意思決定モデルの用語集

原文ドキュメントではこれらの語は英語です。本サイトは訳語を統一し、英語の原語も併記します。

System OneSystem One モデル

ソフトウェアがそのまま扱える高速な構造化意思決定のために訓練されたモデルの分類です。生成モデルとの決定的な違いは、テキストを生成しないこと —— パースする対象も、幻覚が入り込む余地もありません。出力は型付きの値と確率分布で、コードはそれを使って分岐・並べ替え・振り分けができます。

See also state · question

原文 System One

state状態

モデルが評価する対象の素材です。メール、チケット、JSON 文書、契約文の一節など。1 回のリクエスト内のすべての質問は同じ状態に対して独立に評価されます。

See also question · choice

原文 状態

question質問(プリミティブ)

状態に対して投げる型付きの質問です。choice、score、noul の 3 種類だけです。1 回のリクエストで混在させ、同時に複数投げられます。

See also choice · score · noul

原文 プリミティブ(質問)

choicechoice(選択)

定義された選択肢の中から 1 つを選びます。Jev の Choice は最大 255 件の選択肢を扱えます。選ばれた項目に加えて、各選択肢の確率と全体の信頼度が返ります。

See also score · noul · confidence

原文 Choice

scorescore(スコア)

状態を順序づけられた尺度上に位置づけます。答えはスコアと各段階の確率、そして信頼度です。choice との違いは段階に順序があることです。

See also choice · noul · confidence

原文 Score

noulnoul(真偽判断)

イエス・ノーの問いに対して「答えがイエスである」確率(0–1)を返します。confidence とは別物です —— noul は世界についての確率で、confidence はモデル自身の判断の確からしさです。

See also confidence · choice

原文 Noul

confidence信頼度(confidence)

モデル自身の判断の確からしさです。答えが「何か」を、信頼度が「それに基づいて行動すべきか」を教えてくれます。しきい値による振り分けが典型用途です。なお choice と score は返しますが、noul は確率そのものなので返しません。

See also noul · score

原文 信頼度

calibration較正(calibration)

確率が語っている通りの意味を持つかという性質です。両モデルとも厳密に適切なスコアリングルールに基づく強化学習で較正を訓練しており、これが信頼度をしきい値に使える前提になります。

⚠️ 訓練に較正の目的関数を使っていることは、出力される確率が較正済みであることと同じではありません。 公開された反証があります。公平なサイコロを 400 回当てさせる独立実験では、400 回とも同じ面を選び、自己申告は平均 82.9% だったのに対し実際の的中率は 19.0% でした。事前登録された分布外テストでは、プリミティブごとに偏りの向きが逆だという結果も出ています。本番では信頼度を較正すべき事前分布として扱い、自分のデータで信頼できる帯を測ってください —— ガイドの実測としきい値選択を参照。

関連プロジェクト SemIf4,162★ · NanoJev2,159★ →

See also confidence · noul

原文 信頼度

escalationエスカレーション

信頼度が中間帯に落ちたとき、判断を人に渡すこと。失敗経路ではなく設計された段です。上は自動、下は破棄、間は人へ。見落としやすい点が二つ。中間帯は人手のコストであること、そしてエスカレーションにはフェイルセーフが必要であること。誰も見なければその項目は永遠に止まったまま、ダッシュボード上は「すべて正常」と見分けがつきません。

関連プロジェクト fast-jev-compaction6,653★ · foreman540★ →

See also confidence · calibration

原文 信頼度で分岐するルーティング

cascadeカスケード

安い段に先に判断させ、不確かな部分だけを高価なモデルへ渡します。節約される割合は高信頼領域のカバー率であり、固定のパーセンテージではありません(実測では 90% 以上の確信がある 37% を確定させ、大モデル呼び出しの 37% を削減)。前提は、小さいモデルの誤りがランダムノイズであること。ある種の入力で体系的に過信するなら、その種は決してエスカレーションされません。

関連プロジェクト jev-review (devagrawal09)586★ · jev-search446★ →

See also escalation · fan-out

原文 SDE カスケード

fan-outファンアウト

1 回のリクエストで多数の質問を投げ、コードが有用な答えを拾います。節約されるのは主に入力です。同じ state を一度だけ送るので、質問が多いほどリクエストあたりの固定費が薄まります(実測:8 問並列で入力トークンの中央値 76〜86% 削減)。⚠️ 互いに独立な判断(分類・採点・絞り込み)に向き、相互比較が必要な順位付けには向きません —— バッチ経路が順位品質のゲートを通らないというベンチマーク結果があります。

関連プロジェクト jev-review (devagrawal09)586★ · jev-search446★ →

See also cascade · question

原文 投機的ファンアウト

guardrailガードレール

内容がシステムに入る前・出る前に、1 回の構造化された判断で「通過 / 確認 / 遮断 / 迂回」を決めます。要となるトレードオフはしきい値ではなく、壊れたときどちらに倒れるかです。リスクを守るガードレール(権限・秘密・危険な操作)は fail-closed、スループットを守るもの(完了検査・書式検査)は fail-open であるべきです。もう一つの定石は決定論的な規則を先に走らせ、規則で決まらない灰域だけをモデルに渡すことです。

関連プロジェクト fast-jev-compaction6,653★ · foreman540★ →

See also escalation · noul

原文 LLM のガードレール

abstention棄権

モデルが自分の答えに確信を持てないとき、それを捨てずに印を付ける仕組みです。リクエストに min_confidence のしきい値を与えると、それを下回る答えは low_confidence の印を付けて返り、答え自体はそのまま返されます —— どうするかは呼び出し元が決めます。ゲートが報告する状態は三つです:passed(しきい値を超えた)、abstained(下回った)、unevaluated(答えが使える信頼度を持たず、ゲートが判断できなかった)。しきい値を設定しなければ、キーはどれも現れません。不在が報告であり、四つ目の状態ではありません。

See also confidence · calibration · guardrail

原文 HTTP API

local deploymentローカルデプロイ

オープンな意思決定モデルを自分のマシンで動かすやり方で、Ollaya はそのための既成の手段のひとつです。要点は、重みをローカルディスクに置き、127.0.0.1:11435 のようなループバックアドレスで提供し、呼び出しごとの課金がなく、データが自分の環境の外に出ないことです。デプロイとモデルは別の層です:ひとつのデプロイで複数のモデルを動かせますが、得られる精度はモデルのものであり、デプロイのものではありません。

See also System One

原文 Ollaya · Quickstart