター

生成AIモデルは、学習データに似た新しいデータインスタンスを生成するよう設計されています。データセットの背後にある確率分布を学習し、独自のテキスト、画像、コード、音声を生み出します。分析から創造へのシフトは、スケーラブルなコンテンツ生成、創造性の拡張、シミュレーションに多くの可能性をもたらします。

代表例として、文章やコーディングのためのClaudeのようなLLM、画像合成のためのMidjourneyやNano Banana Proのような拡散モデル、複雑なシーンをシミュレートできるSoraのような動画生成モデルがあります。特筆すべきは、すべての画像生成が拡散に基づくわけではない点で、GPT Image 1.5のように自己回帰型アーキテクチャを用いるモデルもあります。

生成AIは、モデルが応答するだけでなく積極的にアセットや計画を作成するエージェンティックAIのワークフローにおける大きな前進を意味します。エージェントについては後ほど詳しく見ていきます。

識別AI：アナリスト

生成AIが注目を集める一方で、予測AIとしても知られる識別AIは企業運用の中核であり続けています。これらのモデルは新しいデータを作るのではなく、データセット内のクラスの境界を学習して入力を分類したり、将来の値を予測したりします。

識別AIのビジネス価値は、意思決定の支援やリスク評価にあります。組織は、学習した基準を一貫して適用する判断の自動化にこれらのモデルを使います。

生成モデルと異なり、識別モデルは創造性ではなく正確性と信頼性を重視し、しばしばエラーが重大な結果を招く高リスクの状況で運用されます。

例：

• ローンのデフォルトリスクを予測する信用スコアリングモデル。
• メールを迷惑か正当かに分類するスパムフィルタ。
• X線の異常を特定する医療診断ツール。
• 不正取引を検出する金融モニタリングシステム。

基盤モデル

基盤モデルは、テキスト、画像、コード、構造化データなど多様で膨大なデータに学習し、ドメインを超えて適用可能な一般的なパターンを獲得します。単に画像を分類したりテキストを生成したりするだけでなく、言語、推論、世界知識に関する幅広い理解を身につけ、最小限の追加学習で新しいタスクに転移します。

このアプローチにより、新規アプリケーションへのAI導入に必要な時間とデータが劇的に減ります。特定の問題ごとに別個のモデルを作るのではなく、単一の基盤モデルをファインチューニングして、法務文書の分析からコード生成、翻訳まで多様なタスクに対応できます。

現在はSmall Language Models（SLM）の台頭も見られます。これらは基盤モデルを蒸留して効率化したもので、ノートPCやスマートフォンなどのデバイス上でローカルに動作し、クラウドの巨大モデルに比べてプライバシーと速度を両立させます。

AIエージェントの種類

AIは、受動的なツールから、複雑なワークフローを実行できる自律エージェントへと進化しています。標準的なモデルが入力を待って出力を返すのに対し、AIエージェントは環境を知覚し、目標達成の方法を推論し、実行のために行動を起こします。エージェントのアーキテクチャと構築方法を理解するには、まずIntroduction to AI Agents コースから始めることをおすすめします。

AIエージェントの種類は、一般に複雑さと自律性のレベルで分類されます。見ていきましょう。

単純反射型エージェント

反射型エージェントは最も単純な形です。「条件—行動」の厳密なルールで動作し、現在の知覚にのみ反応し、履歴は無視します。スマートサーモスタットは、「温度が68°F未満なら暖房をオン」「72°Fを超えたら冷房をオン」といったルールで動作する好例です。

組立ラインのロボットも同様で、部品が所定位置に到達したことを示すセンサー条件を検知すると動作します。反射型エージェントは安定した環境での反復タスクに優れますが、状況が不意に変化すると苦手で、適応に必要な文脈理解を欠きます。

モデルベース反射型エージェント

モデルベース反射型エージェントは内部の世界モデルを維持し、時間とともに状態を追跡して、部分観測環境に対処します。単に反応するだけでなく、正しく動作するために必要な重要情報を記憶します。

自動緊急ブレーキシステムは、レーダーとカメラのデータを融合して、即時の脅威に反応するだけでなく、車両の軌跡を時間的に追跡する好例です。トラックの陰に入って見えなくなっても、車の推定位置を記憶して正確な状態推定を保ちます。

目標志向型エージェント

目標志向型エージェントは、単なる反応ではなく、特定の目的の達成に向けて行動します。「イタリア旅行を計画して」という目標が与えられると、複数の行動列を検討し、目標達成につながるものを評価します。これはエージェンティックAIの最先端です。

Roo Codeのようなソフトウェア工学ツールや自動予約アシスタントは、検索、比較、制約チェック、意思決定といった多段のワークフローを実行して、タスク全体を完了します。n8nのようなワークフロープラットフォームは、AIエージェントが意思決定点や適応ロジックを担う複雑なプロセスの構築を可能にします。

AIエージェントの確かな基礎を築きたい場合は、AI Agent Fundamentals トラックの受講をおすすめします。

効用ベースエージェント

効用ベースエージェントはさらに一歩進み、単に「達成できる経路」ではなく「最善の経路」を最適化します。アウトカムに数値スコアを割り当てる効用関数を用い、定量的な比較を可能にします。

目標志向型エージェントが「とにかくローマ行きの便を予約」するのに対し、効用ベースは費用、所要時間、乗り継ぎ、出発時刻などを考慮して全体効用を最大化します。

例として、利益とリスクのバランスを取るアルゴリズム取引システムや、最速・最短・有料道路回避など利用者の好みに基づいて経路を最適化するWazeのようなナビアプリが挙げられます。

学習エージェント

学習エージェントは未知または変化する環境で動作し、人手を介さず経験を通じて継続的に改善します。アーキテクチャには、性能フィードバックを与える批評（critic）と、方策を変更する学習要素が含まれます。

火星探査車は、新しい地質構造に遭遇しながら、安全な経路を示す地形特徴を学習します。Netflixのレコメンドアルゴリズムもその一例で、視聴履歴に基づいてユーザー嗜好の理解を継続的に洗練し、時間とともに提案の質を高めます。

エージェンティックなフレームワーク：エージェントを構築するために

エージェンティックなフレームワークは、複雑なエージェントのためのOSの役割を果たし、推論コア（通常はLLM）をメモリ、ツール、マルチエージェント調整に接続します。次の点を管理します。

• オーケストレーション：各サブタスクをどのエージェントが担当するかを決め、コンポーネント間のワークフローを管理
• 計画：複雑な目標を実行可能な手順に分解し、状況変化に応じて適応
• ツール利用：検索エンジン、データベース、API、コード実行へのアクセスを提供
• メモリ：会話履歴や即時対話を超えた長期コンテキストの維持

代表的なフレームワーク：

• LangChain／LangGraph：豊富な連携でLLMとデータソースを結ぶ業界標準。
• Google ADK：Vertex AI上で高度なエージェントを構築するためのオープンソースフレームワーク。
• CrewAI：複雑なタスクで複数のロールプレイ型エージェントをオーケストレーション。

これらのアーキテクチャのクイックリファレンスとして、AI Agents チートシートをご覧ください。

結論

多くを取り上げました。そろそろまとめましょう。

AIを単一の巨大な技術としてではなく、特定の課題に適した専門的アプローチの多様なエコシステムとして捉えるべきです。AIを十分に理解するには、テクノロジー、能力、機能性という3つのレンズで検討することが必要です。

現在私たちは、特定タスクに特化した狭義のAIから、自律的に複雑なワークフローを実行する初期のエージェンティックAIへの移行期にあり、産業全体での導入にとって重要な転換点を迎えています。

AIのエキスパートへの第一歩として、AI Fundamentals スキルトラックに登録してください。