変更要約: Generative AI Leader 第1章を新規作成（ドメイン1「生成 AI の基礎」: AI・ML・生成 AI の関係＝包含関係/学習の種類/データの種類/モダリティ・マルチモーダル、大規模言語モデルと基盤モデル＝LLM の仕組み/トークン/プロンプト/事前学習・ファインチューニング/埋め込み、生成 AI の限界とリスク＝ハルシネーション/バイアス/知識のカットオフ/プライバシー）。
1.3生成 AI の限界とリスク
ハルシネーション（もっともらしい誤り）、学習データに由来するバイアス、知識のカットオフ、出力の不確実性と再現性、説明可能性の難しさ、そしてデータプライバシーや著作権・セキュリティといった、生成 AI を業務で使うときに理解すべき限界とリスクを学びます。
生成 AI は強力ですが、そのままでは業務にリスクがあります。リーダーは利点だけでなく限界を理解し、適切な統制（人による確認やグラウンディング）とあわせて使う判断が求められます。代表的なリスクを押さえます。
1.3.1ハルシネーションとバイアス
ハルシネーション とは、生成 AI がもっともらしいが事実と異なる内容を自信ありげに出力することです。LLM は「次のトークン予測」で文章を作るため、事実を保証する仕組みではない点が原因です。対策として、信頼できるデータに基づかせる グラウンディング/RAG（第3章）や人による確認が重要です。また、学習データに偏りがあると バイアス（不公平・差別的な出力）が生じます。これらは「精度が高い＝安全」ではないことを意味します。
1.3.2その他の限界
| 限界/リスク | 内容 | 意味 |
|---|---|---|
| 知識のカットオフ | 学習データ以降の出来事を知らない | 最新情報はグラウンディングで補う |
| 不確実性/再現性 | 同じ入力でも出力が揺れる | 検証・人の確認が必要 |
| 説明可能性の難しさ | なぜその出力かを示しにくい | 重要判断は人が監督 |
| プライバシー/著作権/セキュリティ | 機微データや権利・攻撃のリスク | データガバナンスが前提 |
モデルは学習時点までの知識しか持たない 知識のカットオフ があり、最新情報は外部参照で補います。生成は確率的なので同じ入力でも出力が揺れ（不確実性・再現性の課題）、根拠の 説明可能性 も限定的です。さらに、入力に機微データを含めると漏えいリスクがあり、生成物の著作権や、プロンプトを悪用する攻撃（プロンプトインジェクション）などセキュリティ上の懸念もあります。これらは第4章の責任ある AI・データガバナンスにつながります。
「症状 → 用語/対策」が頻出。例：「もっともらしい誤り」＝ハルシネーション（対策＝グラウンディング/人の確認）、「偏った出力」＝バイアス、「最新を知らない」＝知識のカットオフ、「出力が毎回違う」＝不確実性/再現性、「なぜか説明しにくい」＝説明可能性、「機微データの扱い」＝プライバシー/データガバナンス。
混同に注意：
①ハルシネーション（事実誤り）とバイアス（不公平な偏り）は別。
②高い流暢さ・自信は正しさを保証しない。
③多くのリスクは人の確認・グラウンディング・データガバナンスで軽減でき、「使わない」ではなく「正しく使う」。
1.3.3この節のまとめ
- ハルシネーション＝もっともらしい誤り。対策はグラウンディング/RAG と人の確認
- バイアス/知識のカットオフ/不確実性/説明可能性の限界を理解する
- プライバシー・著作権・セキュリティ（プロンプトインジェクション）はデータガバナンスで統制
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 生成 AI が、もっともらしいが事実と異なる内容を自信ありげに出力する現象を何と呼びますか？
Q2. 学習データの偏りに由来して、不公平・差別的な出力が生じるリスクを何と呼びますか？
Q3. モデルが学習データ以降の最新の出来事を知らないという限界を何と呼びますか？
Q4. ハルシネーションのリスクを下げる対策として最も適切なものはどれですか？
Q5. 生成 AI を業務利用する際、入力に機微な個人情報を含めることの主なリスクはどれですか？
Q6. 生成 AI の出力が「流暢で自信ありげ」であることについて、正しい理解はどれですか？