AI技術選定フレームワーク

🤖 AI技術選定：ポケモン「タイプ統一パ」で理解する専門特化選択

📝 ポケモン世界におけるAI技術選定の定義

AI技術選定とは、**「伝説ポケモンの特性を理解し、最適な1匹を選ぶ」**ことです。GPT-4、Claude、Gemini、ローカルLlama——それぞれが得意分野を持つ伝説級。ポケモンでいえば、ミュウツー（汎用最強）、ルギア（安全特化）、レックウザ（マルチモーダル）——ユースケース次第で最適解が変わるのがAI選定です。

---

1. 🧠 AI技術選定の5つの評価軸

【教科書的な説明】

AI技術選定では、精度・コスト・レイテンシ・データプライバシー・カスタマイズ性を評価する。

【ポケモン版・マサカリ的実務視点】

評価軸	ポケモン的解釈	実務での重要度	失敗パターン
1. タスク適合性	「タイプ相性」——やりたいことに合っているか	⭐⭐⭐⭐⭐	GPT-4で画像生成しようとする（Stable Diffusion使え）
2. 精度	「種族値」——出力の正確さ	⭐⭐⭐⭐⭐	Llama 2で医療診断→誤診リスク（GPT-4使え）
3. コスト	「わざマシン代」——トークン課金	⭐⭐⭐⭐	GPT-4で全リクエスト→月100万円破産
4. レイテンシ	「素早さ」——応答速度	⭐⭐⭐⭐	Claude Opusでリアルタイムチャット→遅延でユーザー離脱
5. プライバシー	「技漏れ」——データ学習リスク	⭐⭐⭐⭐⭐	OpenAI APIで顧客情報送信→GDPR違反
6. カスタマイズ性	「個体値調整」——ファインチューニング	⭐⭐⭐	ドメイン特化が必要なのに汎用モデル固執

---

2. 🎯 AI技術選定の決定木

【ステップ1】タスク分類

// AI技術選定の決定木
type AITask =
  | "text-generation"       // 文章生成
  | "code-generation"       // コード生成
  | "image-generation"      // 画像生成
  | "video-generation"      // 動画生成
  | "speech-to-text"        // 音声認識
  | "text-to-speech"        // 音声合成
  | "translation"           // 翻訳
  | "summarization"         // 要約
  | "qa"                    // 質問応答
  | "classification"        // 分類
  | "embedding"             // ベクトル化

interface AIRequirements {
  task: AITask;
  accuracy: "high" | "medium" | "low";      // 精度要求
  latency: "realtime" | "fast" | "batch";   // レイテンシ要求
  volume: number;                            // 月間リクエスト数
  budget: number;                            // 月額予算（円）
  privacy: "strict" | "normal" | "relaxed"; // プライバシー要求
  customization: boolean;                    // カスタマイズ必要性
}

// 例：社内チャットボット
const chatbotRequirements: AIRequirements = {
  task: "qa",
  accuracy: "high",           // 誤答は許されない
  latency: "fast",            // 3秒以内に応答
  volume: 100000,             // 月10万リクエスト
  budget: 100000,             // 月10万円
  privacy: "strict",          // 社内データなので厳格
  customization: true         // 社内ドキュメント学習
};

---

【ステップ2】AI技術の候補選定

// AI技術カタログ
interface AITechnology {
  name: string;
  provider: string;
  tasks: AITask[];
  pricing: {
    inputCostPer1K: number;   // 入力1Kトークンあたり（円）
    outputCostPer1K: number;  // 出力1Kトークンあたり（円）
  };
  latency: number;            // 平均レスポンス時間（ms）
  accuracy: number;           // 精度スコア（0-100）
  privacy: "cloud" | "on-premise" | "hybrid";
  customizable: boolean;
}

const aiCatalog: AITechnology[] = [
  // === テキスト生成 ===
  {
    name: "GPT-4 Turbo",
    provider: "OpenAI",
    tasks: ["text-generation", "code-generation", "qa", "summarization"],
    pricing: {
      inputCostPer1K: 1.5,    // $0.01 * 150円
      outputCostPer1K: 4.5    // $0.03 * 150円
    },
    latency: 2000,
    accuracy: 95,
    privacy: "cloud",
    customizable: false         // ファインチューニング終了
  },
  {
    name: "GPT-4o",
    provider: "OpenAI",
    tasks: ["text-generation", "code-generation", "qa", "image-generation"],
    pricing: {
      inputCostPer1K: 0.75,
      outputCostPer1K: 2.25
    },
    latency: 1000,              // GPT-4 Turboより高速
    accuracy: 93,
    privacy: "cloud",
    customizable: false
  },
  {
    name: "GPT-3.5 Turbo",
    provider: "OpenAI",
    tasks: ["text-generation", "code-generation", "qa"],
    pricing: {
      inputCostPer1K: 0.075,  // $0.0005 * 150円
      outputCostPer1K: 0.225  // $0.0015 * 150円
    },
    latency: 500,
    accuracy: 85,
    privacy: "cloud",
    customizable: true          // ファインチューニング可能
  },
  {
    name: "Claude 3.5 Sonnet",
    provider: "Anthropic",
    tasks: ["text-generation", "code-generation", "qa", "summarization"],
    pricing: {
      inputCostPer1K: 0.45,   // $0.003 * 150円
      outputCostPer1K: 2.25   // $0.015 * 150円
    },
    latency: 1500,
    accuracy: 94,
    privacy: "cloud",
    customizable: false
  },
  {
    name: "Claude 3 Opus",
    provider: "Anthropic",
    tasks: ["text-generation", "code-generation", "qa", "summarization"],
    pricing: {
      inputCostPer1K: 2.25,   // $0.015 * 150円
      outputCostPer1K: 11.25  // $0.075 * 150円
    },
    latency: 3000,
    accuracy: 96,             // 最高精度
    privacy: "cloud",
    customizable: false
  },
  {
    name: "Gemini 1.5 Pro",
    provider: "Google",
    tasks: ["text-generation", "code-generation", "qa", "summarization", "video-generation"],
    pricing: {
      inputCostPer1K: 0.525,  // $0.0035 * 150円
      outputCostPer1K: 1.575  // $0.0105 * 150円
    },
    latency: 1200,
    accuracy: 90,
    privacy: "cloud",
    customizable: false
  },
  {
    name: "Gemini 1.5 Flash",
    provider: "Google",
    tasks: ["text-generation", "qa"],
    pricing: {
      inputCostPer1K: 0.0525, // $0.00035 * 150円
      outputCostPer1K: 0.21   // $0.0014 * 150円
    },
    latency: 300,             // 超高速
    accuracy: 82,
    privacy: "cloud",
    customizable: false
  },
  {
    name: "Llama 3 70B",
    provider: "Meta (Self-hosted)",
    tasks: ["text-generation", "code-generation", "qa"],
    pricing: {
      inputCostPer1K: 0,      // 自前GPU（初期投資のみ）
      outputCostPer1K: 0
    },
    latency: 800,             // GPU次第
    accuracy: 88,
    privacy: "on-premise",    // 完全プライベート
    customizable: true        // ファインチューニング可能
  },

  // === 画像生成 ===
  {
    name: "DALL-E 3",
    provider: "OpenAI",
    tasks: ["image-generation"],
    pricing: {
      inputCostPer1K: 60,     // 1枚$0.04 * 150円 * 1000/画像
      outputCostPer1K: 0
    },
    latency: 10000,
    accuracy: 90,
    privacy: "cloud",
    customizable: false
  },
  {
    name: "Stable Diffusion XL",
    provider: "Stability AI (Self-hosted)",
    tasks: ["image-generation"],
    pricing: {
      inputCostPer1K: 0,      // 自前GPU
      outputCostPer1K: 0
    },
    latency: 5000,            // RTX 4090で5秒
    accuracy: 88,
    privacy: "on-premise",
    customizable: true        // LoRA対応
  },
  {
    name: "Midjourney",
    provider: "Midjourney",
    tasks: ["image-generation"],
    pricing: {
      inputCostPer1K: 4500,   // $30/月サブスク ÷ 200枚 * 1000
      outputCostPer1K: 0
    },
    latency: 15000,
    accuracy: 92,
    privacy: "cloud",
    customizable: false
  },

  // === 埋め込み（Embedding） ===
  {
    name: "text-embedding-3-small",
    provider: "OpenAI",
    tasks: ["embedding"],
    pricing: {
      inputCostPer1K: 0.003,  // $0.00002 * 150円
      outputCostPer1K: 0
    },
    latency: 100,
    accuracy: 85,
    privacy: "cloud",
    customizable: false
  },
  {
    name: "text-embedding-3-large",
    provider: "OpenAI",
    tasks: ["embedding"],
    pricing: {
      inputCostPer1K: 0.0195, // $0.00013 * 150円
      outputCostPer1K: 0
    },
    latency: 150,
    accuracy: 92,
    privacy: "cloud",
    customizable: false
  }
];

---

【ステップ3】候補技術のフィルタリング

// AI技術選定関数
function selectAI(requirements: AIRequirements): AITechnology[] {
  // Step 1: タスク対応フィルタ
  let candidates = aiCatalog.filter(tech =>
    tech.tasks.includes(requirements.task)
  );

  // Step 2: プライバシー要件フィルタ
  if (requirements.privacy === "strict") {
    candidates = candidates.filter(tech =>
      tech.privacy === "on-premise" || tech.privacy === "hybrid"
    );
  }

  // Step 3: カスタマイズ要件フィルタ
  if (requirements.customization) {
    candidates = candidates.filter(tech => tech.customizable);
  }

  // Step 4: 精度フィルタ
  const minAccuracy = requirements.accuracy === "high" ? 90 :
                      requirements.accuracy === "medium" ? 80 : 70;
  candidates = candidates.filter(tech => tech.accuracy >= minAccuracy);

  // Step 5: レイテンシフィルタ
  const maxLatency = requirements.latency === "realtime" ? 500 :
                     requirements.latency === "fast" ? 2000 : 10000;
  candidates = candidates.filter(tech => tech.latency <= maxLatency);

  // Step 6: コストスコア計算
  const avgTokens = 1000; // 平均1000トークン/リクエストと仮定
  candidates = candidates.map(tech => ({
    ...tech,
    monthlyCost: (
      (tech.pricing.inputCostPer1K + tech.pricing.outputCostPer1K) *
      (avgTokens / 1000) *
      requirements.volume
    )
  })).filter((tech: any) => tech.monthlyCost <= requirements.budget);

  // Step 7: コストパフォーマンス順にソート
  return candidates.sort((a: any, b: any) => {
    const scoreA = a.accuracy / (a.monthlyCost + 1);
    const scoreB = b.accuracy / (b.monthlyCost + 1);
    return scoreB - scoreA;
  });
}

// 例：社内チャットボット
const recommendations = selectAI(chatbotRequirements);
console.log(recommendations);
// → Llama 3 70B（プライバシー・カスタマイズ・コスト全て満たす）

---

3. 🏆 ユースケース別AI技術選定

ユースケース1: カスタマーサポートチャットボット

要件:

• 24時間対応
• 応答速度: 3秒以内
• 月間10万会話
• 顧客情報を扱う（プライバシー重要）

const customerSupportRequirements: AIRequirements = {
  task: "qa",
  accuracy: "high",
  latency: "fast",
  volume: 100000,
  budget: 200000,           // 月20万円
  privacy: "normal",        // API利用OK（オプトアウト必須）
  customization: true       // FAQ学習
};

// 推奨: GPT-3.5 Turbo (Fine-tuned)
// 理由:
// - ファインチューニングでFAQ学習可能
// - レイテンシ500ms（高速）
// - 月額コスト: 0.3円/リクエスト × 10万 = 3万円（予算内）
// - オプトアウト設定で学習防止

実装例:

import OpenAI from "openai";

const openai = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY
});

// ファインチューニング済みモデルでチャットボット
async function chatbot(userMessage: string, conversationHistory: any[]) {
  const response = await openai.chat.completions.create({
    model: "ft:gpt-3.5-turbo:company-name:customer-support:abc123", // Fine-tunedモデル
    messages: [
      {
        role: "system",
        content: "あなたは弊社のカスタマーサポート担当です。FAQ、製品情報、料金プランについて回答します。"
      },
      ...conversationHistory,
      {
        role: "user",
        content: userMessage
      }
    ],
    temperature: 0.3,       // 創造性低め（正確性重視）
    max_tokens: 500
  });

  return response.choices[0].message.content;
}

// 使用例
const reply = await chatbot(
  "返品ポリシーを教えてください",
  []
);
console.log(reply);
// → "弊社の返品ポリシーは、購入後30日以内であれば未開封品に限り返品可能です..."

---

ユースケース2: コード生成アシスタント

要件:

• 高精度なコード生成
• 複雑なロジック対応
• 月間1万リクエスト
• レイテンシは許容（バッチ処理可）

const codeGenRequirements: AIRequirements = {
  task: "code-generation",
  accuracy: "high",
  latency: "batch",
  volume: 10000,
  budget: 100000,           // 月10万円
  privacy: "relaxed",       // コード公開前提
  customization: false
};

// 推奨: GPT-4 Turbo or Claude 3.5 Sonnet
// 理由:
// - コード生成精度最高
// - 複雑なロジックも対応
// - 月額コスト: 6円/リクエスト × 1万 = 6万円（予算内）

実装例:

async function generateCode(prompt: string, language: string) {
  const response = await openai.chat.completions.create({
    model: "gpt-4-turbo",
    messages: [
      {
        role: "system",
        content: `あなたは${language}のエキスパートプログラマーです。高品質で保守性の高いコードを生成します。`
      },
      {
        role: "user",
        content: prompt
      }
    ],
    temperature: 0.2,       // 創造性低め（正確性重視）
    max_tokens: 2000
  });

  return response.choices[0].message.content;
}

// 使用例
const code = await generateCode(
  "TypeScriptでバイナリサーチ木を実装してください。insert、search、deleteメソッドを含めてください。",
  "TypeScript"
);
console.log(code);

---

ユースケース3: 社内ドキュメント検索（RAG）

要件:

• 社内Wikiから回答生成
• 機密情報を扱う（外部送信不可）
• 月間5万クエリ
• 高精度必須

const internalSearchRequirements: AIRequirements = {
  task: "qa",
  accuracy: "high",
  latency: "fast",
  volume: 50000,
  budget: 500000,           // 月50万円（インフラ込み）
  privacy: "strict",        // オンプレミス必須
  customization: true
};

// 推奨: Llama 3 70B (Self-hosted) + RAG
// 理由:
// - 完全プライベート（データ漏洩リスクゼロ)
// - ファインチューニング可能
// - 初期投資: GPU 1台（A100）200万円、月額電気代10万円

実装例（Llama 3 + RAG）:

# Llama 3をローカルで実行（Ollama使用）
import ollama
from langchain.embeddings import HuggingFaceEmbeddings
from langchain.vectorstores import Chroma
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 1. 社内ドキュメントをベクトル化
documents = [...]  # 社内Wiki、Confluence等から取得
text_splitter = RecursiveCharacterTextSplitter(chunk_size=500)
chunks = text_splitter.split_documents(documents)

embeddings = HuggingFaceEmbeddings(model_name="intfloat/multilingual-e5-large")
vectorstore = Chroma.from_documents(chunks, embeddings)

# 2. RAG検索
def rag_search(query: str) -> str:
    # 関連ドキュメント取得
    relevant_docs = vectorstore.similarity_search(query, k=5)
    context = "\n\n".join([doc.page_content for doc in relevant_docs])

    # Llama 3で回答生成
    response = ollama.chat(model='llama3:70b', messages=[
        {
            'role': 'system',
            'content': '以下のコンテキストを参考に、質問に回答してください。'
        },
        {
            'role': 'user',
            'content': f'コンテキスト:\n{context}\n\n質問: {query}'
        }
    ])

    return response['message']['content']

# 使用例
answer = rag_search("有給休暇の申請方法は？")
print(answer)

---

ユースケース4: マーケティングコンテンツ生成

要件:

• ブログ記事、SNS投稿を大量生成
• 月間1000記事（各2000トークン）
• クリエイティブ性重視
• コスト重視

const contentGenRequirements: AIRequirements = {
  task: "text-generation",
  accuracy: "medium",       // 多少の誤字脱字OK
  latency: "batch",
  volume: 1000,             // 1000記事
  budget: 50000,            // 月5万円
  privacy: "relaxed",
  customization: false
};

// 推奨: Gemini 1.5 Flash or GPT-3.5 Turbo
// 理由:
// - 大量生成に最適（安価）
// - Gemini Flashなら1記事0.4円（月額400円！）
// - GPT-3.5なら1記事0.6円（月額600円）

実装例（Gemini Flash）:

import { GoogleGenerativeAI } from "@google/generative-ai";

const genAI = new GoogleGenerativeAI(process.env.GOOGLE_API_KEY);

async function generateBlogPost(topic: string, keywords: string[]) {
  const model = genAI.getGenerativeModel({ model: "gemini-1.5-flash" });

  const prompt = `
以下のトピックで、SEO最適化されたブログ記事（2000文字）を生成してください。

トピック: ${topic}
キーワード: ${keywords.join(", ")}

記事構成:
1. 導入（200文字）
2. 本文（1500文字、見出し3つ）
3. まとめ（300文字）
  `;

  const result = await model.generateContent(prompt);
  return result.response.text();
}

// バッチ生成
const topics = [
  { topic: "2026年最新SEO対策", keywords: ["SEO", "検索エンジン最適化", "Google"] },
  { topic: "リモートワーク効率化ツール", keywords: ["リモートワーク", "生産性", "ツール"] }
];

for (const { topic, keywords } of topics) {
  const article = await generateBlogPost(topic, keywords);
  console.log(article);
}

---

4. 🚨 AI技術選定の5大失敗パターン

失敗1: 「全てをGPT-4で解決」（コスト爆発）

ポケモンでいえば: ストーリー攻略に伝説ポケモンLv100——オーバーキル。

症状	実例	処方箋
簡単なタスクもGPT-4	チャットボットの全返信にGPT-4	GPT-3.5で十分
埋め込みもGPT-4	ベクトル化にGPT-4使用	text-embedding-3使え
月額100万円超え	スタートアップで破産	段階的にモデル格下げ

// コスト最適化戦略
interface TaskComplexity {
  task: string;
  complexity: "simple" | "medium" | "complex";
  recommendedModel: string;
  costPer1K: number;
}

const taskModelMapping: TaskComplexity[] = [
  {
    task: "簡単なFAQ",
    complexity: "simple",
    recommendedModel: "GPT-3.5 Turbo",
    costPer1K: 0.3
  },
  {
    task: "複雑な質問応答",
    complexity: "medium",
    recommendedModel: "GPT-4o",
    costPer1K: 3.0
  },
  {
    task: "高度な推論・分析",
    complexity: "complex",
    recommendedModel: "GPT-4 Turbo",
    costPer1K: 6.0
  }
];

// タスク複雑度判定
function selectModelByComplexity(userQuery: string): string {
  const wordCount = userQuery.split(" ").length;
  const hasComplexKeywords = /分析|推論|詳細|比較/.test(userQuery);

  if (wordCount > 50 || hasComplexKeywords) {
    return "gpt-4-turbo";
  } else if (wordCount > 20) {
    return "gpt-4o";
  } else {
    return "gpt-3.5-turbo";
  }
}

---

失敗2: 「プライバシー無視」（GDPR違反）

ポケモンでいえば: 技が漏れて対策される——情報漏洩。

症状	実例	処方箋
顧客情報をOpenAI APIへ	氏名・住所等を送信→学習される	オプトアウト設定
機密文書をChatGPT貼り付け	社員が社外秘をペースト	企業版ChatGPT導入
GDPR違反で罰金	EU顧客データ無断送信	ローカルLlama使用

// データプライバシー分類
enum DataSensitivity {
  PUBLIC = "public",           // 公開情報（ブログ等）
  INTERNAL = "internal",       // 社内限定（Wiki等）
  CONFIDENTIAL = "confidential", // 機密（顧客情報）
  RESTRICTED = "restricted"    // 最高機密（財務等）
}

interface DataClassification {
  data: string;
  sensitivity: DataSensitivity;
  allowedModels: string[];
}

function classifyData(data: string): DataSensitivity {
  // PII検出（簡易版）
  const hasPII = /\b\d{3}-\d{4}-\d{4}\b/.test(data) ||  // 電話番号
                 /\b\d{7}\b/.test(data);                  // 郵便番号

  if (hasPII) {
    return DataSensitivity.CONFIDENTIAL;
  }

  // 機密キーワード検出
  const hasConfidential = /機密|社外秘|confidential/i.test(data);
  if (hasConfidential) {
    return DataSensitivity.RESTRICTED;
  }

  return DataSensitivity.INTERNAL;
}

function getAllowedModels(sensitivity: DataSensitivity): string[] {
  switch (sensitivity) {
    case DataSensitivity.PUBLIC:
      return ["gpt-4", "claude", "gemini"]; // 何でもOK
    case DataSensitivity.INTERNAL:
      return ["gpt-4-with-optout", "claude"]; // オプトアウト必須
    case DataSensitivity.CONFIDENTIAL:
      return ["llama3-local", "azure-openai-private"]; // プライベートのみ
    case DataSensitivity.RESTRICTED:
      return ["llama3-airgap"]; // 完全エアギャップ
  }
}

// 使用例
const customerQuery = "山田太郎（03-1234-5678）の注文状況を教えて";
const sensitivity = classifyData(customerQuery);
const allowedModels = getAllowedModels(sensitivity);

console.log(`データ分類: ${sensitivity}`);
console.log(`使用可能モデル: ${allowedModels.join(", ")}`);
// → "データ分類: confidential"
// → "使用可能モデル: llama3-local, azure-openai-private"

---

失敗3: 「ローカルLLMで破綻」（運用地獄）

ポケモンでいえば: 伝説ポケモン捕獲→育成放棄。

症状	実例	処方箋
GPU購入したが動かない	A100買ったがセットアップできず放置	まずAPI試せ
モデル更新が追いつかない	Llama 2のまま→Llama 3に更新できず	Managed Service検討
運用コスト爆発	24時間稼働GPU電気代月50万円	クラウドGPU使え

// ローカルLLM vs API判断基準
interface LocalVsAPIDecision {
  monthlyRequests: number;
  avgTokensPerRequest: number;
  privacyRequirement: "strict" | "normal";
  teamExpertise: "high" | "medium" | "low";
}

function decideLocalOrAPI(decision: LocalVsAPIDecision): "local" | "api" {
  // プライバシー要件が厳格ならローカル
  if (decision.privacyRequirement === "strict") {
    return "local";
  }

  // チーム専門性が低いならAPI
  if (decision.teamExpertise === "low") {
    return "api";
  }

  // コスト比較
  const apiCost = decision.monthlyRequests *
                  (decision.avgTokensPerRequest / 1000) *
                  3; // GPT-4o: 3円/1K tokens

  const localCost =
    200000 + // GPU初期費用（償却：月16.6万円 ÷ 12ヶ月）
    100000 + // 電気代（月10万円）
    200000;  // エンジニア運用工数（月20万円）

  // 月間コストでAPI有利ならAPI
  return apiCost < localCost ? "api" : "local";
}

// 例：スタートアップ
console.log(decideLocalOrAPI({
  monthlyRequests: 10000,
  avgTokensPerRequest: 1000,
  privacyRequirement: "normal",
  teamExpertise: "low"
}));
// → "api"（API: 3万円 vs ローカル: 47万円）

// 例：大企業（機密重視）
console.log(decideLocalOrAPI({
  monthlyRequests: 1000000,
  avgTokensPerRequest: 1000,
  privacyRequirement: "strict",
  teamExpertise: "high"
}));
// → "local"（プライバシー必須）

---

失敗4: 「マルチモーダル誤用」（タスク不一致）

ポケモンでいえば: 水ポケモンで炎ジム攻略——タイプ不一致。

症状	実例	処方箋
GPT-4で画像生成	テキストモデルで画像作ろうとする	DALL-E/Stable Diffusion使え
Stable Diffusionでテキスト	画像生成モデルで文章生成	GPT使え
音声認識にGPT-4	音声ファイル送信→エラー	Whisper使え

// タスク別最適モデルマッピング
const taskToModelMapping = {
  "text-generation": ["GPT-4", "Claude", "Gemini"],
  "code-generation": ["GPT-4 Turbo", "Claude 3.5", "Codex"],
  "image-generation": ["DALL-E 3", "Stable Diffusion", "Midjourney"],
  "image-understanding": ["GPT-4o", "Claude 3 Opus", "Gemini 1.5 Pro"],
  "video-generation": ["Runway Gen-2", "Pika", "Stable Video"],
  "video-understanding": ["Gemini 1.5 Pro"],
  "speech-to-text": ["Whisper", "Google Speech-to-Text"],
  "text-to-speech": ["ElevenLabs", "Google Text-to-Speech"],
  "music-generation": ["MusicLM", "Suno AI"],
  "3d-generation": ["Shap-E", "Point-E"]
};

// タスク判定関数
function detectTask(input: any): AITask {
  if (typeof input === "string") {
    return "text-generation";
  } else if (input instanceof File) {
    if (input.type.startsWith("image/")) {
      return "image-understanding";
    } else if (input.type.startsWith("audio/")) {
      return "speech-to-text";
    } else if (input.type.startsWith("video/")) {
      return "video-understanding";
    }
  }
  throw new Error("Unknown task type");
}

---

失敗5: 「ハルシネーション放置」（幻覚対策なし）

ポケモンでいえば: 混乱状態で自傷——制御不能。

症状	実例	処方箋
嘘情報を堂々と出力	存在しない論文引用	RAG導入
医療診断で誤診	GPT-4が誤った診断→医療事故	人間レビュー必須
金融アドバイス誤り	投資助言AIが損失	免責条項明記

// ハルシネーション対策
interface HallucinationMitigation {
  strategy: string;
  implementation: string;
}

const mitigationStrategies: HallucinationMitigation[] = [
  {
    strategy: "RAG（検索拡張生成）",
    implementation: `
// ベクトルDBから事実確認
const relevantDocs = await vectorstore.similaritySearch(query);
const factCheckedResponse = await llm.generate({
  context: relevantDocs,
  query: query
});
    `
  },
  {
    strategy: "温度パラメータ下げる",
    implementation: `
const response = await openai.chat.completions.create({
  model: "gpt-4",
  temperature: 0.0,  // 創造性ゼロ（事実重視）
  messages: [...]
});
    `
  },
  {
    strategy: "複数モデルで検証",
    implementation: `
const gptAnswer = await getGPT4Answer(query);
const claudeAnswer = await getClaudeAnswer(query);

// 両方一致すれば信頼度高い
if (similarity(gptAnswer, claudeAnswer) > 0.9) {
  return gptAnswer;
} else {
  return "回答が不確実です。人間に確認してください。";
}
    `
  },
  {
    strategy: "信頼度スコア付与",
    implementation: `
const response = await openai.chat.completions.create({
  model: "gpt-4",
  messages: [...],
  logprobs: true  // 確率情報取得
});

// 低確率トークンが多ければ警告
const avgLogProb = calculateAvgLogProb(response.choices[0].logprobs);
if (avgLogProb < -2.0) {
  console.warn("⚠️ 信頼度低: 人間レビュー推奨");
}
    `
  }
];

---

5. 🛠️ AI技術選定チェックリスト

## AI技術選定チェックリスト

### ✅ タスク適合性
- [ ] タスクタイプを明確化（text-generation / qa / image-generation等）
- [ ] 候補AIがタスクをサポートしているか確認
- [ ] マルチモーダル必要性を判断

### ✅ 精度要件
- [ ] 誤答が許容されるか判断（カスタマーサポートは高精度必須）
- [ ] ハルシネーション対策を検討（RAG / 温度調整）
- [ ] テストデータで精度評価

### ✅ コスト試算
- [ ] 月間リクエスト数を見積もり
- [ ] 1リクエストあたりのトークン数を計算
- [ ] API vs ローカルLLMのコスト比較

### ✅ プライバシー
- [ ] 扱うデータの機密度を分類
- [ ] オプトアウト設定（OpenAI API）
- [ ] GDPR/個人情報保護法準拠確認

### ✅ レイテンシ
- [ ] リアルタイム要件か確認
- [ ] モデルの平均応答時間をテスト
- [ ] キャッシング戦略を検討

### ✅ カスタマイズ性
- [ ] ファインチューニング必要性を判断
- [ ] RAG導入を検討
- [ ] プロンプトエンジニアリングで対応可能か確認

### ✅ 運用性
- [ ] モデル更新頻度を確認
- [ ] API制限（Rate Limit）を確認
- [ ] 監視・ロギング体制を整備

### ✅ ベンダーロックイン
- [ ] 複数AIプロバイダー対応を検討
- [ ] 抽象化レイヤー（LangChain等）導入
- [ ] 移行コストを試算

---

6. 📚 まとめ：AI技術選定の鉄則

鉄則	ポケモン的解釈	実務適用
1. タスクに合ったAI	タイプ相性	テキスト→GPT、画像→Stable Diffusion
2. コスト最適化	わざマシン代節約	簡単タスクはGPT-3.5
3. プライバシー最優先	技漏れ防止	機密情報はローカルLlama
4. ハルシネーション対策	混乱状態回避	RAG導入、温度下げる
5. 段階的導入	Lv5から育成	まずAPI→必要ならローカル

最重要原則:

「AIは万能ではない」——タスク・コスト・プライバシーを総合判断せよ。

ポケモンでいえば:

「伝説ポケモンが最強とは限らない」——相手（ユースケース）次第で最適解が変わる。